6.1 LE LANGAGE MATRICIEL Dimitri Zuchowski et Marc-Élie Lapointe Aujourd’hui, nous nous allonsverrons voir Dans cette section, ✓ La définition d’une matrice. ✓ Les définitions de matrices particulières. ✓ La somme de matrices. ✓ La multiplication d’une matrice par un scalaire. ✓ La multiplication de matrices. Définition: Une matrice de format est un tableau rectangulaire ordonné de éléments disposés sur lignes et colonnes. Parfois, on spécifie la taille de la matrice ici. Définition: Une matrice ligne est une matrice de format . Exemple: Définition: Une matrice colonne est une matrice de format Exemple: . Définition: Une matrice nulle est une matrice dont toutes les entrées sont nulles. Exemple: Définition: Une matrice carrée est une matrice de format Exemple: . Exemple: Donner la matrice définit par , tel que : Faites les exercices suivants p.204 # 2 et 3 Soit une matrice quelconque (on suppose Exemple: que m<n), que représente les expressions suivantes. Définition: Une matrice d’adjacence est une matrice qui représente les liens entre des sommets. 𝑎𝑖𝑗 = (1 s’il y a un lien entre i et j, 0 sinon) Définition: Une matrice de transition est une matrice qui représente la probabilité de passé d’un état à un autre. 𝑎𝑖𝑗 = (Probabilité de passer de j à i) Faites les exercices suivants p.204 # 1 et 4 Définition: La diagonale principale d’une matrice carrée est l’ensemble des éléments de la forme . Définition: Une matrice triangulaire supérieure (ou inférieure) est une matrice carrée dont tous les éléments sous (ou au-dessus de) la diagonale principale sont nuls. Définition: Une matrice identité est une matrice carrée dont les éléments de la diagonale principale sont tous 1 et les autres sont tous nuls. Définition: Une matrice symétrique est une matrice carrée qui est symétrique par rapport à la diagonale principale, c’est-à-dire que . Définition: Une matrice anti symétrique est une matrice carrée qui est anti symétrique par rapport à la diagonale principale, c’est-à-dire que . Définition: Soit et même format, qu’on note: , deux matrices de La somme des deux matrices est l’opération interne définie comme suit: Exemple: Propriétés de la somme de matrices Soit , et Définition: Soit , une matrice et , un nombre réel. La multiplication par un scalaire est l’opération externe définie comme suit: Exemple: Propriétés de la multiplication par un scalaire Définition: Un espace vectoriel sur les réels est la donnée 1. d’un ensemble dont les éléments sont nommés des vecteurs; 2. d’une opération interne sur appelée la somme qui respecte les propriétés suivantes: 3. d’une opération externe de sur appelée multiplication par un scalaire qui respecte les propriétés suivantes; Définition: Exemple: La transposée d’une matrice notée , est la matrice , . Propriétés de la transposition On peut reformuler la définition d’une matrice symétrique et anti symétrique à l’aide des transposées. est symétrique est anti symétrique Faites les exercices suivants p.204 # 6 Définition: Soit et , deux matrices. On définit le produit de ces deux matrices comme étant la matrice: Remarque: Exemple: Question : Est-ce que le produit matriciel est commutatif ? Exemple: L’exemple ici est assez clair! Faites les exercices suivants p.205, # 5 et 8 Propriétés de la multiplication de matrices Exemple: On peut représenter un système d’équations linéaires par une équation matricielle. Faites les exercices suivants p.205, # 10, 11 et 15 Définition: Une matrice de distribution est une matrice colonne dont tous les éléments sont compris entre 0 et 1 (inclusivement) et dont la somme est 1. Une matrice de distribution de format 2 x1: 𝑥 𝑋= où 0 ≤ 𝑥 ≤ 1 1−𝑥 Définition: Un chaîne de Markov est une suite 𝑋0 , 𝑋1 , … 𝑋𝑛 , … de matrice de distribution pour lesquelles il existe une matrice de transition 𝐴 tel que : 𝑋1 = 𝐴𝑋0 , 𝑋2 = 𝐴𝑋1 … 𝑋𝑛+1 = 𝐴𝑋𝑛 On a donc que 𝑋𝑛 = 𝐴𝑛 𝑋0 . Exemple: Après une pub de bière 0,7 blonde blonde 0,1 0,2 0,1 0,8 rousse rousse 0,1 0,1 0,3 blanche 0,6 blanche blonde rousse blanche 0,7 0,1 0,1 0,1 0,8 0,3 0,2 0,1 0,6 0,7 0,1 0,1 0,1 0,8 0,3 0,2 0,1 0,6 100 100 100 90 = 120 90 0,7 0,1 0,1 0,1 0,8 0,3 0,2 0,1 0,6 90 120 90 84 = 132 84 0,7 0,1 0,1 0,1 0,8 0,3 0,2 0,1 0,6 90 120 90 80,4 = 139,2 80,4 𝑨𝑿𝟎 = 𝑿𝟏 𝑨𝑿𝟏 = 𝑿𝟐 𝑨𝑿𝟐 = 𝑿𝟑 𝑨𝑿𝒏 = 𝑿𝒏+𝟏 𝑨𝑿𝒏 = 𝑿𝒏 Ici, 𝑿𝒏 est un état stable. 𝑨𝑿𝒏 = 𝐈𝑿𝒏 𝑨𝑿𝒏 − 𝐈𝑿𝒏 = 𝟎 (𝑨 − 𝐈) 𝑿𝒏 = 𝟎 On a donc un système d’équations linéaires homogènes à résoudre. 0,7 0,1 0,1 1 0 0 0,1 0,8 0,3 − 0 1 0 0,2 0,1 0,6 0 0 1 𝑥 0 𝑦 = 0 𝑧 0 0,7 − 1 0,1 0,1 0,1 0,8 − 1 0,3 0,2 0,1 0,6 − 1 𝑥 0 𝑦 = 0 𝑧 0 −0,3 0,1 0,1 0,1 −0,2 0,3 0,2 0,1 −0,4 𝑥 0 𝑦 = 0 𝑧 0 L’équilibre de la bière: 75 150 75 Théorème: Pour une matrice de transition 𝑎 𝑏 𝐴= , 𝑎𝑣𝑒𝑐 𝑎, 𝑏 ≠ 0. 1−𝑎 1−𝑏 𝛼 On a que lim 𝐴 = 1−𝛼 𝑛→∞ 𝑛 𝛼 𝑏 où 𝛼 = . 1−(𝑎−𝑏) 1−𝛼 Corollaire : Une chaîne de Markov à 2 états avec une matrice de transition 𝑎 𝑏 𝐴= , avec 𝑎, 𝑏 ≠ 0, aura comme distribution 1−𝑎 1−𝑏 stationnaire : 𝛼 𝑋𝑆 = . 1−𝛼 Faites les exercices suivants p.205, # 17 et 18 Dans cette section, nous avons vu ✓ La définition d’une matrice. ✓ Les définitions de matrices particulières. ✓ La somme de matrices. ✓ La multiplication d’une matrice par un scalaire. ✓ La multiplication de matrices. Devoir: p.204, # 1 à 18