Matrice compagnon

Rang d’une application linéaire Chapitre 3 : Matrices I- Généralités (définition, matrices particulières) II- Matrices carrées 1. Matrice diagonale, Matrice triangulaire 2. Matrice symétrique, Matrice antisymétrique III- Opérations sur les matrices 1. Addition, Multiplication, Puissance 2. Propriétés de l’ensemble des matrices 3. Matrice inversible IV- Matrice inverse : Méthode de Gauss-Jordan V- Matrice associée à un système de vecteurs VI- Matrice d’une application linéaire VII- Changement de

Introduction aux outils d’analyse quantitative. Chapitre I : Les matrices. Exemple d’introduction : Un étudiant veut aller manger. Il mangera soit au restaurant soit chez lui. Il veut savoir lequel des deux est le plus avantageux. On note x le prix du restaurant et y le prix à la maison. Dans la première semaine, il va 4 fois au restaurant et une fois chez lui donc nous avons : 4x + y = 51 Dans la seconde semaine, il va deux fois au restaurant et trois fois chez lui, nous avons :

fonction de plusieurs variables sont ceux où toutes les dérivées partielles s'annulent. Pour être complet, signalons encore sans entrer dans les détails que la nature du point stationnaire est en général déterminée par l'étude de la matrice des dérivées secondes (matrice hessienne), c'est-à-dire du tableau carré dont les éléments sont donnés par : hi , j = ∂2 f ∂xi ∂x j 3.2. Différentielle Pour exprimer que fi(x1,…,xn) (i = 1,…,n) est la dérivée par rapport à xi d'une fonction F(x1,…,xn) on note

SESSION 2002 E3A Concours ENSAM - ESTP - EUCLIDE - ARCHIMEDE Epreuve de Mathématiques 3 MP Partie 0. Un exemple. 1. On a M = diag(1, 2, . . . , n). Soit alors A = (ai,j )1≤i,j≤n ∈ Mn (C). La matrice AM est la matrice (jai,j )1≤i,j≤n et la matrice MA est la matrice (iai,j )1≤i,j≤n . Par suite, AM = MA ⇔ ∀(i, j) ∈ {1, . . . , n}2 , iai,j = jai,j ⇔ ∀(i, j) ∈ {1, . . . , n}2 , (i − j)ai,j = 0 ⇔ ∀i = j, ai,j = 0. On a montré que ⇔ A ∈ Dn (C). C(M) = Dn (C). 2. Donc immédiatement, dim(C(M))

Définitions : Soient (Ω,a,P) un espace de proba et E l’espace des états. 1) Une matrice π = (π (x, y), x, y ∈ E) est une matrice stochastique si : π (x, y) ≥ 0 pour tous x, y ∈ E et z π(x, z) = 1 pour tous x ∈ E. 2) Soit π une matrice stochastique sur E. Une suite de variables aléatoires (Xn, n ∈ N) définies sur (Ω,a,P) à valeurs dans E est une chaîne de Markov de matrice de transition π si pour tous n ∈ N, x ∈ E, on a : P(Xn+1 = x /

CCP PC Math´matiques 1 e Probl`me 1 e 1) a) F ⊂ M, F contient la matrice nulle, est stable par combinaison lin´aire , donc F est un sous espace vectoriel e de M b) I et F sont des ´l´ments de F et ne sont pas proportionnels donc (I, F ) est une famille libre de F ee ax + bz −bx + cz ax − by az − bt x z et M F = , on obtient F M = Posons M = ay + bt −by + ct bx + cy bz + ct y t y = −z c−a comme b = 0 , M ∈ F ´quivaut a e ` , donc F est un R-espace vectoriel de dimension 2 x= t+ z b (I, F ) est donc

⇔ . Donc E1 = Vect(v2 ) où v2 = (1, 0, 1). −8x − 5y + 8z = 0 x=z   x − z = −5y 8   4x + 4y − 7z = 0 z=0 −8x − 8y + 8z = 0 ⇔ • v ∈ E4 = Ker(f − 4Id) ⇔ . Donc E4 = Vect(v3 ) où v3 = (1, −1, 0). y = −x  z=0 Dans la base B = (v1 , v2 , v3 ), la matrice de f est D = diag(0, 1, 4). 1 où P =  −2 0   1 1 0 −1  et donc 1 0 3) Soit m 1. Les formules de changement de bases permettent d’écrire A = PDP−1 en notant B0 = (e1 , e2 , e3 ) la base canonique de R3 , Am = matB (fm ) = P × matB0

; ce qui nécessite le calcul de la matrice de passage de la base (A, B, C) à la base (P1, P2, P3). II.1 Matrice de passage et matrice de covariance La matrice de passage s’obtient par diagonalisation de la matrice de covariance C associée aux Np points [Escofier, 1990]. En effet, calculer la matrice de covariance revient à faire l’approximation que les Np points font partie d’un ellipsoïde à trois dimensions (Figure 3) ; en diagonalisant cette matrice, on obtient : les axes de cet ellipsoïde

- Reduction des endomorphismes : ´nonc´ e e ´ Reduction pratique de matrices Exercice 1 - Diagonalisation - 1 - L1/L2/Math Sp´ e Diagonaliser les matrices suivantes : 0 3 2 0 2 −1     A =  3 −2 0  B =  −2 5 2  . 2 −3 0 −2 2 1 On donnera aussi la matrice de passage de la base canonique ` la base de vecteurs propres. a     Exercice 2 - Diagonalisation - 2 - L2/Math Sp´ e Expliquer sans calculs pourquoi la matrice suivante n’est pas diagonalisable : π 1 2   A =  0 π 3 . 0 0 π

vectoriel de F dont les ´el´ements ont tous des composantes mutuellement ind´ependantes, H l’espace des matrices r´eelles de taille (P×P), H•S le sous-espace de F des vecteurs al´eatoires obtenus par une transformation affine issue de H d’un vecteur de S, IP la matrice identit´e de H, et T le sous-espace de H des matrices triviales (i.e. de la forme D_ o`u D est une matrice diagonale de H et _ une matrice de permutation de H