Modèles Statistiques

Pr. Karima El Kimakh

EMSI- Ecole Marocaine des Sciences de l’Ingénieur

3IIRK

2025-2026
Introduction
Dans un contexte où l’analyse des données est devenue essentielle
dans de nombreux domaines, il est nécessaire de disposer d’outils
capables de prendre en compte l’incertitude et la variabilité
inhérentes aux observations réelles. Les modèles statistiques
constituent un cadre formel permettant de représenter les
phénomènes aléatoires, d’analyser les données et d’en extraire des
informations pertinentes.
En s’appuyant sur les probabilités et la statistique inférentielle, les
modèles statistiques permettent d’estimer des paramètres
inconnus, de tester des hypothèses et d’évaluer la qualité des
résultats obtenus. Ils sont largement utilisés dans de nombreux
domaines scientifiques et techniques, notamment pour l’aide à la
décision, l’analyse de données et la modélisation des systèmes réels.
Ce module a pour objectif de fournir les bases nécessaires à la
compréhension et à l’utilisation des principaux modèles
statistiques, tout en développant une démarche rigoureuse
d’analyse, d’interprétation et de validation des données.
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.
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
relations entre les variables, expliquer, prédire ou analyser des
phénomènes incertains ou complexes en utilisant des
méthodes statistiques.
 Chapitre 1
Manipulation des matrices
1. Rôle du calcul matriciel dans le modèle statistique :
Dans les modèles statistiques, les données et les relations entre
variables sont généralement représentées sous forme matricielle. Le
calcul matriciel permet de structurer les observations, de formuler
les modèles de manière compacte et de manipuler efficacement de
grands volumes de données. Il constitue ainsi la base
mathématique de nombreux outils statistiques, ainsi que de
plusieurs algorithmes de machine learning.
Ce chapitre a pour objectif de rappeler et de consolider les notions
fondamentales du calcul matriciel, indispensables pour la
compréhension et l’application des modèles statistiques étudiés par
la suite, notamment la régression linéaire, l’analyse de la variance
(ANOVA) et les méthodes de décomposition matricielle.
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.
Les formes matricielles sont 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 vecteur 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?
Les formes matricielles sont 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 vecteur 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?

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) (K désigne le corps R ou C) 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 et BA.
Opérations(Produit de deux matrices)

   
19 −1 0 −12 78 −70
AB =  −23 −27 28  et BA =  6 −5 13 
12 14 1 −4 6 10

On remarque que AB ̸= BA.

En général, le produit de deux matrices n’est pas commutatif
Transposée

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

(Aij )t = 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.
Matrices triangulaires et diagonales
Matrice Identité

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

In la matrice définie par :

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

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 .
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
Théorème
Formule de développement par rapport à la ligne i
n
X n
X
det(A) = (−1)i+j aij det(Ai,j ) = aij Cij
j=1 j=1

Formule de développement par rapport à la colonne j

n
X n
X
det(A) = (−1)i+j aij det(Ai,j ) = aij Cij
i=1 i=1
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
1 −1 1
0 0 1 4 2 4

→ 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
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(décomposition en valeurs propres) 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(décomposition en valeurs propres) 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.
La condition cruciale

La condition cruciale pour qu’une matrice carrée de taille soit

diagonalisable est qu’elle possède vecteurs propres linéairement
indépendants.
Concrètement, cela signifie :
La multiplicité géométrique (dimension de l’espace propre) est
égale à la multiplicité algébrique (ordre de la racine) pour
chaque valeur propre.
Alternativement, si elle possède valeurs propres distinctes, elle
est toujours diagonalisable.
Si vous avez une racine double mais que vous ne trouvez qu’un
seul vecteur propre, la matrice n’est pas diagonalisable. On ne
peut pas écrire A = PDP −1 .
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 :
(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 )v = ⃗(0)

Chaque solution, non nulle (v ̸= 0), de ce système est un vecteur

propre de la matrice A associé à la valeur propre λ .
ˆ Vecteurs propres associés à λ1 = 2.
On résout le système (A − 2I2 )v1 = ⃗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
v1 =
3

Tout multiple non nul de v1 est aussi un vecteur propre.

ˆ Vecteurs propres associés à λ2 = 3.
On résout le système (A − 3I2 )v2 = ⃗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
v2 =
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) :

 
−1 −2 1
P = .
3 −1

On peut vérifier les deux formules :

D = P −1 AP et A = PDP −1 .

Comme A admet deux valeurs propres distinctes, elle est

diagonalisable.
Système d’équations linéaires
On considère le système d’équations


 a1,1 x1 + a1,2 x2 + . . . + a1,n xn = b1
 a2,1 x1 + a2,2 x2 + . . . + a2,n xn = b2

(E ) .. (1)


 .
am,1 x1 + am,2 x2 + . . . + am,n xn = bm


où (x1 , x2 , . . . , xn ) ∈ Kn , (E) est un système de m équations à n

inconnues.
Le système est dite homogène si et seulement si
b0 = b1 = . . . = bm = 0.
Résoudre le système c’est trouver les n-uplets (x1 , x2 , . . . , xn ) ∈ Kn
vérifiant le système (E).
Le système est dit compatible si et seulement si S ̸= ∅.
Le système homogène est toujours compatible car les n-uplets
(0, 0, . . . , 0) est toujours solution d’un sytème homogène.
Ecriture matricielle d’un système

Soit A = (aij )i∈[1,m],j∈[1,n] ∈ Mm,n (K), A est la matrice du système

(E). Soient B = (bi )1≤i≤m ∈ Mm,1 (K) puis
X = (xj )1≤j≤n ∈ Mn,1 (K). Le système s’écrit matriciellement

(E ) AX = B
Le vecteur colonne B est le second membre du système (E). Le
rang du A est le rang du système (E). On dit que le système (E)
est un système (n,m,r) n inconnus, m équations, et de rang r.
Définition:
Le rang d’une matrice est le nombre maximal de ses lignes ou
colonnes qui sont linéairement indépendantes, ce qui correspond à
la dimension de l’espace vectoriel qu’elles engendrent. Le rang
mesure combien de vecteurs colonnes (ou lignes) sont vraiment
uniques et non des combinaisons des autres.
Systèmes de Cramer

Un système de Cramer est un système de n équations linéaires à n

inconnues de rang n.
Ce système s’écrit sous forme matricielle: AX = B où A est une
matrice carrée d’ordre n et de rang n, donc inversible.
=⇒ Tout système de Cramer possède une solution unique donnée
par X = A−1 B
Formules Cramer

Soit AX = B un système de Cramer. X = (x1 , x2 , . . . , xn ) étant le

vecteur inconnu. Les xi sont donnés par:

det(Ai )
xi = , i = 1, . . . , n
det(A)
où Ai est la matrice obtenue en substituant le vecteur colonne B à
la i-ième colonne de A
Exercice:
Résoudre le système

 2x1 + x2 = 7
(E ) −3x1 + x3 = −8 (2)
x2 + 2x3 = −3


=⇒     
2 1 0 x1 7
 −3 0 1   x2  =  −8 
0 1 2 x3 −3
Le déterminant du système est:
 
2 1 0
det  −3 0 1  = 4
0 1 2

7 1 0
1 6 3
x1 = −8 0 1 = =
4 4 2
−3 1 2

2 7 0
1 16
x2 = −3 −8 1 = =4
4 4
0 −3 2
2 1 7
1 −14 −7
x3 = −3 0 −8 = =
4 4 2
−0 1 −3
La résolution d’un système d’équations linéaires par la méthode de
Cramer se base sur des calculs de déterminants. Lorsque le nombre
d’équations et d’inconnues est assez grand cette méthode devient
moins attractive pour des raisons de temps de calcul. La méthode
de Gauss qui est utile en pratique, est une alternative intéressante
par rapport à celle de Cramer.
Méthode d’élimination de Gauss

Le principe de cette méthode de passer d’un système plein à un

autre triangulaire qui lui est équivalent.
Méthode d’élimination de Gauss
Méthode d’élimination de Gauss
Méthode d’élimination de Gauss
Méthodes de choix du pivot

Les méthode de choix du pivot connues sont les suivantes :

Méthode du pivot partiel : On choisit sur la colonne le pivot
non nul de valeur absolue maximale
Méthode du pivot total : On choisit le pivot de valeur absolue
maximale parmi tous les coefficients de la matrice d’indices
(k, l) avec k ≥ i et l ≥ i . La méthode du pivot total impose
un travail sur les colonnes, c’est à dire un renommage des
variables.
Pivotement partiel
Pivotement total
Exercice d’application