Matrice nilpotente

Cazenave Méthode des éléMents finis Approche pratique en mécanique des structures © Dunod, Paris, 2010 ISBN 978-2-10-055065-4 Table des maTières 1 • introduction 2 • rappels sur le calcul matriciel 2.1 2.2 2.3 Notion de matrice Opérations de base matrices carrées 1 3 3 4 7 3 • rappels sur la mécanique du solide 3.1 3.2 3.3 3.4 les contraintes les déformations relations entre contraintes et déformations Énergie de déformation élastique 15 15 19 22 27 4 • Principes de la

utilis´s e Alg`bre lin´aire les donn´es sont vues de mani`re abstraite comme un nuage de e e e e points dans un espace vectoriel ; les notions suivantes doivent ˆtre bien comprises e – vecteurs : produits scalaires, d´composition selon une base e – matrices : addition, multiplication, transpos´e, trace e – valeurs et vecteurs propres : d´finition, propri´t´s e ee – m´triques : d´finitions des distances dans un espace vectoriel par une norme, lien e e avec le produit scalaire Attention : les ´tudiants

ressources et la somme des emplois. L’intérêt principal du TES est de décomposer la consommation intermédiaire du produit. Il permet en effet une description de l’interdépendance entre les branches à l’aide de coefficients technico-économiques (matrice structurelle de l’économie qui est la base de notre sujet). Ce modèle joue un rôle essentiel dans les prévisions économiques permettant ainsi d’étudier les effets directs et indirects, branche par branche, produit par produit, sur les prix et sur

622 CHAPITRE 22. CALCUL MATRICIEL OBJECTIFS ⊲ r`egles de calcul avec les matrices ⊲ calcul des puissances d’une matrice ⊲ calcul de l’inverse d’une matrice ⊲ formulation matricielle des SEL Introduction Dans le Chapitre 21 , nous avons vu qu’un syst`eme d’´equations lin´eaires est repr´esent´e par une famille (ai,j)1in 1jp de coefficients ainsi que par un second membre b = (bi)1in. Lors de la r´esolution d’un tel syst`eme, seuls les coefficients du syst`eme et son second membre sont

P(X_{n}=x_{j}∣X_{n-1}=x_{i})=P(X_{n+k}=x_{j}∣X_{n+k-1}=x_{i}) Matrice de transition: Vecteur et matrice stochastique: Un vecteur (ligne) formé de nombre réels v=(v_{x₀},v_{x₁},...,v_{x_{n}}) est appelé vecteur stochastique si et seulement si -- toutes ses composantes sont positives ou nulles i.e. v_{x_{i}}≥0 pour 0≤i≤n. -- la somme de ses composantes est égale à un i.e. v_{x₀}+v_{x₁}+...+v_{x_{n}}=1 Une matrice carrée P=(p_{x_{i}x_{j}}) est stochastique si chacune de ses lignes

dimension finie : on notera toujours · la norme, indépendamment de l’espace utilisé. Dans l’espace Rn , on note (e1 , . . . , en ) la base canonique et on identifie le plus souvent une application linéaire et sa matrice dans la base canonique. Par ailleurs, on notera AT la transposée d’une matrice A. L’espace Rn est naturellement muni d’un produit scalaire canonique, noté ·, · , et défini pour deux vecteurs x, y ∈ Rn par x, y = xT y. Définition 1 (différentielle). Soient U un ouvert de Rn et a ∈ U . Une

Support du cours de Dr. Lara Thomas Polycopié initial élaboré par Prof. Eva Bayer Fluckiger Dr. Philippe Chabloz Septembre 2009 2 Table des matières 1 Systèmes d’équations linéaires et matrices 1.1 Introduction aux systèmes d’équations linéaires . . . . . . . . . . 1.2 Systèmes linéaires et matrices . . . . . . . . . . . . . . . . . . . . 1.3 Elimination Gaussienne . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Algorithme d’élimination de Gauss . . . . . . . . . . . . . 1.3.2 Méthode

Applications linéaires, matrices, déterminants Pascal Lainé Applications linéaires, matrices, déterminants Exercice 1. Soit défini pour tout ( ( ) ) par ( ) 1. Montrer que est linéaire. ( ). 2. Déterminer Allez à : Correction exercice 1 Exercice 2. Soit ( ) définie pour tout vecteur ( ) ( 1. Montrer que est une application linéaire. ( ( )). 2. Donner une base de ( ), en déduire 3. Donner une base de ( ). Allez à : Correction exercice 2 Exercice 3

distances pour comprendre les similarités et dissimilarités. La distance entre Karditsa et Volos est : d K2 ,V  (1,27  (0,55)) 2  (1,50  (0,04)) 2  2,9 Calculées deux à deux les distances peuvent être retranscrites au travers de la matrice carrée dite matrice des proximités : Villes Karditsa Larissa Volos-Nea Ionia Trikala Karditsa 0,0 14,9 2,9 5,6 Larissa 14,9 0,0 5,3 2,2 VolosNea Ionia 2,9 5,3 0,0 1,0 Trikala 5,6 2,2 1,0 0,0 1 Si nous n’avions pas normé les variables, la distance

e1 +6e2 +2e3  f (e3 ) = e1 −e3 Ecrire la matrice de f dans la base canonique de R3 . Déterminer les sous-espaces vectoriels ker f et Im f . 2 Exercice 12 On pose   1 2 A =  0 −1  . 3 4 1. On considère l'application linéaire f : R2 → R3 représentée, dans les bases canoniques, par la matrice A. Calculer l'image par f du vecteur (2, −1). 2. On considère l'application linéaire f : R1 [X] → R2 [X] représentée, dans les bases canoniques, par la matrice A. Calculer l'image par f du polynôme P =