Vecteur colonne

données Analyse en composantes principales A.C.P. Plan • Présentations d’exemples • Représentation multidimensionnelle des données • Analyse des données – Analyse des lignes – Analyse des colonnes – Analyse conjointe lignes / colonnes • Valeurs caractéristiques – Inertie – Valeurs propres, vecteurs propres, … – Cosinus carrés, contributions, … • Traitement d’exemples Exemple : Production agricole dans l’union européenne Collecte de lait de vache Pêche : captures totales 37 2 077

- Chapitre 5 Valeurs propres et vecteurs propres Diagonalisation Table des mati`res e 1 Valeurs propres et vecteurs propres 1.1 D´finition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.2 Propri´t´s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ee 2 La diagonalisation d’une matrice 2.1 D´finition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.2 CNS pour qu’une matrice

Rappel: Comment trouver les valeurs propres, les vecteurs et espaces propres? Proc´dure pour trouver les valeurs propres, les vecteurs et espaces e propres 1 e Pour trouver les valeurs propres, trouver les solutions de l’´quation caract´ristique e det(A − λI ) = 0. Pour chaque valeur propre, r´soudre l’´quation e e (A − λI )x = 0 pour trouver l’espace propre correspondant. 2 3 Les vecteurs non nuls de chaque espace propre sont des vecteurs propres associ´s aux valeurs propres donn´es.

GCP 2001 COMPOSITION de MATHEMATIQUE II (Série MP) v GCP 2001 Math II MP Partie I 1) En développant par rapport à la première ligne on trouve det CP = (¡1na0, d’où le résultat. 2) Le plus rapide est de développer par rapport à la dernière colonne, on trouve alors ÂCP (X) = (¡an¡1 ¡ X) ¯¯¯¯¯¯¯¯¯¯¯¯¯ ¡X 0 : : : 0 1 ¡X . . . 0 . . . . . . ... 0 : : : 1 ¡X ¯¯¯¯¯¯¯¯¯¯¯¯¯ + an¡2 ¯¯¯¯¯¯¯¯¯¯¯¯ ¡X 0 : : : 0 1 ¡X . . . ... 0 : : : 1 ¡X 0 0 : : : 0 1 ¯¯¯¯¯¯¯¯¯¯¯¯ ¡ : : : et on

ergodiques et lisses. n I n (ou Is ) : ensemble des n signaux aléatoires statistiquement indépendants. n G n (ou Gs ) : ensemble des n signaux aléatoires mutuellement gaussiens. Mu : ensemble des moments d’un vecteur de signaux aléatoires u(.). Au : algèbre des moments d’un vecteur de signaux aléatoires u(.). F : ensemble des fonctions définies sur RR à valeurs dans R. F i : ensemble des fonctions définies sur RR F : ensemble des fonctions définies sur RR i à valeurs dans R. à valeurs

Décomposons le vecteur position : (1) On peut projeter le vecteur unitaire radial sur la base cartésienne : donc : On obtient alors la vitesse par dérivation temporelle (la base cartésienne est invariante) : on peut aussi procéder directement en dérivant (1) en tenant compte du caractère variable des vecteurs de la base polaire : derdt=θeθ On tire : (2) Ce qui conduit au même résultat, explicité sur la base cartésienne, en employant : Le vecteur vitesse peut

ou les valeurs propres de A. 3. Sous Espaces Vectoriels Propres de A ou les vecteurs propres. 4. A est diagonalisable ?!! Diagonalisé A. 5. Applications. 2 2.1 Polynome Caractéristique PA (X): PA (X) = det(A 1 1 1 2 1er exemple A = @ 1 2 1 A : 2 1 1 1 X 1 PA (X) = det(A XI) = 2 XI) 0 1 2 1 L1 L2 L3 2 1 X 1 X Comme astuce,c’est obtenir deux 0 dans une ligne ou dans une colonne, on cherche la ligne ou la colonne qui ont deux valeurs qui se ressemblent, Dans notre cas il y a les 1 , alors

Table des mati` eres a Mines Nancy. Introducto Cours de calcul tensoriel pour la physique d’Emmanuel Plaut ` 5 1 Alg` ebre tensorielle 9 1.1 Espace - Vecteurs - Base et rep`ere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vecteur 9 1.1.1 Remarque sur la notation : fl`eche vs barre . . . . . . . . . . . . . . . . . . 10 1.1.2 Convention de sommation sur les indices r´ep´et´es . . . . . . . . . . . . . . . . . . . . . 10 Ex. 1.1 : Sur la

M dans l'espace dans le but de déterminer les composantes du vecteur position OM et des vecteurs qui pourront être définis à partir de celui là (la vitesse et l’accélération par exemple). On choisit donc un repère d'espace dans lequel on cherche à déterminer les composantes des vecteurs. Ce choix est orienté par la géométrie du problème. I.1.1 Repère cartésien C'est un repère d'espace orthonormé, noté R, d'origine O et de vecteurs de    base ( i , j , k ) . La position du point M est caractérisée

de variables aléatoires quelconques. 2 - Vecteurs gaussiens a) - Définition Soit n IN* et X = (X1 , X2 , ... , Xn) un n-uplet de variables aléatoires. n X est un vecteur aléatoire normal ou gaussien si pour tout n-uplets de réels ( 1, 2 , ... , n), i Xi est une i=1 variable aléatoire normale. Statistique inférentielle en BTSA - B. Chaput - ENFA - Lois normales et autres lois dérivées 1 b) - Propriété Soit X = (X1 , X2 , ... , Xn) un vecteur aléatoire normal, chacune des Xi est une variable