Séance de cours

Matrices symétriques : Diagonalizabilité et vecteurs propres

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.

Description

Cette séance de cours couvre les propriétés des matrices symétriques, en se concentrant sur le théorème indiquant qu'une matrice est symétrique si et seulement si elle est diagonalizable sur une base orthonormale. Le théorème spectral des matrices symétriques est également discuté, soulignant que ces matrices ont des valeurs propres réelles, peuvent ne pas être distinctes, et peuvent être diagonalisées sur une base orthonormale avec des eigenvectors orthogonaux.

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.

Orthonormality

In linear algebra, two vectors in an inner product space are orthonormal if they are orthogonal (or perpendicular along a line) unit vectors. A set of vectors form an orthonormal set if all vectors in the set are mutually orthogonal and all of unit length. An orthonormal set which forms a basis is called an orthonormal basis. The construction of orthogonality of vectors is motivated by a desire to extend the intuitive notion of perpendicular vectors to higher-dimensional spaces.

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 ».

Matrice symétrique

vignette|Matrice 5x5 symétrique. Les coefficients égaux sont représentés par la même couleur. En algèbre linéaire et multilinéaire, une matrice symétrique est une matrice carrée qui est égale à sa propre transposée, c'est-à-dire telle que a = a pour tous i et j compris entre 1 et n, où les a sont les coefficients de la matrice et n est son ordre. Les coefficients d'une matrice symétrique sont symétriques par rapport à la diagonale principale (du coin en haut à gauche jusqu'à celui en bas à droite).

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.

Afficher plus

Séances de cours associées (64)

Calcul de valeurs propres

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

Théorème du taux de convergence: Partie 1

Se penche sur la preuve du théorème du taux de convergence pour une chaîne de Markov ergodique, en mettant laccent sur les valeurs propres et les propriétés déquilibre détaillées.

Décomposition des valeurs propres et des vecteurs propres

Couvre la décomposition d'une matrice dans ses valeurs propres et ses vecteurs propres, l'orthogonalité des vecteurs propres et la normalisation des vecteurs.

Matrices orthogonales et décomposition spectrale

Couvre le processus de recherche de bases orthogonales et de décomposition spectrale des matrices symétriques.

Récapitulation du théorème spectral

Revisite le théorème spectral pour les matrices symétriques, mettant l'accent sur les propriétés orthogonales diagonales et son équivalence avec les formes symétriques bilinéaires.

Afficher plus

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

Orthonormality

Décomposition d'une matrice en éléments propres

Matrice symétrique

Matrice diagonalisable

Afficher plus