Séance de cours

Diagonalizabilité des matrices

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

MATH-111(c): Algèbre linéaire

L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et ses applications. ...

Description

Cette séance de cours couvre le concept de diagonalisation des matrices, discutant de l'existence de vecteurs propres et de valeurs propres, déterminant la diagonalisation et vérifiant la diagonalisation par multiplication matricielle. Il explore également les multiplicités géométriques et algébriques des valeurs propres, fournissant des exemples et des propriétés de matrices diagonalisables.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

En mathématiques, et plus particulièrement en algèbre linéaire, le concept de vecteur propre est une notion algébrique s'appliquant à une application linéaire d'un espace dans lui-même. Il correspond à l'étude des axes privilégiés, selon lesquels l'application se comporte comme une dilatation, multipliant les vecteurs par une même constante. Ce rapport de dilatation est appelé valeur propre, les vecteurs auxquels il s'applique s'appellent vecteurs propres, réunis en un espace propre.

Matrix multiplication algorithm

Because matrix multiplication is such a central operation in many numerical algorithms, much work has been invested in making matrix multiplication algorithms efficient. Applications of matrix multiplication in computational problems are found in many fields including scientific computing and pattern recognition and in seemingly unrelated problems such as counting the paths through a graph. Many different algorithms have been designed for multiplying matrices on different types of hardware, including parallel and distributed systems, where the computational work is spread over multiple processors (perhaps over a network).

Décomposition d'une matrice en éléments propres

En algèbre linéaire, la décomposition d'une matrice en éléments propres est la factorisation de la matrice en une forme canonique où les coefficients matriciels sont obtenus à partir des valeurs propres et des vecteurs propres. Un vecteur non nul v à N lignes est un vecteur propre d'une matrice carrée A à N lignes et N colonnes si et seulement si il existe un scalaire λ tel que : où λ est appelé valeur propre associée à v. Cette dernière équation est appelée « équation aux valeurs propres ».

Complexité de la multiplication de matrices

En informatique théorique, la complexité de la multiplication de matrices est le nombre d'opérations requises pour l'opération de produit matriciel. Les algorithmes de multiplication de matrices constituent un sujet central dans les algorithmes théoriques et numériques en algèbre linéaire numérique et en optimisation, donc déterminer la complexité en temps du produit est d'une importance pratique. L'application directe de la définition mathématique de la multiplication de matrices donne un algorithme qui nécessite opérations sur le corps de base pour multiplier deux matrices d'ordre .

Generalized eigenvector

In linear algebra, a generalized eigenvector of an matrix is a vector which satisfies certain criteria which are more relaxed than those for an (ordinary) eigenvector. Let be an -dimensional vector space and let be the matrix representation of a linear map from to with respect to some ordered basis. There may not always exist a full set of linearly independent eigenvectors of that form a complete basis for . That is, the matrix may not be diagonalizable.

Afficher plus

Séances de cours associées (64)

Diagonalisation: Vecteurs et valeurs propres

Couvre la diagonalisation des matrices à l'aide de vecteurs propres et de valeurs propres.

Polynômes caractéristiques et matrices similaires

Explore les polynômes caractéristiques, la similarité des matrices et les valeurs propres dans les transformations linéaires.

Diagonalisation des matrices : théorie et exemples

Couvre la théorie et les exemples de matrices de diagonalisation, en se concentrant sur les valeurs propres, les vecteurs propres et lindépendance linéaire.

Diagonalisation des transformations linéaires

Couvre la diagonalisation des transformations linéaires en R^3, explorant les propriétés et les exemples.

Algèbre linéaire: réduction de l'application linéaire

Couvre la réduction d'une application linéaire et la recherche de formes et de bases réduites correspondantes.

Afficher plus

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

Matrix multiplication algorithm

Décomposition d'une matrice en éléments propres

Complexité de la multiplication de matrices

Generalized eigenvector

Afficher plus