Partie I. Les données quantitatives

Dimension: px
Commencer à balayer dès la page:

Download "Partie I. Les données quantitatives"

Transcription

1 Variables quantitatives : analyse en composantes principales Jean-Marc Lasgouttes https://whorocqinriafr/jean-marclasgouttes/ana-donnees/ Partie I Les données quantitatives Description de données quantitatives On appelle «variable» un vecteur x de taille n Chaque coordonnée x i correspond à un individu On s intéresse ici à des valeurs numériques Poids Chaque individu peut avoir un poids p i, tel que p + + p n =, notamment quand les individus n ont pas la même importance (échantillons redressés, données regroupées,) On a souvent p = /n Résumés on dispose d une série d indicateurs qui ne donne qu une vue partielle des données : effectif, moyenne, médiane, variance, écart type, minimum, maximum, étendue, er quartile (25% inférieurs), 4ème quartile (25% supérieurs), Ces indicateurs mesurent principalement la tendance centrale et la dispersion On utilisera principalement la moyenne, la variance et l écart type Moyenne arithmétique On note x = n ou pour des données pondérés x = x i, p i x i Propriétés la moyenne arithmétique est une mesure de tendance centrale qui dépend de toutes les observations et est sensible aux valeurs extrêmes Elle est très utilisée à cause de ses bonnes propriétés mathématiques Variance et écart-type var(x) = σ 2 x = n la variance de x est définie par (x i x) 2 ou var(x) = p i (x i x) 2 Propriétés La variance satisfait la formule suivante var(x) = p i x 2 i ( x) 2 La variance est «la moyenne des carrés moins le carré de la moyenne» L écart-type, qui a la même unité que x, est une mesure de dispersion Attention! les calculatrices utilisent l estimateur sans biais de la variance dans lequel le /n est remplacé par /(n ) Mesure de liaison entre deux variables s et y est cov(x, y) = σ xy = la covariance observée entre deux variables x p i (x i x)(y i ȳ) = p i x i y i xȳ et le coefficient de r de Bravais-Pearson ou coefficient de corrélation est donné par cor(x, y) = r xy = σ xy cov(x, y) = σ x σ y var(x) var(y) Ces deux grandeurs sont symétriques : cov(x, y) = cov(y, x) et cor(x, y) = cor(y, x) Propriétés du coefficient de corrélation Borne On a toujours (inégalité de Cauchy-Schwarz) cor(x, y) Variables liées cor(x, y) = si et seulement si x et y sont linéairement liées : ax i + by i = c, pour tout i n En particulier, cor(x, x) = Variables décorrélées si cor(x, y) =, on dit que les variables sont décorrélées Cela ne veut pas dire qu elles sont indépendantes! L écart-type σ x est la racine carrée de la variance

2 y Le coefficient de corrélation par l exemple x x x3 5 5 Interprétation on a 4 variables numériques avec 3 individus Les variables et 2 sont «indépendantes» ; les variables et 3 ont une relation linéaire ; les variables 2 et 4 ont une relation non-linéaire Que signifie une corrélation linéaire? Qu est ce qui est significatif? si on a assez de données, on peut considérer qu une corrélation supérieure à, 5 est forte, et une corrélation entre, 3 et, 5 est moyenne Une corrélation égale à un indique que les deux variables sont équivalentes Qu est-ce que cela veut dire? une corrélation significative indique une liaison entre deux variables, mais pas nécessairement un lien de causalité Exemple : Le nombre de pompiers présents pour combattre un incendie est corrélé aux dégâts de l incendie Mais ce ne sont pas les pompiers qui causent les dégâts Et une décorrélation? voici un exemple ou cor(x, y) = x Cas particuliers matrices zéro et identité de taille n n et vecteur unité de taille n : n =, I n =, n = Addition Possible quand les dimensions sont égales ; on ajoute les coefficients A + B = B + A, A + = A Produit Contrainte lignes/colonnes : A B = (n p) (p k) C (n k) Nombre de colonnes de la première matrice égal au nombre de lignes de la seconde AB BA, I n A = AI p = A Pense-bête matrices (2/2) (A + B)C = AC + BC A(BC) = (AB)C Transposition échange des lignes et des colonnes d une matrice ; on note A la transposée de A (A ) = A, (A + B) = A + B, (AB) = B A Trace la trace d une matrice carrée est la somme des termes de sa diagonale Inverse Tr(AB) = Tr(BA), Tr(ABC) = Tr(CAB) = Tr(BCA) Tr(CBA) si A et B sont carrées de taille n, alors AB = I n = BA = I n On note B = A (inverse de A) Partie II Formulation matricielle Pense-bête matrices (/2) x Tableau de données On note x j i la valeur de la variable x j pour le i-ème individu X = (x,, x p ) est une matrice rectangulaire à n lignes et p colonnes x j = x j x j 2 x j n, X = x x 2 x p x 2 x 2 2 x n Un individu est représenté par x j i e i = [x i,, x j i,, xp i ] x p n Matrice tableau de données, noté par un lettre majuscule grasse (ex : A) Vecteur matrice à une seule colonne, noté par une lettre minuscule grasse (ex : x) 2 Cours d analyse de données Jean-Marc Lasgouttes année 24-25

3 La matrice des poids on associe aux individus un poids p i tel que p + + p n = que l on représente par la matrice diagonale de taille n p p 2 D p = p n Cas uniforme tous les individus ont le même poids p i = /n et D p = n I n Point moyen et tableau centré Point moyen c est le vecteur g des moyennes arithmétiques de chaque variable : g = ( x,, x p ), où x j = On peut écrire sous forme matricielle g = X D p n p i x j i Tableau centré il est obtenu en centrant les variables autour de leur moyenne ou, en notation matricielle, y j i = xj i xj Y = X n g = (I n n nd p )X Matrice de variance-covariance c est une matrice carrée de dimension p σ 2 σ 2 σ p σ 2 V =, σ p où σ kl est la covariance des variables x k et x l et σj 2 est la variance de la variable x j Formule matricielle σ 2 p V = X D p X gg = Y D p Y Matrice de corrélation p p Si l on note r kl = σ kl /σ k σ l, c est la matrice r 2 r p r 2 R =, r p Formule matricielle D/σ = R = D/σVD/σ, où σ σ p Partie III Géométrie des nuages de points L analyse de composantes principales (ACP) Contexte chaque individu est considéré comme un point d un espace vectoriel F de dimension p L ensemble des individus est un nuage de points dans F et g est son centre de gravité Principe on cherche à réduire le nombre p de variables tout en préservant au maximum la structure du problème Pour cela on projette le nuage de points sur un sous-espace de dimension inférieure Distance entre individus Motivation afin de pouvoir considérer la structure du nuage des individus, il faut définir une distance, qui induira une géométrie Distance euclidienne classique la distance la plus simple entre deux points de R p est définie par d 2 (u, v) = (u j v j ) 2 = u v 2 j= Généralisation simple on donne un poids m j > à la variable j d 2 (u, v) = m j (u j v j ) 2 j= Utiliser ce poids est équivalent à multiplier la coordonnée j par m j Métrique soit M = diag(m j ), où m,, m p sont des réels strictement positifs On pose Espace métrique u 2 M = u Mu = d 2 M(u, v) = u v 2 M m j u 2 j, j= il est défini par le produit scalaire u, v M = u Mv = On notera que u 2 M = u, u M m j u j v j j= Cours d analyse de données Jean-Marc Lasgouttes année

4 Orthogonalité u, v M = on dit que u et v sont M-orthogonaux si Propriétés du produit scalaire Le produit scalaire est commutatif u, v M = v, u M Le produit scalaire est linéaire u, v + w M = u, v M + u, w M, Identité remarquable u, λv M = λ u, v M pour tout λ R u + v 2 M = u 2 M + v 2 M + 2 u, v M Le cas de la métrique D /σ 2 Pourquoi cette métrique? pour que les distances soient indépendantes des unités de mesure pour qu elles ne privilégient pas les variables dispersées Équivalence avec les données réduites on a D/σ 2 = et donc D/σD/σ u, v D/σ 2 = D/σu, D/σv Travailler avec la métrique D/σ 2 est équivalent à diviser chaque variable par son écart-type et à utiliser la métrique I Données centrées réduites les données z j i = xj i xj σ j, c est le tableau Z contenant qui se calcule matriciellement comme Z = YD/σ Utilisation des métriques Utiliser une métrique est donc équivalent à «tordre» les données, par exemple pour les rendre comparables Inertie totale puisque c est I g, qui est la plus petite inertie possible, I v = I g + v g 2 M Autres relations I g mesure la moyenne des carrés des distances entre les individus 2I g = j= p i p j e i e j 2 M L inertie totale est aussi donnée par la trace de la matrice VM (ou MV) I g = Tr(VM) = Tr(MV), la trace d une matrice étant la somme de ses éléments diagonaux Métriques particulières Métrique usuelle usuel et M = I p correspond au produit scalaire I g = Tr(V) = j= Métrique réduite obtenue quand M = D/σ 2 = D2 /σ I g = Tr(D/σ 2V) = Tr(D /σvd/σ) = Tr(R) = p L analyse de composantes principales (version 2) Principe on cherche à projeter le nuage de points sur un espace F k de dimension k < p Critère on veut que la moyenne des carrés des distances entre les points projetés soit maximale (elle est toujours plus petite que pour le nuage original) Pour cela on cherche F k, sous espace de dimension k de F p, tel que l inertie du nuage projeté sur F k soit maximale σ 2 i x2 x2 x x Exemple utiliser la métrique réduite est équivalent à travailler sur les données centrées réduites Z = YD/σ Inertie l inertie en un point v du nuage de points est I v = p i e i v 2 M = p i (e i v) M(e i v) 4 Cours d analyse de données Jean-Marc Lasgouttes année 24-25

5 Partie IV Approche matricielle du problème Rappels : valeurs propres et vecteurs propres un vecteur v de taille p est un vecteur propre d une matrice A de taille p p s il existe λ C telle que Av = λv λ est une valeur propre de A associée à v Domaine En général, les vecteurs propres et valeurs propres sont complexes ; dans tous les cas qui nous intéressent, ils seront réels Interprétation des vecteurs propres dans lesquelles la matrice agit ce sont les directions Interprétation des valeurs propres c est le facteur multiplicatif associé à une direction donnée Non unicité des vecteur propres Si v est un vecteur propre de A associé la valeur propre λ, alors, pour tout α C, αv est aussi vecteur propre de A : A(αv) = αav = αλv = λ(αv) Valeurs et vecteurs propres : un exemple concret La matrice a pour vecteurs propres v =, v 2 =, v 3 = On vérifie facilement que les valeurs propres associées sont λ = 2, λ 2 = 4, λ 3 = 6 Valeurs et vecteurs propres : cas particuliers Matrice nulle sa seule valeur propre est, et tout vecteur est vecteur propre Matrice identité tout vecteur est vecteur propre de I avec valeur propre, puisque Iv = v Matrice diagonale si D λ est une matrice diagonale avec les coefficients λ,, λ p, alors le i-ème vecteur coordonnée est vecteur propre de D λ associé à la valeur propre λ i L action d une matrice diagonale est de multiplier chacune des coordonnées d un vecteur par la valeur propre correspondante Matrice diagonalisable c est une matrice dont les vecteurs propres forment une base de l espace vectoriel : tout vecteur peut être représenté de manière unique comme combinaison linéaire des vecteurs propres Une matrice A de taille p p qui a p valeurs propres distinctes est diagonalisable et Tr(A) = λ + λ λ p Quelques matrices diagonalisables Matrice symétrique une matrice symétrique réelle (A = A) possède une base de vecteurs propres orthogonaux réels et ses valeurs propres sont elles aussi réelles v i, v j = si i j, et λ i R Matrice M-symétrique une matrice M-symétrique réelle (A M = MA) possède une base de vecteurs propres M- orthogonaux réel et ses valeurs propres sont elles aussi réelles v i, v j M = si i j, et λ i R Matrice définie positive c est une matrice symétrique dont les valeurs propres sont strictement positives Analyse de VM v i, v j = si i j, et λ i > Valeurs propres la matrice VM est M-symétrique : elle est donc diagonalisable et ses valeurs propres λ,, λ p sont réelles Axes principaux d inertie tels que VMa k = λ k a k, Ils sont M-orthonormaux ce sont les p vecteurs a,, a p avec a k, a l M = si k = l, sinon Signe des valeurs propres les valeurs propres de VM sont positives et on peut les classer par ordre décroissant Résultat principal Théorème principal λ λ 2 λ 3 λ p (Admis) le sous-espace F k de dimension k portant l inertie maximale est engendré par les k vecteurs propres de VM associés aux k plus grandes valeurs propres ; 2 Les solutions sont «emboîtées» : F k+ = F k f k+, où f k+ est le sous espace de dimension M-orthogonal à F k portant l inertie maximale Interprétation du théorème l ACP sur k variables est obtenue en se limitant aux k plus grandes valeurs propres Le calcul ne dépend pas du nombre de variables qu on veut Cours d analyse de données Jean-Marc Lasgouttes année

6 Idée du lien avec l inertie on sait que Tr(VM) = λ + +λ p Si on ne garde que les données relatives à a,, a q, on gardera l inertie λ + + λ q, et c est le mieux qu on puisse faire Partie V Les éléments de l ACP Les composantes principales Coordonnées des individus supposons que e i g = p l= c ila l, alors e i g, a k M = c il a l, a k M = c ik l= La coordonnée de l individu centré e i g sur l axe principal a k est donc donné par la projection M-orthogonale c ik = e i g, a k M = (e i g) Ma k Composantes principales ce sont les variables c k = (c k,, c nk ) de taille n définies par c k = YMa k Chaque c k contient les coordonnées des projections M- orthogonales des individus centrés sur l axe défini par les a k Représentation des individus dans un plan principal Qu est-ce que c est? pour deux composantes principales c et c 2, on représente chaque individu i par un point d abscisse c i et d ordonnée c i2 e6 e4 e5 Axe 2 e7 e8 e2 e e3 Axe Covariance de même, pour k l, cov(c k, c l ) = c kd p c l = = λ l a kma l = Les composantes principales ne sont pas corrélées entre elles Interprétation dans l espace des variables On peut transposer le tableau de données et étudier un nuage de p points de R n où chaque point est une variable Métrique D p il faut munir l espace des variables d une métrique raisonnable On choisit toujours la métrique D p des poids : x, y Dp = x D p y, x 2 D p = x D p x pour deux variables cen- Covariance et produit scalaire trées x et y, on a cov(x, y) = x, y Dp, var(x) = x 2 D p, cor(x, y) = x, y D p = cos( xy) x Dp y Dp Exemple les vecteurs c k / λ k forment une base D p - orthonormale { ck c l, si k = l,, = cor(c k, c l ) = λk λl D p, sinon Facteurs principaux on associe à un axe principal a k le facteur principal u k = Ma k de taille p C est un vecteur propre de MV car MVu k = MVMa k = λ k Ma k = λ k u k Calcul en pratique, on calcule les u k par diagonalisation de MV, puis on obtient les c k = Yu k Les a k ne sont pas intéressants Interprétation Si on pose u k = (u k,, u pk ), on voit que la matrice des u jk sert de matrice de passage entre la nouvelle base et l ancienne Quand? Elle est utile pour des individus discernables c ik = y j i u jk c est-à-dire c k = y j u jk j= j= Propriétés des composantes principales Moyenne arithmétique centrées : les composantes principales sont c k = c kd p n = a kmy D p n = car Y D p n = (les colonnes de Y sont centrées) Variance la variance de c k est λ k car var(c k ) = c kd p c k = a kmy D p YMa k = a kmvma k = λ k a kma k = λ k 6 Cours d analyse de données Jean-Marc Lasgouttes année 24-25

7 Formules de reconstitution Reconstitution Les c k et a k permettent de retrouver les coordonnées centrées par les formules équivalentes y j i = c ik a kj, e i g = k= c ik a k, y j = k= c k a kj k= ou matriciellement Y = p k= c ka k Les a kj forment de matrice de passage entre l ancienne base et la nouvelle Preuve il suffit de calculer n c ik a k, a l = c ik ak, a l = c M il = e i g, a l M k= M k= Comme les a k forment une base, on obtient la seconde formule Approximation Les k premiers termes fournissent la meilleure approximation de Y par une matrice de rang k au sens des moindres carrés (théorème de Eckart-Young) Critère de Kaiser (variables centrées-réduites) on ne retient que les axes associés à des valeurs propres supérieures à, c est-à-dire dont la variance est supérieure à celle des variables d origine Une autre interprétation est que la moyenne des valeurs propres étant, on ne garde que celles qui sont supérieures à cette moyenne Nombre d axes à retenir (suite) Éboulis des valeurs propres on cherche un «coude» dans le graphe des valeurs propres Partie VI Aspects pratiques L ACP sur les données centrées réduites c est la matrice de corré- Matrice de variance-covariance lation car Z D p Z = D/σY D p YD /σ = D/σVD/σ = R Métrique on prend la métrique M = I p ce sont les p vecteurs propres ortho- Facteurs principaux normés de R, Ru k = λ k u k, avec u k, u l = si k = l, sinon dont les valeurs propres vérifient λ +λ 2 +λ 3 + +λ p = p et λ λ 2 λ 3 λ p Composantes principales elles sont données par c k = Zu k Nombre d axes à retenir Dimension de l espace des individus L ACP visant à réduire la dimension de l espace des individus, on veut conserver aussi peu d axes que possible Il faut pour cela que les variables d origine soient raisonnablement corrélées entre elles Les seuls critères utilisables sont empiriques Interprétation des axes on s efforce de ne retenir que des axes à propos desquels une forme d interprétation est possible (soit directement, soit en terme des variables avec lesquels ils sont très corrélés) On donnera des outils à cet effet plus loin dans le cours Corrélation entre composantes et variables initiales Sur les variables centrées-réduites, cette corrélation s écrit ( p ) cov(z j, c k ) = cov a lj c l, c k = a lj cov(c l, c k ) = λ k a kj l= cor(z j, c k ) = cov(zj, c k ) var(ck ) = λ ka kj λk l= = λ k u jk Position dans un plan On sait que var(z j ) =, mais on peut aussi écrire ( ) var(z j ) = cov(z j, z j ) = cov z j, a kj c k = a kj cov(z j, c k ) = λ k a 2 kj = k= k= [ cor(z j, c k ) ] 2 k= k= Par conséquent, les 2 premières coordonnées sont dans un disque de rayon, puisque [ cor(z j, c ) ] 2 + [ cor(z j, c 2 ) ] 2 Le cercle des corrélations Qu est-ce que c est? c est une représentation où, pour deux composantes principales, par exemple c et c 2, on représente chaque variable z j par un point d abscisse cor(z j, c ) et d ordonnée cor(z j, c 2 ) Cours d analyse de données Jean-Marc Lasgouttes année

8 Le cercle des corrélations (suite) Interprétation Les variables qui déterminent les axes sont celles dont la corrélation est supérieure en valeur absolue à une certaine limite (, 9,, 8 selon les données) ; on essaie d utiliser la même limite pour tous les axes Remarques les points sont la projection orthogonale dans D p des variables dans le plan défini par les composantes principales c et c 2 Il ne faut interpréter la proximité des points que s ils sont proches de la circonférence Effet «taille» quand toutes les variables ont le même signe de corrélation avec la première composante principale (positif ou négatif) Cette composante est alors appelée «facteur de taille», la seconde «facteur de forme» un effet de taille indique un consensus sur une variable Le facteur correspondant ne nous apprend pas toujours quelque chose il n y a effet de taille que sur le premier axe! il n y a pas d «effet de forme»! Contribution d un individu à une composante On sait que var(c k ) = λ k = n p ic 2 ik La contribution de l individu i à la composante k est donc p i c 2 ik λ k Interprétation la contribution d un individu est importante si elle excède d un facteur α le poids p i de l individu concerné, c est-à-dire Partie VII Qualité de l analyse Qualité globale de la représentation Calcul de l inertie on se souvient que I g = Tr(VM) ; comme la trace d une matrice est la somme de ses valeurs propres, on a I g = λ + λ λ p la qualité de la représentation obtenue par k valeurs propres est la proportion de l inertie expliquée λ + λ λ k λ + λ λ p Si par exemple λ + λ 2 est égal 9% de I g, le nuage de points est aplati autour du premier plan principal Variables centrées réduites On a I g = Tr(R) = p : la somme des valeurs propres est le nombre de variables Utilisation cette valeur sert seulement à évaluer la projection retenue, pas à choisir le nombre d axes à garder Qualité locale de la représentation But on cherche à déterminer si le nuage de points est très aplati par la projection sur les sous-espaces principaux Dans ce cas, deux individus éloignés pourraient artificiellement sembler proches les uns des autres ou de manière équivalente p i c 2 ik λ k αp i, c ik αλ k Choix de α selon les données, on se fixe en général une valeur de l ordre de 2 à 4, que l on garde pour tous les axes Individus sur-représentés Qu est-ce que c est? c est un individu qui joue un rôle trop fort dans la définition d un axe, par exemple p i c 2 ik λ k >, 25 Effet il «tire à lui» l axe k et risque de perturber les représentations des autres points sur les axes de rang k Il est donc surtout problématique sur les premiers axes Un tel individu peut être le signe de données erronées Solution on peut le retirer de l analyse et le mettre en «individu supplémentaire» Angle entre un individu et un axe principal Il est défini par son cosinus carré Le cosinus de l angle entre l individu centré i et l axe principal k est cos(ê i, a k ) = e i g, a k M e i g M car les a k forment une base orthonormale Comme e i g, a k M = c ik, cos 2 (ê i, a k ) = c 2 ik p l= c2 il Cette grandeur mesure la qualité de la représentation de l individu i sur l axe principal a j 8 Cours d analyse de données Jean-Marc Lasgouttes année 24-25

Partie I. Les données quantitatives

Partie I. Les données quantitatives Variables quantitatives : analyse en composantes principales Jean-Marc Lasgouttes https://whorocqinriafr/jean-marclasgouttes/ana-donnees/ Partie I Les données quantitatives Description de données quantitatives

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

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

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

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

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

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

2. MATRICES ET APPLICATIONS LINÉAIRES

2. MATRICES ET APPLICATIONS LINÉAIRES 2. MATRICES ET APPLICATIONS LINÉAIRES 2.1 Définition Une matrice n m est un tableau rectangulaire de nombres (réels en général) à n lignes et m colonnes ; n et m sont les dimensions de la matrice. Notation.

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Plan du cours Analyse en Composantes Principales Introduction Les données Leurs représentations La méthode Modèle Interprétation statistique Espace principal Composantes Principales Représentations Graphiques

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

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

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

Analyses statistiques multivariées. Béatrice de Tilière

Analyses statistiques multivariées. Béatrice de Tilière Analyses statistiques multivariées Béatrice de Tilière 23 novembre 2009 ii Table des matières 1 La Statistique 1 1.1 Généralités.................................. 1 1.2 Un peu de vocabulaire............................

Plus en détail

Algèbre 2 - L1 MIASHS/Lettres-Maths. UFR MIME, Université Lille 3.

Algèbre 2 - L1 MIASHS/Lettres-Maths. UFR MIME, Université Lille 3. Algèbre 2 - L1 MIASHS/Lettres-Maths AMIRI Aboubacar UFR MIME, Université Lille 3. 10 avril 2015. Université Lille 3 1 Définitions et notations Quelques matrices particulières Matrice d une famille sur

Plus en détail

Analyse de données. [Tapez le sous-titre du document] ANALYSE DE DONNEES 2011 2012. ANALYSE DE DONNEES Page 1 LICENCE 3 SCIENCES ECONOMIQUES

Analyse de données. [Tapez le sous-titre du document] ANALYSE DE DONNEES 2011 2012. ANALYSE DE DONNEES Page 1 LICENCE 3 SCIENCES ECONOMIQUES 2011 2012 ANALYSE DE DONNEES 2011 2012 LICENCE 3 SCIENCES ECONOMIQUES COURS DE M. THIERRY BLAYAC Analyse de données [Tapez le sous-titre du document] ANALYSE DE DONNEES Page 1 H34VEN Cours pour Licence

Plus en détail

Analyse en Composantes. Principales

Analyse en Composantes. Principales AgroParisTech Analyse en Composantes Principales C Duby, S Robin Table des matières Introduction 3 2 Tableau de données 4 3 Choix d une distance 6 4 Choix de l origine 7 5 Moments d inertie 9 5 Inertie

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées

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

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

A. Déterminant d une matrice carrée

A. Déterminant d une matrice carrée IUT ORSAY Mesures Physiques Déterminants Initiation à la diagonalisation de matrice Cours du ème Semestre A Déterminant d une matrice carrée A-I Définitions élémentaires Si A est la matrice ( a ) on appelle

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

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Formulaire de maths Algèbre linéaire et multilinéaire

Formulaire de maths Algèbre linéaire et multilinéaire Formulaire de maths Algèbre linéaire et multilinéaire Nom Formule Espaces vectoriels Famille libre On dit que la famille est libre si Famille liée On dit que la famille est liée si Théorème de la base

Plus en détail

Analyse multidimensionnelle de données longitudinales

Analyse multidimensionnelle de données longitudinales Analyse multidimensionnelle de données longitudinales Ndèye Niang Conservatoire National des Arts et Métiers Plan Introduction Terminologie-Notations Méthodes directes Coefficient d association vectorielle

Plus en détail

1 Notion d espace vectoriel

1 Notion d espace vectoriel Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Résumé de cours sur les espaces vectoriels et les applications linéaires Les vecteurs du plan, les nombres réels, et les polynômes à coefficients

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin. Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).

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

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre

Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre Chapitre 17 Matrices et applications linéaires Sommaire 171 Matrices et applications

Plus en détail

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine

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

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre : Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant

Plus en détail

Rappels sur les applications linéaires

Rappels sur les applications linéaires Rappels sur les applications linéaires 1 Définition d une application linéaire Définition 1 Soient E et F deux espaces vectoriels sur un même corps K et f une application de E dans F Dire que f est linéaire

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

1.3 Produit matriciel

1.3 Produit matriciel MATRICES Dans tout ce chapitre, K désigne les corps R ou C, p et n des entiers naturels non nuls 1 Matrices à coefficients dans K 11 Définition Définition 11 Matrice On appelle matrice à coefficients dans

Plus en détail

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr Exo Formes quadratiques Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

Plus en détail

C) Fiche : Espaces vectoriels.

C) Fiche : Espaces vectoriels. C) Fiche : Espaces vectoriels. 1) Définition d'un espace vectoriel. K= I ou est le corps des scalaires. E est un K-espace I vectoriel si et seulement si : C'est un ensemble non vide muni de deux opérations,

Plus en détail

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 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

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Applications des nombres complexes à la géométrie

Applications des nombres complexes à la géométrie Chapitre 6 Applications des nombres complexes à la géométrie 6.1 Le plan complexe Le corps C des nombres complexes est un espace vectoriel de dimension 2 sur R. Il est donc muni d une structure naturelle

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

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

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

un repère orthonormé de l espace.

un repère orthonormé de l espace. Terminale S GEOMETRIE Ch 13 DANS L ESPACE. Soit ( O ; i, j, k ) un repère orthonormé de l espace. I) Droites et plans dans l espace : Propriété 1 : Soient A et B deux points de l espace. AB est l ensemble

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

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

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

Cours Diagonalisation

Cours Diagonalisation Cours Diagonalisation par Pierre Veuillez 1 Objectif Pour une matrice A donnée, déterminer une matrice D diagonale et une matrice P inversible telle que A = P D P 1. Interprètation : Quelle relation reconnaît-on?

Plus en détail

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

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

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

Espaces vectoriels. par Pierre Veuillez

Espaces vectoriels. par Pierre Veuillez Espaces vectoriels par Pierre Veuillez 1 Objectifs : Disposer d un lieu où les opérations + et se comportent bien. Déterminer des bases (utilisation de la dimension) Représenter les vecteurs grace à leurs

Plus en détail

Notes de cours L1 MATH120. Hervé Le Dret

Notes de cours L1 MATH120. Hervé Le Dret Notes de cours L1 MATH120 Hervé Le Dret 18 octobre 2004 40 Chapitre 3 Vecteurs dans R m Dans ce chapitre, nous allons nous familiariser avec la notion de vecteur du point de vue algébrique. Nous reviendrons

Plus en détail

Représentation géométrique d un nombre complexe

Représentation géométrique d un nombre complexe CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Cahier de vacances - Préparation à la Première S

Cahier de vacances - Préparation à la Première S Cahier de vacances - Préparation à la Première S Ce cahier est destiné à vous permettre d aborder le plus sereinement possible la classe de Première S. Je vous conseille de le travailler pendant les 0

Plus en détail

Anneaux, algèbres. Chapitre 2. 2.1 Structures

Anneaux, algèbres. Chapitre 2. 2.1 Structures Chapitre 2 Anneaux, algèbres 2.1 Structures Un anneau est un ensemble A muni de deux opérations internes + et et d éléments 0 A et 1 A qui vérifient : associativité de l addition : commutativité de l addition

Plus en détail

Examen de l UE LM125 Janvier 2007 Corrigé

Examen de l UE LM125 Janvier 2007 Corrigé Université Pierre et Marie Curie Licence Sciences et Technologies MIME L énoncé est repris sur fond mauve. En prune : des commentaires. Examen de l UE LM15 Janvier 007 Corrigé Commentaires généraux barème

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

Plus en détail

Exercice 1 : sur 2,5 points 1) Lire graphiquement les équations des droites D 1, D 2 et D 3 tracées dans le repère ci-dessous

Exercice 1 : sur 2,5 points 1) Lire graphiquement les équations des droites D 1, D 2 et D 3 tracées dans le repère ci-dessous NOM : Seconde A B C H J Mardi 19 janvier 010 Exercice 1 : sur,5 points 1) Lire graphiquement les équations des droites D 1, D et D tracées dans le repère ci-dessous ) Dans le même repère, tracer la droites

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

Plus en détail

en utilisant un point-virgule.

en utilisant un point-virgule. 6 Chapitre Chapitre 6. Géométrie analytique Ce chapitre présente les possibilités de votre calculatrice dans le domaine de la géométrie analytique, tout particulièrement pour les problèmes liés aux espaces

Plus en détail

1 Diagonalisation des endomorphismes auto-adjoints, en dimension finie

1 Diagonalisation des endomorphismes auto-adjoints, en dimension finie Annette Paugam Diagonalisation des auto-adjoints Applications aux formes quadratiques : Directions principales Applications en Géométrie, en Statistique et en Mécanique Les paragraphes, 2, 3 donnent un

Plus en détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

Reconnaissance des formes

Reconnaissance des formes Reconnaissance des formes - Chapitre 2 - Analyse en composantes principales Objectifs Contexte : Chaque individu x i du tableau X est considéré comme un point d un espace vectoriel E de dimension p. L

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

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

Résumé du cours d algèbre de Maths Spé MP

Résumé du cours d algèbre de Maths Spé MP 1 POLYNÔMES Résumé du cours d algèbre de Maths Spé MP 1 Polynômes 1) Formule de Taylor pour les polynômes. Soit P un polynôme non nul de degré n N. a K, P(X) = k=0 P (k) (a) (X a) k et en particulier P(X)

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Statistique : Résumé de cours et méthodes

Statistique : Résumé de cours et méthodes Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère

Plus en détail

Matrices. 1. Définition. Exo7. 1.1. Définition

Matrices. 1. Définition. Exo7. 1.1. Définition Exo7 Matrices Vidéo partie 1 Définition Vidéo partie 2 Multiplication de matrices Vidéo partie 3 Inverse d'une matrice : définition Vidéo partie 4 Inverse d'une matrice : calcul Vidéo partie 5 Inverse

Plus en détail

Cours de Mathématiques Seconde. Généralités sur les fonctions

Cours de Mathématiques Seconde. Généralités sur les fonctions Cours de Mathématiques Seconde Frédéric Demoulin 1 Dernière révision : 16 avril 007 Document diffusé via le site www.bacamaths.net de Gilles Costantini 1 frederic.demoulin (chez) voila.fr gilles.costantini

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban EXERCICE 1 : 4 Points Cet exercice est un questionnaire à choix multiples. Aucune justification n est demandée. Pour chacune des questions, une

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

Les supports de cours suivants font référence au cours de Mr SOL et à son livre : "Accès à l'université" chez DUNOD

Les supports de cours suivants font référence au cours de Mr SOL et à son livre : Accès à l'université chez DUNOD Les supports de cours suivants font référence au cours de Mr SOL et à son livre : "Accès à l'université" chez DUNOD Les supports de cours ne sont pas complets, ils ne contiennent ni les démonstrations,

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

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

Le Multidimensional Scaling et la cartographie des préférences

Le Multidimensional Scaling et la cartographie des préférences Le Multidimensional Scaling et la cartographie des préférences Gilbert Saporta Conservatoire National des Arts et Métiers http://cedric.cnam.fr/~saporta Avril 2014 Multidimensional scaling Egalement appelé

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

Applications Bilinéaires et Formes Quadratiques

Applications Bilinéaires et Formes Quadratiques 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

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES STATISTIQUES I. Séries statistiques simples... 1 A. Définitions... 1 1. Population... 1 2. Caractère statistique... 1 B. Séries classées / représentations graphiques.... 2 1. Séries classées... 2 2. Représentations

Plus en détail

Rappels d Algèbre Linéaire de P.C.S.I

Rappels d Algèbre Linéaire de P.C.S.I Rappels d Algèbre Linéaire de PCSI Table des matières 1 Structure d espace vectoriel sur IK 3 11 Définition et règles de calcul 3 12 Exemples de référence 3 13 Espace vectoriel produit 4 14 Sous-espaces

Plus en détail

I. Ensemble de définition d'une fonction

I. Ensemble de définition d'une fonction Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux

Plus en détail

Analyse des données et algèbre linéaire

Analyse des données et algèbre linéaire Analyse des données et algèbre linéaire Fondamentaux pour le Big Data c Télécom ParisTech 1/15 Machine-Learning : Une donnée x i = un ensemble de features (caractères) d un individu i x i = (x i,1,...,

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

Plus en détail

1. a) question de cours b) P(f) est un polynôme de l endomorphisme f donc commute avec f.

1. a) question de cours b) P(f) est un polynôme de l endomorphisme f donc commute avec f. escp-eap 2(Ecole de commerce) OPTION SCIENTIFIQUEMATHEMATIQUES I adapté en retirant certaines question qui sont du cours de PC et en ajoutant le dernier exemple.. a) question de cours b) P(f) est un polynôme

Plus en détail