Le théorème de Perron-Frobenius est un résultat fondamental d’algèbre linéaire. Il décrit le comportement spectral des matrices dont les coefficients sont positifs ou positifs au sens large. Il est particulièrement utile pour étudier des suites définies par récurrence matricielle, des chaînes de Markov, des modèles de population ou des systèmes économiques.
Introduction
L’idée principale est la suivante : lorsqu’une matrice a des coefficients positifs, elle possède une valeur propre réelle positive qui domine les autres valeurs propres. Cette valeur propre est associée à un vecteur propre dont les coordonnées sont elles aussi positives. Autrement dit, une structure positive dans la matrice se retrouve dans ses valeurs propres et ses vecteurs propres.
Cette notion dépasse généralement le cadre strict du programme ECG, mais elle peut apparaître dans un problème guidé. Elle est très utile pour comprendre pourquoi certaines suites matricielles finissent par avoir un comportement simple à long terme.
Matrices positives et matrices strictement positives
Soit :
\[
A=(a_{i,j})\in M_n(\mathbb R)
\]
On dit que \(A\) est une matrice positive si tous ses coefficients sont positifs ou nuls :
\[
a_{i,j}\geq0
\]
pour tous \(i,j\).
On écrit parfois :
\[
A\geq0
\]
On dit que \(A\) est une matrice strictement positive si tous ses coefficients sont strictement positifs :
\[
a_{i,j}>0
\]
pour tous \(i,j\).
La différence entre ces deux notions est importante. Le théorème possède une forme plus simple et plus forte lorsque tous les coefficients sont strictement positifs.
Énoncé simple du théorème de Perron-Frobenius
Soit \(A\in M_n(\mathbb R)\) une matrice strictement positive.
Alors, il existe une valeur propre réelle \(\rho>0\) telle que :
\[
A X=\rho X
\]
pour un certain vecteur \(X\in\mathbb R^n\) dont toutes les coordonnées sont strictement positives.
De plus, \(\rho\) est la valeur propre dominante de \(A\). Cela signifie que, pour toute autre valeur propre \(\lambda\) de \(A\), on a :
\[
|\lambda|<\rho
\]
Dans ce cadre strictement positif, la valeur propre \(\rho\) est simple. Cela signifie que l’espace propre associé est de dimension \(1\).
Cette valeur propre \(\rho\) est appelée valeur propre de Perron.
Rayon spectral
Le nombre \(\rho\) du théorème est en fait le rayon spectral de la matrice.
Le rayon spectral de \(A\) est défini par :
\[
\rho(A)=\max_{\lambda\in\mathrm{Sp}(A)}|\lambda|
\]
où \(\mathrm{Sp}(A)\) désigne l’ensemble des valeurs propres de \(A\).
Le théorème affirme donc que, pour une matrice strictement positive, le rayon spectral est lui-même une valeur propre réelle positive :
\[
\rho(A)>0
\]
et qu’il existe un vecteur propre strictement positif associé.
Cette propriété est remarquable, car les valeurs propres d’une matrice réelle peuvent en général être complexes. Ici, la positivité des coefficients garantit l’existence d’une valeur propre réelle dominante.
Exemple simple
Considérons la matrice :
\[
A=
\begin{pmatrix}
2&1\\
1&2
\end{pmatrix}
\]
Tous ses coefficients sont strictement positifs.
Les valeurs propres sont donc \(\lambda_1=1\) et \(\lambda_2=3.\)
La valeur propre dominante est \(\rho(A)=3\)
Un vecteur propre associé est :
\[
X=
\begin{pmatrix}
1\\
1
\end{pmatrix}
\]
En effet :
\[
A
\begin{pmatrix}
1\\
1
\end{pmatrix}
=
\begin{pmatrix}
3\\
3
\end{pmatrix}
=
3
\begin{pmatrix}
1\\
1
\end{pmatrix}
\]
Le vecteur propre associé à la valeur propre dominante a bien toutes ses coordonnées strictement positives.
Interprétation du vecteur propre positif
Le vecteur propre positif joue souvent le rôle d’un état d’équilibre.
Supposons que l’on étudie une suite de vecteurs :
\[
U_{k+1}=AU_k
\]
Si la matrice \(A\) est positive ou strictement positive, alors elle transforme des vecteurs positifs en vecteurs positifs.
Lorsque le théorème de Perron-Frobenius s’applique, la direction dominante est donnée par le vecteur propre positif associé à \(\rho(A)\). Cela signifie que, après un grand nombre d’itérations, la suite \(U_k\) tend souvent à s’aligner sur ce vecteur propre dominant, à une constante multiplicative près.
Cette idée est centrale dans les modèles de population : le vecteur propre donne une répartition stable entre différentes classes d’âge ou différentes catégories.
Cas des matrices positives non strictes
Pour les matrices seulement positives, c’est-à-dire avec certains coefficients nuls, l’énoncé est plus subtil.
Le rayon spectral \(\rho(A)\) est encore une valeur propre de \(A\), et il existe un vecteur propre associé dont les coordonnées sont positives ou nulles.
On peut donc avoir :
\[
AX=\rho(A)X
\]
avec :
\[
X\geq0
\]
Cependant, on ne peut pas toujours garantir que toutes les coordonnées de \(X\) sont strictement positives. On ne peut pas non plus garantir que la valeur propre dominante est strictement plus grande que toutes les autres valeurs propres.
Par exemple, la matrice :
\[
A=
\begin{pmatrix}
0&1\\
1&0
\end{pmatrix}
\]
est positive, mais pas strictement positive.
Ses valeurs propres sont \(1\) et \(-1.\)
Elles ont la même valeur absolue. Il n’y a donc pas de domination stricte du rayon spectral sur toutes les autres valeurs propres.
Application aux chaînes de Markov
Les matrices stochastiques sont un domaine naturel d’application du théorème.
Une matrice stochastique par lignes vérifie :
\[
p_{i,j}\geq0
\]
et :
\[
\sum_{j=1}^{n}p_{i,j}=1
\]
pour toute ligne \(i\).
Ces matrices décrivent des chaînes de Markov à nombre fini d’états. Le coefficient \(p_{i,j}\) représente la probabilité de passer de l’état \(i\) à l’état \(j\).
Dans ce contexte, la valeur propre 1 joue un rôle central. En effet, si \(P\) est stochastique par lignes, alors :
\[
P
\begin{pmatrix}
1\\
\vdots\\
1
\end{pmatrix}
=
\begin{pmatrix}
1\\
\vdots\\
1
\end{pmatrix}
\]
Ainsi, \(1\) est une valeur propre de \(P\).
Le théorème de Perron-Frobenius permet d’expliquer l’existence d’une distribution stationnaire positive dans certains cas, notamment lorsque la chaîne est irréductible et régulière.
Application aux modèles de population
On peut modéliser l’évolution d’une population par une suite :
\[
U_{k+1}=AU_k
\]
où \(U_k\) décrit la population à l’instant \(k\), répartie en plusieurs classes.
Par exemple, \(U_k\) peut contenir :
\[
\begin{pmatrix}
\text{jeunes}\\
\text{adultes}\\
\text{âgés}
\end{pmatrix}
\]
La matrice \(A\) décrit alors les taux de reproduction, de survie ou de passage d’une classe à l’autre.
Si \(A\) est positive, le théorème de Perron-Frobenius indique que le comportement à long terme est gouverné par la valeur propre dominante \(\rho(A).\)
Si \(\rho(A)>1\) la population tend à croître.
Si \(\rho(A)<1\) elle tend à diminuer.
Si \(\rho(A)=1\) elle peut se stabiliser, sous certaines conditions.
Comment utiliser le théorème dans un exercice ?
La première étape consiste à vérifier la positivité de la matrice.
Il faut regarder si :
\[
a_{i,j}\geq0
\]
ou, dans le meilleur cas :
\[
a_{i,j}>0
\]
pour tous les coefficients.
Ensuite, on cherche le rayon spectral \(\rho(A)\) ou bien une valeur propre positive naturelle. Dans certains exercices, cette valeur propre est donnée ou suggérée.
Il faut ensuite trouver un vecteur propre positif associé :
\[
AX=\rho(A)X
\]
avec :
\[
X>0
\]
Enfin, on interprète ce vecteur selon le contexte : état stationnaire, répartition stable, direction dominante ou équilibre asymptotique.
Erreurs classiques à éviter
La première erreur consiste à confondre matrice positive et matrice définie positive.
Une matrice positive au sens de Perron-Frobenius signifie :
\[
a_{i,j}\geq0
\]
pour tous les coefficients.
Une matrice définie positive est une matrice symétrique vérifiant :
\[
X^TAX>0
\]
pour tout vecteur non nul \(X\).
Ce sont deux notions différentes.
La deuxième erreur consiste à croire que toute matrice positive donne une domination stricte du rayon spectral. C’est vrai dans le cas strictement positif, mais pas toujours dans le cas seulement positif.
La troisième erreur est d’oublier que le théorème parle d’un vecteur propre positif associé à la valeur propre dominante, et non de tous les vecteurs propres.
Conclusion
Le théorème de Perron-Frobenius montre qu’une matrice positive possède une structure spectrale particulière.
Dans sa forme simple, si une matrice \(A\) est strictement positive, alors son rayon spectral \(\rho(A)\) est une valeur propre réelle strictement positive, associée à un vecteur propre strictement positif.
Ce résultat permet d’étudier efficacement les suites matricielles, les chaînes de Markov, les modèles de population et les phénomènes de stabilisation. Il révèle une idée profonde : la positivité des coefficients d’une matrice impose une organisation forte de ses valeurs propres et de ses vecteurs propres.
Tu peux également retrouver le méga-répertoire qui contient toutes les annales de concours et les corrigés. Tu peux également accéder à toutes nos autres ressources mathématiques !
