Apprendre Valeurs Propres et Vecteurs Propres | Algèbre linéaire et opérations matricielles

Glissez pour afficher le menu

Les valeurs propres et les vecteurs propres sont des concepts centraux en algèbre linéaire, largement utilisés pour analyser comment les transformations linéaires affectent les données. Étant donnée une matrice carrée A, un vecteur propre est un vecteur non nul x qui, lorsqu'il est multiplié par A, donne un vecteur qui pointe dans la même direction que x, mais est mis à l'échelle par un facteur constant appelé valeur propre.

La relation entre la matrice, le vecteur propre et la valeur propre est :

$A \mathbf{x} = \lambda \mathbf{x}$

$A$ est une matrice carrée représentant une transformation linéaire ;
$\mathbf{x}$ est un vecteur colonne non nul (le vecteur propre) ;
$\lambda$ est un scalaire (la valeur propre).

Cette formule signifie qu'appliquer $A$ à $\mathbf{x}$ étire ou contracte $\mathbf{x}$ par le facteur $\lambda$ , sans changer sa direction. Les valeurs propres et les vecteurs propres révèlent des propriétés clés des matrices, telles que la stabilité, les axes principaux et les modes caractéristiques, qui sont essentielles dans les applications scientifiques et d'ingénierie.


              1234567891011121314
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

print("Eigenvalues:")
print(eigenvalues)
print("\nEigenvectors (each column corresponds to an eigenvector):")
print(eigenvectors)

Après avoir calculé les valeurs propres et les vecteurs propres, il est souvent utile de vérifier qu'ils satisfont l'équation fondamentale A x = λ x. En utilisant les résultats de scipy.linalg.eig, vous pouvez vérifier cette relation pour chaque paire propre en multipliant la matrice d'origine par un vecteur propre et en comparant le résultat au produit de la valeur propre et de ce vecteur propre.


              1234567891011121314151617181920212223242526
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Select the first eigenvalue and eigenvector
idx = 0
lambda_ = eigenvalues[idx]
x = eigenvectors[:, idx]

# Compute A @ x and lambda * x
Ax = A @ x
lambdax = lambda_ * x

print("A @ x:")
print(Ax)
print("\nλ * x:")
print(lambdax)

# Check if the two results are approximately equal
print("\nAre they approximately equal?", np.allclose(Ax, lambdax))

Les valeurs propres et les vecteurs propres ont de nombreuses applications en physique et en ingénierie. En physique, ils sont essentiels pour l'analyse des systèmes d'équations différentielles, la mécanique quantique (pour déterminer les états d'énergie) et l'étude des vibrations ou des modes normaux dans les systèmes mécaniques. En ingénierie, ils sont utilisés dans l'analyse de stabilité, l'analyse en composantes principales (ACP) pour la réduction de données, et la conception de structures pour prédire les fréquences de résonance. Comprendre les valeurs propres et les vecteurs propres permet de résoudre des systèmes complexes, d'optimiser des processus et d'interpréter le comportement sous-jacent des phénomènes réels.

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 3

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Section 2. Chapitre 3

Valeurs Propres et Vecteurs Propres

1. Quelle fonction SciPy est utilisée pour calculer les valeurs propres et les vecteurs propres ?

2. Quelle est l’importance des valeurs propres dans les applications scientifiques ?

3. Comment peut-on vérifier qu’un vecteur est un vecteur propre d’une matrice ?