Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

Partie 2 · Matrices

Diagonalisation et dynamique $X_{n+1}=MX_n$

Diagonaliser : A=PDP−1A = P D P^{-1}

Diagonaliser, c'est réécrire AA dans une base de vecteurs propres. Les étapes du cours :

  1. résoudre det⁡(A−λI)=0\det(A-\lambda I)=0 : valeurs propres λ1,λ2,…\lambda_1,\lambda_2,\dots ;
  2. résoudre (A−λI)v=0(A-\lambda I)v=0 pour chaque λ\lambda : vecteurs propres ;
  3. P=[v1 v2 … vn]P = [v_1\ v_2\ \dots\ v_n] : un vecteur propre par colonne (PP inversible si AA est diagonalisable) ;
  4. DD diagonale avec les valeurs propres dans le même ordre que les colonnes de PP ;
  5. alors AP=PDAP = PD (car Avi=λiviAv_i=\lambda_iv_i), donc A=PDP−1A = PDP^{-1}.

Exemple (énoncé du cours, calculs ajoutés). A=(4213)A = \begin{pmatrix} 4 & 2 \\ 1 & 3 \end{pmatrix} : λ1=5\lambda_1 = 5 avec v1=(2,1)v_1=(2,1), λ2=2\lambda_2=2 avec v2=(1,−1)v_2=(1,-1). Donc

P=(211−1),D=(5002),P−1=(131313−23)P = \begin{pmatrix} 2 & 1 \\ 1 & -1 \end{pmatrix},\quad D = \begin{pmatrix} 5 & 0 \\ 0 & 2 \end{pmatrix},\quad P^{-1} = \begin{pmatrix} \tfrac13 & \tfrac13 \\ \tfrac13 & -\tfrac23 \end{pmatrix}

(avec det⁡P=−3\det P = -3). Dans la base des vecteurs propres, la transformation devient diagonale : « AA et DD font la même chose, AA dans la base normale, DD dans la base des vecteurs propres où tout est plus simple ».

Vérifie que tu as compris

Si P=[v2 v1]P = [v_2\ v_1] (on a mis v2v_2 en premier), comment doit-on écrire DD ?

Pourquoi c'est puissant : la dynamique

Un modèle Xn+1=MXnX_{n+1} = M X_n donne Xn=MnX0X_n = M^n X_0. Si M=PDP−1M = PDP^{-1}, alors Mn=PDnP−1M^n = PD^nP^{-1} et DnD^n est diagonale avec les λin\lambda_i^n. Si on écrit X0=αv1+βv2X_0 = \alpha v_1 + \beta v_2 :

Xn=α λ1n v1+β λ2n v2X_n = \alpha\,\lambda_1^n\, v_1 + \beta\,\lambda_2^n\, v_2

Pour nn grand, la composante de la plus grande valeur propre en valeur absolue (la valeur propre dominante) l'emporte : la direction de XnX_n tend vers v1v_1 (si α≠0\alpha\ne0).

Économie à deux secteurs (énoncé du cours), A=(4213)A = \begin{pmatrix} 4 & 2 \\ 1 & 3 \end{pmatrix}, avec X0=(3,0)X_0=(3,0) (exemple ajouté) : X0=1⋅(2,1)+1⋅(1,−1)X_0 = 1\cdot(2,1) + 1\cdot(1,-1), donc Xn=5n(2,1)+2n(1,−1)X_n = 5^n(2,1) + 2^n(1,-1). Le rapport industrie / services tend vers 22 : l'industrie domine à long terme.

Exemple A=diag⁡(3,2)A=\operatorname{diag}(3,2), x0=(1,1)x_0=(1,1) (exercice du cours) : A5x0=(35,25)=(243,32)A^5x_0 = (3^5, 2^5) = (243, 32) ; la valeur propre 33 prend le dessus.

Vérifie que tu as compris

Avec X0=αv1+βv2X_0=\alpha v_1+\beta v_2, que vaut XnX_n ?

TP : compétition entre deux espèces

Deux espèces partagent un territoire : xnx_n (espèce A) et yny_n (espèce B). Le modèle du TP :

Xn+1=MXn,M=(1,2−0,3−0,21,1),X0=(10080)X_{n+1} = M X_n,\quad M = \begin{pmatrix} 1{,}2 & -0{,}3 \\ -0{,}2 & 1{,}1 \end{pmatrix},\quad X_0 = \begin{pmatrix} 100 \\ 80 \end{pmatrix}

Interprétation : sur la diagonale, chaque espèce croît d'elle-même (1,2 et 1,1) ; les coefficients négatifs (-0,3 et -0,2) disent que chaque espèce freine l'autre : c'est la compétition. Le TP demande : calculer X1X_1, X2X_2 à la main, puis valeurs et vecteurs propres, la valeur propre dominante, et le comportement à long terme.

Marche à suivre (calculs ajoutés) : X1=(1,2⋅100−0,3⋅80, −0,2⋅100+1,1⋅80)=(96,68)X_1 = (1{,}2\cdot100 - 0{,}3\cdot80,\ -0{,}2\cdot100+1{,}1\cdot80) = (96, 68) puis X2=(94,8,55,6)X_2 = (94{,}8, 55{,}6). Trace 2,32{,}3, déterminant 1,261{,}26 : λ1=1,4\lambda_1 = 1{,}4 avec v1=(3,−2)v_1=(3,-2) et λ2=0,9\lambda_2 = 0{,}9 avec v2=(1,1)v_2=(1,1). La valeur propre dominante 1,4>11{,}4>1 contrôle le long terme, la composante en 0,9n0{,}9^n s'éteint.

Lecture critique. Comme v1=(3,−2)v_1=(3,-2) a une composante négative, le modèle linéaire finit par donner une population négative pour B : il cesse d'être réaliste (l'espèce B disparaîtrait avant). Le modèle décrit la tendance, pas la vérité biologique.

Autre TP du cours (diffusion d'un produit). M=(1,15−0,40,30,85)M = \begin{pmatrix} 1{,}15 & -0{,}4 \\ 0{,}3 & 0{,}85 \end{pmatrix}, X0=(120,60)X_0=(120,60) : X1=(114,87)X_1 = (114, 87). Ici trace 22, déterminant 1,09751{,}0975, donc tr2−4det⁡=−0,39<0\text{tr}^2-4\det = -0{,}39 < 0 : les valeurs propres sont des nombres complexes (hors cours, mais c'est ce qui fait « tourner » la direction de XnX_n au lieu de la stabiliser sur une proportion fixe).

Vérifie que tu as compris

Dans le TP, MM a pour valeurs propres 1,41{,}4 et 0,90{,}9. Laquelle contrôle le long terme et pourquoi ?

Vérifie que tu as compris

Pour M=(1,2−0,3−0,21,1)M=\begin{pmatrix}1{,}2&-0{,}3\\-0{,}2&1{,}1\end{pmatrix} et X0=(100,80)X_0=(100,80), que vaut X1=MX0X_1=MX_0 ?