HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

Dimension: px
Commencer à balayer dès la page:

Download "HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES"

Transcription

1 105 HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 1. Introduction En statistiques il arrive fréquemment que les individus soient décrits par un grand nombre de caractères. : voitures décrites par leur prix, leur taille, puissance, finition etc, rendement d une réaction chimique en fonction de la température, pression, concentrations, nature du catalyseur etc, propriété physique d une substance chimique en fonction de données structurales. L analyse en composantes principales permet de répondre aux questions : En ce qui concernent les variables : quelles sont celles qui sont associées, lesquelles agissent dans le même sens lesquelles s opposent? Quelles sont les variables qui expliquent efficacement l une d entre elles (par exemple quels sont les paramètres qui définissent le prix d une voiture)? En ce qui concerne les individus : quels sont ceux qui se ressemblent, quelles sont celles qui sont dissemblables?. Principe de l ACP Lorsqu il y a plus de trois variables explicatives, il n est plus possible de représenter les individus dans l espace géométrique. S il y a p variables indépendantes, chaque individu est un point dans un espace à p dimensions. Il faut donc projeter les individus dans un espace de dimension plus petite, en pratique on utilise un ou plusieurs plans de projection. Mathématiquement, une projection n est jamais une bijection, elle fait toujours perdre de l information, mais parmi toutes les projections possibles il en existe qui font perdre moins d information que d autres. Fig 41 : Information transmise par une image

2 106 Dans l exemple ci-dessus, suivant l angle sous lequel le photographe a pris cette photo, on peut reconnaître l animal ou non. Notons que la photo sur laquelle l animal est le plus reconnaissable est cette où il occupe le plus d espace (à facteur d agrandissement constant évidemment). Si l image est représentée par des points, la projection qui transmet le maximum d information est celle qui se caractérise par le plus grand étalement des variables x et y, en d autre termes celle qui présente les variances maximales de x et y. Dans l exemple suivant, les points semblent alignés suivant une droite dans le plan xoz. Une rotation adéquate du système de référence montre que ces points se distribuent autour d un cercle. Or un changement de référentiel revient à écrire de nouvelles variables qui sont des combinaisons linéaires des anciennes variables. Fig 4 : Perte d information lors d une projection L ACP procède exactement de cette manière, elle consiste à calculer des indices synthétiques (variables transformées) qui sont des combinaisons linéaires des variables initiales de manière à rendre leur variance maximale. L ACP recherche d abord la combinaison linéaire des variables de variance maximale. Cette nouvelle variable (ou indice) est la première composante principale, elle définit le premier axe principal, ensuite on cherche un axe orthogonal, donc une nouvelle variable n ayant aucune corrélation avec la première et qui montre également la plus grande variance possible et ainsi de suite, donc l ACP transforme un ensemble de caractères plus ou moins corrélés en un nouvel ensemble de caractères non corrélés et d importance décroissante appelés composantes principales. Mathématiquement le procédé consiste à rechercher les valeurs propres et les vecteurs propres d une matrice carrée. Pour que la transformation des coordonnées puisse s appliquer correctement, il faut que tous les caractères soient centrés. On admet implicitement que tous les x i,j sont remplacés par x i,j m j c'està-dire que l origine des axes est centré sur le barycentre des caractères.

3 L espace des individus Chaque individu est défini par p caractères, donc est considéré comme un vecteur (ou un point) dans un espace de dimension p (x 1,i, x,i, x 3,i, x p,i ). L ensemble des individus est représenté par une matrice n*p : x1,1 x,1 L xp,1 x1, x, xp, X L = L L L L x1,n x,n x L p,n Exemple : Caractéristique des voitures (chaque individu est une voiture) Marque prix ( ) cylindrée puissance longueur largeur poids vitesse finition A B B TB C M D M E B F TB G B H B I TB J M K TB L B M TB N B O TB P M Q B R M Dans ce cas n=18 (nombre d individus) et p=8 (nombre de caractères). Observer que les ordres de grandeurs des caractères sont très différents et que la finition est un caractère qualitatif. Il faut donc préalablement associer une valeur numérique à la finition et centrer les caractères. Le vecteur Voiture H est la ligne correspondante (vecteur à 8 composantes), le vecteur puissance correspond à la colonne puissance, il est de dimension 18.

4 108 Les relations entre individus sont représentées par la matrice de variance covariance. (p*p) s 1 s1, L s 1,p s1, s s,p V L = L L L L s1,p s,p s L p De même, l ensemble des coefficients de corrélations est regroupé dans la matrice de corrélation : 1 r1, L r1,p r1, 1 r,p R L = L L L L r1,p r,p 1 L La distance entre individus se calcule habituellement par le théorème de Pytagore,, = p dik ( xji, x jk, ) (105) j= 1 Habituellement, dans un espace géométrique, toutes les coordonnées sont de même nature et exprimées dans les mêmes unités, c est une condition pour que la distance ait un sens physique. Dans le cas des caractères statistiques, chaque caractère est physiquement différent et exprimé dans des unités différentes. (pour une voiture les caractères sont le prix, la puissance, le poids, la finition ). Dans la matrice de variance covariance, un caractère exprimé par une très petite unité donnera un variance et une covariance très grande et l élément matriciel correspondant écrasera tous les autres, il faut donc diviser chaque caractère par son écart-type ce qui fournit des grandeurs sans dimension. Dans cette opération, la matrice de variance covariance est remplacée par la matrice de corrélation. C est donc sur cette matrice que nous travaillerons ultérieurement. 4. L espace des caractères n Chaque caractère est un vecteur dans un espace de dimension n (p vecteurs dans un espace ) La proximité (ou l identité) de deux caractères ne se mesure pas comme une distance mais comme un angle. Des caractères non corrélés sont orthogonaux, des caractères identiques vont dans la même direction, des caractères qui s opposent vont dans des directions contraires). L angle entre deux vecteurs V 1 et V s exprime par leur produit scalaire : rr VV s cos( θ ) = r r = = (106) j k j, k jk, rjk, Vj V ss k j k Comme les caractères sont centrés, le cosinus de l angle θ n est autre que le coefficient de corrélation entre les deux caractères.

5 La recherche des composantes principales La recherche des composantes principales revient à calculer les valeurs propres et les vecteurs propres de la matrice de corrélation. 1 r1, L r1,p r1, 1 r,p R L = L L L L r1,p r,p 1 L matrice des vecteurs propres Matrice des valeurs propres (diagonale) λ 1 0 O 0 λ p Fig 43 Principe de la recherche des valeurs propres d une matrice carrée Cette opération fournit deux matrices : La matrice des vecteurs propres qui sont les coefficients des combinaisons linéaires fournissant les composantes principales. La matrice des valeurs propres qui sont les variances des individus suivant les axes principaux correspondants. 6. Contribution des axes principaux à la variance totale Dans la recherche des valeurs propres, la variance totale est distribuée suivant les nouvelles variables explicatives. Cette distribution se fait proportionnellement aux valeurs propres. On peut donc estimer l importance de chaque facteur par la contribution de sa variance à la variance totale (en %). On peut ainsi choisir un nombre limité de facteurs qui expliquent par exemple 80% de la variabilité des individus. Dans l exemple des voitures on a effectué une ACP sur toutes les variables excepté le prix (note fin est une note attribuée à la variable qualitative finition): Matrice de corrélation (les corrélations des variables avec elles-mêmes sont omises) cylindrée puissance longueur largeur poids vitesse puissance 0,797 longueur 0,701 0,641 largeur 0,630 0,51 0,849 poids 0,789 0,765 0,868 0,717 vitesse 0,665 0,844 0,476 0,473 0,478 note fin 0,48 0,653 0,546 0,515 0,613 0,439

6 110 Il est totalement logique de trouver des corrélations élevées. En effet, une voiture longue est également large et son poids est élevé. Une grosse voiture (longue, large et lourde) est également puissante. (on ne met pas de petit moteur dans une grosse voiture), quand à la relation entre cylindrée, puissance et vitesse, elle est évidente. Analyse des valeurs et vecteurs propres de la matrice de corrélation Valeur propre 4,864 0,856 0,6193 0,379 0,171 0,0779 Proportion 0,695 0,1 0,088 0,053 0,04 0,011 Cumulatif 0,695 0,817 0,906 0,959 0,983 0,995 Valeur propre 0,038 Proportion 0,005 Cumulatif 1,000 Variable CP1 CP CP3 cylindré -0,394-0,13 0,395 puissanc -0,406-0,416-0,081 longueur -0,399 0,408 0,133 largeur -0,367 0,443 0,143 poids -0,411 0,41 0,03 vitesse -0,338-0,63 0,137 note fin -0,31 0,0-0,883 On observe que les trois premières composantes principales expliquent 90% de la variabilité des individus, il n est donc pas nécessaire d utiliser 7 variables. Cela signifie aussi que les individus sont bien représentés dans un sous-espace vectoriel de dimension 3 à condition que les axes soient bien choisis. Le tableau suivant donne les coefficients des variables initiales dans le calcul des composantes principales. Si on appelle c i,j les coefficients de la matrice des vecteurs propres, les composantes principales sont une combinaison linéaire des variables de départ avec les coefficients c i,j p CP = c x (107) i i, j j i= 1 par exemple CP1=-0,394 cylindrée -0,406 puissance -0,399 longueur etc 7. Régression en fonction des composantes principales L analyse de la matrice de corrélation montre qu il est inadéquat de calculer une régression multi linéaire du prix par rapport aux 7 autres variables explicatives. Une régression pas à pas permet d éliminer brutalement les facteurs les plus corrélés, mais on ne tient pas compte du fait qu une combinaison linéaire de variables très corrélés peut être plus significative qu un nombre limité de ces variables. L ACP permet de faire un calcul de régression sur un nombre limité de nouvelles variables (les premières composantes principales) qui sont indépendantes par construction, par contre la signification physique de ces nouvelles variables est souvent délicate à interpréter

7 111 ANALYSE EN COMPOSANTES PRINCIPALES CE QU IL FAUT ABSOLUMENT SAVOIR Calculer et interpréter une matrice de corrélation à l aide d un tableur ou d un logiciel statistique. Comprendre le principe et l utilité de l ACP Calculer les composantes principales à l aide d un tableur ou d un logiciel statistique et interpréter les résultats.

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

Séance 2: Modèle Euclidien

Séance 2: Modèle Euclidien Généralités Métrique sur les INDIVIDUS Métrique sur les VARIABLES Inertie Analyse des individus Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Généralités Métrique

Plus en détail

Méthodes de projection

Méthodes de projection Chapitre 11 Méthodes de projection Contenu 11.1 Analyse en composantes principales........ 138 11.1.1 L Analyse en Composantes Principales........ 139 11.1.2 La (grande) famille des ACP............. 151

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL LINF 2275 Stat. explor. multidim. 1 A.C.P.: Analyse en Composantes Principales Analyse de la structure de la matrice

Plus en détail

Ch2 : Analyse en Composantes Principales (ACP)

Ch2 : Analyse en Composantes Principales (ACP) Ch2 : Analyse en Composantes Principales (ACP) A- Objectifs B- construction d un espace factoriel C- Les étapes d une ACP D- Interprétation E- Limites A- Objectifs On dispose d un tableau de données X.

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Liste complète des sujets d oral (SESSION 2004) servant pour 2004-2005. Leçons d Algèbre et de Géométrie

Liste complète des sujets d oral (SESSION 2004) servant pour 2004-2005. Leçons d Algèbre et de Géométrie http://perso.wanadoo.fr/gilles.costantini/agreg.htm Liste complète des sujets d oral (SESSION 2004) servant pour 2004-2005 Légende : En italique : leçons dont le libellé a changé ou évolué par rapport

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume.

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume. Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

Réduction des endomorphismes et des matrices carrées

Réduction des endomorphismes et des matrices carrées 48 Chapitre 4 Réduction des endomorphismes et des matrices carrées La motivation de ce chapitre est la suivante. Étant donné un endomorphisme f d un espace E de dimension finie, déterminé par sa matrice

Plus en détail

Installation de la librairie VISP et création du projet

Installation de la librairie VISP et création du projet ESIR3-IN Travaux Pratiques VO 2012-2013 PREAMBULE Copier les données des TPs 1. créez un répertoire VO dans votre homedir cd ~/ mkdir VO cd VO 2. copier le dossier contenant toutes les données pour les

Plus en détail

Quelques éléments d algèbre pour l analyse de

Quelques éléments d algèbre pour l analyse de Fiche TD avec le logiciel : tdr80 Quelques éléments d algèbre pour l analyse de données A.B. Dufour, D. Chessel et M. Royer L algèbre matricielle est fondamentale dans la compréhension de la théorie liée

Plus en détail

Vision Par Ordinateur. Techniques Statistiques de la Reconnaissance de Forme. Segmentation...2. Variables Aléatoires...7

Vision Par Ordinateur. Techniques Statistiques de la Reconnaissance de Forme. Segmentation...2. Variables Aléatoires...7 Vision Par Ordinateur James L. Crowley DEA IVR Premier Bimestre 1999/00 Séance 4 26 octobre 1999 Plan de la séance : Techniques Statistiques de la Reconnaissance de Forme Segmentation...2 La Distribution

Plus en détail

Introduction sur l analyse en composantes principales (ACP)

Introduction sur l analyse en composantes principales (ACP) Introduction sur l analyse en composantes principales (CP) ) Introduction sur un exemple à 2 dimensions On veut représenter graphiquement les profils d élèves qui ont été notés sur 2 matières (Français

Plus en détail

MOTEURS DE JEU RAPPELS MATHÉMATIQUES. Rémi Ronfard, Septembre 2014

MOTEURS DE JEU RAPPELS MATHÉMATIQUES. Rémi Ronfard, Septembre 2014 MOTEURS DE JEU RAPPELS MATHÉMATIQUES Rémi Ronfard, Septembre 2014 1 Cette présentation récapitule les concepts mathématiques nécessaires à la mise en place d un pipeline d affichage 3D. Son but n est pas

Plus en détail

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 14 Janvier 2015 2 Il est impossible d envisager l étude des méthodes

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

Cours de Mathématiques II Chapitre 1. Algèbre linéaire Université de Paris X Nanterre UFR Segmi Année 7-8 Licence Economie-Gestion première année Cours de Mathématiques II Chapitre Algèbre linéaire Table des matières Espaces vectoriels Espaces et sous-espaces

Plus en détail

Algèbre linéaire. 1 Espaces vectoriels R n. Jean-Paul Davalan. 1.1 Les ensembles R n. 1.2 Addition dans R n. (R n, +) désigne R n muni de l addition.

Algèbre linéaire. 1 Espaces vectoriels R n. Jean-Paul Davalan. 1.1 Les ensembles R n. 1.2 Addition dans R n. (R n, +) désigne R n muni de l addition. Algèbre linéaire. Jean-Paul Davalan 2001 1 Espaces vectoriels R n. 1.1 Les ensembles R n. Définition 1.1 R 2 est l ensemble des couples (x, y) de deux nombres réels x et y. D une manière générale, un entier

Plus en détail

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité Introduction à l analyse des données Analyse des Données () Le but de l analyse de données est de synthétiser, structurer l information contenue dans des données multidimensionnelles Deux groupes de méthodes

Plus en détail

1.1. Le moment cinétique en mécanique classique

1.1. Le moment cinétique en mécanique classique c M Dunseath-Terao - Master 1 de Physique UR1 2006 2007 1 Complément 1 Le moment cinétique 1.1. Le moment cinétique en mécanique classique L équation du mouvement d un corps en rotation en mécanique classique

Plus en détail

Les matrices. 1 Définitions. 1.1 Matrice

Les matrices. 1 Définitions. 1.1 Matrice Les matrices 2012-2013 1 Définitions 11 Matrice Définition 1 Une matrice m n est un tableau de nombres à m lignes et n colonnes Les nombres qui composent la matrice sont appelés les éléments de la matrice

Plus en détail

BACCALAURÉATS PROFESSIONNELS EN 3 ANS

BACCALAURÉATS PROFESSIONNELS EN 3 ANS BACCALAURÉATS PROFESSIONNELS EN ANS Électrotechnique énergie équipements communicants Exemple de progression pédagogique Programmes : BOEN n 11 du 1/06/199 / A 8/07/99 modifié A 19/07/0 Mathématiques :

Plus en détail

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 6 : Modélisation non-supervisée

Plus en détail

UNIVERSITE PAUL SABATIER 2008/2009. Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le nombre réel (ou complexe)

UNIVERSITE PAUL SABATIER 2008/2009. Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le nombre réel (ou complexe) UNIVERSITE PAUL SABATIER 2008/2009 YjY L1 - PCP - DETERMINANTS (COURS-EXERCICES) YjY 1 Déterminant, définition, propriètés Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Résumé du Cours de Modèles de Régression. Yves Tillé

Résumé du Cours de Modèles de Régression. Yves Tillé Résumé du Cours de Modèles de Régression Yves Tillé 0 janvier 20 Chapitre Régression bivariée Série statistique bivariée On s intéresse à deux variables x et y Ces deux variables sont mesurées sur les

Plus en détail

Autour de la diagonalisation

Autour de la diagonalisation Autour de la diagonalisation Cédric Gérot, Pierre Granjon, Nicolas Le Bihan Laboratoire des Images et des Signaux Grenoble January 22, 2003 Contents 1 Eléments d algèbre 2 11 Espace vectoriel 2 111 Définition

Plus en détail

Analyse des données et Data Mining

Analyse des données et Data Mining Analyse des données et Data Mining Analyse en composantes principales utc sy09 1 Objectif des méthodes factorielles Visualiser, traiter des données multidimensionnelles Problème difficile Information apportée

Plus en détail

Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2. Guillaume CARLIER

Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2. Guillaume CARLIER Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2 Guillaume CARLIER L1, année 2006-2007 2 Ce support de cours est basé sur le poly de Tristan Tomala des années précédentes.

Plus en détail

L analyse en composantes principales en pratique

L analyse en composantes principales en pratique L analyse en composantes principales en pratique Après avoir vu sa formalisation mathématique dans le module précédent, on s intéresse ici à l utilisation pratique de l ACP. 1 Objectifs L objectif de l

Plus en détail

Analyse des données - Logiciel R

Analyse des données - Logiciel R Université de Strasbourg Analyse des données Master de Sciences, Spécialité Statistique 2012/13 Master Actuariat Emmanuel Périnel Analyse des données - Logiciel R TP n 2. L Analyse en Composantes Principales

Plus en détail

Reconnaissance de Forme Statistique

Reconnaissance de Forme Statistique Reconnaissance de Forme Statistique James L. Crowley Deuxième Année ENSIAG Deuxième semestre 2002/2003 Séance 7 7 avril et 26 mars 2003 PCA et la discriminante linéaire de Fisher Plan de la séance : L'analyse

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

Analyse de Données. Analyse en Composantes Principales (ACP)

Analyse de Données. Analyse en Composantes Principales (ACP) Analyse de Données Analyse en Composantes Principales (ACP) Analyse en composantes principales (ACP) ** Sur toute la fiche, on notera M' la transposée de M. Cadre de travail : On a des données statistiques

Plus en détail

Matrices et déterminants

Matrices et déterminants Matrices et déterminants Matrices Définition.. Une matrice réelle (ou complexe) M = (m i,j ) (m, n) à m lignes et n colonnes est un tableau à m lignes et n colonnes de réels (ou de complexes). Le coefficient

Plus en détail

1.1.1 Composantes contravariantes, covariantes d un vecteur

1.1.1 Composantes contravariantes, covariantes d un vecteur Chapitre 1 Prérequis Ce chapitre regroupe les définitions et les résultats sur les tenseurs qui sont utilisés dans la théorie des coques et des membranes. Il comprend deux parties : 1. L algèbre tensorielle,

Plus en détail

Correction du devoir maison n o 7 PARTIE I

Correction du devoir maison n o 7 PARTIE I Lycée Kléber Pour le 5 décembre 2014 PSI* 2014-2015 Correction du devoir maison n o 7 (Mines I PSI 2001) MATHEMATIQUES PARTIE I Remarquons d abord que la définition de la semi-linéarité de u est équivalente

Plus en détail

Cours 2-3 Analyse des données multivariées

Cours 2-3 Analyse des données multivariées Cours 2-3 des données s Ismaël Castillo École des Ponts, 13 Novembre 2012 Plan 1 2 3 4 1. On s intéresse à un jeu de données multi-dimensionel, avec n individus observés et p variables d intérêt ( variables

Plus en détail

Tracé de lignes et de courbes planes

Tracé de lignes et de courbes planes Département d informatique Université de Toulon et du Var Plan 1 Introduction 2 Tracé de segments 3 Tracé de cercles 4 Tracé de courbes Définition Le processus de représentation d objets graphiques continus

Plus en détail

Codes linéaires. Distance d un code linéaire

Codes linéaires. Distance d un code linéaire Distance d un code linéaire Un code binaire C est linéaire si la somme de deux mots quelconques du code est encore un mot du code : w 1, w 2 C, w 1 + w 2 C Un code linéaire est donc un sous-espace vectoriel

Plus en détail

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51 Résolution de systèmes linéaires : Méthodes directes Polytech Paris-UPMC - p. /5 Rappels mathématiques s Propriétés - p. 2/5 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques

Plus en détail

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES 1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES Si vous lisez ce livre c est que, probablement, vous faites des expériences et que vous cherchez à mieux les organiser. Vous cherchez surtout

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :

Plus en détail

ÉCOLE POLYTECHNIQUE Promotion 2009. CONTRÔLE DU COURS DE PHYSIQUE PHY311 Lundi 12 juillet 2010, durée : 2 heures

ÉCOLE POLYTECHNIQUE Promotion 2009. CONTRÔLE DU COURS DE PHYSIQUE PHY311 Lundi 12 juillet 2010, durée : 2 heures ÉCOE POYTECHNIQUE Promotion 2009 CONTRÔE DU COURS DE PHYSIQUE PHY311 undi 12 juillet 2010, durée : 2 heures Documents autorisés : cours, recueil de problèmes, copies des diapositives, notes de PC Indiquer

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC L analyse Factorielle des correspondances...2 1/ Préambule descriptif de l AFC...2 Exemples de types de données que l AFC peut aborder:...2 Quelques types de tableaux traités par l AFC...3 2/ Exercice

Plus en détail

Thème : Application affines en terminale

Thème : Application affines en terminale 6 ième ASSEMBLEE GENERALE de l Association des Professeurs de Mathématiques de la Région de Sikasso et Sympathisants Thème : Application affines en terminale BOUGOUNI 2010-2011 Présenté par : APROMARS/

Plus en détail

1 Cinématique du solide

1 Cinématique du solide TBLE DES MTIÈRES 1 Cinématique du solide 1 1.1 Coordonnées d un point dans l espace......................... 1 1.1.1 Repère et référentiel................................ 1 1.1.2 Sens trigonométrique...............................

Plus en détail

1. Explorer, organiser et démontrer des propriétés géométriques en termes de longueurs et d angles. Découvrir et étudier des nombres irrationnels.

1. Explorer, organiser et démontrer des propriétés géométriques en termes de longueurs et d angles. Découvrir et étudier des nombres irrationnels. Compétences : math, 2 ème degré (pages 1 à 3) math, 3 ème degré (pages 4 à 8) 3 grands thèmes du cours à 4h sem (pages 9 à 11) 3 grands thèmes du cours à 2h sem (pages 12 à 14) (Seules les définitions

Plus en détail

Bases du Modèle Linéaire

Bases du Modèle Linéaire AgroParisTech Bases du Modèle Linéaire J.J. Daudin, E. Lebarbier, C. Vuillet Table des matières 1 Introduction 3 2 Estimation des paramètres 5 2.1 Estimation des paramètres de l espérance......................

Plus en détail

Les espaces vectoriels

Les espaces vectoriels Agrégation interne UFR MATHÉMATIQUES 1. Généralités Les espaces vectoriels Dans tout le chapitre, K représente un corps commutatif. 1.1. Notion d espace vectoriel On considère un ensemble E sur lequel

Plus en détail

Introduction au cours de physique (1)

Introduction au cours de physique (1) Introduction au cours de physique () Exercices : Petites variations, valeurs moyennes Calculs de petites variations Méthode De manière générale : il est souvent plus simple de faire une différentiation

Plus en détail

Application des méthodes de décomposition en composantes principales à la climatologie

Application des méthodes de décomposition en composantes principales à la climatologie Application des méthodes de décomposition en composantes principales à la climatologie Etude d un exemple: les modes de variabilité de la température de surface de la mer dans l océan Atlantique tropical

Plus en détail

AA2 - Projet informatique

AA2 - Projet informatique AA2 - Projet informatique Jean-Baptiste Vioix (jean-baptiste.vioix@iut-dijon.u-bourgogne.fr) IUT de Dijon-Auxerre - LE2I http://jb.vioix.free.fr 1-15 Introduction Fonctionnement du module Le but de ce

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 4 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

Renforcer ses compétences

Renforcer ses compétences Renforcer ses compétences en mathématiques Tome 1 AVANT PROPOS Vos études ou vos activités professionnelles vous ont peut-être éloignés des mathématiques et ceci, parfois depuis longtemps. Vous souhaitez

Plus en détail

DS SCIENCES PHYSIQUES MATHSPÉ

DS SCIENCES PHYSIQUES MATHSPÉ DS SCIENCES PHYSIQUES MATHSPÉ calculatrice: autorisée durée: 4 heures Sujet Mécanique...2 I.Mise en équations...2 II.Résolution...4 III.Vérifications...4 IV.Aspects énergétiques...4 Optique...5 I.Interférences

Plus en détail

A. 1. Définitions 96/154. Cas particuliers

A. 1. Définitions 96/154. Cas particuliers I II III IV V VI VII VIII Cours de Mathématiques IUT Orsay DUT INFORMATIQUE A - Semestre 0-0 Introduction Wims Calcul ensembliste Relations binaires, applications Logique Raisonnements par récurrence,

Plus en détail

PROBLÈME : Endomorphismes semi-linéaires et valeurs co-propres. Partie I

PROBLÈME : Endomorphismes semi-linéaires et valeurs co-propres. Partie I PROBLÈME : Endomorphismes semi-linéaires et valeurs co-propres Sujet complet Mines Pont 2001 - PSI Partie I 1. Premières propriétés Remarquons d abord que la définition de la semi-linéarité de u est équivalente

Plus en détail

Statistiques de groupe

Statistiques de groupe Système Méthodologique d Aide à la Réalisation de Tests Statistiques de groupe et analyse des questions de votre épreuve Une unité de soutien de l IFRES Université de Liège L analyse des statistiques de

Plus en détail

Introduction à l analyse des données. Olivier Godechot

Introduction à l analyse des données. Olivier Godechot Introduction à l analyse des données Olivier Godechot Introduction. Les données statistiques : de très nombreuses variables. Aucune n est parfaite La perception d un phénomène appréhendée comme la combinaison

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Espaces euclidiens. 1 Définitions et exemples. 2 Orthogonalité, norme euclidienne 2. 3 Espaces euclidiens, bases orthonormées 2

Espaces euclidiens. 1 Définitions et exemples. 2 Orthogonalité, norme euclidienne 2. 3 Espaces euclidiens, bases orthonormées 2 Espaces euclidiens Table des matières 1 Définitions et exemples 1 Orthogonalité, norme euclidienne 3 Espaces euclidiens, bases orthonormées 4 Orthogonalisation de Schmidt 3 5 Sous-espaces orthogonaux 3

Plus en détail

CH.2 CODES CORRECTEURS

CH.2 CODES CORRECTEURS CH.2 CODES CORRECTEURS 2.1 Le canal bruité 2.2 La distance de Hamming 2.3 Les codes linéaires 2.4 Les codes de Reed-Muller 2.5 Les codes circulaires 2.6 Le câblage des codes circulaires 2.7 Les performances

Plus en détail

1 S Le produit scalaire Exercices. Diverses expressions du produit scalaire et calcul de grandeurs.

1 S Le produit scalaire Exercices. Diverses expressions du produit scalaire et calcul de grandeurs. S e produit scalaire Eercices Diverses epressions du produit scalaire et calcul de grandeurs. Eercice. est un triangle et I est le milieu de []. Données : I 6, I I et I. alculer : ) (introduire le point

Plus en détail

La commande par mode glissant

La commande par mode glissant 1. Introduction Les lois de commande classiques du type PID sont très efficaces dans le cas des systèmes linéaires à paramètres constants. Pour des systèmes non linéaires ou ayant des paramètres non constants,

Plus en détail

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED SEMIN Analyses factorielles avec R Elisabeth MORAND INED SEMIN R du MNHN 10 Décembre 2009 E. Morand 10 Décembre 2009 INED 1 / 42 Part I Analyse en Composantes Principales : ACP 2 / 42 Sommaire 1 Introduction

Plus en détail

5 // Champ en profondeur

5 // Champ en profondeur 1 1 // Description On distingue principalement : les objectifs standards f = 50 mm les objectifs grand angle f = 8 mm les téléobjectifs f = 500 mm les objectifs à distance focale image variable ou zooms;

Plus en détail

De la reconnaissance faciale via l analyse en composantes principales

De la reconnaissance faciale via l analyse en composantes principales De la reconnaissance faciale via l analyse en composantes principales Germain Van Bever germainvanbever@ulbacbe Résumé Nous aborderons dans ce chapitre le problème de la reconnaissance faciale Afin de

Plus en détail

MATÉRIEL D APPRENTISSAGE SERVANT D APPUI AU NOUVEAU TABLEAU DE CORRESPONDANCE DU CURRICULUM À : MATHÉMATIQUES 11 NO P-0-257

MATÉRIEL D APPRENTISSAGE SERVANT D APPUI AU NOUVEAU TABLEAU DE CORRESPONDANCE DU CURRICULUM À : MATHÉMATIQUES 11 NO P-0-257 MATÉRIEL D APPRENTISSAGE SERVANT D APPUI AU NOUVEAU CURRICULUM DE L ONTARIO : MATHÉMATIQUES, FONCTIONS, 11 e année, COURS PRÉUNIVERSITAIRE/PRÉCOLLÉGIAL (MCF3M) TABLEAU DE CORRESPONDANCE DU CURRICULUM À

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

figure 6.1. page 230. Il existe deux grandes classes de projections : les projections perspectives et les projections parallèles.

figure 6.1. page 230. Il existe deux grandes classes de projections : les projections perspectives et les projections parallèles. Informatique Graphique Cours 12 - Projections Introduction En général, une projection est une fonction qui permet de transformer un point dans système de coordonnées à N dimensions, en un point dans un

Plus en détail

Feuille d'exercices : Diusion thermique

Feuille d'exercices : Diusion thermique Feuille d'exercices : Diusion thermique P Colin 2014/2015 1 Diusion thermique dans une barre * On considère une barre cylindrique de longueur l et de section S constituée d un matériau de conductivité

Plus en détail

Comme la moyenne au devoir est plutôt faible, le professeur propose deux possibilités pour augmenter cette moyenne :

Comme la moyenne au devoir est plutôt faible, le professeur propose deux possibilités pour augmenter cette moyenne : Chapitre 6 : Statistiques I Premières définitions - Etablir une statistique, c est relever pour tous les individus d une population les valeurs d une grandeur X, appelée caractère ou variable statistique.

Plus en détail

EVALUATION DIAGNOSTIQUE : - 1- L énergie cinétique d un solide est proportionnelle à sa masse proportionnelle à sa vitesse toujours constante.

EVALUATION DIAGNOSTIQUE : - 1- L énergie cinétique d un solide est proportionnelle à sa masse proportionnelle à sa vitesse toujours constante. EVALUATION DIAGNOSTIQUE : - 1- L énergie cinétique d un solide est proportionnelle à sa masse proportionnelle à sa vitesse toujours constante - 2- L énergie potentielle de pesanteur du wagon dépend : du

Plus en détail

Analyse en Composantes Principales avec XLSTAT

Analyse en Composantes Principales avec XLSTAT Analyse en Composantes Principales avec XLSTAT Une feuille Excel contenant à la fois les données et les résultats peut-être téléchargée en cliquant ici. Les données proviennent du US Census Bureau (le

Plus en détail

en dimension finie Table des matières

en dimension finie Table des matières Maths PCSI Cours Algèbre linéaire en dimension finie Table des matières 1 Rappels d algèbre linéaire 2 1.1 Applications linéaires......................................... 2 1.2 Familles libres, génératrices

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

Tableau comparatif des connaissances et capacités des programmes de CM2 et 6ème

Tableau comparatif des connaissances et capacités des programmes de CM2 et 6ème Lundi Matin - «Comparatif des programmes de CM2 et 6 ème» Page 1 Tableau comparatif des connaissances et capacités des programmes de CM2 et 6ème CM2 6 ème Plus tard... Vocabulaire divers Le vocabulaire

Plus en détail

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes.

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes. Au menu Cours 7: Classes Probabilistes Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique Retours sur quelques algorithmes Quelques résultats INF561 Algorithmes et Complexité 1 2 Sous

Plus en détail

Pierre BOURDET sept. 96 - fev. 2005. Tolérancement géométrique

Pierre BOURDET sept. 96 - fev. 2005. Tolérancement géométrique Tolérancement géométrique Modèle nominal - Réel - Écarts Géométrie nominale Représentation du réel Écarts Écarts Nuage de points Éléments de substitution Tolérancement : spécifier les limites de variation

Plus en détail

Cours de Mathématiques 2

Cours de Mathématiques 2 Cours de Mathématiques 2 première partie : Analyse 2 DEUG MIAS 1 e année, 2 e semestre. Maximilian F. Hasler Département Scientifique Interfacultaire B.P. 7209 F 97275 SCHOELCHER CEDEX Fax : 0596 72 73

Plus en détail

Reconnaissance de Forme Statistique

Reconnaissance de Forme Statistique Reconnaissance de Forme Statistique James L. Crowley Deuxième Année ENSIAG Deuxième semestre 2002/2003 Séance 6 24 et 26 mars 2003 Reconnaissance de Visage et le Analyse en Composantes Principales (PCA)

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Indication Prendre une combinaison linéaire nulle et l évaluer par ϕ n 1.

Indication Prendre une combinaison linéaire nulle et l évaluer par ϕ n 1. 1 Définition Exercice 1 Déterminer si les applications f i suivantes (de E i dans F i ) sont linéaires : f 1 : (x, y) R 2 (2x + y, x y) R 2, f 2 : (x, y, z) R 3 (xy, x, y) R 3 f 3 : (x, y, z) R 3 (2x +

Plus en détail

Introduction à la description des systèmes thermodynamiques

Introduction à la description des systèmes thermodynamiques Introduction à la description des systèmes thermodynamiques 1. Définitions et généralités : La Thermodynamique est l étude des échanges d énergie ou de matière. La thermodynamique ne délimite a priori

Plus en détail

Analyse en Composantes Principales (ACP)

Analyse en Composantes Principales (ACP) Analyse en Composantes Principales (ACP) Principal Component Analysis (PCA) Nicolas Stoiber Dynamixyz Contexte : traitement du signal Problématique: comment, dans ce contexte, représenter des entités,

Plus en détail

Licence 1ère année Mention Mathématiques

Licence 1ère année Mention Mathématiques Licence 1ère année Mention Mathématiques Semestre 1 Anglais (2 ECTS) Préparation du C2i (3 ECTS) Méthodologie du Travail Universitaire Scientifique (2 ECTS) Expression Orale et Écrite (3 ECTS) Outils Mathématiques

Plus en détail

Circuits triphasés équilibrés

Circuits triphasés équilibrés Chapitre 3 Circuits triphasés équilibrés Les circuits triphasés forment la base du réseau de distribution de l électricité. On se sert de circuits triphasés entre les génératrices et les réseaux industriels

Plus en détail

Une axiomatisation du plan euclidien

Une axiomatisation du plan euclidien Nicole opp Strasbourg, avril 2007 Une axiomatisation du plan euclidien Le but de ce texte est de montrer comment on peut axiomatiser le plan euclidien d une manière qui se rapproche, autant que faire se

Plus en détail

La maximisation du profit

La maximisation du profit 2 La maximisation du profit Le profit, au sens économique du terme, se définit comme la différence entre les recettes perçues et les coûts supportés par une firme. Il est important de bien comprendre que

Plus en détail

TD de Physique n o 10 : Interférences et cohérences

TD de Physique n o 10 : Interférences et cohérences E.N.S. de Cachan Département E.E.A. M2 FE 3 e année Physique appliquée 2011-2012 TD de Physique n o 10 : Interférences et cohérences Exercice n o 1 : Interférences à deux ondes, conditions de cohérence

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

11. Espaces vectoriels, homomorphismes, bases

11. Espaces vectoriels, homomorphismes, bases 11. Espaces vectoriels, homomorphismes, bases 11.1. Espaces vectoriels, algèbres 11.1.1. Structure d espace vectoriel et d algèbre 11.1.2. Combinaisons linéaires 11.1.3. Espaces vectoriels et algèbres

Plus en détail