Matrice identité

chapitre Chapitre 17 Matrices et applications linéaires Sommaire 17.1 Matrices et applications linéaires . . . . . . . . . . . . . . . 17.1.1 Matrice d’une famille de vecteurs dans une base . . . . . . 17.1.2 Matrice d’une appn linéaire dans un couple de bases . . . . 17.1.3 Coordonnées de l’image d’un vecteur par une appn linéaire 17.1.4 Propriétés opératoires . . . . . . . . . . . . . . . . . . . . . 17.2 Changements de bases . . . . . . . . . . . . . . . . . . . . . 17.2.1 Matrice de passage d’une

il e e e e le signale sur sa copie et poursuit sa composition en expliquant les raisons des initiatives qu’il est amen´ a prendre. e` E XERCICE R3 , Soit A une matrice r´ elle d’ordre 3 telle que A = 0 et A3 + A = 0. On note E le R -espace vectoriel e B = (e1 , e2 , e3 ) la base canonique de E et u l’endomorphisme de E dont la matrice relativement ` a la base B est A. 1. V´ rifier que u3 + u = 0 et que u n’est pas l’endomorphisme nul. e 2. (a) On suppose que u est injectif ; montrer que u2 = −idE

u(P) = P(X + 1) − P. 1. Déterminer Keru et Imu. 0 1 0 ...  . .. .. ..  . . . .  .  .. 2. Déterminer explicitement une base dans laquelle la matrice de u est  .   . ..  . . . 0 ... ... 1   0 .  .  .   0 .   1  0 Correction [005602] Exercice 6 ***  1 cos(a) cos(2a) cos(3a)  cos(a) cos(2a) cos(3a) cos(4a)   Rang de la matrice   cos(2a) cos(3a) cos(4a) cos(5a) . cos(3a) cos(4a) cos(5a) cos(6a)  Correction [005603] Exercice 7 *** Soit A = (ai, j )1 i, j A−1 .

( x + y)   6 x + 3y = 0  b) M admet trois vecteurs propres linéairement indépendants : elle est donc diagonalisable. ou dim E − 3 + dim E 3 = 2 + 1 = 3 = dim þ 3 ; M est diagonalisable. ou M est une matrice carrée réelle symétrique, donc elle est diagonalisable. Il existe alors une matrice carrée inversible P d’ordre 3 telle que M = P D P −1 , avec 0 0 1 2 − 1 − 3  1 0 5      1  −1 D =  0 − 3 0  , P =  0 1 − 2  et P =  2 2 2 . 6  0 −1 2 0 3 1 1     1 −2  c)

truc matriciel très utile. Ainsi, on peut représenter ce modèle à l’aide des vecteurs 2x1 et d’une matrice 2x2 (notez l’astuce d’introduire yt−1 ) yt yt−1 = φ1 φ2 1 0 yt−1 yt−2 + ǫt 0 (7.5) Yt = ΦYt−1 + εt . Pour ne pas alourdir la notation, nous allons tout simplement utiliser yt = Φyt−1 + ǫt (7.6) (7.7) en sachant que yt , yt−1 et ǫt sont des vecteurs de dimension (2x1) et Φ est une matrice (2x2). À l’aide de cette reformulation, le modèle scalaire AR(2) peut être représenté comme un modèle

------------------------------------------------------------------------------------------------------------- Cours Modle diffrentiel matrice jacobienne singularits Cours trajectoires libres de A B dans lespace oprationnel ------------------------------------------------------------------------------------------------------------- TD n3 modle diffrentiel matrice jacobienne singularits modle cinmatique interpolation linaire de trajectoires fonction Matlab bangbang interface de dplacement libre du

= A où  Opérations sur les matrices Exercice 1 [ 01247 ] [correction] Pour A ∈ Mn (K), on note σ (A) la somme des termes de A. On pose   1 ··· 1   J =  ... (1) ...  ··· 1 1 Vérifier J.A.J = σ(A).J. 1 A= 0 0 Exercice 6 [ 03976 ] [correction] Soit A ∈ GLn (R) vérifiant 0 4 0  1 2  16 A + A−1 = In Pour k ∈ N, calculer Ak + A−k . Problèmes de commutation Exercice 2 [ 01248 ] [correction] Pour i, j, k, ∈ {1, . . . , n}, on note Ei,j et Ek, les matrices élémentaires de Mn (K) d’indices

Prof. Mohamed El Merouani REGRESSION LINÉAIRE MULTIPLE Plan du Chapitre : I.- Position du problème II.- Hypothèses d’application de la Méthode de moindres carrées III.- Estimation des composants du vecteur A lM ®E IV.- Espérance mathématique et matrices des variances covariances des estimateurs …à suivre… I.- Position du problème : Le modèle de régression linéaire multiple est de la forme : ero Y = a1 X 1 + a2 X 2 + L + ak X k + ε , où Y est la variable à expliquer,. ua X1,X2,…,Xk ce sont

multiple de M. Les multiples communs à A et B sont les multiples de M. Théorème. Si A et B sont unitaires, MD = AB. http ://www.maths-france.fr 1 c Jean-Louis Rouget, 2007. Tous droits réservés. 2 RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES CARRÉES. 5) Polynômes irreductibles. Décomposition en produit de facteurs irréductibles Définition. Un polynôme P de degré au moins 1 est irréductible sur K = R ou K = C si et seulement si il n’existe pas un diviseur Q de P tel que 1 < degQ < degP

Communication graphique Quelques transformations affines identité : u = 0, A = I , I est la matrice identité, translation : u est le vecteur de translation, A = I, [ ] [] [ ] [ ] [ ] 1 0 0 u=0 ; A= 0 1 0 0 0 1 1 0 0 a u= b ; A= 0 1 0 0 0 1 c mise à échelle a 0 0 u = 0, A est une matrice diagonale u=0 ; A= 0 b 0 dont les termes définissent les échelles 0 0 c selon les axes, rotation : u = 0, A est une matrice de rotation, cos  −sin  0 u=0 ; A= sin  cos  0 0