Analyses Factorielles M1 EA p1

Analyses factorielles M1 EA
Université de Lille
(Université de Lille) Analyses factorielles M1 EA 1

Outline
1 Rappels de probabilités et d’algèbre

Rappels de Probas/Stats/Algèbre
2 ACP
3 AFC
4 ACM

Variables quantitatives
Définition 1 (Echantillon)
On considère une variable aléatoire réelle X et n réalisations indépendantes et identiquement
distribuées X1 , · · · , Xn .
On appelle Xi la réalisation du i-ieme individu pour la variable X.
Définition 2 (Poids)
Chaque individu i est affecté par un poids pi . Les pi vérifient
ÿ
n
pi > 0, pi = 1.
i=1
Si tous les individus ont le même poids, pi = 1/n.

Définition 3 (Moyenne empirique)
On note
1 ÿ
n
X= Xi
n
i=1
la moyenne empirique du n-échantillon de loi celle de X si tous les individus ont la même poids.
Dans le cas général
ÿ
n
X= pi Xi .
i=1
Définition 4 (Variance empirique)

La variance empirique du n-échantillon est donnée par
1 ÿ
n
2
‡X = (Xi ≠ X)2 .
n
i=1
2
qn
dans le cas général ‡X = i=1
pi (Xi ≠ X)2 . L’écart-type empirique est la racine carrée de la
variance empirique.
La loi des grands nombres nous donne immédiatement

qn que la variance empirique est un
2 1
estimateur de la variance de X. sX = n≠1 i=1
(Xi ≠ X)2 est un estimateur sans biais.

Covariance et corrélation
On considère deux n-échantillons X = (X1 , · · · , Xn ) et Y = (Y1 , · · · , Yn ) issus de deux v.a. X et

Y.
Définition 5
On appelle covariance empirique des deux échantillons X et Y la quantité
1 ÿ
n
Cov(X, Y) = (Xi ≠ X)(Yi ≠ Y )

n
i=1
ou encore
ÿ
n
Cov(X, Y) = pi (Xi ≠ X)(Yi ≠ Y )
i=1
Définition 6
On appelle corrélation entre X et Y la quantité
Cov(X, Y)
Cor(X, Y) =   .
Var(X) Var(Y)

Théorèmes fondamentaux des Probabilités
Théorème 1 (Loi des grands nombres)

Soit X une variable aléatoire admettant un moment d’ordre 1 et X1 , · · · , Xn un n-échantillon de
loi celle de X. Alors
1ÿ
n
X := Xi ænæŒ E[X].
n
i=1
Théorème 2 (Théorème de la limite centrale)

Soit X une variable aléatoire admettant un moment d’ordre 2 et X1 , · · · , Xn un n-échantillon de
loi celle de X. Alors
Ô X ≠ E[X]
n ænæŒ N (0, 1).
Var(X)

Rappels d’algèbre
On considère les espaces Rp et Rn de dimensions p et n.

On note les vecteurs en colonne : Si x œ Rp ,
Q R
x1
..
x = (x1 , · · · , xn )€ = a .
b,
xn
où les xi sont les coordonnées de x et "€ " est l’opérateur transposée.
Définition 7 (Matrices)
Une matrice A = An,p de n lignes et p colonnes est un tableau
Q R
a1,1 ··· a1,p
.. .. ..
A=a . . .
b
an,1 ··· an,p

Proposition 1 (Opérations simples sur les matrices)
On considère trois matrices A = An,p , B = Bn,p et C = Cp,k . On a
Q R
a1,1 + b1,1 ··· a1,p + b1,p
.. .. ..
A+B =a . . .
b
an,1 + bn,1 ··· an,p + bn,p n,p
De plus les produits AB € et AC existent mais pas AB. Le produit matriciel n’est pas forcément
commutatif (AC ”= CA en général). Le produit de deux matrices est une matrice ayant le nombre
de lignes de la première et le nombre de colonnes de la seconde.
On note In la matrice identité de taille n
Q R
1 0
In = a .. b
.
0 1 n,n
qui est telle que pour toute matrice A telle que le produit In A ou In A est possible,
A = In A = AIn

Proposition 2 (Produit de deux matrices)
Soient A = An,p , B = Bp,k deux matrices quelconques. Alors
Q qp qp R
a b
j=1 1,j j,1
··· a b
j=1 1,j j,k
A p B
c .. .. d ÿ
AB = a ..
. b= ai,l bl,j
qp . qp .
a b ··· a b l=1 1ÆiÆn,1ÆjÆk
j=1 n,j j,1 j=1 n,j j,k
Proposition 3 (Trace, transposée et inverse)

On a
(A€ )€ = A, (A + B)€ = A€ + B € , (AB)€ = B € A€
La trace d’une matrice est la somme de ses éléments diagonaux :
Tr(AB) = Tr(BA), Tr(ABC) = Tr(CAB) = Tr(BCA) ”= Tr(CBA)
Si A et B sont deux matrices carrées de taille n telle que
AB = In
alors
BA = In , et on note B = A≠1

Rappels d’algèbre
Nous notons x œ Rk avec

Q R
x1
..
x = (x1 , . . . , xk )Õ = a .
b,
xk
où xÕ représente la transposée du vecteur x. Le transposée d’un vecteur ligne est un vecteur

colonne et inversement. Nous prenons tout au long du cours la convention que x est un
vecteur colonne (et donc xÕ un vecteur ligne)
Exemples : (1, 1)Õ œ R2 , (1, 0, 0)Õ œ R3 , (3, 66, 82, ≠fi)Õ œ R4 .

Nous notons A œ Rk,l la matrice
Q R
a11 ... a1l
.. .. ..
A = (aij ) = a . . .
b.
ak1 ... akl
La matrice transposée de A est la matrice AÕ œ Rl,k donnée par

Q R
a11 ... ak1
.. .. ..
A = (aij )Õ = (aji ) = a . . .
b.
a1l ... akl

Exemple : A B
1 6 ≠2
A = (aij ) = 3 fi fi/2 .
e3 1 ≠8
Exercice : donner la matrice transposée de A.

une matrice A œ Rkk est dite symétrique si A = AÕ .
Exercice : donner un exemple de matrice symétrique.
La trace d’une matrice A = (aij ) œ Rk,k est donnée par
ÿ
k
tr(A) = aii ;
i=1
la somme de ses éléments diagonaux.

Exercice : calculez la trace de la matrice
A B
1 6 ≠2
A = (aij ) = 3 fi fi/2 .
e3 1 ≠8

Soient A = (aij ) œ Rk,l et B = (bij ) œ Rl,s . Le produit des matrices A et B est donné par
C = AB où C = (cij ) avec
ÿ
l
cij = ain bnj .
n=1
En particulier, si on se donne deux vecteurs x, y œ Rk , leur produit scalaire est donné par
ÿ
k
xÕ y = xi yi = yÕ x.
i=1
Soient A œ Rk,l et B œ Rl,k . On a tr(AB) = tr(BA).

Ô Ô
Soient les vecteur 1 = (1, 1, 1)Õ , a = (1/ 2, 0, 1/ 2)Õ et b = (1, 2, fi)Õ . Soit
A B
1 6 ≠2
A = (aij ) = 3 fi fi/2 .
e3 1 ≠8
Exercices :
I Calculez les produits scalaires 1Õ a, bÕ a et 1Õ b.
I Calculez AAÕ ainsi que tr(AAÕ ).
I Soit I3 la matrice identité en dimension 3. Calculez C = (A ≠ I3 )AÕ ainsi que la trace de AC.
Vérifier que tr(AC) = tr(CA).

Soit x œ Rk , la norme euclidienne de x est définie par
Ô
ÎxÎ = xÕ x
A k B1/2
ÿ
= x2i .
i=1
Proposition (Inégalité de Cauchy-Schwartz). Soient x, y œ Rk . On a que |xÕ y| Æ ÎxÎÎyÎ.
Preuve.

Projections orthogonales
Projection orthogonale d’un vecteur sur un autre
Considérons deux vecteurs u et v dans Rp . Notons les u = (u1 , · · · , up )Õ et v = (v1 , · · · , vp )Õ .

Cherchons à représenter la projection orthogonale de v sur u que nous allons noter Pu‹ (v). Le
vecteur Pu‹ (v) est colinéaire à u et vérifiera donc :
÷a œ R, Pu‹ (v) = a.u
Comment, à partir des coordonnées de u et v, allons-nous retrouver Pu‹ (v) ?

On a l’identité vectorielle suivante :
v = Pu‹ (v) + (v ≠ Pu‹ (v))
On peut alors remarquer que les deux vecteurs Pu‹ (v) et v ≠ Pu‹ (v) sont orthogonaux. La
projection orthogonale de v sur u vérifie (grâce au théorème de Pythagore) le programme de
minimisation suivant
Pu‹ (v) = a.u avec a = arg min Îv ≠ b.uÎ2 .

bœR

Résolution :
Soit f (b) = Îv ≠ b.uÎ2 . On a
f (b) = Èv ≠ b.u, v ≠ b.uÍ = ÎvÎ2 ≠ 2.bÈu, vÍ + a2 ÎuÎ2
C’est donc un polynôme du second degré de coefficient de plut haut degré positif. On a donc
) * u 1
arg min f (b) = b/f (b) = 0
Õ
=È , vÍ .
ÎuÎ ÎuÎ
On en déduit le résultat suivant :

e f
u u
Pu‹ (v) = ,v .
ÎuÎ ÎuÎ
! "
Vérifions que v ≠ Pu‹ (v) ‹ Pu‹ (v).
e e f e f f
u u u u
v≠ ,v , ,v
ÎuÎ ÎuÎ ÎuÎ ÎuÎ
e f2 e f2
u u Èu, uÍ
= v, ≠ v, .
ÎuÎ ÎuÎ ÎuÎ2
= 0.

Projections orthogonales : Cosinus
D’après la définition du cosinus :
ÎPu‹ (v)Î Èu, vÍ

cos(u, v) = = .
ÎvÎ ÎuÎÎvÎ
L’inégalité de Cauchy-Schwarz nous assure ici que le cos est bien dans [≠1, 1]. D’autre part, on
retrouve que deux vecteurs sont orthogonaux si et seulement si le cosinus de l’angle est égal à 0.

Projections orthogonales : Généralisation aux B.O.N.
Rappels des notations : On se place dans Rp , x = (x1 , · · · , xp )Õ , y = (y1 , · · · , yp )Õ . Rp muni du

produit scalaire usuel est un espace euclidien :
p
ÿ
Èx, yÍ = xi y i ÎxÎ2 = Èx, xÍ.
i=1
Considérons des vecteurs v1 , · · · , vp de Rp tels que
Èvi , vj Í = 0 si i ”= j
Èvi , vj Í = 1 si i = j
Par exemple, la base canonique de Rp vérifie ces deux propriétés
Proposition 4
Les vecteurs v1 , · · · , vp sont linéairement indépendants et forment une base de Rp .

Preuve 1
Soient ⁄1 , · · · , ⁄p des réels tels que
⁄1 v1 + · · · + ⁄p vp = 0.
On a alors
Èv1 , ⁄1 v1 + · · · + ⁄p vp Í
= ⁄1 Èv1 , v1 Í + · · · + ⁄p Èv1 , vp Í
= ⁄1 .
D’autre part,
Èv1 , ⁄1 v1 + · · · + ⁄p vp Í
= Èv1 , 0Í
= 0.
On en déduit que ⁄1 = 0. Par le même raisonnement, nous pouvons montrer que pour tout
i = 1, · · · , p, ⁄i = 0 ce qui montre que la famille des v1 , · · · , vp est libre.

Puisque les vecteurs v1 , · · · vp forment une base, on a le résultat suivant :
’x œ Rp , ÷!(⁄1 , · · · , ⁄p )Õ œ Rp ,
x = ⁄1 v1 + · · · + ⁄p vp .
Comment trover les ⁄i ?

On a Èx, v1 Í = ⁄1 Èv1 , v1 Í + · · · + ⁄p Èv1 , vp Í = ⁄1 .
En faisant de même avec les autres vecteurs, on obtient
’i = 1, · · · , p, ⁄i = Èx, vi Í
et la représentation suivante de x :
x = Èx, v1 Ív1 + · · · + Èx, vp Ívp .
Enfin, la norme de x vaut

p
ÿ
ÎxÎ2 = Èx, xÍ = Èx, vi Í2 .
i=1

Projections orthogonales sur un espace quelconque
Soit E une s.e.v. de Rp de dimension k et soit y œ Rp . On cherche PE

‹ (y), la projection
orthogonale de y sur E, correspondant à la meilleure approximation de y par un vecteur de E au

sens de la norme euclidienne Î · Î.
Le vecteur PE‹ (y) vérifie donc la relation
‹
Îy ≠ PE (y)Î = min Îy ≠ zÎ.
zœE
Trois questions se posent alors : existence, unicité, calcul.

Projection orthogonale à l’aide d’une B.O.N.
Le théorème de la base incomplète nous dit qu’il existe une B.O.N. (u1 , · · · , up ) telle que
(u1 , · · · , uk ) soit une B.O.N. de E.
On a donc
p
ÿ
y= Èy, ui Íui
i=1
et pour z dans E, il existe (a1 , · · · , ak ) = (Èz, u1 Í, · · · , Èz, uk Í) tels que
ÿ
k
z= a j uj .
j=1
Observons que
Îy ≠ zÎ2
. p .
.ÿ ÿ k .
.
=. Èy, ui Íui ≠
.
a j uj .
. i=1 j=1
.
. k .
.ÿ ÿ p .
.
=. (Èy, ui Í ≠ ai ) ui +
.
Èy, uj Íuj .
. .
i=1 j=k+1

Par l’orthogonalité (orthonormalité) des ui , on a
p
ÿ
k
ÿ
Îy ≠ zÎ2 = (Èy, ui Í ≠ ai )2 + Èy, uj Í2
i=1 j=k+1
On remarque facilement que

p
ÿ
Îy ≠ zÎ2 Ø Èy, uj Í2 .
j=k+1
De plus si pour tout i = 1, · · · , k, ai = Èy, ui Í, alors

p
ÿ
Îy ≠ zÎ2 = Èy, uj Í2 .
j=k+1
Ces deux résultats nous donnent

‹
PE (y) = Èy, u1 Íu1 + · · · + Èy, up Íup
On a montré ici, l’existence, l’unicité et la façon de la calculer.

On a montré le résultat suivant :
ÿ
k
‹
’y œ Rp , ÷!PE (y) = Èy, ui Íui .
i=1
Regardons quelques propriétés de l’application y ‘æ PE

‹ (y).
Proposition 5
1 ‹ (y) est linéaire
y ‘æ PE
! " ‹ (y) est la projection orthogonale de y sur l’orthogonal de E
2 y ‘æ Id ≠ ‹
PE (y) = y ≠ PE
noté E ‹ .
3 La norme de y peut être décomposée de la façon suivante :
ÎyÎ2 = ÎPE‹ (y)Î2 + Îy ≠ P ‹ (y)Î2 .
E
4 Si y œ E, alors PE
‹ (y) = y.

La matrice de l’application linéaire y ‘æ PE
‹ (y) dans la base (u , · · · , u ) est
1 p
Q R
1 0 0 0
c .. .. d
c . . d
c0 1 0 0d
c d
c0 0 0 0d
c d
a .. .. b
. .
0 0 0 0
On peut facilement vérifier que PE‹ ¶ P ‹ = P ‹ , trace(P ‹ ) = k, que 1 est une valeur propre
E E E
d’ordre k et que 0 est une valeur propre d’ordre p ≠ k. Enfin, PE
‹ est symétrique.

Théorème 3
pour tout y dans Rp , le vecteur PE
‹ (y) est l’unique vecteur de E vérifiant
+ ,
y≠ ‹
PE (y), z = 0, ’z œ E.
+ ,
Cela équivaut à Èy, zÍ = PE
‹ (y), z pour z dans E.
Preuve 2
+ ,
Comme y ≠ appartient à
‹ (y)
PE E‹,
on a y ≠ = 0 pour tout z dans E. Supposons
‹ (y), z
PE
maintenant qu’il existe y1 dans E tel que pour tout z dans E, Èy ≠ y1 , zÍ = 0. Par la
décomposition de y, on obtient + ,
y1 ≠ PE (y), z = 0
‹
pour tout z dans E. En prenant z = y1 ≠ PE

‹ (y) qui est un vecteur de E, on a
+ ,
Îy1 ≠ ‹
PE (y)Î2 = y1 ≠ ‹
PE (y), y1 ≠ ‹
PE (y) = 0.
On en déduit y1 = PE
‹ (y).

Projection orthogonale à l’aide d’une base arbitraire
Soit E = Vect {x1 , · · · , xk } où les vecteurs x1 , · · · , xk forment une base de E. On note
X = (x1 | · · · |xk )
la matrice de dimension p ◊ k dont les colonnes sont les xi , i = 1, · · · , k.

Remarquons que si — = (—1 , · · · , —k )Õ est un vecteur de Rk ,
X— = —1 x1 + · · · , +—k xk .
On a donc ) *
E= xœR p
/ ÷— œ R k
x = X—

Nous aurons besoin par la suite de la matrice
Q ÕR
x1
.. b ! Õ "
XX=
Õ a (x1 · · · xk ) = xi xj
. 1Æi,jÆk
xk Õ
Lemme 1
Si les xi , i = 1, · · · , k sont linéairement indépendants, alors la matrice XÕ X est inversible.
Preuve 3
Si XÕ X n’est pas inversible, il existe un vecteur non nul — tel que XÕ X— = 0. Alors, on a aussi
— Õ XÕ X— = ÎX—Î2 = 0
ce qui implique que X— = 0. En notant — = (—1 , · · · , —k )Õ , on obtient
— 1 x1 + · · · + —k xk = 0
avec les —i non tous nuls. Donc la famille des xi est liée. On termine la preuve par contraposition.

Théorème 4
Si (x1 , · · · , xk ) forment une base de E, alors la projection orthogonale PE
‹ (y) d’un vecteur y de
Rp sur E est donnée par

‹
PE (y) = X— ı , avec — ı = (XÕ X)≠1 XÕ y
soit PE
‹ (y) = X(XÕ X)≠1 XÕ y
Remarque 1
Si k = 1 où k est la dimension de E, on projette un vecteur sur un autre :
‹
PE (y) = X(XÕ X)≠1 XÕ y
= x1 (xÕ1 x1 )≠1 xÕ1 y
e f
x1 x1
= ,y .
Îx1 Î Îx1 Î
On retrouve bien le résultat du début.

Remarque 2
Si x1 , · · · , xk est une B.O.N. de E, alors XÕ X = Ik et XÕ y = (Èx1 , yÍ, · · · , Èxk , yÍ)Õ .
On a alors
PE‹
(y) = X(XÕ X)≠1 XÕ y = Èx1 , yÍx1 + · · · + Èxk , yÍxk ,
ce qui est cohérent avec les résultats montrés précédemment.
Preuve 4
) *
Comme E = X—/— œ et PE‹ (y) appartient à E, il existe un unique — ı tel que
Rk
‹ (y) = X— ı .
PE
D’autre part, les conditions d’orthogonalité caractérisant PE‹ (y)nous donnent pour tout — dans
Rk que Èy ≠ X— ı , X—Í = 0 soit

(y ≠ X— ı )Õ X— = 0.
Cette dernière relation étant vraie pour tout —, on en déduit que
(y ≠ X— ı )Õ X = 0 soit y Õ X = — ıÕ XÕ X.
En prenant la transposée de a dernière identité on a
XÕ X— ı = XÕ y.
Enfin, comme la matrice XÕ X est inversible, on a bien

! "≠1
— = XX
ı Õ
XÕ y.

Diagonalisation et matrices symétriques
Soit M une matrice symétrique. M = (mi,j )1Æi,jÆp telle que MÕ = M.

Propriétés des valeurs propres :
⁄ valeur propre de M ≈∆ ÷u œ Rp \ {0} tel que Mu = ⁄u

≈∆ Ker (M ≠ ⁄.I) non réduit à {0}
≈∆ M ≠ ⁄.I non inversible
≈∆ det(M ≠ ⁄.I) = 0.
Le vecteur u (non nul) associé à ⁄, tel que M.u = ⁄.u est appelé vecteur propre (≠
æ
vp).

Définition 8
On dit que M est diagonalisable s’il existe une base (u1 , · · · , up ) de Rp , constituée de vecteurs
propres de M.
Théorème 5
Toute matrice symétrique (réelle) est diagonalisable dans une B.O.N.
Démonstration.

Soient ⁄1 , · · · , ⁄k les valeurs propres et u1 , · · · , uk les vecteurs de la B.O.N. associés.
’x œ Rp , x = Èx, u1 Íu1 + · · · + Èx, up Íup .

En composant par M on obtient :
Mx = Èx, u1 ÍMu1 + · · · + Èx, up ÍMup

= Èx, u1 Í⁄1 u1 + · · · + Èx, up Í⁄p up .
Matriciellement, on obtient
Q R
p Èx, u1 Í⁄1
ÿ ..
Èx, ui Í⁄i ui = (u1 | · · · |up ) a .
b
i=1 Èx, up Í⁄p
Q RQ R
⁄1 0 xÕ u 1
= (u1 | · · · |up ) a ..
.
b a .. b
.
0 ⁄p Õ
x up
= U UÕ x.
UÕ est ici la matrice de passage de la base canonique à la base (u1 , · · · , up ).

Définition 9
Soit M une matrice symétrique. M est dite
positive si xÕ Mx Ø 0 pour tout x œ Rp .
positive si xÕ Mx Ø 0 pour tout x œ Rp et (xÕ Mx = 0 ≈∆ x = 0).
Comme
xÕ Mx = xÕ (Èx, u1 Í⁄1 u1 + · · · + Èx, up Í⁄P up )

= ⁄1 Èx, u1 Í2 + · · · + ⁄p Èx, up Í2
On en déduit la proposition suivante
Proposition 6
M positive ≈∆ ’i, ⁄i Ø 0
M définie positive ≈∆ ’i, ⁄i > 0

Pour une matrice M positive, on peut définir la matrice M1/2 . En effet, nous avons
M = U UÕ . Remarquons que
UUÕ = UÕ U = Ik .
Posons M 1/2 = U 1/2 UÕ avec
QÔ⁄ 0
R
1
1/2 ..
=a . b

0 ⁄p
On a alors
M1/2 .M1/2 = U 1/2

U Õ .U 1/2
UÕ
1/2 1/2
=U UÕ
= U UÕ
= M.
Enfin, si M est définie positive, on définit de la même façon les matrices M≠1 et M≠1/2 .

Exercice 1
) *
Soit le plan E = (x, y, z)Õ œ R3 | x+y+z =0
1 Donner une base de E puis donner une base orthogonale de E.
2 Ecrire la matrice PE de projection orthogonale sur E (à partir des deux bases).
Exercice 2
Diagonaliser les trois matrices
A B A B A B
1 1 1 2 2 0 2 1 0
A= 1 1 1 , B= 2 0 2 , C= 1 2 0
1 1 1 0 2 2 0 0 2

Analyses Factorielles M1 EA p1

Transféré par

Droits d'auteur :

Formats disponibles

Analyses Factorielles M1 EA p1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyses Factorielles M1 EA p1

Transféré par

Droits d'auteur :

Formats disponibles

Analyses factorielles M1 EA

(Université de Lille) Analyses factorielles M1 EA 1

1 Rappels de probabilités et d’algèbre

(Université de Lille) Analyses factorielles M1 EA 2

Si tous les individus ont le même poids, pi = 1/n.

(Université de Lille) Analyses factorielles M1 EA 3

Définition 4 (Variance empirique)

La loi des grands nombres nous donne immédiatement

(Université de Lille) Analyses factorielles M1 EA 4

On considère deux n-échantillons X = (X1 , · · · , Xn ) et Y = (Y1 , · · · , Yn ) issus de deux v.a. X et

Cov(X, Y) = (Xi ≠ X)(Yi ≠ Y )

(Université de Lille) Analyses factorielles M1 EA 5

Théorème 1 (Loi des grands nombres)

Théorème 2 (Théorème de la limite centrale)

(Université de Lille) Analyses factorielles M1 EA 6

On considère les espaces Rp et Rn de dimensions p et n.

où les xi sont les coordonnées de x et "€ " est l’opérateur transposée.

(Université de Lille) Analyses factorielles M1 EA 7

(Université de Lille) Analyses factorielles M1 EA 8

Proposition 3 (Trace, transposée et inverse)

Tr(AB) = Tr(BA), Tr(ABC) = Tr(CAB) = Tr(BCA) ”= Tr(CBA)

Si A et B sont deux matrices carrées de taille n telle que

(Université de Lille) Analyses factorielles M1 EA 9

Nous notons x œ Rk avec

où xÕ représente la transposée du vecteur x. Le transposée d’un vecteur ligne est un vecteur

(Université de Lille) Analyses factorielles M1 EA 10

La matrice transposée de A est la matrice AÕ œ Rl,k donnée par

(Université de Lille) Analyses factorielles M1 EA 11

(Université de Lille) Analyses factorielles M1 EA 12

la somme de ses éléments diagonaux.

(Université de Lille) Analyses factorielles M1 EA 13

Soient A œ Rk,l et B œ Rl,k . On a tr(AB) = tr(BA).

(Université de Lille) Analyses factorielles M1 EA 14

(Université de Lille) Analyses factorielles M1 EA 15

Proposition (Inégalité de Cauchy-Schwartz). Soient x, y œ Rk . On a que |xÕ y| Æ ÎxÎÎyÎ.

(Université de Lille) Analyses factorielles M1 EA 16

Projection orthogonale d’un vecteur sur un autre

Considérons deux vecteurs u et v dans Rp . Notons les u = (u1 , · · · , up )Õ et v = (v1 , · · · , vp )Õ .

(Université de Lille) Analyses factorielles M1 EA 17

÷a œ R, Pu‹ (v) = a.u

Comment, à partir des coordonnées de u et v, allons-nous retrouver Pu‹ (v) ?

v = Pu‹ (v) + (v ≠ Pu‹ (v))

Pu‹ (v) = a.u avec a = arg min Îv ≠ b.uÎ2 .

(Université de Lille) Analyses factorielles M1 EA 18

f (b) = Èv ≠ b.u, v ≠ b.uÍ = ÎvÎ2 ≠ 2.bÈu, vÍ + a2 ÎuÎ2

On en déduit le résultat suivant :

(Université de Lille) Analyses factorielles M1 EA 19

D’après la définition du cosinus :

ÎPu‹ (v)Î Èu, vÍ

(Université de Lille) Analyses factorielles M1 EA 20

Rappels des notations : On se place dans Rp , x = (x1 , · · · , xp )Õ , y = (y1 , · · · , yp )Õ . Rp muni du

Considérons des vecteurs v1 , · · · , vp de Rp tels que

Par exemple, la base canonique de Rp vérifie ces deux propriétés

(Université de Lille) Analyses factorielles M1 EA 21

(Université de Lille) Analyses factorielles M1 EA 22

Comment trover les ⁄i ?

x = Èx, v1 Ív1 + · · · + Èx, vp Ívp .

Enfin, la norme de x vaut

(Université de Lille) Analyses factorielles M1 EA 23