Algapiip 12

Licence Sciences, Technologies, Sant
Parcours de mathmatiques
Universit Claude Bernard Lyon 1
A LGBRE APPLIQUE
PARTIE II
L E THORME DE P ERRON -F ROBENIUS
ET LES MOTEURS D INDEXATION DU WEB
- Notes de cours et de travaux dirigs -

Printemps 2012
P HILIPPE M ALBOS
malbos@math.univ-lyon1.fr
Table des matires
I. Prliminaires : rappels d'algbre linaire 3
1. Les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Spectre dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3. Dcomposition spectrale des matrices . . . . . . . . . . . . . . . . . . 22
4. Calcul des puissances dune matrice . . . . . . . . . . . . . . . . . . . 32
II. Le thorme de Perron 35
1. Matrices positives et strictements positives . . . . . . . . . . . . . . . . 35

2. Rayon spectral des matrices strictement positives . . . . . . . . . . . . 36
III. Le thorme de Perron-Frobenius 47
1. Le cas des matrices positives . . . . . . . . . . . . . . . . . . . . . . . 47

2. Les matrices irrductibles . . . . . . . . . . . . . . . . . . . . . . . . . 49
3. Les matrices primitives . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4. Irrductibilit et graphe dune matrice . . . . . . . . . . . . . . . . . . 58
5. Marches alatoires sur un graphe . . . . . . . . . . . . . . . . . . . . . 60
6. Recherche documentaire, lexemple du PageRank . . . . . . . . . . . . 67
1
CHAPITRE
I
Prliminaires : rappels d'algbre linaire
Sommaire
1. Les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Spectre dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . 9
3. Dcomposition spectrale des matrices . . . . . . . . . . . . . . . . 22
4. Calcul des puissances dune matrice . . . . . . . . . . . . . . . . . 32
Dans ce cours, K dsigne un corps un commutatif. On se placera en gnral sur le

corps des rels R ou celui des nombres complexes C.
1 Les matrices
16i6n
I.1.1. Notations. Soient m et n deux entiers naturels non nuls. Une famille (aij )16 j6m ,
i
o, pour tous entiers i et j, a j est un scalaire dans K, est appele une matrice de type
(m, n) coefficients dans K. Sil ny a pas de confusion, une telle matrice sera note [aij ]
et reprsente par un tableau de scalaires n colonnes et m lignes :

a11 a21 an1
a1 a2 an
2 2 2
.. .. ..
. . .
1 2
am am anm
On note Mm,n (K) lensemble des matrices carres de type (m, n) coefficients dans
K. Si A Mm,n (K), on notera Aij , le coefficient de A de la j-ime ligne de la i-ime
3
4 CHAPITRE I. PRLIMINAIRES : RAPPELS DALGBRE LINAIRE
colonne :
i
..

.
A= Aij j

Une matrice de type (n, n) est dite carre. On note Mn (K) lensemble des matrices
carres de type (n, n). Une matrice de type (m, 1) est dite colonne et une matrice de type
(1, n) est dite ligne.
La matrice unit de Mn (K) est note 1n . On note E la matrice de Mn (R) dont tous
les coefficients sont gaux 1 et e le vecteur de Rn dont tous les coefficients sont gaux
1. On note A> la matrice transpose de A. Si x est un vecteur colonne, on notera x> le
vecteur ligne correspondant.
I.1.2. Module dun vecteur et dune matrice. Le module dun vecteur x = (xi ) de
Cn est le vecteur |x| = (|xi |), dont les composantes sont les modules des composantes de
x. Le module dune matrice A de Mm,n (C) est la matrice |A| = (|Aij |).
I.1.3. Espace vectoriel des matrices. Soient m et n deux entiers naturels non nuls.
On dfinit sur lensemble Mm,n (K) les opration
i) daddition, pour toutes matrices A = [aij ] et B = [bij ] de Mm,n (K),
A + B = [aij + bij ].
ii) la multiplication par un scalaire, pour toute matrice A = [aij ] de Mm,n (K) et tout
scalaire de K,
A = [aij ].
Muni de laddition et de la multiplication par un scalaire lensemble Mm,n (K) des
matrices de type (m, n) forme un K-espace vectoriel de dimension mn.
I.1.4. Transposition. La matrice transpose dune matrice A de Mm,n (K) est la ma-
trice de Mn,m (K), note A> dfinie par
(A> )ij = Aij ,
pour tous i J1, nK et j J1, mK.
I.1.5. Produit de matrices. On dfinit le produit (ou multiplication) dune matrice A

de type (m, n) par une matrice B de type (n, p), comme la matrice
n
AB = [cij ], avec cij = aki bkj .
k=1
Le produit de matrices vrifie les proprits suivantes :

CHAPITRE I. PRLIMINAIRES : RAPPELS DALGBRE LINAIRE 5
i) (associativit) pour toute matrices compatibles, A, B et C,
A(BC) = (AB)C.
ii) (matrices unites) pour toute matrice A de Mm,n (K),
1m A = A = A1n .
iii) (distributivit), pour toutes matrices compatibles A, B, C et D, on a
A(B + C) = AB + AC, (B + C)D = BD + CD.
Lensemble Mn (K) des matrices carres de type (n, n), muni de laddition et de la
multiplication, forme un anneau non commutatif.
Exercice 1. Montrer que lanneau Mn (K) nest pas commutatif en gnral.
Exercice 2. Soient
1 0 0
B= 0 1 0
5 0 1
et A des matrices de M3 (R). Dcrire les lignes de la matrice BA en terme des lignes de
A et les colonnes de la matrice AB en terme des colonnes de A.
Exercice 3. Soit ei le vecteur colonne de Mn,1 (K) contenant 1 la i-ime ligne et

0 sur les autres lignes. tant donne une matrice A de Mn (K), dcrire les produits
suivants :
Aei , e>
i A, e>
i Ae j .
Exercice 4. Soient A et B deux matrices de Mn,m (K). Montrer que si Ax = Bx, pour
tout vecteur colonne x, alors A = B.
Exercice 5. Soit
1/2 a
A=
0 1/2
une matrice coefficients rels.
1. Calculer A2 , A3 et A4 .
2. Donner lexpression de Ak , pour tout entier naturel k.
I.1.6. Matrices inversibles. Une matrice carre A de Mn (K) est dite inversible, sil
existe une matrice B de Mn (K) telle que
AB = 1n et BA = 1n .
La matrice B est alors appele la matrice inverse de A, on note alors B = A1 . On dduit

immdiatement de cette dfinition que linverse dune matrice est unique. Lopration
dinversion vrifie les proprits suivantes :
i (A1 )1 = A,
ii si A et B sont inversibles, alors AB est inversible et
(AB)1 = B1 A1 ,
iii si A est inversible, alors sa transpose est inversible et
(A> )1 = (A1 )> .
Exercice 6. Montrer ces trois proprits.
I.1.7. Matrices nilpotentes. Une matrice N de Mn (K) est dite nilpotente, sil existe
un entier naturel q tel que Nq = 0. Le plus petit entier non nul r tel que Nr = 0 et Nr1 6= 0
est appel lindice de nilpotence de N.
I.1.8. Matrices semblables. Deux matrices A et B de Mn (K) sont dites semblables,

sil existe une matrice inversible P de Mn (K) telle que
B = P1 AP.
La relation tre semblable , dite relation de similitude, est une relation dquivalence
sur lensemble Mn (K).
Exercice 7. Montrer cette proprit.
I.1.9. Matrices quivalentes. Deux matrices A et B de Mn (K) sont dites quiva-

lentes, sil existe deux matrice inversibles P et Q de Mn (K) telles que
B = PAQ.
La relation dquivalence est une relation dquivalence sur Mn (K). Deux matrices sem-
blables sont quivalentes.
I.1.10. Trace dune matrice. La trace dune matrice carre A = [aij ] de Mn (K) est
la somme des coefficients de sa diagonale :
n
trace (A) = aii .
i=1
Exercice 8. tant donn deux matrices A et B de Mn (K), dterminer toutes les ma-
trices X de Mn (K) telles que
X + tr(X)A = B.
Exercice 9. Montrer quil nexiste pas de matrices A et B de Mn (K) telles que
AB BA = 1n .
Exercice 10. Soient A et B deux matrices carres.

1. Montrer la relation trace AB = trace BA.

2. En dduire que deux matrices semblables ont la mme trace.
I.1.11. Image dune matrice. Si A est une matrice de Mm,n (K), on dfinit limage
de A comme le sous-espace vectoriel de Km engendr par les vecteurs Ax, o x Kn .
Soit
Im A = {Ax | x Kn }.
Exercice 11. Montrer que limage dune matrice A de Mm,n (K) est le sous-espace
vectoriel de Km engendr par les vecteurs colonnes de A.
Exercice 12. Soit A une matrice de Mn (K) telle que Im (A) soit gal Kn . Justifier
que la matrice A est inversible.
Exercice 13. Soit A une matrice de Mn,m (K). Soit E un sous-ensemble de vecteurs
colonnes de Mm,1 (K), identifi Km . Limage de E par A est lensemble, not A(E ),
form de tous les produits de A par un vecteur de E , i.e.,
A(E ) = {Ax | x E }.
1. Montrer que si E est un sous-espace vectoriel de Km , alors A(E ) est un sous-espace

vectoriel de Kn .
2. Montrer que si E = Vect(x1 , . . . , x p ), alors A(E ) = Vect(Ax1 , . . . , Ax p ).
Exercice 14. Soient A et B deux matrices compatibles. Montrer que Im (AB) est un
sous-espace vectoriel de Im (A).
Exercice 15. Soit A Mn,m (K) et B Mn,p (K) deux matrices. Montrer que
Im ([A B]) = Im (A) + Im (B),
o [A B] dsigne la matrice constitue des blocs A et B.
I.1.12. Noyau dune matrice. Si A est une matrice de Mm,n (K), on dfinit le noyau
de A comme le sous-espace vectoriel suivant de Kn
Ker A = {x Kn | Ax = 0}.
Le noyau Ker A est form des solutions de lquation Ax = 0.
Exercice 16. Soit A une matrice inversible de Mn (K). Dcrire les sous-espaces
Ker (A), Ker (A> ), Im (A), Im (A> ).
Exercice 17. Soient A et B deux matrices compatibles. Montrer que Ker (B) est un
sous-espace vectoriel de Ker (AB).
I.1.13. Rang dune matrice. Soient E un K-espace vectoriel. On appelle rang dune
famille de vecteurs (xi )i de E, la dimension du sous-K-espace vectoriel de E engendr
par (xi )i . En dautres termes, le rang de la famille (xi )i est le nombre maximal de vecteurs
linairement indpendants que lon peut extraire de (xi )i . Le rang dune matrice A de
Mm,n (K) est le rang de la famille de ses vecteurs colonnes dans Km . On le note rang A.
Autrement dit,
rang A = dim(Im A).
I.1 Proposition. Soit A une matrice de Mm,n (K). Le rang de A vrifie les pro-
prits suivantes :
i) rang A 6 inf{m, n},
ii) rang A = rang (A> ) (en particulier le rang de A est aussi le rang des vecteurs
lignes),
iii) Ker A = {0} si, et seulement si, rang A = n,
iv) Ker (A> ) = {0} si, et seulement si, rang A = m,
v) si m = n, alors A est inversible si, et seulement si, rang A = n.
Soit A M p,q (K) et Q M p (K), P M p (K) deux matrices inversibles, on a
rang A = rang (QAP).
En particulier si rang A = r, il existe deux matrices inversibles P et Q telles que

1r 0
A=Q P.
0 0
I.2 Proposition. Soit A une matrice de M p,q (K) de rang r. Alors, la matrice A
est quivalente la matrice
1r 0
Jr = .
0 0
En particulier, deux matrices de M p,q (K) sont quivalentes si, et seulement si, elles
ont mme rang.
Exercice 18. Soient A et B deux matrices de Mn,m (K).

1. Montrer que Im (A + B) est un sous-espace de Im (A) + Im (B).
2. En dduire que rang (A + B) 6 rang (A) + rang (B).
Exercice 19. Soit A Mn,m (K) et B Mn,p (K) deux matrices. Montrer que
rang ([A B]) 6 rang (A) + rang (B) dim(Im (A) Im (B)).
2 Spectre dune matrice

I.2.1. Valeurs propres et vecteurs propres. Soit A une matrice de Mn (K). Un
scalaire dans K est appel valeur propre de A, si lune des conditions quivalentes
suivantes est vrifie :
i) Ker (A 1n ) 6= {0},
ii) det (A 1n ) = 0,
iii) il existe un vecteur non nul x de Kn , solution de lquation
Ax = x.
Un vecteur x vrifiant lassertion iv) est appel vecteur propre de A associ la valeur
propre . Lensemble des valeurs propres de A dans K est appel le spectre sur K de la
matrice A et sera not dans la suite SpK (A).
On notera Sp(A) lensemble des valeurs propres complexes dune matrice A Mn (R),
appel spectre de A.
I.2.2. Rayon spectral. Soit A une matrice de Mn (R) ou de Mn (C). Une valeur pro-
pre de A est dite dominante si, pour tout 0 Sp(A) { }, on a | | > | 0 |.
Le rayon spectral de A, not (A), est le plus grand des modules des valeurs propres
de A :
(A) = max{| | | Sp(A)}.
I.2.3. Sous-espaces propres. Soit A une matrice de Mn (K) et soit une valeur pro-
pre de A. Lensemble des vecteurs propres associs
E = {x Kn | Ax = x}
est un sous-espace vectoriel de Kn , stable par A, appel le sous-espace propre de la

matrice A associ la valeur propre .
Exercice 20. Soient 1 , . . . , p des valeurs propres dune matrice A de Mn (K), dis-
tinctes deux deux. Montrer que les sous-espaces propres E1 , . . . , E p sont en somme
directe.
I.2.4. Polynme caractristique. Le polynme caractristique dune matrice A de

Mn (K) est le polynme de K[X] dfini par
pA = det (A X1n ).
Exercice 21. Montrer que deux matrices semblables ont le mme polynme carac-
tristique.
Exercice 22. Montrer quun scalaire est valeur propre dune matrice A si, et seule-
ment si, est racine de son polynme caractristique pA .
Une valeur propre de A est dite simple lorsquelle est racine simple du polynme
caractristique de A. En particulier, si est une valeur propre simple, la dimension du
C-espace vectoriel Ker (A 1n ) est 1.
I.2.5. Exemple. Le polynme caractristique dune matrice de Mn (K) peut ne pas

avoir de racines dans le corps K. Par exemple, le polynme caractristique de la matrice

0 1
A=
1 0
est pA = X 2 + 1, qui na pas de racines relles, par suite SpR (A) = 0.

/ Cependant, on a
2
SpC (A) = {i, i} et les sous-espaces propres de A dans C sont

i i
Ei = Vect( ) et Ei = Vect( ).
1 1
Exercice 23. Dterminer les valeurs propres et espaces propres des matrices suiv-
antes de M3 (R) :

0 0 0 0 0 1 0 1 1
a) 0 0 0 , b) 0 0 0 , c) 0 0 1 ,
0 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 1 1
d) 0 1 1 , e) 0 0 1 , f) 0 1 1 ,
0 0 0 0 0 1 0 0 1

1 1 1 1 1 1
g) 1 1 1 , h) 1 1 1 .
0 1 1 1 1 1
Exercice 24. Dterminer les valeurs propres et vecteurs propres des matrices suiv-
antes

2 16 8 3 2 5
10 7
A= B= 4 14 8 C= 0 1 4
14 11
8 32 18 0 1 5

0 6 3 3 0 0
D = 1 5 1 E= 0 3 0
1 2 4 0 0 3

A C
Exercice 25. Soit T = une matrice dfinie par blocs, o les matrices A et
0 B
B sont carres. Montrer que
Spec(T) = Spec(A) Spec(B).
Exercice 26. Construire des exemples de matrices A et B de M2 (K) telles que

1. valeur propre de A et valeur propre de B nimplique pas + valeur propre de

A + B.
2. valeur propre de A et valeur propre de B nimplique pas valeur propre de
AB.
Exercice 27. Montrer que la trace dune matrice nilpotente de Mn (K) est nulle.
Exercice 28. Soient x1 , . . . , xk des vecteurs propres dune matrice A de Mn (K), as-
socies une mme valeur propre . Montrer que toute combinaison linaire non nulle
des vecteurs x1 , . . . , xk est un vecteur propre de A associ la valeur propre .
Exercice 29. Soit A une matrice de Mn (K) de spectre spec(A) = {1 , . . . , p }. On
considre une valeur propre k de A et un vecteur propre x associ.
1. Soit un scalaire qui nest pas valeur propre de A. Montrer que
1
(A 1n )1 x = x.
k
2. Soit y un vecteur de Kn , montrer que les valeurs propres de A + xy> concident avec
celles de A sauf pour la valeur propre k qui est remplace par k + y> x.
3. Soit un scalaire. Comment construire un vecteur y afin que les valeurs propres de
A + xy> et A concident sauf pour la valeur propre k qui est remplace par .
Exercice 30. Soient A Mm,n (K) et B Mn,m (K) deux matrices.
1. Montrer que pour tout scalaire ,
m det ( 1n BA) = n det ( 1m AB).
2. Montrer que si m = n, alors les matrices AB et BA ont le mme polynme caractris-

tique.
3. On suppose que m 6= n. Montrer que les polynmes caractristiques de AB et BA ne
peuvent pas tre gaux. Que peut-on dire des spectres de AB et BA ?
Exercice 31. Soient A Mn (K) et B Mn (K) deux matrices. Montrer que si AB =
BA, alors A et B ont un vecteur propre commun.
I.2.6. Matrices trigonalisables. Une matrice A de Mn (K) est dite trigonalisable

dans Mn (K), si A est semblable une matrice triangulaire suprieure de Mn (K). Cest-
-dire, sil existe une matrice inversible P de Mn (K) et une matrice triangulaire suprieure
T coefficients dans K telles que
A = PTP1 . (I.1)
I.3 Thorme (Thorme de trigonalisation). Une matrice A de Mn (K) est

trigonalisable dans Mn (K) si, et seulement si, son polynme caractristique pA est
scind sur K.
Daprs le thorme de DAlembert-Gauss, tout polynme non nul de C[X] est scind
sur C. Par suite, toute matrice A de Mn (C) est trigonalisable dans Mn (C).
Notons que toute matrice A de Mn (R) peut toujours se trigonaliser dans Mn (C).
En effet, si le polynme caratristique de A est scind sur R, A est trigonalisable dans
Mn (R). Sinon, le polynme pA est toujours scind dans Mn (C). Il existe alors une
matrice inversible P et une matrice triangulaire T de Mn (C) telles que A = PTP1 .
I.2.7. Somme et produit des valeurs propres. Le thorme de trigonalisation nous

permet de relier des invariants dune matrice, tels que sa trace et son dterminant, ses
valeurs propres. Si une matrice A est trigonalisable, semblable une matrice triangulaire
suprieure T, alors les valeurs propres de A tant les racines du polynme pA , sont aussi
les coefficients de la diagonale de la matrice T.
tant donne une matrice A de Mn (C), alors son polynme caractristique est scind
sur C :
n
pA = (1)n (X i ).
i=1
La matrice A est semblable une matrice triangulaire T, i.e., il existe une matrice in-
versible P telle que
1
. .
0 2 . . ..

1
P AP = . .
.. .. ...

0 0 n
tant semblables, les matrices A et T ont mme trace et mme dterminant, on en
dduit que la trace (resp. le dterminant) de A est gale la somme (resp. le produit) des
valeurs propres, comptes avec leur ordre de multiplicit. Prcisment, on a
I.4 Proposition. Soit A une matrice de Mn (C) de polynme caractristique

p
n
pA = (1) (X i)hi ,
i=1
o hi dsigne lordre de multiplicit de la valeur propre i dans le polynme carac-

tristique. Alors,
p p
i) trace (A) = hi i , ii) det (A) = ihi .
i=1 i=1
Plus gnralement, pour tout entier k > 1, on a

p p
k
iii) trace (A ) = hi ik , iv) det (A ) = ik.hi .
k
i=1 i=1
I.2.8. Matrices diagonalisables. Une matrice A de Mn (K) est dite diagonalisable

dans Mn (K), si elle est semblable une matrice diagonale de Mn (K). Cest--dire, sil
existe une matrice inversible P de Mn (K) et une matrice diagonale D coefficients dans
K telles que
A = PDP1 . (I.2)
Les matrices A et D de la dcomposition (I.2) tant semblables, elles ont le mme
polynme caractristique. Il sensuit que la diagonale de la matrice D est forme des
valeurs propres de A.
Exercice 32. Montrer quune matrice A de Mn (K) est diagonalisable si, et seulement
si, il existe une base de Kn forme de vecteurs propres de A.
I.2.9. Multiplicit des valeurs propres. Soient A une matrice de Mn (K) et une
valeur propre de A. Lordre de multiplicit de en tant que racine du polynme pA est
appel multiplicit algbrique de , on la note multA alg ( ), ou multalg ( ) sil ny a pas
de confusion possible.
La dimension du sous-espace propre E est appel la multiplicit gomtrique de ,
on la note multA
geo ( ), ou multgeo ( ) sil ny a pas de confusion possible. Autrement dit
multA
geo ( ) = dim(Ker (A 1n )).
I.5 Proposition. Soit A une matrice de Mn (C). Pour toute valeur propre de A,
on a
multgeo ( ) 6 multalg ( ).
I.6 Thorme (Caractrisation des matrices diagonalisables). Soit A une ma-

trice de Mn (K). Les assertions suivantes sont quivalentes :
i) A est diagonalisable dans Mn (K),
ii) le polynme pA est scind sur K et, pour toute valeur propre de A,
multgeo ( ) = multalg ( ),
iii) il existe des valeurs propres 1 , . . . , p de A, telles que
Kn = E1 E p .
Exercice 33. Soit A une matrice dfinie par blocs :

B 0
A= ,
0 C
o B et C sont deux matrices carres de Mn1 (K) et Mn2 (K) respectivement.

1. Montrer que si B et C sont diagonalisables, alors A est diagonalisable.
2. Montrer que pA = pB .pC .
3. Montrer que pour toute valeur propre de A, on a
multA B C
geo ( ) = multgeo ( ) + multgeo ( ).
4. Montrer que si B ou C nest pas diagonalisable, alors il existe une valeur propre de
A telle que
multA A
geo ( ) < multalg ( ).
5. En dduire, que si A est diagonalisable, alors B et C sont diagonalisables.
Exercice 34. Montrer que la matrice suivante nest pas diagonalisable :

0 1 0
0 1
...

0

. .. 1

0 0
Exercice 35. Les matrices lmentaires de Mn (K) sont-elles diagonalisables ?
Exercice 36. Soit A Mn (R).

1. Montrer que si est une valeur propre complexe de A, alors est aussi valeur propre
de A, de mme ordre de multiplicit.
2. Montrer que si v est un vecteur propre associ , alors v est un vecteur propre
associ .
3. Diagonaliser en donnant une matrice de passage la matrice

0 2 0
A = 1 0 1 .
0 2 0
4. Calculer Ak , pour tout entier naturel k.
Exercice 37. Soit

0 1 1
A = 1 0 1 .
1 1 0
En diagonalisant A, trouver une solution dans M3 (C) lquation X 2 = A.
Exercice 38. On considre la matrice de M2 (C) suivante

a b
A= .
c a
1. Quelle est la somme des valeurs propres de A ?

2. Quel est le produit des valeurs propres de A ?

3. Montrer que, si son dterminant nest pas nul, A est diagonalisable.
4. Montrer que, si son dterminant est nul, A nest diagonalisable que si elle est nulle.
5. Montrer que A est diagonalisable sauf si elle est de rang un.
6. En supposant que la matrice A est relle ; quelle condition est-elle diagonalisable
par un changement de base rel ?
I.2.10. Polynmes de matrices. Soit A une matrice de Mn (K). tant donn un polynme
P = am X m + am1 X m1 + + a1 X + a0
de K[X], on dfinit la matrice
P(A) = am Am + am1 Am1 + + a1 A + a0 1n .
Noter que si P est le polynme constant gal 1, alors P(A) = 1n . On associe ainsi
un polynme P de K[X], un polynme de matrices P(A). Cette correspondance est
compatible aux oprations daddition et de multiplication sur les polynmes, on a, pour
tous polynmes P et Q de K[X],
i) (P + Q)(A) = P(A) + Q(A),
ii) (PQ)(A) = P(A)Q(A).
De la seconde proprit, on dduit que les polynmes dune matrice A commutent
entre eux, i.e., pour tous polynmes P et Q de K[X], les matrices P(A) et Q(A) commu-
tent :
P(A)Q(A) = Q(A)P(A).
Exercice 39. Soit A M2 (K).

1. Montrer que
A2 tr(A)A + det (A)12 = 0.
2. On suppose que le dterminant de A est non nul. Calculer linverse de A.
Exercice 40. Soient A Mn (K) et , K tels que
A2 = A + 1n .
1. Montrer que si est non nul, la matrice A est inversible et que
A1 = 1 (A 1n ).
2. Montrer que pour tout entier k, la matrice Ak scrit comme une combinaison linaire
des matrices A et 1n .
I.2.11. Polynmes annulateurs. Un polynme non nul Q de K[X] est dit annulateur
dune matrice A de Mn (K), si la matrice Q(A) est nulle ; on dit aussi que A est racine
du polynme Q.
Exercice 41. Montrer que toute matrice de possde un polynme annulateur.
Exercice 42. Soient A une matrice de Mn (K) et Q un polynme annulateur de A.

1. Montrer que toute valeur propre de A est racine du polynme Q.
2. Montrer que la rciproque est fausse en gnral : toutes les racines dun polynme
annulateur de A ne sont pas toujours valeurs propres de A.
I.7 Proposition. Soit A une matrice de Mn (K) et soient P1 , P2 deux polynmes

de K[X] premiers entre eux. Alors,
Ker (P1 P2 )(A) = Ker P1 (A) Ker P2 (A).
Si de plus, le polynme P1 P2 est annulateur de A, on a
Kn = Ker P1 (A) Ker P2 (A).
I.2.12. Exemple. Soit A une matrice de Mn (R) satisfaisant
(A 12 )(A 12 ) = 0 (I.3)
o et sont deux rels distincts. Daprs la proposition prcdente, on a
R2 = E E ,
o E et E sont les deux sous-espaces propres associs la matrice A. Les polynmes

X et X sont premiers entre eux, il existe donc une identit de Bzout :
1 1
(X ) + (X ) = 1. (I.4)

Notons
1 1
1 = (A 12 ), 2 = (A 12 )

Alors, 1 reprsente la projection de R2 sur E et 2 reprsente la projection de R2 sur
E , exprime dans la base canonique de R2 . En effet, de la relation (I.4), on dduit que
1 + 2 = 12 . (I.5)
Par ailleurs, de la relation I.3, on dduit que
1 2 = 2 1 = 0 (I.6)
Des relation I.4 et I.5, on dduit que 1 et 2 sont des matrices de projecteurs de R2 ,
i.e.,
21 = 1 , 22 = 2 .
Comme
Im 1 = Ker 2 et Im 2 = Ker 1 ,
on a Im 1 = E et Im 2 = E . Ainsi, 1 et 2 sont les matrices des projecteurs de R2
sur les sous-espaces E et E respectivement.
Exercice 43. Considrons la matrice relle

1 0 1 2
0 1 3 4
A= 0 0

2 0
0 0 0 2
1. Montrer que (A 214 )(A 14 ) = 0.

2. Dterminer les sous-espaces propres ainsi que les matrices des projections de R4 sur
ces sous-espaces propres, exprimes dans la base canonique de R4 .
I.2.13. Le lemme des noyaux. La formulation gnrale de cette dcomposition, avec

un produit fini quelconque de polynmes, est appele le lemme des noyaux. La preuve
se droule sur le mme principe quen prsence de deux polynmes.
I.8 Thorme (Lemme des noyaux). Soient A une matrice de Mn (K) et

P1 , . . . , Pp des polynmes de K[X] premiers entre eux deux deux. Alors,

Ker (P1 . . . Pp )(A) = Ker P1 (A) . . . Ker Pp (A).
Si de plus, le polynme P1 P2 . . . Pp est annulateur de A, on a
Kn = Ker P1 (A) . . . Ker Pp (A).
I.2.14. Consquence immdiate du lemme des noyaux. Soit A une matrice de Mn (K)
dont le polynme caractristique est
pA = (X 1 )h1 . . . (X p )h p ,
avec i 6= j . Les polynmes (X i )hi sont premiers entre eux deux deux, du lemme
des noyaux, nous dduisons la dcomposition
Kn = Ker (A 1 1n )h1 . . . Ker (A p 1n )h p .
Exercice 44. Soit A une matrice de M4 (R) de trace nulle, admettant 1 et i comme
valeurs propres.
1. Dterminer toutes les autres valeures propres de A.
2. Montrer que
R4 = Ker (A2 1n ) Ker (A2 + 1n ).
I.2.15. Une autre caractrisation des matrices diagonalisables. La principale con-

squence du lemme des noyaux, thorme I.8, que nous noncerons ici est une nouvelle
caractrisation de la diagonalisation des matrices.
I.9 Thorme. Une matrice A de Mn (K) est diagonalisable dans Mn (K) si, et
seulement si, il existe un polynme de K[X] annulateur de A scind et ne possdant
que des racines simples.
Exercice 45. Trouver une condition ncessaire et suffisante pour que les matrices
relles suivantes soient diagonalisables :

a b c 1 a b
A = 0 a d , B = 0 1 c .
0 0 a 0 0 d
I.2.16. Le polynme minimal. Soit A une matrice de Mn (K). On appelle polynme

minimal de A et on note mA , le polynme unitaire annulateur de A de plus petit degr.
Exercice 46. Montrer que le polynme minimal dune matrice A de Mn (K) est
unique et divise tout polynme annulateur de A.
Lensemble des polynmes annulateur dune matrice A de Mn (K) est ainsi dtermin
par son polynme minimal mA . En effet, tout polynme annulateur Q de A scrit :
Q = Q0 mA ,
o Q0 est un polynme de K[X]. Autrement dit, lensemble des polynmes annulateurs

de A scrit mA K[X]. Nous pouvons alors reformuler le thorme I.9 de caractrisation
algbrique des matrices diagonalisables de la faon suivante.
I.10 Thorme. Une matrice A de Mn (K) est diagonalisable dans Mn (K) si,
et seulement si, son polynme minimal mA est scind sur K et possde toutes ses
racines simples.
Exercice 47. Montrer quune matrice triangulaire nayant que des 0 sur la diagonale
est diagonalisable si, et seulement si, elle est nulle.
I.2.17. Le thorme de Cayley-Hamilton. Le rsultat suivant montre que le polynme

caractristique dune matrice est annulateur dune matrice. Ainsi, du polynme carac-
tristique on pourra dduire le polynme minimal.
I.11 Thorme (Thorme de Cayley-Hamilton). Toute matrice est racine de

son polynme caractristique.
I.2.18. Calcul du polynme minimal. Une mthode permettant de dterminer le

polynme minimal dune matrice A de Mn (K), consiste considrer un polynme
annulateur de A et chercher dans lensemble de ses diviseurs, le polynme unitaire
annulateur de plus petit degr. Daprs le thorme de Cayley-Hamilton, thorme I.11,
un candidat naturel pour le polynme annulateur est le polynme caractristique. Nous
allons voir comment mettre en oeuvre cette mthode dans ce cas.
Exercice 48. Soit A une matrice de Mn (K). Montrer quun scalaire est valeur
propre de A si, et seulement si, il est racine du polynme minimal mA .
I.12 Proposition. Soit A une matrice de Mn (K) dont le polynme pA est scind :
pA = (1)n (X 1 )h1 . . . (X p )h p ,
avec i 6= j pour tout i 6= j et h1 + . . . + h p = n, alors
mA = (X 1 )k1 . . . (X p )k p ,
avec 1 6 ki 6 hi .
I.2.19. Exemples. Soit

1 1 1
A = 1 1 1 .
1 1 1
Alors, pA = (X 1)(X + 2)2 . Les deux valeurs possibles pour le polynme minimal
de A sont donc soit (X 1)(X + 2)2 , soit (X 1)(X + 2). Or

2 1 1 1 1 1 0 0 0
(A 13 )(A + 213 ) = 1 2 1 1 1 1 = 0 0 0 .
1 1 2 1 1 1 0 0 0
Par suite mA = (X 1)(X + 2) est le polynme minimal. On en dduit que la matrice A
est diagonalisable et que Sp(A) = {1, 2}, o 2 est valeur propre double.
Soit
3 2 2
B = 1 0 1 .
1 1 0
On a pB = (X 1)3 . Donc mA = (X 1)k , o k = 1, 2 ou 3. Par ailleurs, A est diag-

onalisable si, et seulement si, mA = X 1. Or mA (A) = A 13 6= 0, donc A nest pas
diagonalisable.
Exercice 49. Construire deux matrices qui ont mme polynme caractristique et
mme polynme minimal et qui ne sont pas semblables.
I.2.20. Exemple : calcul de linverse dune matrice admettant deux valeurs pro-
pres. Soit A une matrice de Mn (K). On suppose que son polynme minimal est
scind, de degr 2 :
mA = (X 1 )(X 2 ).
On suppose de plus que les deux valeurs propres de A sont non nulles. On peut alors en
dduire les puissances de A et son inverse. La matrice A est inversible, car 1 et 2 sont
non nuls. On a
mA = (X 1 )(X 2 ) = X(X (1 + 2 )) + 1 2 .
Par suite, la matrice A vrifie
A(A (1 + 2 )1n ) = 1 2 1n .
On en dduit linverse de A :
1
A1 = (A (1 + 2 )1n ). (I.7)
1 2
Exercice 50. Dterminer le polynme minimal des matrices relles suivantes, o a,

b et c sont trois rels distincts deux deux :

a 0 0 a 0 0 a 0 0 a 1 0
A1 = 0 a 0 , A2 = 0 a 0 , A3 = 0 b 0 , A4 = 0 a 1 ,
0 0 a 0 0 b 0 0 c 0 0 a

a 1 0 a 1 0 a 1 0
A5 = 0 a 0 , A6 = 0 a 0 , A7 = 0 b 0 ,
0 0 a 0 0 b 0 0 b

a 1 0 0 a 1 0 0 a 1 0 0
0 a 1 0
, B2 = 0 a 1 0 , B3 = 0 a 0 0 ,

B1 = 0 0 a 1 0 0 a 0 0 0 a 1
0 0 0 a 0 0 0 a 0 0 0 a

a 1 0 0 a 1 0 0
0 a 0 0
, B5 = 0 a 0 0 .

B4 = 0 0 b 1 0 0 b 0
0 0 0 b 0 0 0 b
Exercice 51. Dterminer le polynme minimal des matrices suivantes de M3 (R) :

0 0 0 0 0 1 0 1 1 0 1 1
A1 = 0 0 0 , A2 = 0 0 0 , A3 = 0 0 1 , A4 = 0 1 1 ,
0 0 0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 1 1 1 1 1 1
A5 = 0 0 1 , A6 = 0 1 1 , A7 = 1 1 1 , A8 = 1 1 1 .
0 0 1 0 0 1 0 1 1 1 1 1
Exercice 52. Soit A une matrice nilpotente de Mn (C).
1. Sans utiliser le polynme minimal, montrer que le polynme caractristique de A est
pA = (1)n X n .
2. Comment dterminer le polynme caractristique pA en utilisant le polynme mini-
mal ?
3. Par rcurrence, montrer que A est semblable une matrice triangulaire suprieure
avec des 0 sur la diagonale.
4. Inversement, montrer que toute matrice triangulaire de Mn (K) avec des 0 sur la di-
agonale est nilpotente dindice de nilpotence p 6 n.
Exercice 53. Soit A une matrice inversible de Mn (C).
1. Montrer que 0 ne peut pas tre valeur propre de A.
2. En dduire que A1 est un polynme en A. [On pourra utiliser le fait que le polynme
X ne divise pas le polynme caractristique de A.]
Exercice 54. Soient A une matrice de Mn (K) et P un polynme coefficients dans
K.
1. Montrer que si P est premier avec le polynme minimal mA de A, alors la matrice
P(A) est inversible.
2. Inversement, montrer que si P(A) est inversible, alors les polynmes P et mA sont
premiers entre eux.
Exercice 55. Rsoudre dans Mn (R) lquation X3 = X.
Exercice 56. Lobjectif est de rsoudre dans M3 (R) lquation
X3 + X = 0.
Soit A une matrice non nulle solution de lquation prcdente.

1. Montrer que
R3 = Ker A Ker (A2 + 13 ).
2. Dterminer le polynme minimal de A.
3. Montrer que si x nappartient pas Ker A, alors (x, Ax) est libre.
4. Montrer que Ker A est de dimension 1. En dduire que A est semblable la matrice

0 0 0
0 0 1 .
0 1 0
3 Dcomposition spectrale des matrices
I.3.1. Diagonalisation par blocs. Daprs le thorme de caractrisation des matri-

ces diagonalisables, diagonaliser une matrice A de Mn (K) revient trouver une dcom-
position de lespace Kn en une somme directe de sous-espaces propres :
Kn = E1 . . . E p
associs A, i.e., pour tout i J1, pK, Ei = Ker (A i 1n ). Diagonaliser une matrice A
de Mn (K) par blocs consiste trouver une dcomposition de lespace Kn en une somme
directe
Kn = N1 . . . N p ,
de sous-espaces vectoriels Ni stables par A, i.e., pour tout i J1, pK,
x Ni Ax Ni .
On montre que ceci est quivalent dire que la matrice A est semblable une matrice
diagonale par blocs, cest--dire de la forme

B1 0 0
. .
0 B2 . . ..

. .
.. .. ... 0

0 0 Bp
o, pour tout i J1, pK, Bi est une matrice de Mhi (K), avec hi = dim Ni .
I.3.2. Formulation gomtrique. On peut reformuler ce problme de la faon suiv-

ante. Diagonaliser par blocs un endomorphisme de Kn revient trouver une dcomposi-
tion de Kn en une somme directe
Kn = N1 . . . N p ,
de sous-espaces vectoriels stables par u, i.e., limage par u du sous-espace Ni est un

sous-espace de Ni . Considrant une base Bi pour chaque sous-espace Ni , la runion de
ces bases
B = B1 . . . B p
forme une base de Kn . Exprime dans cette base, la matrice de u est de la forme suivante :

[u|N ] 0 0
1 B1
... ..
0 [u ]
|N2 B .
[u]B =
2

.. ... ...

. 0

0 0 [u|N p ]
Bp
Le polynme caractristique de lendomorphisme u tant scind, le polynme carac-

tristique de chaque restriction u|N est scind. Il existe donc pour chaque espace Ni une
i
base Bi de trigonalisation de u|Ni . Ainsi, la matrice qui exprime u dans la base B est
diagonale par blocs, et de plus ces blocs sont triangulaires.
I.3.3. Exemples. Toute matrice nulle est nilpotente dindice de nilpotence 1. Les ma-
trices suivantes

0 1 0 0 0 1 0 0
0 1 0 0 0 0
0 1 0 0 1 0 ,

0 0 1 0

, 0 0 1 , 1 0 0 ,
0 0 0 0 0 0 0 0 0 1
0 0 0 0 1 0
0 0 0 0 0 0 0 0
sont nilpotentes dindice de nilpotence 2, 3, 3, 3 et 4 respectivement.
I.3.4. Matrices strictement triangulaire. On appelle matrice strictement triangu-

laire suprieure (resp. infrieure) une matrice triangulaire dont les coefficients diago-
naux sont tous nuls.
Exercice 57. Montrer que toute matrice strictement triangulaire est nilpotente.
Il existe un grand nombre de caractrisations des matrices nilpotentes :
I.13 Proposition. Soit A une matrice de Mn (K) non nulle. Les assertions suiv-
antes sont quivalentes :
i) la matrice A est nilpotente,
ii) le polynme minimal de A est de la forme X r , avec r > 0,
iii) le polynme caractristique de A est (1)n X n ,
iv) la puissance n-ime de A est nulle,
v) le spectre de A est rduit {0},
vi) la matrice A est semblable une matrice strictement triangulaire,
vii) trace Ak = 0, pour tout k J1, nK.
Exercice 58. Montrer ces quivalences.
I.3.5. Premier exemple : le cas dune matrice diagonalisable. Soit A la matrice de

M3 (R) suivante :
2 1 1
A = 1 2 1 .
1 1 2
Le polynme caractristique de A est pA = (X 4)(X 1)2 et son polynme mini-
mal est mA = (X 4)(X 1). La matrice A est alors diagonalisable. Il existe donc une
dcomposition de lespace R3 en somme directe de sous-espaces propres :
R3 = E4 E1 .
La valeur propre 4 tant de multiplicit algbrique 1, on a dim E4 = 1. On en dduit que

dim E1 = 2.
Dterminons les projections de lespace R3 sur les sous-espaces propres E4 et E1 .
Nous noterons
4 : R3 E4
la projection de R3 sur le sous-espace E4 paralllement au sous-espace E1 et
1 : R3 E1
la projection de R3 sur E1 paralllement E4 . Ces deux projections sont entirement

caractrises par les relations suivantes :
42 = 4 , 12 = 1 , 4 1 = 1 4 = 0, et idR3 = 4 + 1 ,
Im 4 = E4 , Ker 4 = E1 , Im 1 = E1 , Ker 1 = E4 (I.8)
On notera 1 et 4 les matrices des projections 1 et 4 exprimes dans la base

canonique de R3 . Nous allons voir que lon peut exprimer ces deux matrices en fonction
de la matrice A.
Les polynmes X 4 et X 1 sont premiers entre eux. Daprs lidentit de Bzout,

il existe deux polynme U et V de R[X] tels que
(X 4)U + (X 1)V = 1
Un calcul lmentaire nous permet de dterminer les polynmes U et V , on a :

1 1
(X 4)( ) + (X 1)( ) = 1. (I.9)
3 3
Montrons que
1 1
4 = (A 13 ) et 1 = (A 413 ).
3 3
Supposons 4 et 1 ainsi dfinis et montrons quils satisfont les relations I.8. De lqua-
tion I.9, on dduit que
4 + 1 = 13 . (I.10)
Montrons que
Ker 4 = E1 et Im 4 = E4 .
1
Comme 4 = (A 13 ), la premire galit est immdiate. Pour la seconde galit,
3
supposons y Im 4 , il existe alors un vecteur x de R3 tel que
1
y = 4 (x) = 4 (x) = (A 13 )(x).
3
Par ailleurs,
1 1
(A 413 ) (A 13 )(x) = mA (A)(x) = 0.
3 3
Par suite, (A 413 )(y) = 0, do y E4 .
Inversement, si y E4 , daprs (I.10) on a y = 4 (y) + 1 (y). Or
1
1 (y) = (A 413 )(y) = 0.
3
Donc y = 4 (y), par suite y Im 4 . Ainsi, Im 4 = E4 .
De la mme faon, on montre que
Ker 1 = E4 et Im 1 = E1 .
Les relations 4 1 = 1 4 = 0 se dduisent immdiatement du fait que

1 1 1
4 1 = (A 13 ) (A 413 ) = mA (A) = 0.
3 3 9
Les relations 24 = 4 , 21 = 1 sont une consquence immdiate des relations (I.10) et

4 1 = 1 4 = 0.
En multipliant les deux membres de la relation (I.10) gauche par la matrice A, on

obtient la dcomposition suivante de la matrice A :
A = A4 + A1 .
Comme pour tout vecteur x de E4 , on a Ax = 4x et 4 x = x, on en dduit que
A4 = 44 .
Par ailleurs, on a de faon similaire A1 = 1 . Ainsi,
A = 44 + 1 . (I.11)
La dcomposition (I.11) de la matrice A est appele la dcomposition spectrale de A.

On montrera dans la suite que cette dcomposition de la matrice A est trs utile pour
avoir des expressions simples de puissances de A. En particulier, pour tout entier k, on
montrera que
Ak = 4k 4 + 1 .
Les matrices des projecteurs 1 et 4 dans la base canonique de R3 sont

1 1 1 2 1 1
1 1
4 = 1 1 1 , 1 = 1 2 1 .
3 3
1 1 1 1 1 2
On notera que rang 4 = 1 = trace 4 et que rang 1 = 2 = trace 2 .

I.3.6. Deuxime exemple : le cas dune matrice non diagonalisable. Considrons

la matrice suivante de M4 (R).

2 1 0 0
0 2 0 0
A= 0 0 2 0 .

0 0 0 3
Le polynme caractristique de A est pA = (X 2)3 (X 3), son polynme minimal est

mA = (X 2)2 (X 3). La matrice A nest donc pas diagonalisable.
En appliquant le lemme des noyaux, thorme I.8, au polynme minimal, on obtient

la dcomposition :
R4 = Ker (A 214 )2 E3 ,
o E3 est le sous-espace propre associ la valeur propre 3. Notons
N2 = Ker (A 214 )2 .
La dimension de E3 est majore par la multiplicit algbrique de la valeur propre 3. On

a donc dim E3 = 1 et par suite dim N2 = 3.
Dterminons la matrice de la projection 2 de R4 sur N2 paralllement E3 et celle de

la projection 3 de R4 sur E3 paralllement N2 , exprimes dans la base canonique de
R4 .
Les polynmes (X 2)2 et X 3 sont premiers entre eux ; on tablit une relation de
Bzout :
(X 2)2 + (X 3)(X + 1) = 1.
Posons

1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
et 3 = (A214 )2 =

2 = (A314 )(A+14 ) =
0
.
0 1 0 0 0 0 0
0 0 0 0 0 0 0 1
Ainsi dfinis, 2 et 3 satisfont :
22 = 2 , 23 = 3 , 2 3 = 3 2 = 0, 14 = 2 + 3 .
De plus, on a
Im 2 = N2 , Ker 3 = E3 , Im 3 = E3 , Ker 3 = N2 .
Ainsi les matrices 2 et 3 sont bien celles des projections sur les sous-espaces N2 et
E3 respectivement.
Posons

2 0 0 0 0 1 0 0
0 2 0 0 0 0 0 0
D = 22 + 33 =
0
, N = AD = .
0 2 0 0 0 0 0
0 0 0 3 0 0 0 0
On a N2 = 0 et A = D + N. Ainsi A scrit comme la somme dune matrice diagonalis-

able et dune matrice nilpotente. Nous montrons dans ce chapitre que cette dcomposi-
tion est unique.
I.3.7. Sous-espace spectral. Soit A une matrice de Mn (K) dont le polynme carac-
tristique est scind :
pA = (1)n (X 1 )h1 . . . (X p )h p ,
avec i 6= j si i 6= j et h1 + . . . + h p = n.
Le sous-espace vectoriel Ker (A i 1n )hi de Kn est appel le sous-espace spectral de
A associ la valeur propre i . On le notera Ni . Certains textes utilisent aussi la termi-
nologie de sous-espace caractristique, ou encore de sous-espace propre gnralis. Il
est immdiat que le sous-espace propre E est un sous-espace vectoriel du sous-espace
spectral N .
I.14 Thorme (Thorme spectral gomtrique). Soit A une matrice de

Mn (K) dont le polynme caractristique est scind avec
pA = (1)n (X 1 )h1 . . . (X p )h p ,
avec i 6= j si i 6= j, h1 + . . . + h p = n et dont le polynme minimal est
mA = (X 1 )k1 . . . (X p )k p , avec 0 < ki 6 hi .
Alors, les sous-espaces spectraux de A satisfont, pour tout i J1, pK, les assertions
suivantes :
i) Kn = N1 . . . N p ,
ii) Ni est stable par A,
iii) la matrice Ni = (A i 1n )i , o i est la matrice de la projection de Kn sur Ni
paralllement N j , est nilpotent dindice ki ,
j6=i
iv) dim Ni = hi .
I.3.8. Dcomposition spectrale algbrique. Soit A une matrice de Mn (K), dont le

polynme caractristique est scind :
pA = (1)n (X 1 )h1 . . . (X p )h p ,
avec i 6= j si i 6= j, h1 + . . . + h p = n. Daprs le thorme I.14, on a une dcomposition
Kn = N1 . . . N p .
p
La projection sur le sous-espace spectral Ni paralllement au sous-espace N j est
j=1
i6= j
appel projecteur spectral associ la valeur propre i . On notera i la matrice de ce
projecteur dans la base canonique de Kn .
I.15 Proposition. Les projecteur spectraux 1 , . . . , p sont des polynmes

en A.
Le thorme suivant est aussi connu sous le nom de dcomposition de Dunford .
I.16 Thorme (Dcomposition spectrale algbrique). Soit A une matrice de

Mn (K) dont le polynme caractristique pA est scind. Alors, il existe une dcom-
position
A = D + N,
o
i) D est diagonalisable et N est nilpotente,
ii) D et N sont des polynmes en A,
iii) DN = ND.
Si 1 , . . ., p sont les valeurs propres de A, alors les matrices D et N sont donnes par
D = 1 1 + . . . + p p
et
N = (A 1 1n )1 + . . . + (A p 1n ) p ,
o 1 , . . . , p dsignent les projecteurs spectraux de la matrice A.
I.17 Proposition. Une matrice A de Mn (K), de spectre Sp(A) = {1 , . . . , p },

est diagonalisable si, et seulement si, il existe des matrices 1 , . . ., p telles que
i) i est la matrice de la projection sur Ei paralllement Im (A i 1n ) ,

ii) 1n = 1 + . . . + p ,
iii) i j = 0, si i 6= j,
iv) A = 1 1 + . . . + p p .
I.3.9. Calcul de la dcomposition spectrale algbrique. Soit A une matrice de

Mn (K) de spectre spec(A) = {1 , . . . , p }. tant donn un polynme annulateur
Q = (X 1 )1 . . . (X p ) p
de A, dterminons les projecteurs spectraux 1 , . . . , p de A. En pratique, on prendra

pour Q le polynme caractristique pA ou le polynme minimal mA .
1
tape 1 : On dcompose la fraction rationnelle en lments simples dans K(X) :
Q
p i
1 ai, j
= .
Q i=1 j=1 (X i ) j
tape 2 : On pose
i p
i j 1
Ui = ai, j (X i) et Qi = Q = (X j ) j .
j=1 (X i )i j=1
j6=i
On a alors
1 U1 Up
= +...+ .
Q (X 1 ) 1
(X p ) p
Par suite,
1 = U1 Q1 + . . . +U p Q p .
tape 3 : On pose alors , pour tout i J1, pK,
i = Ui (A)Qi (A).
On vrifie, quainsi dfinis, pour tout i, i est la matrice du projecteur spectral i de

Kn sur Ni , exprime dans la base canonique de Kn .
I.3.10. Exemple. On considre la matrice A de M3 (R) dfinie par

3 1 1
A = 2 0 1 .
1 1 2
Son polynme caractristique est pA = (X 1)(X 2)2 . Le polynme (X 1)(X 2)

nest pas annulateur de A, donc le polynme minimal de A est mA = (X 1)(X 2)2 et A
nest pas diagonalisable. Dterminons les projecteurs sur les espaces spectraux associs
la dcomposition :
R3 = Ker (A 13 ) Ker (A 213 )2 .
On considre le polynme annulateur Q = (X 1)(X 2)2 . On a :

1 1 1 1
= + + ,
(X 1)(X 2)2 X 1 X 2 (X 2)2
1 X + 3
= + .
X 1 (X 2)2
En posant
U1 = 1, Q1 = (X 2)2 , U2 = X + 3, Q2 = X 1,
on a
1 = U1 Q1 +U2 Q2 .
La projection 1 : R3 N1 sur lespace spectral N1 = Ker (A 13 ) paralllement
N2 = Ker (A 213 )2 a pour matrice dans la base canonique de K3 :
1 = U1 (A)Q1 (A) = (A 213 )2 .
La projection 2 : R3 N2 sur N2 paralllement N1 a pour matrice dans la base

canonique de K3 :
2 = U2 (A)Q2 (A) = (A + 313 )(A 13 ).
Notons que lon aurait pu aussi obtenir 2 par la relation :
2 = 13 1 ,
soit
2 = 13 (A 213 )2 = A2 + 4A 313 .
On a donc
0 0 0 1 0 0
1 = 1 1 0 , 2 = 1 0 0 .
1 1 0 1 1 1
On obtient
D = 1 + 22 et N = A D
do
2 0 0 1 1 1
D= 1 1 0 et N = 1 1 1 .
1 1 2 0 0 0
La matrice D est diagonalisable (on peut vrifier que son polynme minimal est (X
2)(X 1)) et la matrice N est nilpotente, on a N2 = 0.
I.3.11. Exemple. Soit A la matrice de M3 (R) donne par

1 4 4
A = 8 11 8 .
8 8 5
On calcule le polynme caractristique pA = (X 1)(X + 3)2 et le polynme minimal

mA = (X 1)(X + 3). Ce dernier tant scind et nayant que des racines simples, la
matrice A est diagonalisable et il existe une dcomposition :
R3 = E1 E3 .
Notons, 1 et 3 les matrices des projecteurs spectraux 1 : R3 E1 et 3 : R3

E3 exprimes dans la base canonique de R3 . Les matrices 1 et 3 vrifient les deux
relations :
13 = 1 + 3
A = 1 33
qui scrivent sous la forme matricielle :

13 1 1 1
=
A 1 3 3
Do 1
1 1 1 13
=
3 1 3 A
On en dduit :
1 3 1 1
1 = A + 13 , 3 = A + 13 . (I.12)
4 4 4 4
Exercice 59. Soit A la matrice de M3 (R) dfinie par

5 1 3
A= 4 3 4 .
1 1 1
1. Dterminer en fonction de A les projecteurs spectraux de A.

2. Exprimer, pour tout entier k > 0, la matrice Ak en fonction de A.
3. Calculer la matrice de Ak .
4. Rpondre aux mmes questions avec les matrices suivantes :

1 2 2 1 1 3
B = 2 1 2 , C = 2 2 2 .
2 2 1 2 1 4
4 Calcul des puissances dune matrice
Exercice 60. Soit A une matrice de Mn (K) dont le polynme caractristique est
scind :
pA = (1)n (X 1 )h1 . . . (X p )h p .
Soient 1 , . . . , p les projecteurs spectraux de la matrice A. Montrer que si A est
diagonalisable, alors, pour tout entier naturel k > 0, on a
Ak = 1k 1 + . . . + pk p .
I.4.1. Exemple. Soit A la matrice de M3 (R) donne par

1 4 4
A = 8 11 8 .
8 8 5
Nous avons vu en I.3.11, que la matrice A est diagonalisable et de spectre Sp(A) =

{3, 1}. On a la dcomposition spectrale :
A = 1 33 ,
do, pour entier naturel k,

Ak = 1 + (3)k 3 .
Daprs lexpression (I.12) des projecteurs en fonction de A, on dduit que :
1 1
Ak = (1 (3)k )A + (3 + (3)k )13 .
4 4
I.4.2. Exemple. Considrons la matrice A de M3 (R) dfinie par

3 1 1
A = 2 0 1 .
1 1 2
On a vu en I.3.10 que la matrice A, de spectre Sp(A) = {1, 2}, nest pas diagonalisable.
Il existe une dcomposition
A = D+N
en la somme dune matrice diagonalisable et dune matrice nilpotent, donns par
D = 1 + 22 , N = A D.
On a Dk = 1 + 2k 2 et N2 = 0. Comme les matrices D et N commutent, et que N2 = 0,

daprs la formule du binme, on a :

k k k k k1
A = D + D N.
0 1
Do
Ak = 1 + 2k 2 + k(1 + 2k1 2 )(A 1 22 ),

= (1 k)1 + kA1 + 2k 2 + k2k1 A2 k2k 2 .
soit
Ak = ((1 k)13 + kA)1 + (2k (1 k)13 + k2k1 A)2 .
I.4.3. Exemple : une matrice stochastique. Soit P la matrice de M2 (R) dfinie par

1a a
P= ,
b 1b
o a et b sont non nuls.
Exercice 61. On suppose que 0 < a + b < 1.

a) Dterminer les valeurs propres de la matrice P.
b) La matrice P est-elle diagonalisable ?
c) Montrer que
P = 1 + (1 a b)2 ,
o 1 et 2 sont des projecteurs spectraux de P.
d) Calculer les matrices 1 et 2 .
e) Calculer Pk , pour tout entier k > 1. Montrer que lim Pk = 1 .
k+
Exercice 62. On suppose que a + b = 0.

a) La matrice P est-elle diagonalisable ?
b) Calculer Pk , pour tout entier k > 1. Que peut-on en conclure sur la limite de Pk
lorsque k tend vers + ? [On pourra considrer le polynme minimal de P et procder
par rcurrence]
Exercice 63. Soit A une matrice de Mn (R) dont les polynmes caractristique et
minimal dans C[X] sont respectivement
pA = (1)n (X 1 )h1 . . . (X p )h p , mA = (X 1 )k1 . . . (X p )k p .
a) Montrer que, pour tout entier k > 1,

p ki 1
k k j
Ak = (A i 1n ) j i .
i=1 j=0 j i
b) Montrer que si C vrifie | | < 1, alors pour tout entier j, on a

k k j
lim = 0.
k+ j
c) En dduire que si (A) < 1, alors lim Ak = 0.

k+
d) Montrer que si (A) = 1 et que 1 est une seule valeur propre simple dominante de
A, alors lim Ak = 1 , o 1 est le projecteur spectral associ la valeur propre 1.
k+
CHAPITRE
II
Le thorme de Perron
Sommaire
1. Matrices positives et strictements positives . . . . . . . . . . . . . 35
2. Rayon spectral des matrices strictement positives . . . . . . . . . . 36
Dans ce chapitre, nous tudions le spectre des matrices dont tous les coefficients sont
strictements positifs.
1 Matrices positives et strictements positives

II.1.1. Vecteurs et matrices positifs. Un vecteur x de Rn est dit positif (resp. stricte-
ment positif) si toutes ses coordonnes sont positives (resp. strictement positives). On
note alors x > 0 (resp. x > 0).
De la mme faon, une matrice A de Mm,n (R) est dite positive (resp. strictement
positive) si tous ses coefficients le sont. On note alors A > 0 (resp. A > 0).
On peut dfinir une relation dordre sur les vecteurs de Rn , en posant y > x si yx > 0.
De la mme faon, on dfinit une relation dordre sur les matrices de Mm,n (R) en posant
A > B si A B > 0.
II.1 Proposition. Une matrice A de Mn (R) est positive si, et seulement si, x > 0
implique Ax > 0.
Preuve. Si A > 0, il est immdiat que, pour tout vecteur x > 0, on a Ax > 0. Inversement,
si pour tout vecteur x > 0, on a Ax > 0, en particulier pour tout i J1, nK, si ei designe
35
36 CHAPITRE II. LE THORME DE PERRON
le i-ime vecteur de la base canonique de Rn , on a Aei > 0, donc la i-ime colonne de A

est positive. Ainsi, toutes les colonnes de A sont positives, par suite A est positive.
II.2 Proposition. Une matrice A de Mn (R) est strictement positive si, et seule-
ment si, x > 0 et x 6= 0 implique Ax > 0.
Preuve. Si A = (aij ) > 0 et x > 0 avec x 6= 0. Il existe au moins un coefficient xi0 de x

strictement positif. Alors, pour tout i = 1 . . . n, le i-ime coefficient du vecteur Ax est
n
(Ax)i = aki xk > aii0 xi0 > 0.
k=1
Donc Ax > 0. La rciproque se montre de la mme faon que dans la preuve prcdente.

II.3 Proposition. Soit A une matrice de Mn (R). Pour tout vecteur x de Rn , on a

lingalit
|Ax| 6 |A| |x|.
Preuve. Cest une consquence immdiate de lingalit triangulaire. Si A = (aij ) et

x = (xi ), alors, daprs lingalit triangulaire,

n n
|(Ax)i | = ai xk 6 |aki | |xk | = (|A| |x|)i .
k

k=1 k=1
Do |Ax| 6 |A| |x|.
2 Rayon spectral des matrices strictement positives

II.4 Lemme. Une matrice strictement positive ne peut pas tre nilpotente.
Preuve. Si A est strictement positive, alors toutes ses puissances sont strictement posi-
tives. Aucune delles ne peut donc tre nulle, ainsi la matrice A ne peut pas tre nilpo-
tente.
Rappelons que le rayon spectral dune matrice A de Mn (R) est le plus grand des
modules des valeurs propres de A :
(A) = max{| | | SpC (A)}.

CHAPITRE II. LE THORME DE PERRON 37
II.2.1. Exemple. La matrice

1 2
A=
2 1
a pour polynme caractristique pA = X 2 2X 3, ainsi Sp(A) = {1, 3}. Son rayon
spectral est (A) = 3.
II.5 Proposition. Si A > 0, alors (A) > 0.
Preuve. Par dfinition le rayon spectral est toujours positif : (A) > 0. Montrons par
labsurde quil est non nul. Supposons que (A) = 0, alors 0 est la seule valeur propre
de A. Le polynme caractristique de A est alors pA = (1)n X n . Comme pA est annu-
lateur daprs le thorme de Cayley-Hamilton, la matrice A est nilpotente, ce qui est
impossible daprs le lemme II.4. Finalement (A) > 0.
La trace tant la somme des valeurs propres, on peut remarquer que si (A) = 0, alors
la trace de A est nulle. Or A est strictement positive, en particulier les coefficients de sa
diagonale sont strictement positifs, donc la trace de A est strictement positive et ne peut
donc tre nulle. Ce qui est une contractiction et (A) > 0.
1
II.6 Proposition. Si A > 0, alors ( (A) A) = 1.
Preuve. Posons = (A). Daprs la proposition prcdente, est non nul. Le polynme
caractristique de la matrice 1 A vrifie
1
p 1 A (X) = pA (X).
n
Par suite, est valeur propre de A si et seulement si est valeur propre de 1 A. On en

dduit que
1 1
( A) = (A) = 1.

II.2.2. Remarque. Daprs la proposition II.5, si A > 0 alors (A) > 0. Ainsi
1 1
A > 0 si, et seulement si, (A) A > 0. Comme ( (A) A) = 1, dans les raisonnements
qui suivent, on pourra sans perte de gnralit considrer des matrices A > 0 telles que
(A) = 1.
II.7 Lemme. Soit A > 0 telle que (A) = 1 et soit y > 0 un vecteur non nul. Si
Ay > y, alors Ay = y.
Preuve. Soit y > 0 un vecteur non nul, tel que Ay > y. On montre par labsurde que
Ay = y ; supposons que Ay > y. Comme Ay > y, on a Ay y > 0. Par hypothse A > 0,
do
A2 y Ay > 0.
Par ailleurs, comme Ay > 0, il existe donc un rel > 0 tel que
A2 y Ay > Ay,
soit
1
A2 y > Ay.
1+
1
Posons B = 1+ A, on a BAy > Ay. Par suite, B tant strictement positive, on a, pour tout
entier k > 1,
Bk Ay > Ay.
Par ailleurs,
1 1
(B) = (A) = < 1.
1+ 1+
Par suite, lim Bk = 0. la limite, on a 0 > A|x| qui est absurde car A > 0 et y est
k+
positif non nul. Par suite, Ay = y. En particulier, la matrice A admet 1 comme valeur
propre.
II.8 Proposition. Soit A > 0. Alors, (A) est valeur propre de A. De plus, si x
est un vecteur propre associ la valeur propre (A), alors
A|x| = (A)|x|
et |x| > 0.
Preuve. On peut supposer A > 0 telle que (A) = 1. Soit une valeur propre de A de
module 1 et soit x un vecteur propre associ . Comme est de module 1, on a
|x| = | | |x| = | x| = |Ax| 6 |A| |x|,
lingalit tant donne par la proposition II.3. La matrice A tant positive, on a A = |A|,
do
|x| 6 A|x|.
Daprs le lemme II.7, on dduit que A|x| = |x|. Enfin, |x| = A|x| > 0, car A > 0 et |x|
est non nul, ce qui conclut la preuve.
II.2.3. Exemple. Soit A la matrice de lexemple II.2.1. On a

1 1
E1 = Vect( ), E3 = Vect( ).
1 1
Tout vecteur propre x de E3 , vrifie A|x| = 3|x|.
II.2.4. Exemple. Du rsultat prcdent, on dduit que toute matrice A > 0 de M2 (R)
possde deux valeurs propres relles. En effet, le polynme caractristique de A admet
la racine relle (A), il ne peut donc pas admettre dautre racine complexe. De faon
explicite, si
a b
A=
c d
alors le polynme caractristique pA = X 2 (a + d)X + ad bc est de discriminant
= (a d)2 + 4bc toujours strictement positif. Il admet donc deux racines relles.
II.9 Proposition. Si A > 0, alors la valeur propre (A) est dominante.
Preuve. Sans perte de gnralit, supposons que A > 0 et (A) = 1. Montrons que la
valeur propre 1 de A est dominante ; cela revient montrer que 1 est la seule valeur
propre de module 1.
Supposons que soit une valeur propre de A de module 1, soit x 6= 0 un vecteur propre
associ. On a
|x| = | ||x| = | x| = |Ax| 6 |A||x|.
Daprs le lemme II.7, on a A|x| = |x|. Donc, pour tout j J1, nK, on a
n n
|x j | = (A|x|) j = akj |xk | = |akj xk |.
k=1 k=1
Par ailleurs,
n
k
|x j | = | | |x j | = |( x) j | = |(Ax) j | = a j xk .

k=1
Ainsi, pour tout j J1, nK, on a

n n
k k
|a j xk | = a j xk .

k=1 k=1
On est ainsi dans le cas de lgalit de lingalit triangulaire. Fixons un j J1, nK, il
existe donc des rels 2 , . . . , n > 0 tels que, pour tout k J2, nK, on ait akj xk = k a1j x1 .
Soit
1
a1j
2 2
aj
x = x1
...
.

a1j
n an
j
Comme x = Ax, on a

1 1 1 1 1 1
a1j a1j a1j a1j a1j a1j
2 2 2 2 2 2 2 2 2 2 2 2
aj aj
= |A .a j | = | .a j | = | | .a j
aj
. = A

...
= . .
..
.. .. .. ..

a1j a1j a1j a1j a1j a1j
n an n an n an n an n an n an
j j j j j j
Par suite, = 1. On montre ainsi que 1 est la seule valeur propre de module 1 ; elle est
donc valeur propre dominante de A.
II.10 Lemme. Soient A et C des matrices strictement positives de Mn (R) telles que
C 6 A. Alors, (C) 6 (A).
Preuve. Fait 1. La fonction f dfinie sur la partie
D = {x Rn | x > 0 et kxk1 = 1}
de Rn et valeurs dans R+ dfinie par f (x) = max{t R+ | tx 6 Ax} est borne.
Preuve. La partie D est un compact de Rn . Pour tout x D, on dfinit
Ix = {t R+ | tx 6 Ax}.
Les ensembles Ix sont non vide et sont borns par ||A||1 , car ||A||1 = sup ||Ax||1
||x|| . La fonc- 1
x6=0
tion f dfinie sur D et valeurs dans R+ dfinie par f (x) = max Ix est donc borne par
||A||1 . Montrons que sup f (x) = (A). Posons = sup f (x). Soit une valeur propre
xD xD
de A et soit x un vecteur propre normalis associ. On a
| | |x| = | x| = |Ax| 6 |A| |x| = A|x|.
Par suite, | | 6 f (|x|), do | | 6 .
Fait 2. est une valeur propre de A.
Preuve. Il existe un vecteur y D tel que f (y) = . Car D tant compact, de toute
suite (xk )k dans D telle que lim f (xk ) = , on peut extraire une sous-suite convergente
k+
(x(k) )k vers un vecteur y de D. On a donc f (x(k) )x(k) 6 Ax(k) , pour tout k, et par
passage la limite y 6 Ay. Par suite 6 f (y) et donc f (y) = .
Fait 3. y est vecteur propre de A de valeur propre .
Preuve. Par labsurde, si Ay 6= y, alors Ay y > 0 et donc A(Ay y) > 0, car A est
strictement positive. Pour la mme raison, on a Ay > 0. Il existe donc un rel > 0 tel
que
A(Ay y) > Ay.
Do
Ay Ay
A ( + ) > 0.
||Ay||1 ||Ay||1
Ay
Donc f ( ||Ay|| ) > + , qui est absurde. Donc est une valeur propre de A et = (A).
1
Si C est une matrice strictement positive telle que C 6 A. Soit une valeur propre de C
de module maximal : | | = (C) et soit x un vecteur propre associ tel que ||x||1 = 1.
On a
(C)|x| = |(C)x| = |Cx| 6 |C| |x| 6 |A| |x|.
Donc (C) 6 f (|x|) et (C) 6 = (A).
II.2.5. Exemple.

2 3 1 2
A= , C= .
3 2 2 1
On a Sp(A) = {1, 5} et Sp(C) = {1, 3}.
II.11 Proposition. Si A > 0, alors la valeur propre (A) est simple, autrement
dit
multalg ((A)) = 1.
Preuve. Sans perte de gnralit, supposons que A > 0 et (A) = 1. Pour montrer que 1
est une valeur propre simple de A, il suffit de montrer que 1 nest pas racine du polynme
driv du polynme caractristique de A. Posons A = (aij ), on a

a1 X a 2 . . . a n
1 1 1
a1 a 2X . . . a n
2 2 2
pA (X) = .

.
. . . .
.
. . .
1 n1 n

an ... an an X
On montre par rcurrence sur la taille n de A, ou en tenant compte que le dterminant

est une application n-linaire, que le polynme driv de pA scrit :

1 a 2 . . . a n a1 X 0 a 3 . . . a n
1 1 1 1 1
0 a2 X . . . a n a1 1 a 3 . . . a n
2 2 2 2 2
p0A (X) = 0
a23 an3 a13 0 a33 X an3
.. .. ... .. .. .. ... ..
. . . . . .
2 n 1 3 n

0 an . . . an X an 0 an . . . an X
an1
1
a21

a1 X ... 1 0
n1

a1 a 2 X ... a 0
2 2 2
.. ..

...
... . . .
. .. ..
.. an1
. n1 X .
a1 a 2 ... an1 1
n n n
Par suite
n
p0A (X) = pAk (X),
k=1
o Ak est la matrice de Mn1 (R) obtenue en supprimant la k-ime ligne et k-ime

colonne de la matrice A. Considrons la matrice de Mn (R) dfinie par blocs

Ak 0
Bk = .
0 0
On a (Bk ) = (Ak ). Par ailleurs, Bk 6 A, donc, daprs le lemme II.10, on dduit que
(Bk ) 6 (A) = 1.
Montrons que (Bk ) 6= 1. Par labsurde, supposons que (Bk ) = 1. Daprs la propo-
sition II.8, il existe un vecteur propre x associ la valeur propre (Bk ) = 1, tel que
x > 0 et
|x| = Bk |x|.
Or Bk |x| 6 A|x|, donc
|x| 6 A|x|.
Daprs le lemme II.7, on en dduit que A|x| = |x|, do
A|x| = Bk |x|
Cette galit est absurde, car A > 0, |x| > 0 et Bk possde une ligne nulle. On montre
ainsi que (Bk ) < 1. Par suite (Ak ) < 1, pour tout k J1, nK. La matrice Ak ne peut
donc pas avoir 1 comme valeur propre, do pAk (1) est non nul, par suite p0A (1) est non
nul.
II.2.6. Le vecteur de Perron. Si A > 0, daprs la proposition II.8, (A) est une
valeur propre de A, daprs la proposition II.11 cette valeur propre est simple. Or, la
multiplicit gomtrique est majore par la multiplicit algbrique :
multgeo ((A)) 6 multalg ((A)) = 1.

La dimension du sous-espace propre associ la valeur propre (A) est donc
dim E(A) = multgeo ((A)) = 1.
Daprs la proposition II.8, il existe un vecteur propre strictement positif |x| associ la
valeur propre (A). Comme le sous-espace propre est de dimension 1, le vecteur
|x|
p=
k|x|k1
est lunique vecteur propre associ (A), strictement positif et unitaire.

Lunique vecteur propre strictement positif p associ la valeur propre (A) tel que
kpk1 = 1, est appel le vecteur de Perron de A.
II.2.7. Exemple. Le vecteur de Perron de la matrice A de lexemple II.2.1 est

1 1
p= .
2 1
II.12 Proposition. Si A > 0, les seuls vecteurs propres positifs de A sont les
multiples positifs du vecteur de Perron p.
Preuve. Soit x un vecteur propre positif de A associ une valeur propre . Comme
A > 0, on a A> > 0. Par ailleurs, (A> ) = (A). Daprs ce qui prcde, la matrice A>
possde un unique vecteur propre p, strictement positif et unitaire, associ la valeur
propre (A> ). On a A> p = (A> )p, donc (A> )p> = p> A. Par suite,
(A> )p> x = p> Ax = p> x.
Soit ((A> ) )p> x = 0. Or p > 0 et x est positif non nul, donc p> x > 0. On en dduit
que = (A). Donc x E(A) , lespace E(A) tant de dimension 1, le vecteur x est un
multiple du vecteur p.
II.2.8. Le thorme de Perron. En rsum, nous avons montr le thorme de Per-

ron :
II.13 Thorme (Thorme de Perron). Soit A > 0 une matrice de Mn (R).

Alors,
i) (A) est une valeur propre de A,
ii) (A) > 0,
iii) (A) est simple,
iv) (A) est dominante,
v) il existe un vecteur propre x > 0, tel que
Ax = (A)x,
vi) tout vecteur propre positif de A est un multiple positif du vecteur de Perron
de A.
II.2.9. Exemple. Considrons la matrice relle

9 2 4
A= 2 7 3
2 1 9
Le polynme caractristique de A est pA = (x 13)(x 6)2 , donc Sp(A) = {13, 6} et

(A) = 13. Le sous-espace propre E13 est engendr par le vecteur

1
x = 23 .

2
3
On a kxk1 = 73 , par suite le vecteur de Perron de A est

3

1 7
3 2 2
p= 3
=
7
.
7 2 2
3 7
Les vecteurs propres positifs sont dans E13 , on a

1
E6 = Vect( 1 2
).
1
2
II.2.10. Exemple. Dterminons le rayon spectral et le vecteur de Perron de la matrice

relle strictement positive suivante

1a b
A= ,
a 1b
o a, b ]0, 1[. Le polynme caractristique de la matrice A est
pA = (1 X)(1 (a + b) X).
On a donc Sp(A) = {1, 1 (a + b)}. On peut remarquer aussi que la matrice A est la
transpose de la matrice
1a a
P=
b 1b
Les matrices A et P ont donc les mmes valeurs propres. On a |1 (a + b)| < 1 pour
tous les a, b ]0, 1[, donc (A) = 1. De plus, la matrice A est strictement positive, donc
daprs le thorme de Perron, 1 est une valeur propre simple et le vecteur de Perron
associ est
1 b
p= .
a+b a
II.2.11. Puissances dune matrice strictement positive. Soit A une matrice de Mn (R)
dont les polynmes caractristique et minimal dans C[X] sont respectivement
pA = (1)n (X 1 )h1 . . . (X p )h p , mA = (X 1 )k1 . . . (X p )k p .
Pour tout entier k > 1, on a

p ki 1
k k k j
A = i (A i 1n ) j i .
i=1 j=0 j
Supposons A > 0. Alors, (A) est une valeur propre dominante de A et on a

k
1
lim A = (A) ,
k+ (A)
o (A) est le projecteur spectral associ la valeur propre (A).
II.2.12. Exemple. Soit A > 0 une matrice de Mn (R), telle que la somme des coeffi-
cients de chaque ligne est gale r. Alors, (A) = r.
En effet, r est alors valeur propre de A et le vecteur e de Rn dont tous les coefficients
sont gaux 1 est un vecteur propre associ. Le vecteur e est positif, cest donc un
multiple du vecteur de Perron p. On a e = p et Ap = (A)p. Comme Ae = re, on en
dduit que r = (A).
CHAPITRE
III
Le thorme de Perron-Frobenius
Sommaire
1. Le cas des matrices positives . . . . . . . . . . . . . . . . . . . . . 47
2. Les matrices irrductibles . . . . . . . . . . . . . . . . . . . . . . . 49
3. Les matrices primitives . . . . . . . . . . . . . . . . . . . . . . . . 55
4. Irrductibilit et graphe dune matrice . . . . . . . . . . . . . . . 58
5. Marches alatoires sur un graphe . . . . . . . . . . . . . . . . . . 60
6. Recherche documentaire, lexemple du PageRank . . . . . . . . . 67
1 Le cas des matrices positives

Dans cette section, nous allons voir que le thorme de Perron ne se gnralise pas
aux matrices positives. Cependant, nous montrons que les matrices positives admettent
leur rayon spectral pour valeur propre.
III.1.1. Exemple. La matrice

0 1
A=
0 0
est positive, mais non strictement positive. Elle admet 0 comme valeur propre double,
donc (A) = 0. On a multalg (A) = 2 et multgeo (A) = 1 :

1
E0 = Vect( )
0
Il nexiste pas de vecteur x strictement positif dans E0 .
47
48 CHAPITRE III. LE THORME DE PERRON-FROBENIUS
III.1.2. Exemple. La matrice

0 1
A=
1 0
admet 1 et 1 comme valeurs propres. Son rayon spectral (A) est donc gal 1. Ainsi
la matrice A possde deux valeurs propres dictinctes, donc simples, de module maximal.
III.1 Proposition. Soit A une matrice positive de Mn (R). Alors,

ii) il existe un vecteur propre x > 0 non nul, tel que
Ax = (A)x.
Preuve. Pour tout entier k > 1, on dfinit la matrice

1
Ak = A + E.
k
La matrice A est positive et la matrice E est strictement positive, donc, pour tout k > 1,
la matrice Ak est strictement positive. Daprs le thorme de Perron II.13, (Ak ) est
une valeur propre simple, dominante et strictement positive de Ak ; notons pk le vecteur
de Perron associ.
Fait 1. La suite ((Ak ))k>1 est dcroissante.
Preuve. Pour tout entier k, on a Ak > Ak+1 . Daprs le lemme II.10, on a donc
(Ak ) > (Ak+1 ). Ainsi, la suite ((Ak ))k>1 est dcroissante.
Fait 2. La suite ((Ak ))k>1 converge, de plus, sa limite est minore par (A).
Preuve. La suite ((Ak ))k>1 est dcroissante. Or pour tout entier k, Ak > A, donc
(Ak ) > (A), la suite ((Ak ))k>1 est donc minore par (A). Elle converge ainsi vers
> (A).
Fait 3. La suite (pk )k>1 de Rn admet une sous-suite convergente vers un vecteur positif
p tel que
Ap = p.
Preuve. Lensemble des vecteurs de Perron pk , k > 1, sont tous contenus dans la sphre
unit
S = {x Rn | kxk1 = 1}.
La suite (pk )k>1 est donc borne ; daprs le thorme de Bolzano-Weierstrass, on peut
donc en extraire une sous-suite convergente (p(k) )k>1 vers un vecteur positif p de la
sphre unit S. Pour tout k > 1, on a
A(k) p(k) = (A(k) )p(k) .

CHAPITRE III. LE THORME DE PERRON-FROBENIUS 49
La suite ((Ak ))k>1 tant convergente de limite , la suite extraite ((A(k) ))k>1 est
aussi convergente de mme limite . Par ailleurs, comme lim Ak = A, on a lim A(k) =
k+ k+
A. Ainsi

Ap = lim A(k) lim p(k) lim A(k) p(k) = lim (A(k) )p(k) .
k+ k+ k+ k+
Do
Ap = p.

Fait 4. (A) est une valeur propre de A et il existe un vecteur propre positif associ.
Preuve. est une valeur propre de A, on dduit que 6 (A), or daprs le fait 2, on
a > (A). Do = (A). Ainsi, (A) est une valeur propre de A et le vecteur p est
un vecteur propre positif associ.
2 Les matrices irrductibles

Le rayon spectral dune matrice positive peut ne pas tre simple, cf. exemple III.1.1,
cest aussi le cas de la matrice
1 0
A=
1 1
Par ailleurs, le rayon spectral dune matrice positive peut ne pas tre dominant, cf. ex-
emple III.1.2.
Lobjectif est maintenant de comprendre les hypothses sous lesquelles, le thorme
de Perron II.13 peut tre gnralis aux matrices positives.
III.2.1. Matrices irrductibles. Une matrice A Mn (R) est dite rductible sil ex-
iste une partition de lensemble {1, . . . , n} en deux sous-ensembles
I = {i1 , . . . , is }, J = { j1 , . . . , jt }, s + t = n, s,t > 1,
tels que, pour tout (i, j) I J, Aij = 0, sinon la matrice A est dite irrductible.
III.2 Proposition. Une matrice A de Mn (R) est rductible si, et seulement si, il
existe une matrice de permutation P de Mn (R), telle que

B C
P> AP = ,
0 D
o B Mt (R) et D Ms (R) sont deux matrices carres, avec t, s > 1.

Preuve. Supposons que A soit rductible. Il existe donc une partition de lensemble
{1, . . . , n} en deux sous-ensembles
I = {i1 , . . . , is }, J = { j1 , . . . , jt }, s + t = n, s,t > 1,
tels que, pour tout (i, j) I J, Aij = 0. Soit P la matrice de permutation qui ordonne
les colonnes de A dans lordre ( j1 , . . . , jt , i1 , . . . , is ) :
j
a11 . . . a1jt ai11 . . . ai1s
1
a1 . . . an1

si A = ... .. , alors AP = ..
. .
..
.
..
.
.. .
.
1 n j1 jt i
an . . . an a1 . . . a1 a11 . . . ai1s
Pour appliquer la mme permutation sur les lignes on multiplie gauche la matrice
obtenue par P> :
a jj11 . . . a jjt1 aij11 . . . aijs1 a jj11 . . . a jjt1 aij11 . . . aijs1

.. .. .. .. .. .. .. ..
. . . .

. . . .
j1 jt i1 j1
a jt a jt . . . aijst a j . . . a jjt i1
a jt . . . aijst

>
aj ...
P AP = t
a j1 . . .
= t t .
i1 aij1t aii11 . . . aiis1 0 ... 0
aii11 . . . aiis1

. .. .. .. . .. .. ..
.. ..

. . . . . .
aijs1 . . . jt i1
ais ais . . . aiiss 0 ... 0 aii1s . . . aiiss
Cette dernire matrice a bien la forme cherche. Inversement, sil existe une matrice de
permutation P, telle que
> B C
P AP = ,
0 D
avec B Mt (R) et D Ms (R), alors P est la matrice dune permutation
: (1, . . . , n) ( j1 , . . . , jt , i1 , . . . , is ),
telle que Aij = 0, pour tous i Ji1 , , is K et j J j1 , jt K.
III.2.2. Exemples.
1. Une matrice dont tous les coefficients sont non nuls est irrductible.
2. Une matrice qui possde une ligne nulle est rductible.
3. Une matrice qui possde une colonne nulle est rductible.
4. Une matrice A est rductible si, et seulement si, sa transpose A> est rductible.
III.2.3. Exemple. La matrice suivante de M2 (R)

a b
A=
c d
est irrductible si, et seulement si, bc 6= 0. En effet, dans ce cas les seules matrices de
permutations sont
1 0 0 1
Pid = , P12 = ,
0 1 1 0
et on a
d c
P1
id APid = A, P1
12 AP12 =
b a
Ces deux matrices sont de la forme de la caractrisation de la proposition III.2, si et
seulement si, b = 0 ou c = 0.
III.2.4. Exemple. La matrice suivante est rductible :

1 0
A= .
1 1
En effet, on a : >
0 1 0 1 1 1
A = .
1 0 1 0 0 1
III.3 Proposition. Soit A une matrice de Mn (R). Sil existe un entier k > 1, tel
que la matrice Ak ne possde que des coefficients non nuls, alors la matrice A est
irrductible.
Preuve. Supposons que la matrice A soit rductible. Il existe alors une matrice de per-
mutation P, telle que
B C
A=P P> ,
0 D
o B et D sont deux matrices carres. Par suite, pour tout entier k > 1,
k
B
Ak = P P> .
0 Dk
La matrice Ak est donc rductible et possde au moins un coefficient non nul. On montre
ainsi, que sil existe un entier k > 1, tel que la matrice Ak ne possde pas de coefficient
nul, alors la matrice A est rductible.
III.2.5. Exemple. Daprs la proposition III.3, la matrice

1 1 0
A= 1 1 1
1 1 1
est irrductible, car

2 2 1
A2 = 3 3 2 .
3 3 2
III.4 Proposition. Si A est une matrice positive irrductible de Mn (R), alors
(1n + A)n1 > 0.
Preuve. Daprs la proposition II.3, il suffit de montrer que, pour tout vecteur x > 0 non
nul, on a
(1n + A)n1 x > 0.
Notons n(y) le nombre de coefficients nuls dun vecteur y de Rn . Pour montrer lingalit
prcdente, il suffit de montrer que
n((1n + A)y) < n(y),
pour tout vecteur positif non nul y. On procde par labsurde. Supposons quil existe un
vecteur positif y, tel que n((1n + A)y) > n(y). Comme Ay > 0, le cas n(y + Ay) > n(y)
est impossible. Reste le cas n(y + Ay) = n(y). Quitte permuter les coefficients, on peut
supposer que
y1
y=
0
avec y1 Rnn(y) strictement positif. La repartition des coefficients nuls tant la mme
dans le vecteur (1n + A)y, on peut appliquer la mme permutation ce dernier vecteur
et 0
y1 y1 y
+A = ,
0 0 0
o y0 Rnn(y) est strictement positif. En dcomposant A en blocs, on a
0
y1 B C y1 y
+ = ,
0 F D 0 0
avec B Mnn(y) (R) et D Mn(y) (R). En particulier, Fy1 = 0 avec y1 > 0, do F = 0

ce qui est impossible puisque la matrice A est irrductible. Ainsi, (1n + A)n1 x > 0, qui
montre la proposition.
III.5 Lemme. Soit A une matrice de Mn (R) et soit B = (1n + A)n1 . Alors,
SpecC (B) = { (1 + )n1 | SpecC (A)}.
En particulier, on a
(B) = (1 + (A))n1 .
Preuve. Supposons que le polynme caractristique de A, scind dans C[X], soit
pA = (1)n (X 1 )h1 . . . (X p )h p ,
avec i 6= j , si i 6= j. Daprs le thorme de dcomposition spectrale algbrique, la

matrice A est semblable une matrice diagonale par blocs triangulaires suprieurs :
h

1
1

... h1 0

0 1

h2

2

... h2

0 2

...

hp

p

0 ... hp

0 p
Par suite, la matrice B = (1n + A)n1 est semblable une matrice de la forme

h1
(1 + 1 )n1
...

h1 0

0 (1 + 1 )n1

hp

(1 + p )n1
...

0 hp

0 (1 + p )n1
Le polynme caractristique de B est donc
pB = (1)n (X (1 + 1 )n1 )h1 . . . (X (1 + p )n1 )h p .
Par suite,
(B) = max |1 + |n1 = (1 + (A))n1 .
Sp(A)
III.6 Proposition. Soit A une matrice positive irrductible de Mn (R). Alors,

(A) est une valeur propre simple A.
Preuve. Daprs la proposition III.4, la matrice B = (1n +A)n1 est strictement positive.
Donc, daprs le thorme de Perron II.13, (B) est une valeur propre simple de B.
Daprs le lemme III.5, on a (B) = (1 + (A))n1 et lordre de multiplicit de (A)
dans A est gal lordre de multiplicit de (B) dans B. On montre ainsi que (A) est
une valeur propre simple de la matrice A.
III.7 Proposition. Soit A une matrice positive irrductible de Mn (R). Alors,

i) la valeur propre (A) possde un unique vecteur propre strictement positif p,
tel que ||p||1 = 1,
ii) (A) > 0,
iii) les seuls vecteurs propres positifs de A sont les multiples positifs du vecteur p.
Preuve. La matrice A est positive, donc daprs la proposition III.1, il existe un vecteur
propre positif x associ la valeur propre (A), soit Ax = (A)x. Do (1n + A)x =
(1 + (A))x. On en dduit que
Bx = (B)x,
avec B = (1n +A)n1 et (B) = (1+(A))n1 . Comme la matrice B est strictement pos-
itive, daprs le thorme de Perron II.13, le vecteur x est un multiple positif du vecteur
de Perron de B, en particulier x est strictement positif. De plus, daprs la proposition
III.6, (A) est une valeur propre simple de A, donc le sous-espace propre associ est de
dimension 1. Par suite, en normalisant x, on obtient lunique vecteur propre p normalis
strictement positif associ la valeur propre (A). On montre ainsi lassertion i).
Montrons ii). On a (A) > 0, car sinon Ap = 0. Ce qui est absurde, car daprs la
proposition II.1, A tant positive et p strictement positif, on a Ap > 0.
Pour montrer iii), on procde de la mme faon que dans la preuve de la proposition
II.12.
III.2.6. Vecteur de Perron. Pour une matrice positive et irrductible A, lunique

vecteur propre strictement positif p associ la valeur propre (A), tel que ||p||1 = 1,
est appel le vecteur de Perron de A.
III.2.7. Thorme de Perron-Frobenius. Nous avons ainsi montr le thorme de

Perron-Frobenius :
III.8 Thorme (Perron-Frobenius). Soit A Mn (R) une matrice positive ir-

rductible. Alors,
ii) (A) > 0,
iv) il existe un vecteur propre x > 0, tel que
Ax = (A)x,
v) les seuls vecteurs propres positifs de A sont les multiples positifs du vecteur de
Perron p.
III.2.8. Exemple. On considre la matrice

0 1 0
A= 3 0 3
0 2 0
Pour tout entier k > 1, on a
3k1 0 3k1 0 3k1

0
A2k+1 = 3k 0 3k , A2k = 0 3k 0 .
0 2.3(k1) 0 2.3 (k1) 0 2.3 (k1)
Il nest donc pas possible de montrer lirrductibilit de la matrice A en utilisant le critre

de la proposition III.3. On montre que la matrice A est irrductible, en montrant quil
B C
nexiste pas de matrice de permutation P de M3 (R) telle que A = P P> , o B
0 D
et D sont deux matrices carres ; il faut tester les 6 matrices de permuation de M3 (R).
Nous verrons plus loin un critre pour montrer lirrductibilit des matrices.
Le spectre de A est Sp(A) = {3, 0, 3}, on a(A) = 3. Le sous-espace propre E3 est
1
de dimension 1, engendr par le vecteur v = 3 . Les sous-espaces E3 et E0 tant
2
1 1
engendr par 3 et 0 respectivement, les seuls vecteurs propres positifs de
2 1
A sont les multiples positifs de v. Le vecteur de Perron de A est

1
1 1
p= v= 3 .
kvk 1 6
2
3 Les matrices primitives

Lirrductibilit dune matrice positive ne garantit pas que son rayon spectral soit une
valeur propre dominante. Ceci est illustr par lexemple III.2.8. Lobjectif de cette sec-
tion est de comprendre les hypothses sous lesquelles le rayon spectral dune matrice
positive irrductible est une valeur propre dominante.
III.3.1. Matrices primitives. Une matrice A de Mn (R) est dite primitive si elle est
positive, irrductible et possde une unique valeur propre de module maximal.
III.9 Proposition. Soit A une matrice primitive de Mn (R). Alors,

ii) (A) > 0,
iv) (A) est dominante,
v) il existe un vecteur propre x > 0, tel que
Ax = (A)x.
vi) les seuls vecteurs propres positifs de A sont les multiples positifs du vecteur de
Perron p de A.
Preuve. Comme A est irrductible, cest le thorme de Perron-Frobenius, III.8. De

plus, la valeur propre (A) est dominante, car A tant primitive, (A) est lunique valeur
propre de module maximal.
III.10 Proposition. Soit A une matrice primitive de Mn (R), alors

k
A
lim = (A) ,
k+ (A)
o (A) est le projecteur spectral de A associ la valeur propre (A).
Preuve. La matrice A est primitive, donc (A) > 0. Par suite, cf. proposition II.6, on
1
a ( (A) A) = 1. Comme (A) est une valeur propre simple dominante de A, 1 est une
1
valeur propre simple dominante de la matrice (A) A. Avec le mme raisonnement quen
II.2.11, on montrer qualors
k
A
lim = 1 ,
k+ (A)
1
o 1 est le projecteur spectral de la matrice (A) A associ la valeur propre 1, ou de
faon quivalente, le projecteur spectral de la matrice A associ la valeur propre (A).

III.3.2. Calcul du projecteur (A) . tant donne une matrice primitive A de Mn (R),
on exprime le projecteur (A) en terme de vecteurs de Perron.
Les matrices A et A> ont le mme polynme caractristique, on a donc (A) =
(A> ). La matrice A tant positive et irrductible, il en est de mme pour la matrice
A> . Par suite, (A) est une valeur propre simple de A et (A> ) est une valeur propre
simple de A> . Notons p le vecteur de Perron de A et q le vecteur de Perron de A> .
Montrons que
pq>
(A) = > .
q p
>
Les vecteurs p et q sont de Perron, donc q> p est non nul. De plus pq
q> p
est un projecteur,
car
pq> pq> pq>
= .
q> p q> p q> p
Par ailleurs,
pq>
Im( ) Ker(A (A)1n ) = Vect(p),
q> p
>
car si y Im( pq
q> p
), alors il existe un vecteur x de Rn tel que
pq> q> x
y= x = p.
q> p q> p
>
Les deux sous-espaces sont de mme dimension gale 1, on a donc Im( qpq> p ) = Ker(A
>
(A)1n ). De la mme faon, on montre que Ker( qpq> p ) = Im(A (A)1n ). On montre
>
ainsi que pq
q> p
est le projecteur spectral de la matrice A associ la valeur propre (A).
Les vecteurs de Perron p et q sont strictement positifs, par suite :
III.11 Proposition. Soit A une matrice primitive de Mn (R), alors le projecteur

spectral (A) est strictement positif.
On obtient un critre de primitivit des matrices.
III.12 Proposition. Une matrice positive A de Mn (R) est primitive, si et seule-

ment si, il existe un entier m > 1 tel que Am est strictement positive.
Preuve. Soit A une matrice positive, telle quil existe un entier m > 0 tel que Am > 0.
Daprs la proposition III.3, la matrice A est irrductible.
Montrons que (A) est une valeur propre dominante de A. Supposons que le spectre
de A soit Sp(A) = {1 , . . . , p }. Les valeurs propres de la matrice Am sont toutes de la
forme 1m , . . . , pm . On a de plus, pour tout i J1, pK,

m
multA A m
alg (i ) = multalg (i ).
Daprs le thorme de Perron II.13, la matrice Am possde une unique valeur propre
de module maximal. Il en est donc de mme pour A. Ainsi (A) est une valeur propre
dominante de A.
Inversement, soit A une matrice primitive. Daprs la proposition III.10,
k
A
lim = (A) .
k+ (A)
Daprs la proposition III.11, le projecteur (A) est strictement positif, il existe donc
m
A
un entier m > 1 tel que (A) > 0. Do Am > 0.
III.3.3. Exemple. Calculer lim Ak , o A est la matrice

k+

1a b
A= ,
a 1b
o 0 < a < 1 et 0 < b < 1.

La matrice A est strictement positive donc primitive. On calcule (A) = 1. On a

> 1a a
A = ,
b 1b

b
et (A> ) = (A) = 1. Le vecteur de Perron de A, est p = a+b 1
, le vecteur de Perron
a
1
de A> est q = 12 . Daprs la section III.3.2, on a :
1
pq>

k 1 b b
lim A = > = .
k+ q p a+b a a
4 Irrductibilit et graphe dune matrice
III.4.1. Graphes orients. Un graphe (orient fini) G est la donne dun ensemble
fini S de sommets, dun ensemble fini A dartes et de deux applications s,t : A S
qui toute arte associe respectivement sa source et son but.
Soit k > 1 un entier, un chemin de longueur k du sommet s au sommet t est une suite
(e1 , . . . , ek ) dartes, telles que
s(e1 ) = s, t(ei ) = s(ei+1 ), pour tout i J1, k 1K, t(ek ) = t.

Un graphe est dit fortement connexe si, pour tout couple de sommets (s,t), il existe un
chemin de source s et but t.
III.4.2. Graphe dune matrice. toute matrice A de Mn (R), on associe un graphe

appel graphe de la matrice A, not GA , qui possde n sommets, numrots 1, 2 . . . , n,
et ayant une arte de source i et but j lorsque Aij 6= 0.
Si A et A0 sont deux matrices telles quil existe une matrice de permutation P telle que
A0 = P> AP, alors les graphes associs GA et GA0 sont les mmes, une renumrotation
des sommets prs, dfinie par la permutation P.
En particulier le graphe GA est fortement connexe si, et seulement si, le graphe GA0 est
fortement connexe.
III.4.3. Exemples. Les graphes des matrices suivantes

1 0 0 1
A= , B= .
1 1 1 0
sont respectivement
Le premier graphe nest pas fortement connexe, car il nexiste pas de chemin du som-
met 1 au sommet 2. Le deuxime graphe est fortement connexe.
III.4.4. Irrductibilit et forte connexit. Lirrductibilit dune matrice est lie

la forte connexit du graphe associ.
III.13 Thorme. Soit A une matrice positive de Mn (R). La matrice A est irr-
ductible si, et seulement si, son graphe GA est fortement connexe.
Preuve. Montrons que le graphe dune matrice rductible nest pas fortement connexe.
Soit A une matrice rductible, il existe une matrice de permutation P telle que

> B C
P AP = = A0 ,
0 D
o B Mt (R) et D Mnt (R) sont des matrices carres. Pour tout i Jt + 1, nK et

j J1,t K, il nexiste pas darte dans le graphe GA0 , de source i et de but j. Ainsi, le
graphe GA0 nest pas fortement connexe, par suite, le graphe GA nest pas fortement
connexe. On a donc montr que si le graphe GA est fortement connexe, alors la matrice
A est irrductible.
Inversement, supposons que le graphe GA ne soit pas fortement connexe. Notons
1, . . . , n les sommets du graphe GA . Il existe au moins un couple de sommets de GA ,
tels quil nexiste pas de chemin de lun vers lautre. Notons i1 et in ces deux sommets,
en supposant quil nexiste pas de chemin de in vers i1 . Notons
S1 = {i1 , . . . , it }
lensemble des sommets du graphe GA tel quil nexiste pas de chemins de in vers ces
sommets. Les autres sommets forment un ensemble que lon note
S2 = {it+1 , . . . , in1 }.
Pour tout j S1 et tout i S2 , il nexiste pas de chemin de i vers j. Par construction, on

a donc
Aij = 0,
pour tout i S2 et tout j S1 . Notons P la matrice de la permutation correspondant la
renumrotation des sommets ainsi dfinie
(1, 2, . . . , n) 7 (i1 , . . . , it , it+1 , . . . , in ).
La matrice P> AP est donc de la forme

B C
,
0 D
o B Mt (R) et D Mnt (R). Ainsi, la matrice A est rductible.
III.4.5. Exemples. Reprenons les matrices de lexemple III.4.3. Le graphe GA nest

pas fortement connexe, donc la matrice A est rductible.
Le graphe GB est fortement connexe, donc la matrice B est irrductible. Par ailleurs,
il est vident quaucune puissance de B nest strictement positive. La matrice B nest
donc pas primitive. Cet exemple montre quen gnral une matrice irrductible nest pas
primitive.
Le graphe de la matrice de lexemple III.2.8 est fortement connexe, donc la matrice
est irrductible.
5 Marches alatoires sur un graphe

Cette partie prsente une application du thorme de Perron-Frobenius, III.8, ltude
des chanes de Markov.
III.5.1. Les chanes de Markov. Une chane de Markov est un processus alatoire
sans mmoire , dans lequel la prdiction du futur partir du prsent ne dpend pas du
pass. Formellement, on dfinit une chane de Markov en temps discret, comme une suite
de variables alatoires {Xk }k=0 prenant leurs valeurs dans un mme ensemble dtats,
appel lespace des tats, et vrifiant, pour tout entier k,
P(Xk+1 = e | X0 , X1 , . . . , Xk ) = P(Xk+1 = e | Xk ),
o e est un tat quelconque du processus. Autrement dit, ltat de lvnement linstant

k + 1 dpend uniquement de ltat de lvnement linstant k et non pas des tats aux
instants prcdents.
III.5.2. Matrices stochastiques. On appelle matrice stochastique une matrice carre

relle, dont tous les coefficients sont positifs ou nuls et dont la somme des coefficients
sur chaque ligne est gale 1. Prcisment, une matrice P de Mn (R) est stochastique si,
pour tous i, j J1, nK, Pij > 0 et, pour tout i J1, nK,
n
Pij = 1.
j=1
En dautres termes, P est stochastique, si tous ses coefficients sont positifs et si Pe = e.

Par exemple, la matrice suivante est stochastique

1/3 1/3 1/3
1/2 1/2 0 .
0 0 1
Exercice 1. Montrer que si P est une matrice stochastique, alors Pk est stochastique,
pour tout entier k > 1.
III.5.3. Matrice de transition. Lorsque lespace des tats dune chane de Markov
est fini, en numrotant les tats par les entiers 1, . . . , n, on peut reprsenter la chane de
Markov par une matrice P(k) de Mn (R), appele matrice de transition de la chane de
Markov, dont le coefficient (P(k))ij est dfini par
P(k)ij = P(Xk+1 = j | Xk = i),
exprimant la probabilit que le processus se trouve dans ltat j linstant k + 1, alors

quil tait dans ltat i linstant k.
III.14 Proposition. La matrice de transition P(k) dune chane de Markov est

stochastique positive.
Dans la suite, on sintressera des processus dont la matrice de transition est con-
stante, i.e., indpendante du temps. La probabilit Pij de passer de ltat i ltat j est
indpendante du temps. Notons, quinversement, toute matrice stochastique dfinit un
chane de Markov.
Soit P une matrice stochastique dont le polynme caractristique est scind sur R. On
note 2 , . . . , p ses valeurs propres diffrentes de 1. On suppose que pour tout i, |i | < 1
et que P est diagonalisable. Alors
lim Pk = 1 ,
k+
o 1 est le projecteur spectral de la matrice P associ la valeur propre 1.
III.5.4. Distribution de probabilit. Une distribution de probabilit est un vecteur

positif

x1
x = ...
xn
de Rn , tel que
n
kxk1 = |xi | = 1.
i=1
Autrement dit, cest un vecteur positif x tel que x> e = 1. La distribution de probabilit
la k-ime tape du processus de la chane de Markov est le vecteur p(k) de Rn , defini
par
p> (k) = [p1 (k) . . . pn (k)],
o pi (k) = P(Xk = i) exprime la probabilit dtre dans ltat i, aprs la k-ime tape. La
distribution de probabilit initiale est p(0). Pour tout entier k > 1, on a
p> (k) = p> (0)Pk .
Le coefficient (Pk )ij reprsente ainsi la probabilit de passer de ltat i ltat j en

exactement k tapes. Une distribution de probabilit est dite invariante si p = pP. Une
distribution invariante reprsente ltat dquilibre du systme.
III.5.5. Au muse. La situation suivante fournit un exemple de chane de Markov.

Un visiteur se promne dans un muse. chaque tape de sa visite, il change de salle
en prenant une porte au hasard pour passer la salle suivante. Passionn, notre visiteur
va passer le restant de ses jours poursuivre sa visite, sans plus jamais sortir du muse.
Le plan du muse ci-dessous indique la position des salles et de leurs portes :
Lentre du muse donne sur la salle 1, si bien que le vecteur de distribution initial est
p> (0) = [1 0 0 0 0].

Les dplacements du visiteur dune salle lautre dfinissent une chane de Markov ; un
tat reprsente ici la prsence du visiteur dans une salle.
Exercice 2.
1. crire la matrice stochastique P de cette chane de Markov.
2. Montrer que le coefficient (Pk )ij reprsente la probabilit de passer de la salle i la
salle j en exactement k tapes.
Pour i = 1 . . . 5, notons pi (k) la probabilit que le visiteur se trouve dans la i-me salle
aprs ltape k. Soit
p> (k) = [p1 (k) . . . p5 (k)]
la distribution de probabilit linstant k.
Exercice 3.
1. Calculer la probabilit que le visiteur se trouve dans la salle 3 en exactement 1, 2, 3
et 4 tapes.
2. Dterminer les valeurs propres de P. La matrice P est-elle diagonalisable ?
3. Calculer les projecteurs spectraux de P.
4. Exprimer P en fonction des projecteurs spectraux. En dduire la valeur de p(k) en
fonction de p(0) et des projecteurs spectraux.
5. Calculer la probabilit que le visiteur se trouve dans la salle 3 la k-me tape avec
la distribution initiale p> (0) = [1 0 0 0 0].
6. Calculer p(10), p(20) avec la distribution initiale p> (0) = [1 0 0 0 0]. Quobservez-
vous ?
7. Calculer lim p> (k) avec la distribution initiale p> (0) = [1 0 0 0 0] en utilisant la
k+
dcomposition spectrale de P.
Si q = [q1 q2 q3 q4 q5 ] dsigne le vecteur limite. On peut interprter cette distribution

de probabilit limite en disant qu terme le visiteur aura pass en proportion qi de son
temps dans la salle i.
Exercice 4. Calculer lim p> (k) avec la distribution initiale

k+
p> (0) = [1/5 1/5 1/5 1/5 1/5].
Cest la distribution que lon peut considrer si le visiteur dbute sa visite en choisissant
au hasard lune des cinq salles.
Exercice 5. Dans ce qui suit, le visiteur entre toujours par la porte de la salle 1, mais
quelques modifications ont t apportes. Dans le premier cas, la porte qui relie les
salles 1 et 4 a t bouche. Dans le second cas, la salle 5 a t condamne, sa visite est
impossible. Les plans correspondant ces deux cas sont respectivement
Dans chaque cas, calculer la distribution de probabilit limite.
III.5.6. Chanes de Markov irrductible. Une chane de Markov est dite irrductible
(resp. rductible), si sa matrice de transition est irrductible (resp. rductible).
III.15 Proposition. Soit P une matrice stochastique, positive et irrductible de

Mn (R). Alors,
i) (P) = 1,
ii) le vecteur de Perron de P est
1
p = e.
n
Preuve. La matrice P est stochastique, donc le vecteur e, dont tous les coefficients sont
gaux 1, est vecteur propre de P, on a Pe = e. La matrice P tant positive et irrductible,
daprs le thorme de Perron-Frobenius III.8, le vecteur e tant positif, il est multiple
positif du vecteur de Perron p de P. Comme p est unitaire, on a ncessairement p = n1 e.
De (P)p = Pp, on dduit donc que (P)e = e, do (P) = 1.
III.16 Proposition. Soit P une matrice stochastique et primitive. Alors, lim Pk

k+
existe et
lim Pk = eq> ,
k+
o q est le vecteur de Perron de P> .
Preuve. Si la matrice P est primitive, daprs le thorme de Perron-Frobenius III.8,

(P) = 1 est une valeur propre simple dominante de P. Donc, la suite (Pk )k converge et
lim Pk = 1
k+
o 1 est le projecteur spectral de P associ la valeur propre 1. Le fait que 1 = eq> ,

o q est un vecteur de Perron de P> est une consquence immdiate de la section III.3.2 :
1 >
n eq
1 = = eq> .
q> n1 e
III.17 Proposition. Une matrice stochastique primitive P admet une unique dis-
tribution de probabilit invariante.
Preuve. Si la matrice P est primitive, alors P> est primitive. La valeur propre (P> ) = 1
est simple et dominante. Une distribution de probabilit invariante de P est un vecteur
unitaire p de Mn (R), tel que p = pP, ou de faon quivalente p> = P> p> . Le vecteur p>
est donc le vecteur de Perron de la matrice P> . La distribution de probabilit invariante
de la matrice P est ainsi unique.
III.5.7. Marche alatoire sur un graphe orient. tant donn un graphe orient G ,
on peut dfinir une chane de Markov partir dune marche alatoire sur le graphe G .
La matrice de transition de cette marche alatoire est la matrice stochastique P dfinie
par
ni, j
Pij = ,
ni
o ni, j est le nombre dartes de source i et but j et ni le nombre total dartes de source
i.
III.5.8. Exemple. Considrons le graphe G suivant
La matrice stochastique dune marche alatoire sur G est

0 1 0
P = 1/3 1/3 1/3
1/2 1/2 0
III.5.9. Exemples. On considre les marches alatoires sur les graphes suivants
Les matrices de transition sont respectivement

0 1 0 0
0 0 1 ...

0 1 0
P1 = 0 1/2 1/2 ,

P2 = ... ... Mn1 (R),

0
1/2 0 1/2
0 ...
1
1 0 0

0 0 1/2 1/2 0

0 0 0 1/2 1/2

P3 =
1/2 0 0 .
0 1/2
1/2 1/2 0 0 0
0 1/2 1/2 0 0
Les matrices P1 et P3 sont primitives, car P31 > 0 et P43 > 0. La matrice P1 (resp. P3 )
admet donc une unique distribution de probabilit p1 (resp. p2 ), dfinie par
p>
1 = [1/5 2/5 2/5], (resp. p>
3 = [1/5 1/5 1/5 1/5 1/5]).
La suite (Pk1 )k (resp. (Pk3 )k ) converge vers

1 2 2
1 1
1 2 2 , (resp. E).
5 5
1 2 2
La matrice P2 nest pas primitive. Elle est cependant irrductible car son graphe as-
soci est fortement connexe. La valeur propre (P2 ) = 1 nest pas dominante, car les
valeurs propres de P2 sont les racines n 1-ime de lunit. Daprs la premire partie
du thorme de Perron II.13, la matrice P2 admet une unique distribution de probabilit
invariante :
p>
2 = [1/n . . . 1/n].
La suite (Pk2 )k ne converge pas.

6 Recherche documentaire, lexemple du PageRank
F IGURE III.1.: Le PageRank selon Felipe Micaroni Lall
En 1998, Serge Brin et Larry Page, deux doctorants en informatique de lUniversit de

Stanford et fondateurs de la firme Google, font une contribution importante au domaine
de la recherche dinformation sur le web (Web information retrieval) en dveloppant
lalgorithme du PageRank qui value limportance dune page relativement la topolo-
gie du graphe du web et indpendamment des requtes de lutilisateur. Lalgorithme
de classement PageRank est la base du moteur de recherche Google qui calcule une
mesure quantitative de la popularit des pages du Web.
Le PageRank dtermine limportance dune page web P en fonction de limportance
des pages web qui possdent un lien vers la page P. Cette ide est ancienne et a t util-
ise dans diffrents contexte avant son application au classement des pages du web. En
particulier, des mthodes similaires ont t introduites dans le domaine de lextraction
de donnes, en biblomtrie, sociomtrie et conomtrie.
III.6.1. Formulation du PageRank. Le principe de base du PageRank est dattribuer

chaque page un score proportionnel au nombre de fois que passerait par cette page un
utilisateur parcourant le graphe du Web en cliquant alatoirement sur les liens contenus
sur chaque page. Ainsi, une page possdera un PageRank dautant plus important que
sera grande la somme des PageRanks des pages qui pointent vers elle :
une page est importante si elle est pointe par dautres pages importantes.
Au lieu de parler de chanes de Markov, Brin et Page parlent de surfer alatoire ,
mais leur approche correspond celle dune marche alatoire sur le graphe du Web, le
graphe orient dont les sommets reprsentent les pages web et les artes les hyperliens.
Le surfer alatoire suit les liens au hasard, cest--dire, lorsque il arrive sur une page
web contenant plusieurs liens, il va choisir lun de ces liens au hasard. Il poursuit sa
visite indfiniment. terme, le temps quil va passer sur une page sera proportionnel
limportance de la page. Sil passe beaucoup de temps sur un page, cest que la structure
du graphe lui aura donn dautant plus de chance de tomber sur cette page. En dautres
termes, le PageRank est la probabilit stationnaire dune chane de Markov, cest--dire
le vecteur de Perron-Frobenius de la matrice dadjacence du graphe du Web, appele la
matrice Google.
La taille (gigantesque) de ce graphe et son volution dynamique (modifications de
pages et dhyperliens, connexion ou dconnexion de serveurs web) rendent cependant
impossible un calcul direct de ce vecteur propre : des algorithmes dapproximation sont
utiliss pour calculer le PageRank.
III.6.2. Formalisation du PageRank. Trois facteurs dterminent le PageRank dune

page P :
le nombre de liens qui pointent vers la page P,
le nombre liens contenus par les pages qui ont un lien vers la page P,
le PageRank des pages qui ont un lien vers la page P.
Notons r(Pi ) le PageRank dune page web Pi , il est dfini comme la somme pondre
des PageRank des pages web qui ont un lien vers la page Pi :
r(Pj )
r(Pi ) = ,
Pj BPi |Pj |
o BPi est lensemble des pages web qui ont un lien vers Pi et |Pj | est le nombre de
liens sortants de Pj . Dans cette formule, le PageRank r(Pj ) est pondr par le nombre de
recommandations |Pj | faites par la page Pj .
III.6.3. Calcul itratif du PageRank. Pour calculer le PageRank r(Pi ) avec la for-
mule prcdente, il faut connatre les PageRank r(Pj ), pour toutes les pages Pj ayant
un lien vers Pi . Brin et Page utilisent une mthode itrative de calcul. Au dpart, ils
supposent que toutes les pages ont le mme PageRank, pour toute page Pi ,
1
r(Pi ) = ,
n
o n est le nombre total de pages du web indexes par le moteur de recherche. Le PageR-
ank est alors calcul itrativement, en notant rk (Pi ) la valeur du PageRank de la page Pi
la k-ime itration, on a, pour toute page Pi ,

r0 (Pi ) = 1
n

rk+1 (Pi ) = rk (Pj )
,

P B |P j |
j Pi
III.6.4. Formulation matricielle. On peut donner une formulation matricielle de

lquation du PageRank base sur la structure de graphe du web. Soit n le nombre de
pages webs indexes par le moteur de recherche. La matrice des hyperliens est la ma-
trice H de Mn (R), o, pour tous i, j J1, nK,
1
j , sil existe un lien de la page Pi la page Pj ,
Hi = |Pi |
0, sinon.
Les coefficients non nuls de la ligne i correspondent aux liens sortant de la page Pi .
Notons
rk (P0 )

k = ...
rk (Pn )
le vecteur de PageRank de la k-ime itration. Pour tout entier k > 0, la formule
rk (Pj )
rk+1 (Pi ) = .
Pj BPi |Pj |
scrit
[rk+1 (P0 ) . . . rk+1 (Pi ) . . . rk+1 (Pn )] = [rk (P0 ) . . . rk (Pi ) . . . rk (Pn )]H.
soit
>
k+1 = k> H.
III.6.5. Exemple. On considre un ensemble de 7 pages relies par les liens in-
diques par la figure suivante
La matrice des hyperliens de ce graphe est


0 0 0 0 0 0 0
0 0 12 0 0 12 0
0 31 0 0 0 13 1

3
1
H=
2 0 0 0 12 0 0
1 1 1
3 3 0 3 0 0 0

0 0 1 0 0 0 0
0 0 0 0 0 0 0
III.6.6. Premiers ajustements du modle : ajustement stochastique. Le premier

problme rencontr par le surfeur alatoire est la prsence de nuds pendants (dangling
nodes), avec les pages qui ne possdent pas de lien vers dautres pages. Il existe de
nombreux nuds pendants dans le graphe du Web, tels que par exemple les fichiers
(image, pdf, ...). Dans la matrice H, les nuds pendants correspondent aux lignes ne
contenant que des coefficients nuls. Sans correction du modle, ces pages peuvent retenir
sur elles indfiniment le surfer alatoire.
Dans le graphe de lexemple III.6.5, les pages P1 et P7 ne possdent pas de lien sortant.
Ceci se traduit par le fait que dans la matrice des hyperliens H, la premire et dernire
ligne ne possdent que des coefficients nuls.
Pour rsoudre ce problme, Brin et Page font alors lajustement stochastique suivant :
le surfer alatoire qui rentre sur une page qui ne possde pas de lien sortant va poursuivre
sa visite sur une autre page du web choisie au hasard. On remplace alors la ligne nulle
0> associe une telle page dans la matrice des hyperliens, par une distribution de
probabilits uniforme :
1 > 1 1 1
e =[ ].
n n n n
On pose
1
S = H + a( e> ),
n
o a est le vecteur dont le i-ime coefficient est gal 1 si Pi est une page sans lien
sortant, et gal 0 sinon. Notons que la matrice a( n1 e> ) est de rang 1.
Plus gnralement, il est possible dutiliser une autre distribution de probabilits pour
faire chapper le surfer alatoire dun nud pendant. En considrant la matrice
S = H + au,
o u est un vecteur tel que kuk1 = 1.
III.6.7. Exemple. La matrice H de lexemple III.6.5 devient alors

1 1 1 1 1 1 1
7 7 7 7 7 7 7
0 0 1 1
0 2 0 0
2
0 1 0 0 1
1

1 3 0 3
3
S= 1
2 0 0 0 2 0 0

1 1 0 1 0 0 0
3 3 3
0 0 1 0 0 0 0
1 1 1 1 1 1 1
7 7 7 7 7 7 7
III.6.8. Ajustement de primitivit. Avec lajustement permettant de rsoudre le prob-

lme des nuds pendants, la matrice S devient stochastique ; elle correspond la matrice
de la chane de Markov dfinie par la marche alatoire du surfer. En particulier, la ma-
trice S admet donc 1 comme valeur propre et e comme vecteur propre associ.
Le simple fait que S soit stochastique ne suffit pas pour assurer la convergence de la
suite (k ). Cest le deuxime problme rsoudre dans cette modlisation : lorsque le
surfer alatoire entre dans une partie du graphe, qui est fortement connexe, mais sans
lien sortant en dehors de cette partie. Autrement dit, lorsque la matrice du graphe nest
pas irrductible.
Brin et Page proposent un deuxime ajustement permettant dobtenir une matrice
stochastique et irrductible. Lajustement se fait de la faon suivante. Le surfer ala-
toire abandonne certains moments sa visite via les hyperliens en saisissant une url
valide au hasard dans le navigateur. Le surfer se tlporte ainsi sur une page au hasard
du Web qui peut ne pas tre lie la page sur laquelle il se trouve. Ceci se modlise de
la faon suivante :
1
G = S + (1 ) ee> ,
n
o le paramtre est un rel compris entre 0 et 1. La matrice G est appele la matrice
de Google. Le paramtre contrle la proportion du temps pendant lequel le surfer
alatoire va suivre les liens hypertextes. Par exemple, si = 0.6, alors 60% des fois, le
surfer va suivre une page en suivant un lien au hasard et 40% des fois il va se tlporter
au hasard sur une page du web. La matrice
1
E = ee>
n
est appele la matrice de tlportation.
Il est possible dutiliser une matrice de tlportation personalise E = eu, o u est un
vecteur de personalisation prjugeant favorable des pages relatives certains thmes.
Les concepteurs du modle suggrent de fixer le paramtre la valeur = 0.85.
III.18 Proposition (Proprits de la matrice Google). La matrice Google G est

i) stochastique,
ii) irrductible, car chaque page est relie une autre page,
iii) primitive, car il existe un entier m, tel que Gm > 0.
III.6.9. Problme du PageRank. Le problme du PageRank consiste trouver un

vecteur vrifiant >
= >G

>e = 1
Comme la matrice G est stochastique, la premire quation admet toujours une so-
lution, il existe donc au moins un vecteur de PageRank. La matrice G est positive et
irrductible, donc daprs le thorme de Perron-Frobenius III.8, le vecteur de PageR-
ank est unique, cest le vecteur de Perron de la matrice G> . On a
III.19 Thorme. Il existe un unique vecteur positif limite de la suite

>
k+1 = k> G.
De plus, ce vecteur peut tre calcul en utilisant la mthode des puissances itres.
III.6.10. La mthode des puissances itres. Le dernier problme rsoudre est

celui du calcul effectif du vecteur PageRank. Pour cela, est utilise la mthode des
puissances itres, qui est une mthode itrative numrique introduite par von Mises
et Pollaczek-Geiringer pour calculer la valeur propre dominante dune matrice et un
vecteur propre associ.
Considrons une matrice A de Mn (R) (que lon suppose diagonalisable) dont les
valeurs propres, calcules dans C, vrifient
|1 | > |2 | > . . . > |n |.
Si x0 est un vecteur de Rn qui ne soit pas orthogonal au sous-espace propre E1 =

Ker (A 1 1n ), alors la suite (xk )k de Rn , dfinie par
1
xk+1 = Axk ,
kAxk k
converge vers un vecteur propre x de Rn , associ la valeur propre dominante 1 . De

plus, la suite
>
k = xk+1 xk ,
converge vers la valeur propre 1 .
sage : n =10
sage : A = random_matrix ( RDF , n );
sage : A = A *( A . transpose ())
sage : # A est alors symtrique donc diagonalisable
sage : x0 = vector ( RDF ,[1 for i in range (0 , n )])
sage : x = x0
....: for k in range (0 ,100):
....: y = A*x
....: z = 1/ y . norm ()* y
....: lam = z * y
....: s = (x - z ). norm ()
....: print k , " \ ts = " , s , " \ tlambda = " , lam
....: if s < 1. e -5:
....: print z
....: break
....: x = z
0 s = 2.55617316187 lambda = 5.21414168329
1 s = 0.453212001909 lambda = 3.72208309541
2 s = 0.357184657715 lambda = 5.14024921218
3 s = 0.312010105108 lambda = 6.51554249234
4 s = 0.21716030309 lambda = 7.53984582843
5 s = 0.137207397706 lambda = 8.03377258374
6 s = 0.0897377497424 lambda = 8.2422670389
...
...
49 s = 8.40178900006 e -06 lambda = 8.47902476543
( -0.475762099734 , 0.161213866868 , 0.641234227458 , 0.363296261128 ,
-0.294002970319 , -0.295170588207 , 0.0408181253164 , -0.151695435379 ,
0.0403420937886 , 0.0680181892903)
sage : A . eigenvalues ()
[8.47902476828 , 6.87137133371 , 4.66150363665 , 3.61986608321 ,
2.2180921718 , 1.83030160184 , 0.023788308412 , 0.132637233436 ,
0.851974838839 , 1.04820065235]
III.6.12. Exemple. Par exemple, avec la matrice H de lexemple III.6.7 et = 0.6,

on a
1 1 1 1 1 1 1
7 7 7 7 7 7 7
2 2 5 2 2 5 2
35 35 14 35 35 14 35
2 9 2 2 2 9 9

35 35 35 35 35 35 35
G= 5 2 2 2 5 2 2
14 35 35 35 14 35 35
9 9 2 9 2 2 2
35 35 35 35 35 35 35
2 2 23 2 2 2 2
35 35 35 35 35 35 35
1 1 1 1 1 1 1
7 7 7 7 7 7 7
Le vecteur initial est
0> = 0.14286 0.14286 0.14286 0.14286 0.14286 0.14286 0.14286

On applique la mthode des puissances itres :

sage : x = x0
....: for k in range (0 ,100):
....: y = G*x
....: z = 1/ y . norm (1)* y
....: lam = z * y
....: s = (x - z ). norm (1)
....: print k , " \ ts = " , s , " \ tlambda = " , lam
....: if s < 1. e -5:
....: print z
....: break
....: x = z
0 s = 0.175510204082 lambda = 0.150087463557
1 s = 0.0654227405248 lambda = 0.151078622003
2 s = 0.0222307371928 lambda = 0.152795839411
3 s = 0.00691854584399 lambda = 0.153043327307
4 s = 0.00222345723296 lambda = 0.15320790217

5 s = 0.000697394666702 lambda = 0.153248512004
6 s = 0.000216815702606 lambda = 0.153261865454
7 s = 7.03158845077 e -05 lambda = 0.153267185812
8 s = 2.35229654938 e -05 lambda = 0.153268390455
9 s = 7.57424362428 e -06 lambda = 0.153268972576
10 s = 2.48438579022 e -06 lambda = 0.153269103571
11 s = 7.85803567105 e -07 lambda = 0.15326916099
12 s = 2.5837539 e -07 lambda = 0.153269176376
13 s = 8.21200262235 e -08 lambda = 0.153269181899
14 s = 2.68341306398 e -08 lambda = 0.153269183658
15 s = 8.7279090899 e -09 lambda = 0.153269184207
16 s = 2.80503101302 e -09 lambda = 0.153269184397
17 s = 9.20731935139 e -10 lambda = 0.153269184455
18 s = 2.95198601674 e -10 lambda = 0.153269184475
19 s = 9.66428048699 e -11 lambda = 0.153269184481
(0.131047488439 , 0.145379735984 , 0.222869878268 , 0.100805760335 ,
0.109206240363 , 0.167152408703 , 0.123538487909) 0.391496084886
Le vecteur stationnaire de la suite (k )k est

= 0.13105 0.14538 0.22287 0.10081 0.10921 0.16715 0.12354
Par exemple, le surfer alatoire passe 13, 105% du temps sur la page P1 . Le PageRank
des pages de ce mini Web est
P1 P2 P3 P4 P5 P6 P7
4 3 1 7 6 2 5
Ainsi, la page la plus populaire est la page P3 , la page la moins populaire est la page P4 .
III.6.13. Nani gigantum humeris insidentes. Cette mtaphore (des nains sur des
paules de gants) de Bernard de Chartres, XIIe sicle, souligne limportance pour tout
homme dappuyer son ambition intellectuelle sur les travaux des grands penseurs du
pass. La mthode de PageRank du moteur de recherche Google dveloppe par Brin et
Page utilise des rsultats mathmatiques du dbut du XXe sicle :
la thorie des chanes de Markov, 1906,
le thorme de Perron, 1907,
le thorme de Perron-Frobenius, 1912,
la mthode des puissances itres, von Mises and Pollaczek- Geiringer, 1929.
Par ailleurs, la problmatique de la recherche dinformation aborde avec des mth-

odes similaires celle du PageRank est apparue dans dautres contextes que celui du
web, comme en particulier
lconomtrie, pour lanalyse dchanges interindustriels, Leontief 1941,
la sociomtrie pour lanalyse quantitative des relations sociales et rseaux sociaux,
Seeley 1949, Wei Sport ranking, 1952, Katz, 1953,
en bibliomtrie pour lanalyse quantitative des processus de publication, base sur
des indicateurs dinfluence de revues et darticles de recherche (une revue est influ-
ente si elle est cite par des revues influentes ...), Pinski et Narin, 1976.
Enfin, notons quil existe dautres algorithmes dindexation du web, comme lalgo-
rithme HITS (Hypertext Induced Topic Search) dvelopp par Kleinberg en 1998. Les
algorithmes PageRank et HITS sont similaires mais dvelopps de faon indpendantes.
On renvoie le lecteur au livre de Amy Langville et Carl Meyer, Googles PageRank and
Beyond : The Science of Search Engine Rankings pour un expos plus complet sur les
mthodes dalgbre linaire sous-jacentes aux algorithmes des moteurs de recherche du
Web.
Exercice 6. Calculer le vecteur PageRank du graphe de la figure III.1.

Algapiip 12

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Algapiip 12

Загружено:

Авторское право:

Доступные форматы

Licence Sciences, Technologies, Sant

- Notes de cours et de travaux dirigs -

I. Prliminaires : rappels d'algbre linaire 3

II. Le thorme de Perron 35

1. Matrices positives et strictements positives . . . . . . . . . . . . . . . . 35

III. Le thorme de Perron-Frobenius 47

1. Le cas des matrices positives . . . . . . . . . . . . . . . . . . . . . . . 47

Prliminaires : rappels d'algbre linaire

Dans ce cours, K dsigne un corps un commutatif. On se placera en gnral sur le

(A> )ij = Aij ,

pour tous i J1, nK et j J1, mK.

I.1.5. Produit de matrices. On dfinit le produit (ou multiplication) dune matrice A

Le produit de matrices vrifie les proprits suivantes :

i) (associativit) pour toute matrices compatibles, A, B et C,

ii) (matrices unites) pour toute matrice A de Mm,n (K),

iii) (distributivit), pour toutes matrices compatibles A, B, C et D, on a

A(B + C) = AB + AC, (B + C)D = BD + CD.

Exercice 1. Montrer que lanneau Mn (K) nest pas commutatif en gnral.

Exercice 3. Soit ei le vecteur colonne de Mn,1 (K) contenant 1 la i-ime ligne et

La matrice B est alors appele la matrice inverse de A, on note alors B = A1 . On dduit

iii si A est inversible, alors sa transpose est inversible et

(A> )1 = (A1 )> .

Exercice 6. Montrer ces trois proprits.

I.1.8. Matrices semblables. Deux matrices A et B de Mn (K) sont dites semblables,

I.1.9. Matrices quivalentes. Deux matrices A et B de Mn (K) sont dites quiva-

Exercice 9. Montrer quil nexiste pas de matrices A et B de Mn (K) telles que

Exercice 10. Soient A et B deux matrices carres.

1. Montrer la relation trace AB = trace BA.

1. Montrer que si E est un sous-espace vectoriel de Km , alors A(E ) est un sous-espace

Im ([A B]) = Im (A) + Im (B),

o [A B] dsigne la matrice constitue des blocs A et B.

Le noyau Ker A est form des solutions de lquation Ax = 0.

Ker (A), Ker (A> ), Im (A), Im (A> ).

Soit A M p,q (K) et Q M p (K), P M p (K) deux matrices inversibles, on a

rang A = rang (QAP).

En particulier si rang A = r, il existe deux matrices inversibles P et Q telles que

Exercice 18. Soient A et B deux matrices de Mn,m (K).

2 Spectre dune matrice

est un sous-espace vectoriel de Kn , stable par A, appel le sous-espace propre de la

I.2.4. Polynme caractristique. Le polynme caractristique dune matrice A de

I.2.5. Exemple. Le polynme caractristique dune matrice de Mn (K) peut ne pas

est pA = X 2 + 1, qui na pas de racines relles, par suite SpR (A) = 0.

Spec(T) = Spec(A) Spec(B).

Exercice 26. Construire des exemples de matrices A et B de M2 (K) telles que

1. valeur propre de A et valeur propre de B nimplique pas + valeur propre de

m det ( 1n BA) = n det ( 1m AB).

2. Montrer que si m = n, alors les matrices AB et BA ont le mme polynme caractris-

I.2.6. Matrices trigonalisables. Une matrice A de Mn (K) est dite trigonalisable

I.3 Thorme (Thorme de trigonalisation). Une matrice A de Mn (K) est

I.2.7. Somme et produit des valeurs propres. Le thorme de trigonalisation nous

I.4 Proposition. Soit A une matrice de Mn (C) de polynme caractristique

o hi dsigne lordre de multiplicit de la valeur propre i dans le polynme carac-

Plus gnralement, pour tout entier k > 1, on a

I.2.8. Matrices diagonalisables. Une matrice A de Mn (K) est dite diagonalisable

I.6 Thorme (Caractrisation des matrices diagonalisables). Soit A une ma-

iii) il existe des valeurs propres 1 , . . . , p de A, telles que

Exercice 33. Soit A une matrice dfinie par blocs :

o B et C sont deux matrices carres de Mn1 (K) et Mn2 (K) respectivement.

5. En dduire, que si A est diagonalisable, alors B et C sont diagonalisables.

Exercice 34. Montrer que la matrice suivante nest pas diagonalisable :

Exercice 35. Les matrices lmentaires de Mn (K) sont-elles diagonalisables ?

Exercice 36. Soit A Mn (R).

4. Calculer Ak , pour tout entier naturel k.