Lagardère Matrice

66 Algèbre linéaire 29 Espaces vectoriels 66 30 Applications linéaires 68 31 Espaces vectoriels de dimension finie 69 32 Applications linéaires en dimension finie 71 33 Matrices 76 34 Calcul matriciel 82 35 Équations linéaires 85 36 Déterminants 88 37 Calculs de déterminants 91 38 Rang de matrices 94 39 Projections 98 40 Réductions des endomorphismes 40.1 Diagonalisation . . . . . . . 40.2 Calculs . . . . . . . . . . . 40.3 Espaces fonctionnels . . . . 40.4 Polynômes caractéristique

consacr´e ` a la primitivation et au calcul int´egral ainsi qu’`a ses applications au calcul d’aires, de volumes et de travail d’une force. Le huiti`eme chapitre pr´esente quelques notions de calcul matriciel (op´erations entre matrices, calcul d’un d´eterminant et inversion d’une matrice). Enfin, le neuvi`eme chapitre est une introduction aux nombres complexes. Je m’en voudrais de ne pas profiter de cette occasion pour exprimer toute ma gratitude `a Fran¸coise Bastin pour l’accueil qu’elle r´eserve toujours

3)(X − 5) ⎪ 1 ⎪ 8 ⎪ ⎪ ⎪ −1 ⎪ (X − 1)(X − 5) ⎨P2 (X ) = ⎪ 4 ⎪ ⎪ ⎪ ⎪P3 (X ) = 1 (X − 1)(X − 3) ⎪ ⎪ 8 ⎪ ⎩ Calculer Pi (1), Pi (3) et Pi (5) pour i ∈ {1,2, 3} . 20. En déduire que P = (P1, P2, P3 ) est une base de 2 [X ] . 21. Déterminer la matrice A de passage de la base 23. On pose P0 (X ) = (X − 1)(X − 3)(X − 5) . Pour tout polynôme P (X ) de Démontrer que f est linéaire. 24. Déterminer l’image de f. 25. Déterminer le noyau de f. B à la base P . 22. Démontrer que A est inversible et

Analyse de données Course plan Louvain School of Statistics, Biostatistics and Actuarial Science Université catholique de Louvain 2011–2012 LSBA (UCL) LSTAT2110 - Course plan 2011–2012 1/7 Equipe Cours magistraux Johan Segers ISBA, Voie du Roman Pays 20, 1348 LLN, d.118 johan.segers@uclouvain.be Réception sur rendez-vous Sarah Gengler Cédric Taverne TP AGRO TP STAT/ACTU LSBA (UCL) LSTAT2110 - Course plan 2011–2012 2/7 Ressources Volume horaire:

= , p ( X = 6) = , p ( X = 10) = . 3 4 4 Nous allons placer les éléments définissant cette variable aléatoire dans une matrice x. La première colonne contiendra les valeurs xi , la seconde les probabilités pi . L’utilisation de sum (b635) faite dans le deuxième écran montre que la somme des probabilités est égale à 1. Jusque-là, tout va bien. Construisons à présent la matrice contenant également la colonne formée par les pi xi et celle formée par les pi xi2 . Pour cela on peut utiliser une fonction

× 0,2) P’’ = 4 × 7,5 + 2 × 16,1 + 3 × 15,8 P’’ = 30 + 32,2 + 47,4 P’’ = 109,6 Donc le client devra payer 109,60 € avec les tarifs les plus avantageux. Exercice 2 : Pour les candidats ayant suivi l’enseignement au choix 5 points 1. On considère la matrice carrée M d’ordre 3, où les lignes représentent les types de bulbes et les colonnes représentent les différents lots. 6 18 9  Donc M = 6 4 20 Un lot A comprend 6 bulbes de tulipes, 6 de crocus et 3 de muscaris. 3 5 8  2. a) On considère le vecteur

4) ? L’objectif de l’ACP est de revenir à un espace de dimension réduite (plan 2D) en déformant le moins possible la réalité. Il s’agit de résumer de la manière la plus pertinente possible des données initiales : matrice des corrélations (analyse de la dispersion des données). Matrice de corrélation : - Extraction des facteurs (en petit nombre) - Interprétation des graphiques pour comprendre la structure des données analysées avec l’aide d’indicateurs numériques pouvant aider l’interprétation

aux éléments propres d’une matrice carrée III-1 Définitions d’une valeur propre et d’un vecteur propre associé III-1 Propriétés d’une valeur propre et du sous espace propre associé Chapitre 3 : Projection orthogonale I- Projection - Projection orthogonale I-1 Définitions I-2 Détermination de la projection orthogonale I-1 Caractérisation et propriétés Chapitre 2 : Produit scalaire-orthogonalité I- Produit scalaire et Norme euclidienne I-1 Définitions I-2 Matrice d'un produit scalaire I-3 Produit

25 0.30 0.35 ˆ matrice de corr´lation e actif1 actif2 actif3 actif4 actif1 actif2 actif3 actif4 1.0 0.1 0.4 0.5 0.1 1.0 0.3 0.7 0.4 0.3 1.0 0.8 0.5 0.7 0.8 1.0 D´marche : e Daniel Herlemont 2 ` 2 FRONTIERE EFFICIENTE AVEC EXCEL ˆ V´rifier que la matrice de corr´lation est bien Sym´trique, D´finie, Positive (on pourra e e e e utiliser la condition de Sylvester, a savoir que tous les d´terminants mineurs det(Ck ) ` e sont strictement positifs, avec Ck la matrice extraite d’ordre

peut mettre le système (1) sous la forme matricielle suivante : [A] est la matrice des coefficients du système (connue), {X} est le vecteur colonne des inconnues, {B} est le vecteur colonne second membre (connu). Remarques : - Si {B} = {0}, on dit que le système est sans second membre ou homogène. - Le déterminant principal d’un système linéaire est le déterminant non nul d’ordre le plus élevé que l’on peut extraire de la matrice [A] des coefficients. Il n’est pas toujours unique. - On appelle rang du