Rappels d’algèbre linéaire

Chargé de cours : Idir Ouassou

Ecole Nationale des Sciences Appliquées

[email protected]

Septembre -2024

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 1 / 67
 Objectifs et plan du cours

Plan du chapitre

1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

4 Matrice carrée

5 Valeurs propres et vecteurs propres

6 Norme et produit scalaire

7 Tableau de données multidimensionnelles

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 2 / 67
 Objectifs et plan du cours

# Nous commencerons par introduire les outils mathématiques

nécessaires à l’ADD qui reposent sur l’algèbre linéaire.
# Nous étudierons ensuite des techniques de réduction de
dimensions :
I Mesures de liaison entre variables.
I Analyse en composantes principales (ACP),
I Analyse factorielle des correspondances (AFC),
I Analyse des correspondances multiples (ACM).
# Si le temps le permet. Nous verrons enfin des méthodes de
classification :
I Analyse Discriminante.
I Méthode de classification ascendante hiérarchique
# Pour la mise en pratique, nous utiliserons Pyton où le langage R
qui est l’un des outils privilégiés par les statisticiens dans le cadre
du data science.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 3 / 67
 Introduction et motivations

Plan du chapitre

1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

4 Matrice carrée

5 Valeurs propres et vecteurs propres

6 Norme et produit scalaire

7 Tableau de données multidimensionnelles

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 4 / 67
 Introduction et motivations

# Lors de toute étude statistique, il est nécessaire de décrire et

explorer les données avant toute édute satatistique.
# Le problème est que, dans plusieures situations, les données sont
souvent très élevées pour pouvoir être visualisables.
# L’objectif est d’extraire l’information pertinente qu’elles
contiennent.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 5 / 67
 Introduction et motivations

Exemple

# La chécheresse est l’un des phénomènes extrêmes qui ont

marqué les populations à travers des générations. Ses
conéquences peuvent être désastreuses même dans les pays très
développés.
# L’évolution générale du climat lors du 20-ème siècle, au moins
dans sa deuxième moitié, montre une tendance au réchauffement.
# Ces dernières années, le Maroc a connu des variations
climatiques très sensibles. Cependant, ce changement n’est pas
uniforme et homogène sur l’ensemble du territoire.
# Le tableau suivant donne la température moyenne mensuelle de
quelles villes marocaines.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 6 / 67
 Introduction et motivations

Ville Janvier Fevrier Mars Avril Mai Juin Juillet Août Septembre Octobre Novembre Décembre Latitude Longitude Amplitude Région
Dakhla 20.00 20.00 20.50 21.00 22.08 23.00 24.08 24.83 25.08 24.75 22.75 21.17 23.68 -7 .62 3.35 S-O
Marrakech 14.92 16.50 19.75 21.83 25.83 29.17 33.17 33.67 29.83 25.67 19.92 17.33 31.63 -7 .99 6.92 S-E
Ouarzazate 11.42 13.33 16.67 20.92 25.00 29.25 32.58 31.75 27.08 22.17 16.17 12.58 30.92 -6 .89 6.38 S-E
Zagora 13.75 16.17 20.08 24.67 29.08 33.25 37.17 35.92 31.00 25.83 19.08 14.67 30.33 -5 .84 6.19 S-E
Agadir 17.83 18.83 20.75 22.25 24.75 26.75 30.08 30.92 26.92 25.33 21.42 19.08 30.42 -9 .60 4.55 S-O
Casa 15.75 16.25 18.08 19.67 22.58 24.33 26.08 26.92 25.17 23.92 19.58 17.33 33.59 -7 .61 3.70 N-O
Essaouira 17.00 17.33 19.00 20.25 22.75 24.08 26.42 26.83 24.75 23.67 20.75 18.67 31.51 -9 .77 3.22 S-O
Tanger 14.17 14.42 15.92 17.83 20.50 23.58 25.83 26.75 24.58 21.83 17.67 15.50 35.76 -5 .80 2.77 N-O
Nador 13.92 14.25 15.33 17.33 20.67 23.83 26.67 27.50 24.75 22.00 17.83 15.33 35.17 -2 .93 5.52 N-E
Oujda 12.42 13.25 15.67 18.58 22.33 26.33 30.25 30.42 26.08 22.25 16.42 13.50 34.68 -1 .91 5.30 N-E
Azrou 7.50 9.00 12.08 15.58 20.42 24.42 29.50 29.17 23.58 18.67 12.00 9.08 33.43 -5 .22 5.69 N-O
Errachidia 10.92 12.67 16.50 20.67 25.25 29.33 33.42 32.58 27.33 22.33 15.75 11.83 31.93 -4 .43 5.76 S-E
Midelt 7.20 8.33 11.83 15.67 19.83 24.00 28.33 27.17 22.17 17.75 11.42 8.50 32.68 -4 .74 5.68 S-E
Fes 11.50 12.83 15.92 19.50 24.33 28.25 32.50 32.83 27.42 23.33 16.42 13.25 34.03 -5 .00 6.19 N-E
Meknes 12.42 13.67 16.58 19.92 24.75 28.08 31.92 32.67 27.92 24.00 17.33 14.00 33.89 -5 .54 6.31 N-0
Beni Mellal 10.17 11.00 13.67 16.67 21.58 25.42 29.50 29.42 24.67 20.67 14.67 12.08 32.34 -6 .35 11.81 S-E
Khouribga 13.00 14.50 17.42 20.58 25.08 28.75 32.83 33.33 27.75 24.25 17.75 15.08 32.88 -6 .90 6.85 N-O
Taroudant 17.33 19.00 21.92 24.42 28.17 30.92 35.25 35.58 30.42 27.00 21.83 18.75 30.47 -8 .87 6.63 S-O
Azilal 11.58 12.83 15.17 18.08 23.33 26.83 30.75 31.00 26.12 22.42 16.50 13.67 31.96 -6 .57 12.74 S-E
Chefchaouen 13.25 13.58 15.17 17.08 20.17 23.75 26.58 27.50 24.12 21.08 16.75 14.58 35.17 -5 .27 3.34 N-O
Tetouan 13.25 13.50 15.17 17.08 20.17 23.75 26.67 27.25 24.12 21.08 16.75 14.58 35.58 -5 .37 3.33 N-O
Settat 13.00 13.83 15.67 18.17 22.33 24.92 27.42 28.42 25.25 23.08 17.92 15.08 33.00 -7 .62 11.66 N-O
Imlil 20.00 20.00 20.50 21.00 22.00 23.00 24.08 24.75 25.08 24.75 22.75 21.08 31.12 -7 .62 3.42 S-E

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 7 / 67
 Introduction et motivations

Les techniques d’Analyes Des Données (ADD)

# traitent des tables de données composées de plusieurs lignes
(individus) et de plusieurs colonnes (variables).
# ayant pour objectif de résumer et visualiser l’information
pertinente contenue dans ce grand tableau de données. c’est à
dire : présenter et synthétiser, sous une forme graphique, le
maximum d’information contenue dans ce tableau de données.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 8 / 67
 Introduction et motivations

# Le but de ces techniques est de représenter de façon “efficace” et

“intelligente”, l’information contenue dans une table au travers de
graphiques présentant les données dans un espace géométrique
de dimension faible (par exemple 2 où 3)

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 9 / 67
 Introduction et motivations

# Par exemple, l’analyse en composantes principales est une

méthode de l’analyse des données qui a pour objectif de réduire
le nombre de données (souvent très élevé ) d’un tableau de
données représenté :
I algébriquement, comme une matrice,

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 10 / 67
 Introduction et motivations

# Par exemple, l’analyse en composantes principales est une

méthode de l’analyse des données qui a pour objectif de réduire
le nombre de données (souvent très élevé ) d’un tableau de
données représenté :
I algébriquement, comme une matrice,
I géométriquement comme un nuage de points.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 10 / 67
 Introduction et motivations

# La méthode ADD consiste en l’étude des projections des points

de ce nuage sur un axe (axe factoriel ou principal), un plan ou un
hyperplan judicieusement déterminé.
I Mathématiquement : on obtiendrait le meilleur ajustement du
nuage par des sous espaces vectoriels.
I Algébriquement : il s’agit de chercher les valeurs propres
maximales de la matrice des données et par conséquent ses
vecteurs propres associés qui représenteront ces sous-espaces
vectoriels propres (axes factoriels ou principales).

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 11 / 67
 Introduction et motivations

Exemple
Lors de la projection, le nuage peut être déformé est donc serait
différent de réel, alors les méthodes d’ajustement consistent en
minimiser cette possible déformation et ce en maximisant les
distances projetées.

F IGURE – Chameau ou dromadaire. Source J. P. Fenelon

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 12 / 67
 Introduction et motivations

# La suite de ce chapitre rassemble des rappels d’algèbre linéaire

utiles. Les résultas seront énoncés sans démonstration. Pour plus
de détails et démonstrations, veuillez consulter les cours d’algèbre
et d’analyse de cycle préparatoire ( CP1 et CP2).

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 13 / 67
 Généralités sur les matrices

Plan du chapitre
1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

Définition et vocabulaire
Opération élémentaires sur les matrices
Dépendance et Indépendance Linéaire
Rang d’une matrice

4 Matrice carrée

5 Valeurs propres et vecteurs propres

6 Norme et produit scalaire

7 Tableau de données multidimensionnelles

I.Ouassou (ENSA Marrakech)
Analyse des données : Rappels d’algèbre l. Septembre -2024 14 / 67
 Généralités sur les matrices

Introduction
# En algèbre linéaire on manipule des objets mathématiques x et y
appartenant à un ensemble E tel que :
I l’addition x + y est un objet de E
I la multiplication, λx où λ est un réel ou complexe, est également un
objet de E.
# Ce cadre mathématique commun est la notion d’espace vectoriel.
# En ADD, nous interprétons les individus et les variables comme
étant des vecteurs des espaces vectoriels Rn et Rp .

Exemple
Pour étudier les nuages de points des individus où des variables, et
pour déterminer les moyens des individus où variables, nous avons
besoin d’additionner des vecteurs et de les multiplier par des scalaires.

# La partie suivante de ce chapitre rassemble des rappels d’algèbre

linéaire utiles. Les résultas seront énoncés sans démonstration.
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 15 / 67
 Généralités sur les matrices Définition et vocabulaire

Définition ( Le point de départ en ADD est une table de donnée)

Une matrice sur le corps K (R où C) d’ordre (n, p) est un tableau
rectangulaire de scalaires aij à n lignes et p colonnes de la forme :
 
a11 . . . a1j . . . a1p
 : : : : : 
 
A=
 a i1 . . . a ij . . . aip 
 , A(n, p) = (aij )1≤i≤n,1≤j≤p .
 : : : : : 
an1 . . . anj . . . anp

Le couple (m, n) est appelé la dimension de la matrice A.

aik est le terme général de A et ∀i = 1, . . . , n ; ∀j = 1, . . . , p :
aij ∈ R.
Chaque ligne i de A représente un vecteur ai de taille (p × 1).
Chaque colonne j de A représente un vecteur aj de taille (n × 1).


On notera également un vecteur comme ceci ai = ai1 , . . . , aip .
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 16 / 67
 Généralités sur les matrices Définition et vocabulaire

Remarque
Si n = 1, A est appelée vecteur-ligne.
Si p = 1, A est appelée vecteur-colonne.
Si n = p, A est appelée matrice carrée d’ordre n.
   
ai1 a1j
 :   : 
  j
 
∀i ai = 
 aij  et ∀j a =  aij 
  
 :   : 
aip anj

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 17 / 67
 Généralités sur les matrices Définition et vocabulaire

Exemple
Pour fixer les idées supposons que les lignes représentent des
individus et les colonnes des variables de différentes natures par
exemple : l’âge, la moyenne, la taile, le poids, sexe, le nombre
d’enfants, le salaire, . . . .
 
21 15 65
22 9 61
20 12 58

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 18 / 67
 Généralités sur les matrices Opération élémentaires sur les matrices

Soient A = (aij )1≤i≤n,1≤j≤p et B = (bij )1≤i≤n,1≤j≤p deux matrices de

même ordre (n, p).
Définition (Egalité de deux matrices)
On dit que A = B si

A = B ⇔ aij = bij ∀ i = 1, . . . , n et j = 1, . . . , p.

Définition (Somme de matrices)

La somme de deux matrices A et B est définie par :

A + B = (aij + bij )0≤i≤n,0≤j≤p .

Exemple
     
1 2 0 −1 1 1
A = 3 5 , B = 5 6  , A + B = 8 11 .
4 0 3 4 7 4

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 19 / 67
 Généralités sur les matrices Opération élémentaires sur les matrices

Définition (Multiplication par un scalaire et multiplication de

matrices)
Soient A = (aij )1≤i≤n,1≤j≤p et B = (bij )1≤i≤p,1≤j≤q deux matrices
d’ordre (n, p) et (p, q) respectivement.
1 Soit λ un scalaire et A une matrice d’ordre (n, p), alors

λ A = λ(aij ) = (λ aij ).

2 Le produit AB est défini comme étant la matrice C = (cij ) d’ordre

(n, q) dont les éléments sont donnés par
p
X
cij = aik bkj .
k =1

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 20 / 67
 Généralités sur les matrices Opération élémentaires sur les matrices

Remarque
Pour que le produit de deux matrices soit possible, il faut que le
nombre de colonnes de celle de gauche soit égal au nombre de lignes
de celle de droite.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 21 / 67
 Généralités sur les matrices Opération élémentaires sur les matrices

Exemple
 
  1 0 −1  
1 4 2 1 2 3
A= , B= 0 1
 0  , AB = .
0 1 3 0 −2 6
0 −1 2

Proposition
La multiplication de matrices est associative mais non commutative :

A(BC) = (AB)C , (A+B)C = AC+BC , A(B+C) = AB+AC, AB 6= BA.

Remarque

# Si q = 1 le produit est une matrice pleine n × p.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 22 / 67
 Généralités sur les matrices Opération élémentaires sur les matrices

Définition (Transposée d’une matrice)

Soit A une matrice d’ordre (n, p) et de terme général aij , on appelle
matrice transposée de A, notée AT la matrice d’ordre (p, n) dont les
colonnes sont les lignes de A.
 T  
a11 a12 ... a1p a11 a21 ... a1n
a21 a22 ... a2p  a12 a22 ... a2n 
   
 . . . .  = . . ... . 
 
 .
 . . . .   . . . . 
   
 . . . .   . . . . 
an1 an2 ... anp ap1 ap2 ... anp

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 23 / 67
 Généralités sur les matrices Opération élémentaires sur les matrices

Remarque

# A(n, p) = (aij ) −→ AT (p, n) = (aji ).

# Pour les vecteurs :

a1
(a1 , . . . , an )T =  ... 
 

an

Proposition
Soient A et B deux matrices.
1 (A + B)T = AT + B T .

T
2 AT = A.
3 (AB)T = B T AT .
4 Soit α ∈ R, (αA)T = αAT .

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 24 / 67
 Généralités sur les matrices Dépendance et Indépendance Linéaire

Définition (Dépendance Linéaire)

Soit E un espace vectoriel sur le corps K (R où C). On dit que les
vecteurs v1 , . . . , vn ∈ E sont linéairement dépendants sur K , ou
dépendants (plus simplement) si

∃ α1 , . . . , αn ∈ K non nuls tel que α1 v1 + . . . + αn vn = 0.

Définition ( Indépendance Linéaire)

Les vecteurs sont dits linéairement indépendants si la seule
combinaison linéaire de ces vecteurs qui soit nulle est la combinaison
linéaire nulle.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 25 / 67
 Généralités sur les matrices Dépendance et Indépendance Linéaire

Définition (Base et dimension)

Un ensemble B = {e1 , . . . , en } est une base de l’espace vectoriel E si
les vecteurs :
1 e1 , . . . , en sont linéairement indépendants,
2 e1 , . . . , en engendrent E c-à-d tout vecteur de E peut s’écrire
comme une combinaison linéaire des éléments de B.
I E est dit espace vectoriel de dimention n.

Exemple
1 Les vecteurs (1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0) et (0, 0, 0, 1)}
forment une base de R4 de façon évidente et dim R4 = 4.
2 La famille {1, X , X 2 , X 3 , . . . , X n } forment une base de de l’espace
vectoriel des polynômes de degré n : Pn [X ] et dim Pn [X ] = n + 1.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 26 / 67
 Généralités sur les matrices Rang d’une matrice

Définition (Rang d’une matrice)

Le rang d’une marice A d’ordre (n, p) est le nombre maximum de
vecteurs-colonne de A linéairement indépendants. C’est aussi le
nombre maximum de vecteurs-ligne de A linéairement indépendants.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 27 / 67
 Matrice carrée

Plan du chapitre
1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

4 Matrice carrée
Trace d’une matrice
Matrices particulières
Déterminant d’une matrice carrée

5 Valeurs propres et vecteurs propres

6 Norme et produit scalaire

7 Tableau de données multidimensionnelles

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 28 / 67
 Matrice carrée Trace d’une matrice

Définition (Matrice carrée)

Une matrice A est dite carrée si le nombre de lignes = le nombre de
colonnes, on dit que A(n×n) est une matrices carrées d’ordre n.

Définition (Trace d’une matrice)

Soit A une matrice carrée d’ordre n de terme général aij (1 ≤ i, j ≤ n),
la trace de A, notée trac(A), est la somme de ses éléments
diagonaux :
n
X
trac(A) = aii .
i=1

Exemple
 
1 2 3
Si A = 4 5 6, alors trac(A) = 15.
7 8 9
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 29 / 67
 Matrice carrée Trace d’une matrice

Proposition
Soient A, B deux matrices et λ un réel. On a
# trac(λA) = λ trac(A).
# trac(A + B) = trac(A) + trac(B).
# trac(AB) = trac(BA).

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 30 / 67
 Matrice carrée Matrices particulières

Définition (Matrice unité)

La matrice unité est une matrice carrée d’ordre n dont les éléments
diagonaux sont égaux à 1 et les autres sont nuls. c-à-d
∀(i, j) ∈ {1, . . . , n}2 
1 si i = j
aij = .
0 si i 6= j
Cette matrice est notée In et verifie : AIn = In A = A pour toute la
matrice carrée A.
On dit que la matrice In est l’élément neutre pour la multiplication des
matrices carrées d’ordre n.

Exemple
 
  1 0 0 0
1 0 0 1 0 0
I2 = et I4 =  .
0 1 0 0 1 0
0 0 0 1

Dans toute
I.Ouassou (ENSAla suite, la matrice
Marrakech) Analyse des identité sera
données : Rappels notée
d’algèbre l. I quel Septembre
que soit son31 / 67
-2024
 Matrice carrée Matrices particulières

Définition (Matrices inversibles )

# Une matrice carré A est dite inversible ou régulière ( non
singulière) s’il existe une matrice B telle que : AB = BA = I. Alors
B est appelée matrice inverse de A et on la note A−1 .
# Une matrice est dite singulière, si elle n’est pas inversible.

Exemple
 
a b
La matrce A = admet pour inverse si ad − bc 6= 0,
c d
 
1 d −b
A−1 = ad−bc .
−c a

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 32 / 67
 Matrice carrée Matrices particulières

Théorème
A(n×n) est inversible si et seulement si rang A = n.

Proposition
Si A et B sont deux matrices carées de même ordre et inversibles ,
alors
(AB)−1 = B −1 A−1 .

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 33 / 67
 Matrice carrée Matrices particulières

Définition (Matrices semblables et idempotentes )

# Deux matrices carrées, A et B, sont dites semblables s’il existe
une matrice P inversible, telle que B = P −1 AP ;
# Une matrice carrée, A est dite idempotente si A2 = A A = A.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 34 / 67
 Matrice carrée Matrices particulières

Définition (Matrice triangulaire et diagonal)

Soit A une matrice carrée de terme général aij .
# La famille (aii )i=1,...,n est dite la diagonale principale de A.
# La matrice carrée A est dite :
B matrice triangulaire inférieure si aij = 0 pour i < j.
B matrice triangulaire supérieure si aij = 0 pour i > j.
B matrice diagonale d’ordre n si tous les éléments qui ne sont pas
sur la diagonale sont nuls. C’est une matrice triangulaire inférieure
et supérieure.

Exemple
 
2 0 0
D = 0 5 0
0 0 1

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 35 / 67
 Matrice carrée Matrices particulières

Proposition
L’ensemble des matrices triangulaires supérieures est une algèbre de
matrices :
# A + B triangulaire supérieure avec sur la diagonale aii + bii .
# kA triangulaire supérieure avec sur la diagonale kaii .
# AB triangulaire supérieure avec sur la diagonale aii bii .
# A est inversible si et seulement si ∀i aii 6= 0.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 36 / 67
 Matrice carrée Matrices particulières

Définition (Matrices symétriques et anti-symétriques)

Soit A une matrice carrée. La matrice carrée A est dite
# symétrique si : A = AT (aij = aji ∀i, j)
# anti-symétrique si : A = −AT (aij = −aji ∀i, j) et donc aii = 0,
∀i = 1, . . . , n.

Théorème
Si A est une matrice carrée
# A + AT est symétrique,
# A − AT est antisymétrique,
# A = B + C ou B symétrique, C anti-symétrique.
Il suffit de prendre

1 1
B= (A + AT ) et C= (A − AT ).
2 2

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 37 / 67
 Matrice carrée Matrices particulières

Exemple
 
1 2 3
A = 2 0 4 = AT .
3 4 8

Remarque
Le produit d’une matrice par sa transposée donne une matrice
symétrique, c-à-d si A est une matrice carée qlq alors AT A est une
matrice symétrique.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 38 / 67
 Matrice carrée Matrices particulières

Définition (Matrices orthogonales et normales)

Soit A une matrice carrée. La matrice carrée A est dite
# orthogonale si : AAT = AT A = I ou A−1 = AT .
# normale si : AAT = AT A = ce qui inclut les matrices symétriques,
orthogonales et anti-symétriques.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 39 / 67
 Matrice carrée Matrices particulières

Définition (Matrice définie positive)

Une matrice réele symétrique M est dite définie positive si
X T M X > 0 pour tout vecteur X non nul.

Théorème
# Une matrice M est définie positive si et seulement si toutes ses
valeurs propres sont strictement positives.
# Une matrice réelle symétrique A est définie positive si et
seulement si il existe une matrice non singulière C telle que
A = C CT .
# Si A est une matrice non singulière, alors AT A est définie positive.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 40 / 67
 Matrice carrée Matrices particulières

Définition (Une métrique)

Une métrique est une matrice symétrique définie positive.

Remarque
La matrice identité I est une métrique, d’autres exemples seront
donnés plus loin.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 41 / 67
 Matrice carrée Déterminant d’une matrice carrée

Définition (Déterminant d’une matrice carrée)

Soit une matrice carrée A = (aij ), on appelle le déterminant de la
matrice A le réel, noté det(A) :
développement suivant la i me ligne :
n
X
det(A) = (−1)i+j aij det(Aij )
j=1

développement suivant la j me colonne :

n
X
det(A) = (−1)i+j aij det(Aij )
i=1

où Aij étant la mineure (ou sous-matrice carrée) de A obtenue en

éliminant la i me ligne et la j me colonne.
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 42 / 67
 Matrice carrée Déterminant d’une matrice carrée

Exemple (Déterminant d’une matrice carrée d’ordre 2 et d’ordre

3)
 
a11 a12
1 Soit A une matrice carrée d’ordre 2, A = .
a21 a22
Le déterminant de A est le scalaire noté det(A) ou kAk, tel que

det(A) = a11 a22 − a12 a21 .

2 Soit A une matrice carrée d’ordre 3,

 
a11 a12 a13
A = a21 a22 a23  .
a31 a32 a33

Le déterminant de A est donné par :

det(A) = a11 a22 a33 − a11 a23 a32 + a21 a32 a13 − a21 a33 a12
+a31 a12 a23 − a31 a13 a22 .
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 43 / 67
 Matrice carrée Déterminant d’une matrice carrée

Exemple
Soient  
  1 2 3
1 2
A= et B = 4 5 6
3 4
7 8 9
après un calcul simple on trouve : det(A) = −2 et det(B) = 0.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 44 / 67
 Matrice carrée Déterminant d’une matrice carrée

Proposition
Si A et B sont deux matrices carrées de même orde, alors on a :
# det(AB) = det(A) det(B).
# det(I) = 1.
# Si Dn est diagonale d’éléments diagonaux (dii ), alors
det(Dn ) = ni=1 dii .
Q

# det(AT ) = det(A).
# det(A) 6= 0 si et seulement si A est inversible.
# Si A est inversible, alors det(A−1 ) = (det(A))−1 .

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 45 / 67
 Matrice carrée Déterminant d’une matrice carrée

Soit A une matrice régullère (rang A = n, detA 6= 0), on a :

1
A−1 = (adj(A)).
det(A)

Exemple
Soit  
1 2 3
A = 2 3 2 .
1 2 2
det(A) = 6 + 4 + 12 − 9 − 4 − 8 = 1 6= 0 d’où A et inversible et
 
2 2 −5
A−1 = −2 −1 4  .
1 0 −1

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 46 / 67
 Valeurs propres et vecteurs propres

Plan du chapitre
1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

4 Matrice carrée

5 Valeurs propres et vecteurs propres

Valeurs propres, vecteurs propres, espace propre
Matrice diagonalisable

6 Norme et produit scalaire

7 Tableau de données multidimensionnelles

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 47 / 67
 Valeurs propres et vecteurs propres Valeurs propres, vecteurs propres, espace propre

Définition (Valeurs propres, vecteurs propres)

Soit A une matrice carrée.
# On dit que u est un vecteur propre de A, si u est différent de zéro
(le vecteur nul) et il existe λ scalaire, tel que Au = λu.
# Le scalaire λ est appelé la valeur propre de A associée à u.
# Le victeur u est également dit vecteur propre associé à la valeur
propre λ.

Proposition
# La somme des valeurs
P propres d’une matrice est égale à la trace
de cette matrice. λi = Trac(A).
# Si λ est une valeur propre de A, alorsλ est racine de det(A − λ I)
qui est un polynôme de degré n, appelé polynôme caracteristique.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 48 / 67
 Valeurs propres et vecteurs propres Valeurs propres, vecteurs propres, espace propre

Remarque
Le polynôme caracteristique P(λ) = det(A − λ I) de la matrice A est de
degré n en λ :

P(λ) = λn + αn−1 λn−1 + . . . + α1 λ + α0 .

En écrivant :
P(λ) = (λ − λ1 )(λ − λ2 ) . . . (λ − λn )
avec λi les vecteurs propres alors :
n
X n
Y
n
αn−1 = − λi = −trace(A) et α0 = (−1) λi = (−1)n det(A).
i=1 i=1

Si n = 2 on a donc

P(λ) = det(λI − A) = λ2 − trace(A)λ + det(A).

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 49 / 67
 Valeurs propres et vecteurs propres Valeurs propres, vecteurs propres, espace propre

Définition (Sous espace propre)

Soit λ une valeur propre, on appelle sous-espace propre Eλ associé à
λ : le sous-espace vectoriel formé de 0 et des vecteurs propres
associés à λ.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 50 / 67
 Valeurs propres et vecteurs propres Valeurs propres, vecteurs propres, espace propre

Exemple
   
1 1 1−λ 1
Si A = alors A − λ I = .
8 3 8 3−λ
B Le polynôme caracteristique est :
P(λ) = det(A − λ I) = (5 − λ)(−1 − λ).
B La matrice A admets deux valeurs propres λ1 = 5 et λ2 = −1
(racine de P(λ) = 0).
B Les valeurs propres étant distinctes, on va donc obtenir deux
vecteurs propres indépendants : u1T = (1, 4) et u2T = (1, −2).
B Dans ce cas à chaque valeur propre correspond un sous-espace
propre de dimension l’ordre de multiplicité des racines, c’est- à
-dire 1.
Ce n’est pas toujours le cas, Par exemple :

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 51 / 67
 Valeurs propres et vecteurs propres Valeurs propres, vecteurs propres, espace propre

Exemple
Soit la matrice  
8 −1 −5
B = −2 3 1 .
4 −1 −1
On trouve une valeur propre double λ1 = 4 à laquelle correspond un
sous-espace propre de dimesnsion 1.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 52 / 67
 Valeurs propres et vecteurs propres Valeurs propres, vecteurs propres, espace propre

Théorème
Si λ1 , . . . , λn sont des valeurs propres disctinctes, si u1 , . . . , un sont
des vecteurs propres respectivement associés à ces valeurs propres
alors les vecteurs propres sont linéairement indépendants.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 53 / 67
 Valeurs propres et vecteurs propres Matrice diagonalisable

Définition (Matrice diagonalisable)

La matrice A d’ordre n est dite diagonalisable si elle est semblable à
une matrice diagonale, c’est-à-dire qu’il existe une matrice diagonale
D et une matrice inversible P telles que A = P D P −1 qui équivaut à
A P = P D.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 54 / 67
 Valeurs propres et vecteurs propres Matrice diagonalisable

Matrice diagonalisable

Proposition

B Si A est diagonalisable (avec A = PDP −1 ), alors les éléments

diagonaux de D sont les valeurs propres de A et les colonnes de
P sont les vecteurs propres de A.
B Toute matrice est diagonalisable si toute valeur propre est réelle et
de multiplicité égale à la dimension du sous-espace propre
associé.
B Toute matrice qui possède n valeurs propres distinctes est
diagonalisable.
B Toute matrice qui possède n vecteurs propres linéairement
indépendants est diagonalisable.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 55 / 67
 Valeurs propres et vecteurs propres Matrice diagonalisable

Exemple
Reprenons l’exemple 5.1 ci-dessus : A est donc diagonalisable, mais B
ne l’est pas. Les matrices diagonales D et de passage P (pour A) sont
données ci-dessous :
   
5 0 1 1
D= et P = .
0 −1 4 −2

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 56 / 67
 Norme et produit scalaire

Plan du chapitre
1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

4 Matrice carrée

5 Valeurs propres et vecteurs propres

6 Norme et produit scalaire

Norme
Vecteur normé
Distance
Projecteur

7 Tableau de données multidimensionnelles

I.Ouassou (ENSA Marrakech)
Analyse des données : Rappels d’algèbre l. Septembre -2024 57 / 67
 Norme et produit scalaire Norme

Dans toute la suite M désigne une métrique (une matrice symétrique

définie positive).

Définition (Norme)
On appelle norme sur un espace vectoriel E, une application,
N : x 7−→ N(x) de E dans R+ , vérifiant les propriétés suivantes :
1 N(x) > 0 et N(x) = 0 ⇐⇒ x = 0.
2 N(ax) = |a| N(x) pour tout scalaire a et tout x de E.
3 N(x + y ) < N(x) + N(y ) pour tout x et y de E (inégalité
triangulaire).

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 58 / 67
 Norme et produit scalaire Vecteur normé

Définition (Vecteur normé )

Soit x un vecteur, sa norme est définie par
√
NM (x) = x T M x.

Un vecteur est dit normé si et seulement si sa norme vaut 1.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 59 / 67
 Norme et produit scalaire Distance

Définition (Distance)
Soient x et y deux vecteurs.
# Leur produit scalaire est défini par

< x, y >M = x T M y .

La notation < x, y >M permet de préciser la métrique utilisée.

# La distance entre x et y est définie par

d(x, y ) = NM (x − y ).

# Le vecteur x est M-orthogonal à y si et seulement si x T M x = 0.

# Le cosinus de l’angle α formé par les deux vecteurs x et y est
donné par :
< x, y >M
cos(α) = .
NM (x) NM (y )
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 60 / 67
 Norme et produit scalaire Projecteur

Définition (Projecteur)
On appelle P, projecteur une métrique idempotente c-à-d P 2 = P.

Exemple
La matrice nulle et la matrice identité sont des projecteurs.

Définition (Projection orthogonale)

Soit x un vecteur quelconque et Du la droite engendrée par le vecteur
u. Le point
xT M u
xh = u
NM (u)
est la projection orthogonale du point x sur Du .

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 61 / 67
 Tableau de données multidimensionnelles

Plan du chapitre
1 Objectifs et plan du cours

2 Introduction et motivations

3 Généralités sur les matrices

4 Matrice carrée

5 Valeurs propres et vecteurs propres

6 Norme et produit scalaire

7 Tableau de données multidimensionnelles

Matrice de poids, de variance-covariance
Matrice de corrélation
Utilisation de la métrique statistique
I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 62 / 67
 Tableau de données multidimensionnelles

B En général les observations de p variables sur n individus sont

présentées sous le forme d’une matrice :

x1 x12 . . . x1p
 1 
e1
e2  1 2 P 
 x2 x2 . . . x2 
X = X (n, p) = .  . .. .. .. 
..  .. . . . 
en xn1 xn2 . . . xnP

d’ordre (n, p) de terme général xij où xij (j = 1 . . . p et i = 1 . . . n)

désigne la valeur prise par la variable numéro j sur l’individu
numéro i.
B Chaque variable x j est considérée comme un vecteur d’un espace
à n dimensions appelé espace des variables.
B De même, chaque individu noté ei est un élément d’un espace
vectoriel appelé espace des individus.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 63 / 67
 Tableau de données multidimensionnelles Matrice de poids, de variance-covariance

Définition (Matrice de poids)

On supposera qu’à chaque individu ei est associé un poids pi positif
tel que
Xn
pi = 1.
i=1

On notera D la matrice diagonale des poids.

Définition (Centre de gravité)

Soit I le vecteur dont les n composantes sont égaux à 1 ; le centre de
gravité du nuage des individus est le vecteur

g = X T D I.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 64 / 67
 Tableau de données multidimensionnelles Matrice de poids, de variance-covariance

Définition (Matrice de variance-covariance)

La matrice de variance-covariance V est définie par

V = X T D X − g gT .

Si les poids sont centrés g = 0, la matrice de variance-covariance

devient
V = XT D X.

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 65 / 67
 Tableau de données multidimensionnelles Matrice de corrélation

Remarque
La matrice de variance-covariance est une matrice carrée symétrique.

Définition (Matrice de corrélation)

Si on note D1/s la matrice diagonale des inverses des écart-types, la
matrice de corrélation, notée R est définie par

R = D1/s V D1/s .

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 66 / 67
 Tableau de données multidimensionnelles Utilisation de la métrique statistique

Pour mesurer la distance entre individus ou entre variables, il faut

définir un produit scalaire, donc une métrique.
La métrique que l’on utilise :
B dans le cas de variables, est la matrice des poids D.
B pour mesurer la proximité entre individus, on utilise une des
métriques suivantes :
# la métrique euclidienne classique : c’est le cas où M = I, c’est- à
-dire celle qui revient à utiliser le produit scalaire usuel. Par
conséquent, on a la distance euclidienne cla
X
d 2 (x, y ) = (xi − yi )2 .
i

# La métrique de Mahalanobis : M = V −1 .

I.Ouassou (ENSA Marrakech) Analyse des données : Rappels d’algèbre l. Septembre -2024 67 / 67