À quoi sert la diagonalisation

Pourquoi se donner tant de mal ? Parce que dans une base propre, les calculs difficiles deviennent des multiplications de nombres.

Les puissances d'une matrice

C'est l'application reine. En écrivant A = P D P⁻¹ :

A² = (P D P⁻¹)(P D P⁻¹) = P D (P⁻¹P) D P⁻¹ = P D² P⁻¹

et par récurrence :

A^k = P D^k P⁻¹        avec        D^k = [ λ1^k   0   ]
                                         [  0   λ2^k  ]

Élever une matrice diagonale à la puissance k revient à élever chaque coefficient à la puissance k. Le calcul de A^100, hors de portée par multiplications successives à la main, devient immédiat.

Les suites récurrentes

Une suite définie par une récurrence linéaire se met sous forme matricielle. Pour Fibonacci u(n+1) = u(n) + u(n-1) :

[ u(n+1) ]   [ 1  1 ] [ u(n)   ]              [ 1  1 ]
[ u(n)   ] = [ 1  0 ] [ u(n-1) ]        A =   [ 1  0 ]

Le terme général s'obtient alors en diagonalisant A. Ses valeurs propres sont les racines de λ² - λ - 1 = 0 :

λ1 = (1 + √5)/2 ≈ 1,618      (le nombre d'or)
λ2 = (1 - √5)/2 ≈ -0,618

d'où la formule de Binet, qui donne u(n) en fonction de n sans calculer tous les termes précédents. Et l'on voit du même coup pourquoi le rapport de deux termes consécutifs tend vers le nombre d'or : λ1 étant la plus grande valeur propre en module, elle finit par dominer.

Le comportement à long terme

C'est la lecture la plus utile, et elle ne demande souvent aucun calcul complet :

|λ| > 1   ->  la composante EXPLOSE
|λ| = 1   ->  elle reste STABLE
|λ| < 1   ->  elle S'ÉTEINT

La plus grande valeur propre en module dicte le comportement asymptotique.

C'est ce qui décide de la stabilité d'un système dynamique, de la convergence d'un algorithme itératif ou de l'amortissement d'une structure.

Les chaînes de Markov

Une matrice de transition de probabilités possède toujours la valeur propre 1. Le vecteur propre associé est l'état stationnaire — la répartition vers laquelle le système converge, quel que soit l'état de départ.

état(n) = M^n × état(0)   ---->   vecteur propre de valeur propre 1

C'est le principe du PageRank de Google : classer des pages web revient à calculer le vecteur propre dominant d'une gigantesque matrice de liens.

Ailleurs, la même idée

Équations différentielles :  X' = A X  se découple en n équations scalaires
Mécanique               :  les modes propres de vibration d'une structure
Statistique (ACP)       :  les axes de plus grande variance des données
Physique quantique      :  les niveaux d'énergie sont des valeurs propres

Dans tous ces domaines, diagonaliser signifie la même chose : trouver les coordonnées dans lesquelles le problème se sépare en morceaux indépendants.

En résumé

• A^k = P D^k P⁻¹ : les puissances deviennent immédiates.
• Les suites récurrentes linéaires se résolvent en diagonalisant leur matrice (Fibonacci → nombre d'or).
• Le module de la plus grande valeur propre dicte le comportement à long terme : explosion, stabilité ou extinction.
• Une chaîne de Markov converge vers le vecteur propre de valeur propre 1 (principe du PageRank).
• Même idée en équations différentielles, en mécanique vibratoire, en ACP et en physique quantique.