Quiz d’entraînement sur le théorème spectral avec une leçon interactive pas à pas
Utilisez la série de questions plus bas sur la page pour vous entraîner au théorème spectral : reconnaître les matrices réelles symétriques et complexes hermitiennes, prouver que les valeurs propres sont réelles, utiliser l’orthogonalité des espaces propres, construire \(A=QDQ^T\) ou \(A=UDU^*\), lire \(\operatorname{tr}A\), \(\det A\), le rang et les puissances à partir des valeurs propres, développer \(A=\sum_i\lambda_i q_iq_i^T\), classer les formes quadratiques par les signes des valeurs propres et repérer les matrices de projection dont les valeurs propres sont \(0\) et \(1\). Ouvrez la leçon pour des exemples corrigés ciblés et des vérifications rapides.
Répondez à la série de questions et révisez vos erreurs à la fin.
Comment fonctionne cet entraînement sur le théorème spectral
1. Faites la série de questions : répondez aux questions sur les matrices symétriques, les matrices hermitiennes, la diagonalisation orthogonale, les décompositions spectrales, la trace, le déterminant, le rang, les puissances, les quotients de Rayleigh et le caractère défini.
2. Ouvrez la leçon : revoyez le théorème, les tests de reconnaissance, les exemples corrigés et les vérifications à réponse unique.
3. Réessayez : revenez à la série de questions et décidez d’abord si le problème porte sur la symétrie, les vecteurs propres, la forme diagonale, les données spectrales ou une forme quadratique.
Ce que vous allez apprendre dans la leçon sur le théorème spectral
Matrices auto-adjointes
Cas réel : \(A^T=A\) est le signal du théorème spectral réel
Cas complexe : \(A^*=A\) signifie hermitienne et donne des valeurs propres réelles
Les espaces propres associés à des valeurs propres distinctes sont orthogonaux
Diagonalisation orthogonale
Les matrices réelles symétriques admettent \(A=QDQ^T\) avec \(Q^TQ=I\)
Les colonnes de \(Q\) forment une base propre orthonormée
Les valeurs propres répétées permettent encore de choisir des bases orthonormées dans leurs espaces propres
Décomposition spectrale
Écrire \(A=\sum_i\lambda_i q_iq_i^T\) à l’aide de projections orthogonales de rang un
Les puissances et les fonctions agissent sur les valeurs propres : \(f(A)=Qf(D)Q^T\)
La trace, le déterminant, le rang et l’inversibilité se lisent sur les valeurs propres
Formes quadratiques et projections
Utiliser \(x^TAx=\sum_i\lambda_i y_i^2\) après un changement de coordonnées orthonormé
Définie positive signifie que toutes les valeurs propres sont positives
Les projections symétriques n’ont que les valeurs propres \(0\) et \(1\)
Le théorème spectral transforme la symétrie en géométrie
Objectif : construire une méthode fiable pour les problèmes de théorème spectral : reconnaître les matrices auto-adjointes, utiliser les valeurs propres réelles et les espaces propres orthogonaux, former \(A=QDQ^T\) ou \(A=UDU^*\), interpréter \(A=\sum_i\lambda_i q_iq_i^T\), et classer les formes quadratiques à partir des signes des valeurs propres.
Critères de réussite
Reconnaître les matrices réelles symétriques grâce à \(A^T=A\) et les matrices hermitiennes grâce à \(A^*=A\).
Énoncer que les matrices auto-adjointes ont des valeurs propres réelles.
Utiliser l’orthogonalité des espaces propres associés à des valeurs propres distinctes.
Construire une base propre orthonormée, y compris à l’intérieur des espaces propres répétés.
Lire \(Q^{-1}=Q^T\) dans \(A=QDQ^T\) et \(U^{-1}=U^*\) dans \(A=UDU^*\).
Utiliser la décomposition spectrale \(A=\sum_i\lambda_i q_iq_i^T\).
Calculer la trace, le déterminant, le rang, les puissances et l’inversibilité à partir des valeurs propres.
Classer le caractère défini de \(x^TAx\) à partir des signes des valeurs propres.
Vocabulaire clé
Auto-adjointe : égale à son adjointe ; \(A^T=A\) sur \(\mathbb{R}\), \(A^*=A\) sur \(\mathbb{C}\).
Matrice orthogonale : \(Q^TQ=I\), donc \(Q^{-1}=Q^T\).
Matrice unitaire : \(U^*U=I\), donc \(U^{-1}=U^*\).
Base propre orthonormée : une base de vecteurs propres unitaires deux à deux orthogonaux.
Projection spectrale : \(q_iq_i^T\), la projection de rang un sur la droite propre engendrée par \(q_i\).
Quotient de Rayleigh : \(\dfrac{x^TAx}{x^Tx}\), borné par la plus petite et la plus grande valeur propre lorsque \(A\) est symétrique.
Vérification rapide initiale
Vérification initiale : Le théorème spectral réel s’applique le plus directement à quelles matrices ?
Indice : dans le cas réel, le théorème exige que la matrice coïncide avec sa transposée.
Les matrices symétriques et hermitiennes ont des données spectrales réelles
Objectif d’apprentissage : savoir quand le théorème spectral est disponible et ce qu’il garantit avant de calculer quoi que ce soit.
Idée clé
Dans un espace à produit intérieur réel, la condition clé est \(A^T=A\). Dans un espace à produit intérieur complexe, la condition correspondante est \(A^*=A\), où \(A^*\) est la transposée conjuguée. Ces conditions auto-adjointes forcent les valeurs propres à être réelles et font agir l’opérateur comme un étirement le long de directions perpendiculaires.
Liste de reconnaissance
Vérifiez d’abord que la matrice est carrée.
Cas réel : comparez les entrées de part et d’autre de la diagonale, donc \(a_{ij}=a_{ji}\).
Cas complexe : comparez \(a_{ij}\) avec \(\overline{a_{ji}}\).
Si la condition est vérifiée, cherchez une base propre orthonormée plutôt qu’une matrice générale de changement de base.
Exemple corrigé
Exemple : Soit \(A=\operatorname{diag}(2,5)\). Pourquoi le théorème spectral est-il immédiat ?
La matrice est réelle symétrique, car elle est égale à sa transposée. Les vecteurs de la base canonique \(e_1,e_2\) sont déjà des vecteurs propres orthonormés, avec valeurs propres \(2\) et \(5\). Ainsi \(A=QDQ^T\) avec \(Q=I\) et \(D=\operatorname{diag}(2,5)\).
À vous
À vous : Quelle matrice est symétrique ?
Indice : une matrice réelle symétrique a des entrées identiques au-dessus et au-dessous de la diagonale.
Des valeurs propres différentes donnent des espaces propres perpendiculaires
Objectif d’apprentissage : utiliser l’idée de preuve selon laquelle la symétrie permet de faire passer \(A\) d’un côté à l’autre du produit scalaire.
Idée clé
Si \(Au=\lambda u\) et \(Av=\mu v\), alors la symétrie donne \(\langle Au,v\rangle=\langle u,Av\rangle\). Donc \(\lambda\langle u,v\rangle=\mu\langle u,v\rangle\). Lorsque \(\lambda≠\mu\), cela force \(\langle u,v\rangle=0\).
Valeurs propres répétées
Les espaces propres distincts sont automatiquement orthogonaux.
À l’intérieur d’un même espace propre associé à une valeur propre répétée, les vecteurs ne sont pas automatiquement orthogonaux.
Utilisez Gram-Schmidt dans un espace propre répété pour choisir une base orthonormée.
En combinant ces bases dans tous les espaces propres, on obtient la base propre orthonormée promise par le théorème.
Exemple corrigé
Exemple : La matrice \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\) a pour vecteurs propres \((1,1)\) et \((1,-1)\). Que se passe-t-il après normalisation ?
Les valeurs propres sont \(1\) et \(-1\). Les vecteurs propres ont pour produit scalaire \(1-1=0\), donc ils sont orthogonaux. Après multiplication par \(1/\sqrt2\), ils deviennent des colonnes orthonormées d’une matrice \(Q\).
À vous
À vous : Pour une matrice réelle symétrique, que sont les vecteurs propres associés à des valeurs propres distinctes ?
Indice : utilisez \(\langle Au,v\rangle=\langle u,Av\rangle\), puis soustrayez les deux multiples scalaires.
Mettre les vecteurs propres dans \(Q\), les valeurs propres dans \(D\)
Objectif d’apprentissage : traduire une base propre orthonormée dans la forme diagonale utilisée pour les calculs.
Idée clé
Pour une matrice réelle symétrique, choisissez des vecteurs propres orthonormés \(q_1,\dots,q_n\). Soit \(Q\) la matrice dont les colonnes sont ces vecteurs, et soit \(D=\operatorname{diag}(\lambda_1,\dots,\lambda_n)\). Alors \(AQ=QD\), donc \(A=QDQ^T\). Dans le cas complexe hermitien, la forme est \(A=UDU^*\).
Notes sur les formules
Les entrées diagonales de \(D\) sont les valeurs propres, répétées avec leur multiplicité.
Les colonnes de \(Q\) sont les vecteurs propres unitaires correspondants.
Orthogonale signifie \(Q^TQ=I\), donc \(Q^{-1}=Q^T\).
L’ordre des vecteurs propres peut changer l’ordre des entrées diagonales, mais pas l’opérateur.
Exemple corrigé
Exemple : Diagonalisez conceptuellement \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\).
Utilisez \(q_1=(1,1)/\sqrt2\), associé à la valeur propre \(1\), et \(q_2=(1,-1)/\sqrt2\), associé à la valeur propre \(-1\). Alors \(Q=[q_1\ q_2]\) est orthogonale et \(D=\operatorname{diag}(1,-1)\), donc \(A=QDQ^T\).
À vous
À vous : Si \(Q\) est orthogonale, que vaut \(Q^{-1}\) ?
Indice : des colonnes orthogonales satisfont \(Q^TQ=I\).
Une matrice symétrique est une somme pondérée de projections orthogonales
Objectif d’apprentissage : lire l’action de la matrice, les puissances, le rang, la trace et le déterminant directement à partir des valeurs propres.
Idée clé
À partir de \(A=QDQ^T\), avec les colonnes \(q_i\), développez le produit pour obtenir \[A=\sum_i \lambda_i q_iq_i^T.\] Chaque \(q_iq_i^T\) projette sur une droite propre engendrée par un vecteur unitaire, et \(\lambda_i\) indique l’intensité avec laquelle \(A\) étire cette direction.
Données spectrales
\(\operatorname{tr}A=\sum_i\lambda_i\).
\(\det A=\prod_i\lambda_i\).
\(\operatorname{rank}A\) est le nombre de valeurs propres non nulles.
\(A^k=QD^kQ^T\), donc les valeurs propres de \(A^k\) sont \(\lambda_i^k\).
Si tous les \(\lambda_i≠0\), alors \(A^{-1}=QD^{-1}Q^T\).
Exemple corrigé
Exemple : Une matrice réelle symétrique a pour valeurs propres \(0,0,5\). Quels sont son rang, son déterminant et son statut d’inversibilité ?
Une seule valeur propre est non nulle, donc le rang vaut \(1\). Le déterminant est le produit \(0\cdot0\cdot5=0\), donc la matrice est singulière et non inversible.
À vous
À vous : Si \(A\) est symétrique avec valeurs propres \(2\) et \(3\), quelles sont les valeurs propres de \(A^2\) ?
Indice : les puissances agissent sur les valeurs propres par la même puissance.
Les signes des valeurs propres classent \(x^TAx\)
Objectif d’apprentissage : transformer une forme quadratique en somme diagonale en passant à une base propre orthonormée.
Idée clé
Si \(A=QDQ^T\) et \(y=Q^Tx\), alors \[x^TAx=y^TDy=\sum_i\lambda_i y_i^2.\] Comme \(Q\) préserve les longueurs, les signes des valeurs propres déterminent si la forme quadratique est positive, négative, semi-définie ou indéfinie.
Tests de caractère défini
Toutes les valeurs propres positives : définie positive.
Toutes les valeurs propres non négatives et au moins une nulle : semi-définie positive mais non définie.
Toutes les valeurs propres négatives : définie négative.
Toutes les valeurs propres non positives et au moins une nulle : semi-définie négative mais non définie.
Au moins une valeur propre positive et au moins une valeur propre négative : indéfinie.
Exemple corrigé
Exemple : Une matrice réelle symétrique a pour valeurs propres \(0,4\). Comment classer sa forme quadratique ?
Les deux valeurs propres sont non négatives, et l’une d’elles est nulle. Donc \(x^TAx\ge0\) pour tout \(x\), mais la forme n’est pas positive pour tout \(x\) non nul. La forme est semi-définie positive, pas définie positive.
À vous
À vous : Une matrice réelle symétrique a pour valeurs propres \(-1\) et \(3\). Comment sa forme quadratique est-elle classée ?
Indice : une valeur propre donne une direction négative et l’autre donne une direction positive.
Les projections et les quotients de Rayleigh sont des exemples spectraux
Objectif d’apprentissage : relier le théorème aux opérateurs courants qui apparaissent dans les problèmes d’algèbre linéaire.
Idée clé
Une projection symétrique \(P\) vérifie \(P^2=P\) et \(P^T=P\). Si \(Pv=\lambda v\), alors \(P^2v=Pv\) donne \(\lambda^2=\lambda\), donc \(\lambda\) vaut \(0\) ou \(1\). Le théorème spectral dit que l’espace se décompose en somme orthogonale de l’image et du noyau de la projection.
Point de vue opérateur
Les projections symétriques ont une forme diagonale avec seulement \(0\) et \(1\) sur la diagonale.
La trace d’une projection symétrique est égale à son rang.
Le quotient de Rayleigh d’une matrice symétrique \(A\) est compris entre la plus petite et la plus grande valeur propre.
La norme d’opérateur de \(A\) symétrique est \(\max_i|\lambda_i|\).
Exemple corrigé
Exemple : Quelle est la description spectrale de la projection sur une droite dans \(\mathbb{R}^2\), et pourquoi un vecteur propre unitaire \(q\) tel que \(Aq=4q\) vérifie-t-il \(q^TAq=4\) ?
La direction de la droite est une droite propre de valeur propre \(1\), car les vecteurs de la droite sont inchangés. La direction perpendiculaire est une droite propre de valeur propre \(0\), car elle est envoyée sur zéro. Dans une base orthonormée adaptée à la droite, la matrice de projection est \(\operatorname{diag}(1,0)\). Pour la vérification de Rayleigh, \(q^TAq=q^T(4q)=4q^Tq=4\), car \(\|q\|=1\).
À vous
À vous : Une matrice de projection symétrique est diagonalisable orthogonalement avec quelles entrées diagonales possibles ?
Indice : appliquez \(P^2=P\) à un vecteur propre.
La plupart des erreurs ignorent les hypothèses ou la base
Objectif d’apprentissage : terminer avec une liste compacte des erreurs courantes sur le théorème spectral.
Pièges courants
Diagonalisable ne suffit pas : le théorème exige une structure auto-adjointe pour obtenir une base propre orthonormée.
Symétrique ou antisymétrique : \(A^T=A\), pas \(A^T=-A\).
Valeurs propres répétées : il peut falloir orthonormaliser à l’intérieur d’un espace propre.
Correspondance de l’ordre : chaque entrée diagonale de \(D\) doit correspondre à la colonne correspondante de \(Q\).
Caractère défini : des zéros donnent une forme semi-définie, pas définie.
Matrices de projection : \(P^2=P\) donne une projection ; \(P^T=P\) donne une projection orthogonale dans l’espace euclidien.
Exemple corrigé
Exemple : Si \(A=5I\) dans \(\mathbb{R}^3\), combien de vecteurs propres sont disponibles ?
Tout vecteur non nul est un vecteur propre de valeur propre \(5\). L’espace propre répété est tout \(\mathbb{R}^3\), donc choisissez n’importe quelle base orthonormée. C’est un bon rappel : les valeurs propres répétées n’empêchent pas le théorème spectral.
À vous
À vous : Une matrice hermitienne a des valeurs propres de quel type ?
Indice : les matrices hermitiennes sont l’analogue complexe auto-adjoint des matrices réelles symétriques.
Les matrices auto-adjointes ont des valeurs propres réelles.
Les espaces propres distincts sont orthogonaux.
Les espaces propres répétés peuvent recevoir des bases orthonormées.
Les matrices réelles symétriques vérifient \(A=QDQ^T\) avec \(Q\) orthogonale.
La décomposition spectrale est \(A=\sum_i\lambda_i q_iq_i^T\).
La trace, le déterminant, le rang, les puissances et l’inversibilité se lisent sur les valeurs propres.
Pour un vecteur propre unitaire \(q\), le quotient de Rayleigh donne \(q^TAq=\lambda\).
Le caractère défini d’une forme quadratique est contrôlé par les signes des valeurs propres.
Les projections symétriques ont pour valeurs propres \(0\) et \(1\).
Étape suivante : fermez cette leçon et réessayez le quiz. Pour chaque problème, vérifiez d’abord le type de matrice, puis décidez si la réponse concerne la réalité des valeurs propres, l’orthogonalité, la forme diagonale, la décomposition spectrale, la trace, le déterminant, le rang, un quotient de Rayleigh ou les signes d’une forme quadratique.
Série de pratique
Questions de pratique sur Spectral Theorem avec score instantané
Répondez aux 10 questions ci-dessous, puis obtenez votre score final et une revue des erreurs pour savoir exactement quoi améliorer.
0/10répondues
Question 1Non répondu
Le théorème spectral réel s'applique le plus directement à quelles matrices ?
Bonne réponse : A. Les matrices réelles symétriques
Explication : Les matrices réelles symétriques ont une base orthonormée de vecteurs propres.
Question 2Non répondu
Que peut-on dire des valeurs propres d'une matrice symétrique réelle ?
Bonne réponse : D. Elles sont réelles
Explication : Les matrices symétriques réelles ont des valeurs propres réelles.
Question 3Non répondu
Les vecteurs propres d'une matrice symétrique associés à des valeurs propres distinctes sont :
Bonne réponse : B. Orthogonaux
Explication : La symétrie force les sous-espaces propres associés à des valeurs propres distinctes à être orthogonaux.
Question 4Non répondu
Une matrice réelle symétrique est diagonalisable par :
Bonne réponse : A. Une matrice orthogonale
Explication : Le théorème spectral donne une diagonalisation orthogonale.
Question 5Non répondu
Si \(A=QDQ^T\) avec \(Q\) orthogonale, que vaut \(Q^{-1}\) ?
Bonne réponse : B. \(Q^T\)
Explication : Pour une matrice orthogonale, l'inverse est la transposée.
Question 6Non répondu
Si une matrice symétrique a pour valeurs propres \(1\) et \(3\), quelles sont les entrées diagonales de sa forme diagonale spectrale ?
Bonne réponse : B. \(1\) et \(3\)
Explication : La forme diagonale liste les valeurs propres.
Question 7Non répondu
Quelle matrice est symétrique ?
Bonne réponse : D. \(\begin{pmatrix}1&2\\2&3\end{pmatrix}\)
Explication : Une matrice symétrique est égale à sa transposée.
Question 8Non répondu
Si une matrice symétrique a une valeur propre répétée, le théorème spectral donne quand même :
Bonne réponse : C. Une base orthonormée de vecteurs propres
Explication : Même les sous-espaces propres répétés peuvent recevoir une base orthonormée.
Question 9Non répondu
Quel est le sens géométrique de la diagonalisation orthogonale ?
Bonne réponse : D. Il existe une base orthonormée de vecteurs propres
Explication : Cela signifie que la transformation est diagonale dans une base orthonormée.
Question 10Non répondu
Pour une matrice réelle symétrique, la diagonalisabilité est-elle garantie ?
Bonne réponse : B. Oui
Explication : Oui. C'est l'une des conclusions principales du théorème spectral.
