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

Diagonalisation Crème: Valeurs propres distinctes

Dans cours

MATH-115(a): Algèbre linéaire avancée II - diagonalisation

L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et de démontrer rigoureusement les résultats principaux de ce sujet. ...

Description

Cette séance de cours couvre le concept de diagonalisation d'une matrice, en se concentrant sur les matrices avec des valeurs propres distinctes. Il explique comment déterminer si une matrice est diagonalisable, calculer des polynômes caractéristiques et trouver des bases de vecteurs propres. L'instructeur démontre le processus étape par étape, en fournissant des exemples et en expliquant l'importance des valeurs propres distinctes dans le processus de diagonalisation.

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

Friedrich Eisenbrand

Friedrich Eisenbrand's main research interests lie in the field of discrete optimization, in particular in algorithms and complexity, integer programming, geometry of numbers, and applied optimization. He is best known for his work on efficient algorithms for integer programming in fixed dimension and the theory of cutting planes, which are an important tool to solve large scale industrial optimization problems in practice. Before joining EPFL in March 2008, Friedrich Eisenbrand was a full professor of mathematics at the University of Paderborn. Friedrich received the Heinz Maier-Leibnitz award of the German Research Foundation (DFG) in 2004 and the Otto Hahn medal of the Max Planck Society in 2001.

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.

Matrice diagonalisable

En mathématiques, une matrice diagonalisable est une matrice carrée semblable à une matrice diagonale. Cette propriété est équivalente à l'existence d'une base de vecteurs propres, ce qui permet de définir de manière analogue un endomorphisme diagonalisable d'un espace vectoriel. Le fait qu'une matrice soit diagonalisable dépend du corps dans lequel sont cherchées les valeurs propres, ce que confirme la caractérisation par le fait que le polynôme minimal soit scindé à racines simples.

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.

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 ».

Polynôme minimal d'un endomorphisme

Le polynôme minimal est un outil qui permet d'utiliser en algèbre linéaire des résultats de la théorie des polynômes. Il est en effet possible d'appliquer un polynôme à un endomorphisme, comme expliqué dans l'article intérêt du concept de polynôme d'endomorphisme. Il est défini comme le polynôme unitaire (son coefficient de plus haut degré est égal à 1) de plus petit degré qui annule un endomorphisme, c'est-à-dire une application linéaire d'un espace vectoriel dans lui-même.

Afficher plus

Séances de cours associées (35)

Diagonalisation des transformations linéaires

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

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.

Diagonalisation des cartes linéaires

Explore la diagonalisation des cartes linéaires en trouvant une base formée par des vecteurs propres.

Algèbre linéaire : Diagonalisation

Explore la diagonalisation des matrices et les conditions de diagonalisation exacte, avec des exemples démontrant le processus.

Afficher plus

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

Matrice diagonalisable

Generalized eigenvector

Décomposition d'une matrice en éléments propres

Polynôme minimal d'un endomorphisme

Afficher plus