Matrices symétriques et formes quadratiques Flashcards

1
Q

Introduction

A

1) Traitement d’image
2) L’analyse en composantes principales est un moyen e fficace de supprimer l’information redondante et de synthétiser en une ou deux images composites la plupart des informations présentes dans les données initiales.

3) L’objectif est de déterminer une combinaison linéaire particulière des images.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

7.1 Diagonalisation des matrices symétrique

A

Définition:

On appelle matrice symétrique toute matrice telle que A^T = A. Remarque

Remarque:
Les coe fficients d’une matrice symétrique sont symétriques par rapport à la diagonale principale, c’est-`a-dire aij = aji pour tout 1< ou = i # j < ou = n.
A quelconque

A symétrique

Exemple

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Théorème 1 7.1

A

Deux vecteurs propres d’une matrice symétrique, appartenant à des sous-espaces propres distincts, sont orthogonaux.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Théorème 2 7.1

A

Une matrice carrée A est diagonalisable en base orthonormée si et seulement si elle est symétrique

A= QDQ^T ou Q^T c’est la transposé

Exemple

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Théorème spectral 7.1

A

Toute matrice symétrique A de type n x n vérifie les propriétés suivantes:

1) A admet n valeurs propres réelles, compte tenu des ordres de multiplicité. MG(&i)

2) Pour chaque valeur propre , la dimension du sous-espace propre associé est égale à l’ordre de multiplicité de & en tant que racine de polynôme caractéristique.
elle est diagonale MA(&i)=MG(&i)

3) Les sous-espaces propres sont deux à deux orthogonaux, ce qui signifie que deux vecteurs propres associés à des valeurs propres distinctes sont caractéristique.
orthogonaux. (|)

4) A est diagonalisable en base orthonormée

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Décomposition spectrale de A

A

On écrit A sous la forme A = PDP^- 1, les colonnes u1,u2,…,un de P étant des vecteurs propres de A orthonormés et les valeurs propres associés &1, &

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Motivation 7.2 Formes quadratiques

A

Objectifs:

1) Le calcul de x^T x faisait intervenir des sommes de carrés.

2) Ces expressions sont appelées formes quadratiques.

3) Les applications de l’algèbre linéaire aux sciences de l’ingénieur:

  • les critères de conception et l’optimisation
  • traitement du signal

́- energie potentiel et énergie cinétique

  • en économie
  • en statistiques
  • etc
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Définition et remarque 7.2

A

Définition:

On appelle forme quadratique sur R^n toute application Q qui associe à un vecteur x de R^n un scalaire de la forme Q(x) = x^T Ax, oû A est une matrice symétrique d’ordre n fixé. La matrice A est appelée matrice de la forme quadratique.

Remarque:

Le plus simple de forme quadratique non nulle est Q(x)=x^T/ x= ||x||^2

Exemple

Exemple

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Changement de variable dans une forme quadratique

A

On désigne x un vecteur variable de R^n, on appelle changement de variable une relation de la forme
x = Py oû de facon équivalente
y = P ^-1x
oû P est une matrice inversible y étant alors un nouveau vecteur variable de R^n.

Si on effectue le changement de variable dans une forme quadratique
x^T A x. On obtient
x^TA x = (Py)^TA((Py) = y^T(P^TAP)y

Puisque A est symétrique, alors il existe une matrice orthogonale P telle que la matrice D = P^T AP soit diagonale.

La forme quadratique devient alors y^T Dy.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Théorème des axes principaux 7.2

A

Théorème:

Soit A une matrice symétrique n x n. Il existe une matrice orthogonale P telle que le changement de variable x = Py transforme la forme quadratique x^T Ax en une forme quadratique y^T Dy sans termes rectangles.

Remarque:

1) Les colonnes de la matrice P introduite dans le théorème sont appelées axes principaux de la forme quadratique x^T Ax.

2) Le vecteur y est le vecteur des composantes de x dans la base orthonormée de R^n formée par les axes principaux.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Définition et remarque 7.2

A

Une forme quadratique Q est dite:

1) définie positive si Q(x) > 0 pour tout x # 0

2) définie négative si Q(x) < 0 pour tout x # 0

3) non définie si Q(x) prend à la fois des valeurs positives et des valeurs négatives.

Remarque:

  • La forme quadratique Q est simplement dite positive si Q(x) > ou = 0 pour tout x.

La forme quadratique Q est simplement dite négative si Q(x) < ou = 0 pour tout x.

Théorème:

Soit A une matrice symétrique n x n La forme quadratique x^T Ax est:

1) définie positive si et seulement si toutes les valeurs propres de A sont
strictement positives; si x^TAx > 0 si toutes &i > 0

2) définie négative si et seulement si toutes les valeurs propres de A sont
strictement négatives. si x^TAx < 0 si toutes &i < 0

3) non définie si A admet à la fois des valeurs propres positives et des
strictement négatives;si x^TAx < ou > 0 si toutes &i > 0 ou &i < 0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Application: Optimisation

A

Application : Optimisation

Soit f(x) une fonction de R^n dans R

  • Les points stationnaires (ou critiques) de f sont les points x*
    tels que Vf(x*) = 0
  • Si V^2f (x) (la matrice hessienne en x critique) est :
  • définie positive : x* est un minimum local de f
  • définie négative : ×* est un maximum local de f
  • non-définie : ×* est un point de selle (ou point-col)
  • Si V^2f(x), pour tout x, est :
  • semi-définie positive : f est convexe et x* est un minimum global de f
  • semi-définie négative : f est concave et ×* est un maximum global de f
How well did you know this?
1
Not at all
2
3
4
5
Perfectly