En algèbre linéaire, une décomposition de Schur (nommée après le mathématicien Issai Schur) d'une matrice carrée complexe M est une décomposition de la formeoù U est une matrice unitaire (UU = I) et A une matrice triangulaire supérieure. On peut écrire la décomposition de Schur en termes d'applications linéaires : Dans le cas où est l'application nulle, l'énoncé est directement vérifié, on peut donc se contenter de traiter le cas où est différente de l'application nulle. On démontre par récurrence forte sur la dimension de le résultat énoncé. L'initialisation est triviale, pour l'hérédité on considère deux cas différents : Si la matrice associée à dans une base quelconque est diagonalisable, alors on peut choisir un vecteur propre normé de . On pose et on considère l'application linéaire où est le projecteur orthogonal sur et la restriction de à . Comme est un endomorphisme de l'espace vectoriel qui est de dimension , l'hypothèse de récurrence assure l'existence d'une base orthonormée de dans laquelle la matrice associée à est triangulaire supérieure. Il est alors clair que forme une base orthonormée dans laquelle la matrice associée à est triangulaire supérieure. Si la matrice associée à dans une base quelconque n'est pas diagonalisable on a l'inégalité . On pose alors et on considère l'application linéaire où est le projecteur orthogonal sur et la restriction de à . Comme on peut utiliser l'hypothèse de récurrence qui assure l'existence d'une base orthonormée de dans laquelle la matrice associée à est triangulaire supérieure. On complète cette base en une base orthonormée de . Comme , il est clair que la matrice associée à est triangulaire supérieure dans cette même base. Cela termine la récurrence. Il existe une telle décomposition (non unique en général) pour toute matrice carrée complexe M. A étant semblable à M, elle a les mêmes valeurs propres. Et A étant triangulaire, les valeurs propres se trouvent sur sa diagonale. Puisque A = UMU, si M est normale (MM = MM) alors A aussi donc (comme elle est de plus triangulaire) elle est diagonale.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (19)
MATH-111(e): Linear Algebra
L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et ses applications.
ME-390: Foundations of artificial intelligence
This course provides the students with 1) a set of theoretical concepts to understand the machine learning approach; and 2) a subset of the tools to use this approach for problems arising in mechanica
PHYS-331: Functional analysis (for PH)
Ce cours ambitionne de présenter les mathématiques de la mécanique quantique, et plus généralement de la physique quantique. Il s'adresse essentiellement aux physiciens, ou a des mathématiciens intére
Afficher plus
Séances de cours associées (122)
Preuve des propriétés du théorème de Schmidt et de l'entropie
Couvre la preuve du théorème Schmidt et les propriétés de l'entropie von Neumann, y compris le codage dense et l'enchevêtrement.
Apprentissage sans supervision : regroupement et réduction de dimensionnalité
Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.
Mouvement circulaire : dynamique et vitesse
Explore la dynamique du mouvement circulaire, les calculs de vitesse et la décomposition vectorielle en physique avancée.
Afficher plus
Publications associées (87)

Experiments and gyrokinetic simulations of TCV plasmas with negative triangularity in view of DTT operations

Olivier Sauter, Stefano Coda, Justin Richard Ball, Alberto Mariani, Matteo Vallar, Filippo Bagnato

Negative triangularity (NT) scenarios in TCV have been compared to positive triangularity (PT) scenarios using the same plasma shapes foreseen for divertor tokamak test tokamak operations. The experiments provided a NT/PT L-mode pair and a PT H-mode with d ...
Iop Publishing Ltd2024

NBI optimization on SMART and implications for scenario development

Mario Ludovico Podesta, Francesca Maria Poli

The SMall Aspect Ratio Tokamak (SMART) under commissioning at the University of Seville, Spain, aims to explore confinement properties and possible advantages in confinement for compact/spherical tokamaks operating at negative vs. positive triangularity. T ...
Bristol2024

espm: A Python library for the simulation of STEM-EDXS datasets

Cécile Hébert, Duncan Thomas Lindsay Alexander, Nathanaël Perraudin, Hui Chen

We present two open-source Python packages: "electron spectro-microscopy"(espm) and "electron microscopy tables"(emtables). The espm software enables the simulation of scanning transmission electron microscopy energy-dispersive X-ray spectroscopy datacubes ...
ELSEVIER2023
Afficher plus
Concepts associés (15)
Matrice (mathématiques)
thumb|upright=1.5 En mathématiques, les matrices sont des tableaux d'éléments (nombres, caractères) qui servent à interpréter en termes calculatoires, et donc opérationnels, les résultats théoriques de l'algèbre linéaire et même de l'algèbre bilinéaire. Toutes les disciplines étudiant des phénomènes linéaires utilisent les matrices. Quant aux phénomènes non linéaires, on en donne souvent des approximations linéaires, comme en optique géométrique avec les approximations de Gauss.
Décomposition d'une matrice en éléments propres
En algèbre linéaire, la décomposition d'une matrice en éléments propres est la factorisation de la matrice en une forme canonique où les coefficients matriciels sont obtenus à partir des valeurs propres et des vecteurs propres. Un vecteur non nul v à N lignes est un vecteur propre d'une matrice carrée A à N lignes et N colonnes si et seulement si il existe un scalaire λ tel que : où λ est appelé valeur propre associée à v. Cette dernière équation est appelée « équation aux valeurs propres ».
Matrix decomposition
In the mathematical discipline of linear algebra, a matrix decomposition or matrix factorization is a factorization of a matrix into a product of matrices. There are many different matrix decompositions; each finds use among a particular class of problems. In numerical analysis, different decompositions are used to implement efficient matrix algorithms. For instance, when solving a system of linear equations , the matrix A can be decomposed via the LU decomposition.
Afficher plus
MOOCs associés (9)
Algèbre Linéaire (Partie 1)
Un MOOC francophone d'algèbre linéaire accessible à tous, enseigné de manière rigoureuse et ne nécessitant aucun prérequis.
Algèbre Linéaire (Partie 1)
Un MOOC francophone d'algèbre linéaire accessible à tous, enseigné de manière rigoureuse et ne nécessitant aucun prérequis.
Algèbre Linéaire (Partie 2)
Un MOOC francophone d'algèbre linéaire accessible à tous, enseigné de manière rigoureuse et ne nécessitant aucun prérequis.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.