Modèles Statistiques : Calcul matriciel

I. Introduction

Modélisation : C’est le processus de création d’une

représentation simplifiée d’un phénomène ou d’un processus
réel. Cette représentation, appelée modèle, permet de mieux
comprendre, analyser, prévoir ou optimiser le comportement
du phénomène étudié.
Un modèle est construit en identifiant les éléments essentiels
du système et leurs relations selon l’objectif de l’étude.
I. Introduction

Modélisation : C’est le processus de création d’une

représentation simplifiée d’un phénomène ou d’un processus
réel. Cette représentation, appelée modèle, permet de mieux
comprendre, analyser, prévoir ou optimiser le comportement
du phénomène étudié.
Un modèle est construit en identifiant les éléments essentiels
du système et leurs relations selon l’objectif de l’étude.
Statistique : Une branche des mathématiques qui se
consacre à la collecte, l’organisation, l’analyse,
l’interprétation et la présentation des données. Elle
permet de décrire des ensembles complexes d’informations,
d’identifier des tendances, de tester des hypothèses et de
prendre des décisions basées sur des données empiriques.
Modèle statistique : Représentation sous forme
mathématique des données observées, pour décrire les relation
entre les variables, expliquer, prédire ou analyser des
phénomènes incertains ou complexes en utilisant des
méthodes statistiques.
II. Calcul matriciel
1. Rôle du calcul matriciel dans le modèle statistique :
Exemple :
Pour modéliser le temps de réponse d’un serveur nous avons
collecter les données suivantes sur un échantillon :
Nombre d’utilisateurs connectés : X1 .
Charge CPU (%) : X2 .
Utilisation de la mémoire (Go) : X3 .
Temps de réponse (ms) : X4 .

Observation X1 X2 X3 X4
1 10 40 3 120
2 20 60 4 200
3 15 50 3.5 150
4 30 80 5 300
Table: Données collectées pour le modèle
Forme Matricielle du Modèle

Matrice des variablesX : 

10 40 3 120
20 60 4 200
X = 15

50 3.5 150
30 80 5 300
C’est une représentation compacte des données.
Forme Matricielle du Modèle

Matrice des variablesX : 

10 40 3 120
20 60 4 200
X = 15

50 3.5 150
30 80 5 300
C’est une représentation compacte des données.

Les formes matricielles sont aussi utilisées dans :

les modèles linéaires, exemple la régression Linéaire :
Y = X β + ε, tels que
Y variable à expliquer (exemple : Temps de réponse
(vecteur)),
X matrice de variables explicatives,
β vecteurs de coefficients à calculer pour faire une
estimation.
L’analyse de la variance et de la covariance : Est-ce qu’il
y a une liaison entre les variables, ou les variables sont
indépendantes. La nature de la liaison et son intensité;
exemple : Est-ce qu’il y a une liaison entre la charge CPU et
le nombre d’utilisateurs?
 L’analyse de la variance et de la covariance : Est-ce qu’il
y a une liaison entre les variables, ou les variables sont
indépendantes. La nature de la liaison et son intensité;
exemple : Est-ce qu’il y a une liaison entre la charge CPU et
le nombre d’utilisateurs?

Le calcul matriciel est indispensable pour la construction, l’analyse

et l’interprétation des modèles statistiques avancés.
2. Rappel du calcul matriciel
Définition
Une matrice A ∈ Mm×n (K ) est un tableau de scalaires avec m
lignes et n colonnes :
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A= .
 
. .. . . .. 
 . . . . 
am1 am2 · · · amn

On dit que la matrice A est de taille m × n ou de dimension m × n

(nombre de lignes × nombre de colonnes) et on note :
dim(A) = m × n.
Types de matrices

Remarque :
On dit A est matrice carrée si m = n.
A est dite matrice ligne si m = 1.
A est dite matrice colonne si n = 1.
Opérations sur les matrices

La somme
Deux matrices A et B de même dimension (m, n) peuvent être
additionnées :
(A + B)ij = Aij + Bij

Exemple
     
1 2 −4 9 −1 4 10 1 0
3 −6 8  +  12 7 −5 =  15 1 3 
0 7 −3 −9 −3 −4 −9 4 −7
Multiplication par un scalaire
Pour α ∈ K et A ∈ Mm×n (K ) :

(αA)ij = αAij

Exemple
   
1 2 −4 5 10 −20
5 × 3 −6 8  = 15 −30 40 
0 7 −3 0 35 −15
Produit de deux matrices
Si A ∈ Mm×n (K ) et B ∈ Mn×p (K ) :
n
X
(AB)ij = Aik Bkj
k=1

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

Définition
La transposée At d’une matrice A ∈ Mm×n (K ) est définie par :

(At )ij = Aji

Exemple
   
1 2 −4 1 3 0
A = 3 −6 8  , At =  2 −6 7 
0 7 −3 −4 8 −3
Propriétés de la transposée

▶ (At )t = A
▶ (A + B)t = At + B t
▶ (λA)t = λAt
▶ (AB)t = B t At
Matrices triangulaires et diagonales

▶ Une matrice carrée est triangulaire supérieure si tous les

éléments au-dessous de la diagonale sont nuls : aij = 0 pour
i >j .
▶ Une matrice carrée est triangulaire inférieure si tous les
éléments au-dessus de la diagonale sont nuls : aij = 0 pour
i <j .
▶ Une matrice carrée est diagonale si tous les éléments en
dehors de la diagonale sont nuls : aij = 0 pour i ̸= j.
Matrice Identité

Pour chaque ordre n, on appelle matrice d’identité d’ordre n notée

In la matrice définie par :

In = δi,j , avec : si i = j δi,j = 1, sinon δi,j = 0.

La matrice In est l’élément neutre du produit des matrices, pour

toute matrice A ∈ Mn×m (K ) : In A = A et pour toute matrice
A ∈ Mm×n (K ) : AIn = A.
Exemple :
    
1 0 0 7 7
0 1 0 −6 = −6
0 0 1 0 0
 

1 0 0

12 1 −4 0 1 0 = 12 1 −4
0 0 1
Matrice inverse
On dit que la matrice carrée A de taille n est inversible s’il existe
une matrice B de taille n telle que AB = BA = In .
La matrice B est appelée inverse de A et notée A−1 .
Proposition :
A est inversible ⇐⇒ det(A) ̸= 0.

Proposition :
▶ Une matrice triangulaire ou diagonale est inversible si et
seulement si ses éléments diagonaux sont tous non nuls.

−1
▶ A−1 =A
▶ Si A est inversible et si λ ̸= 0 alors λA est inversible et
1 −1
(λA)−1 = A
λ
▶ Si A et B sont inversibles alors AB l’est aussi et
(AB)−1 = B −1 A−1
▶ Si A est inversible alors At l’est aussi et (A−1 )t = (At )−1
Matrices inverse

Théorème
Soit A une matrice carrée d’ordre n, et soient X et B deux
matrices-colonnes d’ordre n.
▶ Si A est inversible, alors le système AX = B admet une
solution unique, donnée par : X = A−1 B, quelle que soit la
matrice-colonne B.

▶ Réciproquement, si le système AX = B n’admet qu’une seule

solution, pour une matrice colonne quelconque B, alors A est
inversible.

A inversible ⇐⇒ Le systeme admet une solution unique.

Calcul de la matrice inverse

Pour le calcul de l’inverse d’une matrice carrée inversible, nous

avons besoin de la définition suivante :
Définition : Soit A = (aij ) ∈ Mn (K) une matrice carrée.
▶ Aij est la matrice extraite obtenue en effaçant la ligne i et la
colonne j de A
▶ Le nombre Cij = (−1)i+j det(Ai,j ) est le cofacteur de A relatif
au coefficient aij
▶ La comatrice de A, notée com(A), est la matrice carrée
d’ordre n dont les coefficients sont les cofacteurs.
Si A est inversible, alors :
1
A−1 = com(A)t
det(A)
Exemple : Soit  
1 0 1
A = 2 −2 4 
3 −1 −3
Calculer A−1 .
Exemple : Soit  
1 0 1
A = 2 −2 4 
3 −1 −3
Calculer A−1 .
L’inverse de A est :
 
0.714 −0.071 0.143
A−1 = 1.286 −0.429 −0.143
0.286 0.071 −0.143
Solution :
La matrice A est inversible, puisque det(A) = 14 ̸= 0.
Les cofacteurs associés à la matrice A sont :
−2 4 2 4 2 −2
C11 = = 10, C12 = − = 18, C13 = = 4,
−1 −3 3 −3 3 −1
Solution :
La matrice A est inversible, puisque det(A) = 14 ̸= 0.
Les cofacteurs associés à la matrice A sont :
−2 4 2 4 2 −2
C11 = = 10, C12 = − = 18, C13 = = 4,
−1 −3 3 −3 3 −1

0 1 1 1 1 0
C21 = − = −1, C22 = = −6, C23 = − = 1,
−1 −3 3 −3 3 −1
Solution :
La matrice A est inversible, puisque det(A) = 14 ̸= 0.
Les cofacteurs associés à la matrice A sont :
−2 4 2 4 2 −2
C11 = = 10, C12 = − = 18, C13 = = 4,
−1 −3 3 −3 3 −1

0 1 1 1 1 0
C21 = − = −1, C22 = = −6, C23 = − = 1,
−1 −3 3 −3 3 −1

0 1 1 1 1 0
C31 = = 2, C32 = − = −2, C33 = = −2.
−2 4 2 4 2 −2
La comatrice de A est :
 
10 18 4
com(A) = −1 −6 1 
2 −2 −2

La transposée de cette dernière matrice est :

 
10 −1 2
com(A)t = 18 −6 −2
4 1 −2

L’inverse A−1 :
  5 1 1

10 −1 2 7 − 14 7
1 
A−1 = 18 −6 −2 =  79 − 37 − 17 
14 2 1
4 1 −2 7 14 − 17
Introduction à la Méthode du Pivot de Gauss-Jordan

Objectif : Trouver l’inverse d’une matrice A en utilisant la

méthode du pivot de Gauss-Jordan.
Cette méthode consiste à associer à A la matrice identité In et à
effectuer des opérations élémentaires sur les lignes pour
transformer A en In .
La transformée de In correspond à l’inverse de A.
Avantages :
Utilisée dans la résolution de systèmes linéaires.
Plus systématique que le calcul par la comatrice.
Méthode du Pivot de Gauss-Jordan

▶ On associe à la matrice A à inverser, la matrice identité In .

▶ On transforme A et In simultanément par les mêmes
opérations élémentaires sur les lignes, l’objectif final étant de
transformer A en In .
▶ La transformée de In correspondante est l’inverse de A.
Exemple d’application

Calculer l’inverse de la matrice A :

 
2 1 −4
A = 3 3 −5
4 5 −2
Méthode du Pivot de Gauss-Jordan :Les étapes

Matrice augmentée initiale :

 
2 1 −4 1 0 0
 3 3 −5 0 1 0 
4 5 −2 0 0 1
 1
Première transformation : 2 L1

1 12 −2 12 0 0
 
 3 3 −5 0 1 0 
4 5 −2 0 0 1
Seconde transformation : L2 − 3L1 et L3 − 4L1

1 12 −2 12 0 0
 
 0 3 1 −3 1 0 
2 2
0 3 6 −2 0 1
Troisième transformation :

1
→ L3 − 2L2 et L3
4

1 12 −2 12
 
0 0
 0 3 1 −3 1 0 
2 2
0 0 1 1 −2 1

→ L2 − L3

1 12 −2 12
 
0 0
 0 3 0 −7 3
− 14 
2 4 2
1 −1 1
0 0 1 4 2 4
Méthode du Pivot de Gauss-Jordan :
Transformations Finales

2
→ L2
3

1 21 −2 12
 
0 0
 0 1 0 −7 1 − 61 
6
1
0 0 1 4 − 12 1
4
1
→ L1 − L2 + 2L3
2

1 0 0 19 − 23 7
 
12 12
 0 1 0 −7 1 − 61 
6
0 0 1 14 − 21 1
4
Alors
19
− 32 7
 
12 12
A−1 = − 7
6 1 − 61 
1
4 − 12 1
4
On peut déduire le déterminant après le calcul de l’inverse par :
n
Y
p
det(A) = (−1) aii
i=1
avec
▶ p : le nombre de permutation de lignes ou de colonnes
effectuées lors de l’application de l’algorithme de GAUSS.
▶ n : la dimension de la matrice.
▶ aii : la diagonale de la matrice triangulaire supérieure.
Exercice :
Soit A ∈ M3 (R) une matrice définie par:
 
1 0 −1
A = −2 3 4 
0 1 1
1- Déterminer l’inverse de A en utilisant les deux méthodes
(comatrice et Gauss).
2- Résoudre le système suivant à l’aide de l’inverse de A:

x1 − x3 = 3

−2x1 + 3x2 + 4x3 = 1

x2 + x3 = 6

Diagonalisation

La diagonalisation est un procédé utilisé dans de nombreux

domaines et qui simplifie considérablement les applications des
matrices.
En particulier, la diagonalisation permet de calculer les puissances
d’une matrice carré.
Diagonalisation

La diagonalisation est un procédé utilisé dans de nombreux

domaines et qui simplifie considérablement les applications des
matrices.
En particulier, la diagonalisation permet de calculer les puissances
d’une matrice carré.
▶ Une matrice A ∈ Mn (K) est dite diagonalisable sur K s’il
existe une matrice P ∈ Mn (K) inversible et une matrice
D ∈ Mn (K) diagonale telles que A = PDP −1 .
Remarque : Cette relation est inversible avec : D = P −1 AP.
▶ D est une matrice diagonale qui contient exactement les
valeurs propres de A.
▶ P est la matrice dont les colonnes vj j = 1, . . . , n sont les
vecteurs propres de la matrice A.
Calcul des valeurs et vecteurs propres :

▶ On dit que λj est une valeur propre de la matrice A si et

seulement s’il existe un vecteur non nul vj tel que

Avj = λj vj .

▶ Le vecteur vj est le vecteur propre associé à λj .

▶ Les valeurs propres s’obtiennent en résolvant le système
d’équations

det(A − λj In ) = 0, j = 1, . . . , n.

Le polynôme χA (X ) = det(A − XIn ) s’appelle polynôme

caractéristique de la matrice A.
Puissance de Matrices
Le calcul des puissances de matrices diagonales est simple comme
le prouve la propriété suivante :
Propriété
Soit D une matrice diagonale à coefficients dans K :
 
λ1 0 · · · 0
.
 0 λ2 . . . .. 

D=  .. . . ..


. . . 0
0 · · · 0 λn
Alors pour tout entier strictement positif k, on a
 k 
λ1 0 · · · 0
.
 0 λk . . . .. 

k 2
D = . .
..

. . . . . 0


0 · · · 0 λkn
Puissance d’une matrice diagonalisable

Théorème

Soit A ∈ Mn (K) une matrice diagonalisable. Alors A peut s’écrire

A = PDP −1 et pour tout entier k positif, on a Ak = PD k P −1 .
Exercice diagonalisation
Soit la matrice :  
5 −1
A=
6 0
Calculer ses valeurs propres puis vecteurs propres.
Exercice diagonalisation
Soit la matrice :  
5 −1
A=
6 0
Calculer ses valeurs propres puis vecteurs propres.
On cherche ses valeurs propres en résolvant :
5 − λ −1
χ(λ) = det(A − λI2 ) =
6 −λ
Calcul du déterminant :
P(λ) = (5 − λ)(−λ) + 6 = λ2 − 5λ + 6.
Résolution de l’équation caractéristique :
∆ = (−5)2 − 4 × 6 = 1.
Les racines sont :
λ1 = 2, λ2 = 3.
Conclusion : Les valeurs propres de A sont λ1 = 2 et λ2 = 3.
Calcul vecteurs propres
Pour déterminer ses vecteurs propres associés à la valeur propre λ
on résout le système

A − λIn = vect(0)n

Chaque solution, non nulle, de ce système est un vecteur propre de

la matrice A associé à la valeur propre λ .
• Vecteurs propres associés à λ1 = 2.
On résout le système A − 2I2 = ⃗0 :
    
5 − 2 −1 x 0
(S) ⇐⇒ =
6 −2 y 0
(
3x − y = 0 ⇒ y = 3x
⇐⇒
6x − 2y = 0
Donc comme vecteur propre associé à la valeur propre λ1 = 2 :
 
1
X1 =
3
• Vecteurs propres associés à λ2 = 3.
On résout le système A − 3I2 = ⃗0 :
    
5 − 3 −1 x 0
(S) ⇐⇒ =
6 −3 y 0
(
2x − y = 0 ⇒ y = 2x
⇐⇒
6x − 3y = 0
Donc comme vecteur propre associé à la valeur propre λ2 = 3 :
 
1
X2 =
2
Matrice Diagonale et Matrice de Passage

Donc les matrices D et P sont alors :

   
2 0 1 1
D= et P = .
0 3 3 2
Matrice Diagonale et Matrice de Passage

Donc les matrices D et P sont alors :

   
2 0 1 1
D= et P = .
0 3 3 2

On peut calculer P −1 (avec la formule des cofacteurs) :

 
−2 1
P −1 = .
3 −1

On peut vérifier les deux formules :

D = P −1 AP et A = PDP −1 .