Cette page contient 6 exercices.
Réduction avec Python : exercices corrigés de mathématiques de seconde année, pour les classes de MP, MPI, PC et PSI.
Exercice 1 — Un jeton et quatre cases
| (Oral Centrale 2018) Soit quatre cases numérotées de {1} à {4}. À l’étape {n=0}, un jeton est placé sur la case {1}. Si à l’étape {n}, il se trouve sur la case {k\in\{2,3,4\}}, il va en {k-1}; sinon, il va au hasard sur une des cases {2,3,4}. On note {X_{n}} la variable aléatoire donnant la case à la date {n} et {U_{n}} la colonne des {P(X_{n}=i)} pour {1\leq i\leq 4}.
|
-
La fonction positions(n) renvoie la liste des positions de l’étape {0} à l’étape {n}.
from random import * def positions(n): pos = 1 listpos = [1] for k in range(n): if pos > 1: pos -= 1 else: pos = randint(2,4) listpos.append(pos) return listposOn écrit ensuite une fonction trace(n) représentant la liste de ces positions :
import matplotlib.pyplot as plt def trace(n): listpos = positionsn) plt.clf() plt.plot(listpos,'o-') plt.show()Voici les tracés pour {n=10}, {n=50} et {n=100}:


On peut conjecturer que pour {n} « assez grand » : {\begin{array}{l}\mathbb{P}(X_n=4)\le \mathbb{P}(X_n=3)\\[6pts]\qquad\le \mathbb{P}(X_n=2)\le \mathbb{P}(X_n=1)\end{array}}On écrit frequences(d,n) donnant les fréquences pour {n} dates à partir de la date {d}.def frequences(d,n): listpos = positions(d+n-1)[d::] freqs = [0]*4 for k in range(n): freqs[listpos[k]-1] += 1 return [freqs[k]/n for k in range(4)]Voici quelques résultats obtenus avec cette fonction
>>> frequences(0,1000) [0.324, 0.323, 0.231, 0.122] >>> frequences(0,10000) [0.3353, 0.3352, 0.2211, 0.1084] >>> frequences(1000,10000) [0.3351, 0.3352, 0.2219, 0.1078]
On peut donc raisonnablement penser que: {\begin{array}{l}\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=1)=\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=2)=\dfrac{1}{3}\\\\\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=3)=\dfrac{2}{9},\quad\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=4)=\dfrac{1}{9}\end{array}}
-
Pour simplifier, on pose {U_n=(a_n,b_n,c_n,d_n)^{T}}.
Avec le système complet d’événements {(X_n=1),(X_n=2),(X_n=3),(X_n=4)} on trouve respectivement : {\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!1)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!2)\\[12pts]\qquad\!=\!\mathbb{P}(X_{n}\!=\!2)\end{array}}
{\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!2)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!2)\\[9pts]\qquad\!=\!\dfrac{1}{3}\mathbb{P}(X_{n}\!=\!1)+\mathbb{P}(X_{n}\!=\!3)\end{array}} {\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!3)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!3)\\[9pts]\qquad\!=\!\dfrac{1}{3}\mathbb{P}(X_{n}\!=\!1)+\mathbb{P}(X_{n}\!=\!4)\end{array}} {\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!4)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!3)\\[9pts]\qquad\!=\!\dfrac{1}{3}\mathbb{P}(X_{n}\!=\!1)\end{array}}Ces résultats se résument en l’égalité matricielle : {U_{n+1}=AU_{n}\text{\ avec\ }A=\dfrac{1}{3}\begin{pmatrix}0&3&0&0\\ 1&0&3&0\\ 1&0&0&3\\ 1&0&0&0 \end{pmatrix}}
-
On diagonalise {A}. On trouve :
{\begin{array}{rl}\chi_{A}(\lambda)&=\dfrac{1}{81}\begin{vmatrix}3\lambda&-3&0&0\\ -1&3\lambda&-3&0\\ -1&0&3\lambda&-3\\ -1&0&0&3\lambda\end{vmatrix}\\\\&=\lambda^4+\dfrac{1}{27}\begin{vmatrix}-1&-3&0\\-1&3\lambda&-3\\-1&0&3\lambda\end{vmatrix}\\\\&=\lambda^4+\dfrac{1}{27}(-9\lambda^2-9-9\lambda)\\\\&=\lambda^4-\dfrac{1}{3}(\lambda^2+\lambda+1)\end{array}}NB: on peut trouver {\chi_{A}} plus vite, car c’est le déterminant d’une matrice-compagnon.
On ne trouve pas mieux que la factorisation : {\chi_{A}(\lambda)=\dfrac{1}{3}(\lambda-1)(3\lambda^3+3\lambda^2+2\lambda+1)}Le fait que {\lambda=1} soit valeur propre n’est pas étonnant ({A} est stochastique).
La matrice {A-I_3=\dfrac{1}{3}\begin{pmatrix}-3&3&0&0\\ 1&-3&3&0\\ 1&0&-3&3\\ 1&0&0&-3 \end{pmatrix}} est de rang {3}, donc {E_A(1)} est une droite.
Un vecteur directeur de {E_A(1)} est {\varepsilon_1=(3,3,2,1)}.
On finit la diagonalisation de {A} avec Python :
>>> A = np.array([[0,3,0,0],[1,0,3,0] [1,0,0,3],[1,0,0,0]])/3 >>> [a,b,c,d] = np.linalg.eigvals(A); >>> np.round([a,b,c,d],5) array([ 1.+0.j, -0.71806+0.j, -0.14097+0.66659j, -0.14097-0.66659j]) >>> np.abs([a,b,c,d]); array([1., 0.71805717, 0.68133369, 0.68133369])
Il y a donc quatre valeurs propres distinctes :{\begin{array}{l}a=1,\quad b\approx -0.71806\\\\c\approx -0.14097+i\,0.66659,\quad d=\overline{c}\end{array}}Les valeurs propres {\lambda_2,\lambda_3,\lambda_4} vérifient {\left|\lambda_i\right|\lt 1} (habituel pour une matrice stochastique). Voici le calcul en Python d’une matrice de diagonalisation (l’ordre des valeurs propres reste le même) :
>>> P = np.linalg.eig(A)[1]; P array([[ 0.62554324+0.j , 0.75285378+0.j , 0.65750284+0.j , 0.65750284-0.j ], [ 0.62554324+0.j , -0.54059205+0.j , -0.09268911+0.43828503j , -0.09268911-0.43828503j], [ 0.41702883+0.j , 0.13722474+0.j , -0.49825765-0.12357132j , -0.49825765+0.12357132j], [ 0.20851441+0.j , -0.34948647+0.j , -0.06655608-0.3147137j , -0.06655608+0.3147137j ]])On vérifie que {P} est une matrice de passage vers une réduite diagonale {D} de {A}.
>>> D = np.linalg.inv(P).dot(A).dot(P); np.round(D,5) array([[ 1. -0.j , 0. + 0.j , 0. -0.j , 0. + 0.j ], [ 0. -0.j , -0.71806 + 0.j , -0. -0.j , -0. + 0.j ], [ 0. +0.j , 0. - 0.j , -0.14097 + 0.66659j , 0. +0.j ], [ 0. -0.j , 0. - 0.j , 0. +0.j , -0.14097 - 0.66659j]])Ainsi {A=PDP^{-1}} donc {A^n=PD^nP^{-1}}.
De plus {D^n=\begin{pmatrix}1&0&0&0\\0&b^n&0&0\\0&0&c^n&0\\ 0&0&0&d^n\end{pmatrix}}.
Donc {D^n} tend vers {\Delta=\begin{pmatrix}1&0&0&0\\0&0&0&0\\0&0&0&0\\ 0&0&0&0\end{pmatrix}}.
Posons {B=\displaystyle\lim_{n\to+\infty}A^n=P\Delta P^{-1}}.
On forme {\Delta} et on calcule {B} avec Python :
>>> Delta = np.diag([1,0,0,0]) >>> B = P.dot(Delta).dot(np.linalg.inv(P)) >>> np.real(B) # éliminer les parties imaginaires (nulles de toutes façons) array([[0.33333333, 0.33333333, 0.33333333, 0.33333333], [0.33333333, 0.33333333, 0.33333333, 0.33333333], [0.22222222, 0.22222222, 0.22222222, 0.22222222], [0.11111111, 0.11111111, 0.11111111, 0.11111111]])Ainsi {B=\displaystyle\lim_{n\to+\infty}A^n=\Big(\varepsilon_1\mid\varepsilon_1\mid\varepsilon_1\mid\varepsilon_1\Bigr)}.
Pour tout {n\in\mathbb{N}^*}, on a {U_{n}=AU_{n-1}}.
On en déduit l’égalité : {U_n=A^nU_0}.
Ainsi {\displaystyle\lim_{n\to+\infty}U_n=BU_0=B\begin{pmatrix}1\\0\\0\\0\end{pmatrix}=\dfrac{1}{9}\begin{pmatrix}3\\3\\2\\1\end{pmatrix}}.
Pour justifier de façon théorique les résultats numériques précédents, on peut avancer les explications suivantes :
- La suite {n\mapsto A^n} converge vers {B=P\Delta P^{-1}} qui est rang {1} (comme {\Delta}).
-
On a {\Delta^2=\Delta} donc {B^2=B}.
{B} est une matrice de projection sur une droite. -
On a {A\varepsilon_1=\varepsilon_1}, donc {A^n\varepsilon_1=\varepsilon_1}.
À la limite, on trouve : {B\varepsilon_1=\varepsilon_1}.
Les colonnes de la matrice de projection {B} sont donc colinéaires à {\varepsilon_1}.
Mais {A} est stochastique (suivant les colonnes).
Cela reste vrai pour les {A^n} donc pour {B}.
Les colonnes de {B} sont donc égales à {\varepsilon_1}.
-
La variable {Y_n(i)} mesure le nombre de fois où le jeton se trouve dans la case n°{i}, entre la date {0} et la date {n} (comprises). On pourrait réutiliser notre fonction fréquences, mais on va réécrire une fonction Y plus simple :
def Y(n): listpos = positions(n) y = [0]*4 for k in range(n): y[listpos[k]-1] += 1 return yVoici quelques exemples d’utilisation :
>>> Y(9) # de la date 0 à la date 9 [4, 4, 1, 1] >>> Y(99) # de la date 0 à la date 99 [34, 33, 22, 11] >>> Y(999) # de la date 0 à la date 999 [337, 336, 215, 112]
Expérimentalement, le résultat est donc le suivant :
{\begin{array}{ll}\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(1)}{n}=\dfrac{1}{3},&\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(2)}{n}=\dfrac{1}{3}\\\\\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(3)}{n}=\dfrac{2}{9},&\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(4)}{n}=\dfrac{1}{9}\end{array}}
Exercice 2 — Diagonalisation d’une matrice en zig-zag
| (Oral Ccp) Soient {n\in\mathbb{N}^*} et la matrice {A_n=\begin{pmatrix}1 & 2n & 1 & \cdots & 2n \\ 2 & 2n-1 & 2 & \cdots & 2n-1 \\ 3 & 2n-2 & 3 & \cdots & 2n-2 \\ \vdots & \vdots & \vdots & & \vdots \\ 2n & 1 & 2n & \cdots & 1\end{pmatrix}}Donner {\text{rg}(A_n)}. Montrer que {A_n} est diagonalisable. Donner ses éléments propres. Ajouté à l’énoncé initial : illustrer les résultats précédents avec Python. |
On note {E_1,E_2,\ldots,E_{2n}} la base canonique de {\mathbb{R}^{2n}}.
-
Notons {C_1,C_2} les deux premières colonnes de {A_{n}}.
Alors {A_{n}=\Bigl(C_1\,\Big|\, C_2\,\Big|\, C_1\,\Big|\, C_2\,\Big|\,\cdots\,\Big|\, C_1\,\Big|\, C_2\Big)}.
{C_1,C_2} étant libres, la matrice {A_{n}} est de rang {2}.
Plus précisément {C_1,C_2} forment une base de {\text{Im}(A_{n})}, qui est un plan stable par {A_{n}}.
-
Le noyau de {A_{n}} est de dimension {2n-2}.
Ainsi {0} est valeur propre de multiplicité au moins égale à {2n-2}.
Posons {X_{2k-1}=E_1-E_{2k-1}} pour {2\le k\le n}.
De même posons {X_{2k}=E_2-E_{2k}} pour {2\le k\le n}.
Ces {2n-2} vecteurs sont libres et dans {\text{Ker}(A_{n})}.
- On remarque que {\alpha=n(2n+1)} est valeur propre. En effet {A_{n}X_1=n(2n+1)X_{1}} avec {X_1=(1,1,\ldots,1)}.
-
La trace de {A_{n}} vaut {2n^2} (grouper les termes diagonaux en {n} paires de somme {2n}).
Mais {\text{tr}(A_{n})} est la somme des valeurs propres répétées de {A_{n}}.
Ainsi {\text{tr}(A_{n})=2n^2=\alpha+(2n-2)\cdot0+\beta}, où {\beta} est la valeur propre manquante.
On trouve donc {\beta=-n}.
-
Soit {X=(x_1,x_2,\ldots,x_{2n})\in\mathbb{R}^{2n}}.
Alors {A_{n}X=\Bigl(\displaystyle\sum_{i=1}^{n}{x_{2i-1}}\Bigr)C_1+\Bigl(\displaystyle\sum_{i=1}^{n}{x_{2i}}\Bigr)C_2}.
Les coefficients de {C_1} sont les {x_i=i}, et ceux de {C_2} sont les {x_i=2n+1-i}.
Ainsi : {\begin{array}{rl}A_{n}C_1&=\Bigl(\displaystyle\sum_{i=1}^{n}(2i-1)\Bigr)C_1+\Bigl(\displaystyle\sum_{i=1}^{n}2i\Bigr)C_2\\\\&=n^2C_1+n(n+1)C_2\end{array}}De même : {\begin{array}{rl}A_{n}C_2&=\Bigl(\displaystyle\sum_{i=1}^{n}(2n+2-2i)\Bigr)C_1\\[6pts]&\quad+\Bigl(\displaystyle\sum_{i=1}^{n}(2n+1-2i)\Bigr)C_2\\\\&=n(n+1)C_1+n^2C_2\end{array}}
On définit le vecteur : {\begin{array}{rl}X_2&=C_2-C_1\\\\&=(2n-1,2n-3,\ldots,3,1,\\[6pts]&\quad-1,-3,\ldots,3-2n,1-2n)\end{array}}On trouve :{\begin{array}{l}A_{n}X_2=A_{n}(C_2-C_1)\\\\\quad=n(n\!+\!1)C_1\!+\!n^2C_2\!-\!n^2C_1\!-\!n(n\!+\!1)C_2\\\\\quad=n(C_1-C_2)\end{array}}Ainsi {X_2} est vecteur propre de {A_{n}} pour la valeur propre {\beta=-n}.
-
On peut donc conclure. La matrice {A_{n}} est diagonalisable dans {\mathcal{M}_{2n}(\mathbb{R})}.
Son spectre est : {\alpha=n(2n+1)} (simple), {\beta=-n} (simple), et {0} (de multiplicité {2n-2}).
Les vecteurs {X_1,X_2,X_3,X_4,\ldots,X_{2n}} forment une base de vecteurs propres de {A_{n}}.
Posons {P=\Bigl(X_1\,\Big|\, X_2\,\Big|\, X_3\,\Big|\,\cdots\,\Big|\, X_{2n}\Big)}.
Dans ces conditions : {P^{-1}A_{n}P=\text{diag}\big(n(2n+1),-n,0,0,\ldots,0\big)}Voici une illustration de ce qui précède avec Python.
On écrit une fonction pour former {A_n} (qui est d’ordre {2n}) :
import numpy as np def A(n): a = np.zeros((2*n,2*n),dtype='int') for i in range(2*n): for j in range(2*n): a[i,j] = i+1 if j%2 == 0 else 2*n-i return aOn voit par exemple la matrice {A_4} (d’ordre 8) :
>>> print(A(4)) [[1 8 1 8 1 8 1 8] [2 7 2 7 2 7 2 7] [3 6 3 6 3 6 3 6] [4 5 4 5 4 5 4 5] [5 4 5 4 5 4 5 4] [6 3 6 3 6 3 6 3] [7 2 7 2 7 2 7 2] [8 1 8 1 8 1 8 1]]
On écrit une fonction pour former la matrice de passage {P_n} (qui est d’ordre {2n}):
def P(n): p = np.zeros((2*n,2*n),dtype='int') for i in range(2*n): p[i,0] = 1 p[i,1] = 2*n-2*i-1 for j in range(2,2*n): p[j%2,j] = 1 p[j,j] = -1 return pOn voit par exemple la matrice {P_4}:
>>> print(P(4)) [[ 1 7 1 0 1 0 1 0] [ 1 5 0 1 0 1 0 1] [ 1 3 -1 0 0 0 0 0] [ 1 1 0 -1 0 0 0 0] [ 1 -1 0 0 -1 0 0 0] [ 1 -3 0 0 0 -1 0 0] [ 1 -5 0 0 0 0 -1 0] [ 1 -7 0 0 0 0 0 -1]]
On écrit une fonction \texttt{verb} pour vérifier que {P_n^{-1}A_nP_n} est diagonale.
def test(n): d = np.linalg.inv(P(n)).dot(A(n)).dot(P(n)) return np.round(d,10)On vérifie toujours avec {n=4} :
>>> print(test(4)) [[ 36. -0. 0. 0. 0. 0. 0. 0.] [ -0. -4. 0. 0. 0. 0. 0. 0.] [ -0. -0. 0. 0. 0. 0. 0. 0.] [ -0. -0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0.] [ -0. -0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0.]]
Exercice 3 — Diagonalisation et puissances
| (Oral Ccp) Soit {M\!\in\!{\mathcal M}_{n}(\mathbb{R})} où {\begin{cases}m_{i,j}\!=\!1\text{\ si\ }j\!\in\!\{1,i,n\}\\m_{i,j}=0\text{\ sinon}\end{cases}}
|
-
Il est clair que {e_{2},\ldots,e_{n-1}} sont propres pour la valeur propre {1} (pour laquelle on a donc « au moins » un sous-espace propre de dimension {n-2}).
Le fait que {C_{n}=C_{1}} montre que {e_{1}-e_{n}} est propre pour la valeur propre {0}.
Enfin, {\text{tr}(M)=n} montre que {\lambda=2} est valeur propre.
Un vecteur propre associé {(1,2,\ldots,2,1)}.Ainsi {\text{Sp}(M)} est formé de {0} (simple), {2} (simple) et {1} (multiplicité {n-2}).
La matrice {M} est donc diagonalisable.
-
La matrice {M} est annulée par :{P(X)=X(X\!-\!1)(X\!-\!2)=X^{3}\!-\!3X^{2}\!+\!2X}On trouve la divisions euclidienne : {X^{p}=(X\!-\!1)(X\!-\!2)Q_{p}(X)\!+\!a_{p}X\!+\!b_{p}} avec {\begin{cases}a_{p}+b_{p}=1\\2a_{p}+b_{p}=2^{p}\end{cases}}
Ainsi {\begin{cases}a_{p}=2^{p}-1\\[6pts]b_{p}=2-2^{p}\end{cases}} et on a alors : {X^{p+1}=X(X\!-\!1)(X\!-\!2)Q_{p}(X)\!+\!a_{p}X^{2}\!+\!b_{p}X}On peut donc écrire : {\begin{array}{rl}M^{p+1}&=a_{p}M^{2}+b_{p}M\\[6pts]&=2^{p}(M^{2}-M)+2M-M^{2}\end{array}}L’exemple ci-dessous, avec la bibliothèque \texttt{sympy}, donne une idée du résultat général:
from sympy import * def A(n): a = eye(n) for i in range(n): a[i,0] = 1 a[i,n-1] = 1 return a >>> A(5) Matrix([ [1, 0, 0, 0, 1], [1, 1, 0, 0, 1], [1, 0, 1, 0, 1], [1, 0, 0, 1, 1], [1, 0, 0, 0, 1]]) >>> A(5)**9 Matrix([ [256, 0, 0, 0, 256], [511, 1, 0, 0, 511], [511, 0, 1, 0, 511], [511, 0, 0, 1, 511], [256, 0, 0, 0, 256]]) >>> A(5)**10 Matrix([ [ 512, 0, 0, 0, 512], [1023, 1, 0, 0, 1023], [1023, 0, 1, 0, 1023], [1023, 0, 0, 1, 1023], [ 512, 0, 0, 0, 512]])
Cette page contient 6 exercices. La suite est réservée aux abonnés.
- avoir une souscription active sur mathprepa
- et être connecté au site
Pour poursuivre votre exploration, vous pouvez :
- revenir à la page d’accueil
- ou tester la page d’extraits libres


On peut conjecturer que pour