Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Valeurs propres et vecteurs propres

Dans cours

MATH-251(a): Numerical analysis

This course presents numerical methods to solve mathematical problems such as systems of linear and nonlinear equations, function approximation, integration and differentiation, and differential equations. ...

Description

Cette séance de cours couvre le concept de valeurs propres et de vecteurs propres, en expliquant comment ils sont utilisés pour analyser les systèmes linéaires. L'instructeur discute des propriétés des vecteurs propres, du calcul des valeurs propres et de l'application de ces concepts à la résolution de systèmes linéaires. Diverses méthodes, telles que la factorisation LU et les méthodes itératives comme Jacobi et Gauss-Seidel, sont présentées pour résoudre les systèmes linéaires. La séance de cours aborde également l'impact des erreurs d'arrondi sur les solutions des systèmes linéaires et l'importance des matrices de préconditionnement dans les calculs numériques.

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

Enseignant·e·s (4)

Daniel Kressner

Pablo Antolin Sanchez

Fabio Nobile

Espen Sande

Source officielle

Proximité ontologique

Mathématiques

Analyse (mathématiques): Analyse numérique

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.

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 ».

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.

Algorithme de recherche de valeur propre

Un problème important en analyse numérique consiste à développer des algorithmes efficaces et stables pour trouver les valeurs propres d'une matrice. Ces algorithmes de recherche de valeurs propres peuvent être étendus pour donner les vecteurs propres associés. Valeur propre, vecteur propre et espace propre Pour une matrice carrée A de taille n × n réelle ou complexe, une valeur propre λ et son vecteur propre généralisé associé v sont un couple vérifiant la relation où v est un vecteur colonne n × 1 non nul, I la matrice identité de taille n × n, k un entier positif.

Defective matrix

In linear algebra, a defective matrix is a square matrix that does not have a complete basis of eigenvectors, and is therefore not diagonalizable. In particular, an n × n matrix is defective if and only if it does not have n linearly independent eigenvectors. A complete basis is formed by augmenting the eigenvectors with generalized eigenvectors, which are necessary for solving defective systems of ordinary differential equations and other problems.

Afficher plus

Séances de cours associées (50)

Valeurs propres et vecteurs propres en 3D

Explore les valeurs propres et les vecteurs propres dans l'algèbre linéaire 3D, couvrant les polynômes caractéristiques, la stabilité sous les transformations, et les racines réelles.

Diagonalisation des transformations linéaires

Explique la diagonalisation des transformations linéaires en utilisant des vecteurs propres et des valeurs propres pour former une matrice diagonale.

Algèbre linéaire: base canonique

Explore la base canonique en algèbre linéaire, en se concentrant sur la représentation matricielle, la diagonalisation et les polynômes caractéristiques.

Calcul de valeurs propres

Couvre le calcul des valeurs propres et des vecteurs propres, en mettant l'accent sur leur importance et leurs applications.

Sous-espaces, spectres et projections

Explore les sous-espaces, les spectres et les projections en algèbre linéaire, y compris les matrices symétriques et les projections orthogonales.

Afficher plus

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

Décomposition d'une matrice en éléments propres

Generalized eigenvector

Algorithme de recherche de valeur propre

Defective matrix

Afficher plus