Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Inverse gnralis dune matrice quelconque application deux problmes statistiques

Ernest Monga
Dpartement de mathmatiques Universit de Sherbrooke

Camp mathmatique, Juin 2011

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

Toutes les matrices utilises lors de cette prsentation sont lments rels.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

Toutes les matrices utilises lors de cette prsentation sont lments rels. Soit A une matrice carre n n telle que det (A) = 0, on dit que A est une matrice rgulire et il existe une unique matrice carre n n note A1 telle que AA1 = A1 A = In

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

Toutes les matrices utilises lors de cette prsentation sont lments rels. Soit A une matrice carre n n telle que det (A) = 0, on dit que A est une matrice rgulire et il existe une unique matrice carre n n note A1 telle que AA1 = A1 A = In On sait que: A1 = 1 (COM (A)) det (A)

o COM (A) est la comatrice de A (ses lments sont les cofacteurs).

Ernest Monga Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

La matrice carre A1 est appele linverse de A.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

La matrice carre A1 est appele linverse de A. Une matrice carre non rgulire sera dite singulire; (det (A) = 0).

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

La matrice carre A1 est appele linverse de A. Une matrice carre non rgulire sera dite singulire; (det (A) = 0). Par exemple, pour n = 2, si A= alors, A1 = 2
3 2

1 2 3 4 1 1 2

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Inverse dune matrice carre.

Matrice rgulire et matrice singulire.

Les matrices A= et 1 2 2 4

1 2 3 4 5 6 5 7 9

sont toutes les deux singulires.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Systme dquations linaire.

Solution dun systme.

Soient x et y deux vecteurs colonnes n 1 composantes relles. Considrons le systme dquations linaire n inconnues donn par: Ax = y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Systme dquations linaire.

Solution dun systme.

Soient x et y deux vecteurs colonnes n 1 composantes relles. Considrons le systme dquations linaire n inconnues donn par: Ax = y Si det (A) = 0, alors lunique solution de ce systme est: x = A 1 y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Systme dquations linaire.

Solution dun systme.

Soient x et y deux vecteurs colonnes n 1 composantes relles. Considrons le systme dquations linaire n inconnues donn par: Ax = y Si det (A) = 0, alors lunique solution de ce systme est: x = A 1 y Le but de cette prsentation est dtendre cette notion dinverse non seulement aux matrices carres singulires, mais toutes les matrices rectangulaires quelconques.
Ernest Monga Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Systme dquations linaire.

Systme cohrent.

Soient A : (n p), x : (p 1) et y : (n 1). On considre le systme de n quations p inconnues Ax = y On dit que ce systme est cohrent sil admet au moins une solution.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Systme dquations linaire.

Systme cohrent.

Par exemple, le systme de 3 quations deux inconnues suivant est cohrent 1 2 3 x 1 2 4 = 6 x2 3 6 9

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Systme dquations linaire.

Systme cohrent.

Par exemple, le systme de 3 quations deux inconnues suivant est cohrent 1 2 3 x 1 2 4 = 6 x2 3 6 9 Le systme de deux quations deux inconnues suivant nest pas cohrent: 1 2 2 4 x1 x2 = 3 7

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Soit A : (n p). Toute matrice G : (p n) telle que: AGA = A est un inverse gnralis de A. On note G = A

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Soit A : (n p). Toute matrice G : (p n) telle que: AGA = A est un inverse gnralis de A. On note G = A On montre quune telle matrice G existe toujours. Par exemple si 1 A= 1 1 On doit avoir G = x , y , z 1 AGA = 1 x , y , z 1
Ernest Monga

et

1 x +y +z 1 1 = x +y +z = 1 1 x +y +z 1

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Et G = x , y , 1 x y o x et y sont des rels quelconques. Pour x = y = 0, on a G = 0, 0, 1 . 1 1 Pour x = y = z , on obtient: G = 1 . 3, 3, 3

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Et G = x , y , 1 x y o x et y sont des rels quelconques. Pour x = y = 0, on a G = 0, 0, 1 . 1 1 Pour x = y = z , on obtient: G = 1 . 3, 3, 3 En fait il est ais de vrier quen dehors des matrices carres rgulires, linverse gnralis G dune matrice A tel que dni prcdemment nest pas unique. On parlera donc plus prcisment dun inverse gnralis plutt que de linverse gnralis.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Thorme 1. Soient A : (n p), x : (p 1) et y : (n 1). On considre le systme cohrent de n quations p inconnues Ax = y Ce systme admet la solution x = Gy si et seulement si AGA = A

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Thorme 1. Soient A : (n p), x : (p 1) et y : (n 1). On considre le systme cohrent de n quations p inconnues Ax = y Ce systme admet la solution x = Gy si et seulement si AGA = A Dmonstration. (=) Supposons que Ax = y est cohrent et que x = Gy en est une solution. Soit aj la j ime colonne de A. Considrons le systme Ax = aj . Il est toujours cohrent car il admet la solution xj = 0, , 1, , 0
Ernest Monga Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Puisque Ax = y a pour solution x = Gy , en particulier, Ax = aj a pour solution x = Gaj . Donc, aj = Ax = AGaj . Et cette galit est vrie pour tout indice j . On peut donc crire AG a1 , a2 , , ap = a1 , a2 , , ap .

Ce qui quivaut AGA = A.

Ernest Monga Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

(=) Si AGA = A, alors AGAx = Ax pour tout x , et puisque Ax = y , on a AGy = y , cest--dire que A(Gy ) = y , donc x = Gy est une solution du systme Ax = y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Thorme 2. Soient A : (n p), x : (p 1), y : (n 1) et G : (p n) un inverse gnralis de A. La solution gnrale du systme dquations Ax = y est donne par: x = Gy + (GA Ip )z o z : (p 1) est un vecteur quelconque composantes relles.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Introduction Position du problme

Dnition dun inverse gnralis.

Inverse de Moore.

Dmonstration. Ax = AGy + AGAz Az = AGy = y . Car daprs le thorme prcdent, Gy est une solution de Ax = y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

Thorme 3 (Penrose 1955). Soient A : (n p). Il existe une unique matrice G : (p n) telle que:

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

Thorme 3 (Penrose 1955). Soient A : (n p). Il existe une unique matrice G : (p n) telle que: 1(Condition gnrale) AGA = A

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

Thorme 3 (Penrose 1955). Soient A : (n p). Il existe une unique matrice G : (p n) telle que: 1(Condition gnrale) AGA = A 2(Condition de rexivit) GAG = G

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

Thorme 3 (Penrose 1955). Soient A : (n p). Il existe une unique matrice G : (p n) telle que: 1(Condition gnrale) AGA = A 2(Condition de rexivit) GAG = G 3(Condition de normalisation) (AG) = AG

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

Thorme 3 (Penrose 1955). Soient A : (n p). Il existe une unique matrice G : (p n) telle que: 1(Condition gnrale) AGA = A 2(Condition de rexivit) GAG = G 3(Condition de normalisation) (AG) = AG 4(Condition de normalisation inverse) (GA) = GA
Ernest Monga Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

On note G = A+ .

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Inverse de Moore-Penrose.

On note G = A+ . Terminologie. (1) Inverse gnralis, Inverse de Moore; (1+2) Inverse gnralis rexif; (1+2+3) Inverse gnralis normalis; (1+4) Inverse gnralis norme minimale; (1+2+3+4) Inverse de Moore-Penrose, pseudoinverse, g-inverse, etc...

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Existence de linverse de Moore-Penrose.

Existence. Soit A : (n p). Posons rg (A) = r . Si r = 0, alors A = 0 : (n p) et on prend G = A+ = 0 : (p n). Si r > 0, il existe deux matrices P : (n r ) et Q : (p r ) telles que rg (P ) = rg (Q ) = r et A = PQ . Les matrices P P et Q Q toutes deux de dimensions: (r r ) sont de rang r et par consquent sont inversibles. On a

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Existence de linverse de Moore-Penrose.

Existence. Soit A : (n p). Posons rg (A) = r . Si r = 0, alors A = 0 : (n p) et on prend G = A+ = 0 : (p n). Si r > 0, il existe deux matrices P : (n r ) et Q : (p r ) telles que rg (P ) = rg (Q ) = r et A = PQ . Les matrices P P et Q Q toutes deux de dimensions: (r r ) sont de rang r et par consquent sont inversibles. On a G = Q (Q Q )1 (P P )1 P

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Existence de linverse de Moore-Penrose.

Existence. AGA = PQ Q (Q Q )1 (P P )1 P PQ = PQ = A

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Existence de linverse de Moore-Penrose.

Existence. AGA = PQ Q (Q Q )1 (P P )1 P PQ = PQ = A GAG = Q (Q Q )1 (P P )1 P PQ Q (Q Q )1 (P P )1 P = Q (Q Q )1 (P P )1 P = G

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Existence de linverse de Moore-Penrose.

Existence. AGA = PQ Q (Q Q )1 (P P )1 P PQ = PQ = A GAG = Q (Q Q )1 (P P )1 P PQ Q (Q Q )1 (P P )1 P = Q (Q Q )1 (P P )1 P = G AG = PQ Q (Q Q )1 (P P )1 P = P (P P )1 P

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Existence de linverse de Moore-Penrose.

Existence. AGA = PQ Q (Q Q )1 (P P )1 P PQ = PQ = A GAG = Q (Q Q )1 (P P )1 P PQ Q (Q Q )1 (P P )1 P = Q (Q Q )1 (P P )1 P = G AG = PQ Q (Q Q )1 (P P )1 P = P (P P )1 P GA = Q (Q Q )1 (P P )1 P PQ = Q (Q Q )1 Q

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Unicit de linverse de Moore-Penrose.

Unicit. Soient G1 et G2 deux inverses de Moore-Penrose dune matrice A. On a:

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Unicit de linverse de Moore-Penrose.

Unicit. Soient G1 et G2 deux inverses de Moore-Penrose dune matrice A. On a: G1 = G1 AG1 = G1 G1 A = G1 G1 A G2 A = G1 (AG1 ) (AG2 ) = G1 AG1 AG2 = G1 AG2

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Linverse gnralis de Moore-Penrose.

Unicit de linverse de Moore-Penrose.

Unicit. Soient G1 et G2 deux inverses de Moore-Penrose dune matrice A. On a: G1 = G1 AG1 = G1 G1 A = G1 G1 A G2 A = G1 (AG1 ) (AG2 ) = G1 AG1 AG2 = G1 AG2 G2 = G2 AG2 = A G2 G2 = A G1 A G2 G2 = (G1 A) (G2 A) G2 = G1 AG2 AG2 = G1 AG2

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A une matrice (n p) Si rg (A) = n alors A+ = A (AA )1 Si rg (A) = p alors A+ = (A A)1 A Si rg (A) = n = p alors A+ = A1

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A une matrice (n p) Si rg (A) = n alors A+ = A (AA )1 Si rg (A) = p alors A+ = (A A)1 A Si rg (A) = n = p alors A+ = A1 (A+ )+ = A

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A une matrice (n p) Si rg (A) = n alors A+ = A (AA )1 Si rg (A) = p alors A+ = (A A)1 A Si rg (A) = n = p alors A+ = A1 (A+ )+ = A A+ = (A A)+ A = A (AA )+

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A une matrice (n p) Si rg (A) = n alors A+ = A (AA )1 Si rg (A) = p alors A+ = (A A)1 A Si rg (A) = n = p alors A+ = A1 (A+ )+ = A A+ = (A A)+ A = A (AA )+ (A A)+ = A+ (A+ )

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A : (n p), P : (n r ) et Q : (p r ) telles que A = PQ avec rg (A) = rg (P ) = rg (Q ) = r , alors A+ = (Q + ) P +

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A : (n p), P : (n r ) et Q : (p r ) telles que A = PQ avec rg (A) = rg (P ) = rg (Q ) = r , alors A+ = (Q + ) P + Soit A une matrice symtrique et idempotente. (On dit que A est une matrice de projection: A = A et A2 = A) On a: A+ = A

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Dnition Existence et unicit Proprits de linverse de Moore-Penrose

Proprits de linverse de Moore-Penrose.

Soit A : (n p), P : (n r ) et Q : (p r ) telles que A = PQ avec rg (A) = rg (P ) = rg (Q ) = r , alors A+ = (Q + ) P + Soit A une matrice symtrique et idempotente. (On dit que A est une matrice de projection: A = A et A2 = A) On a: A+ = A AA+ et A+ A sont toujours des matrices de projection (symtrique et idempotente)

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

Soient Y un vecteur (n 1), X = ((Xij )) une matrice (n p), un vecteur (p 1) et un vecteur (n 1). Le modle de rgression linaire est un modle statistique explicatif qui associe une variable explique (indpendante) Y un ensemble de p variables explicatives (dpendantes) Xj , j = 1, , p, laide de lgalit: Y = X +

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

Soient Y un vecteur (n 1), X = ((Xij )) une matrice (n p), un vecteur (p 1) et un vecteur (n 1). Le modle de rgression linaire est un modle statistique explicatif qui associe une variable explique (indpendante) Y un ensemble de p variables explicatives (dpendantes) Xj , j = 1, , p, laide de lgalit: Y = X + Chaque observation est dcrite par lgalit: Yi = 1 Xi 1 + 2 Xi 2 + + p Xip + i ; i = 1, , n

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

On peut aussi crire: Y1 X11 X12 Y2 X21 X22 . . . . . . . . = . Yi Xi 1 Xi 2 . . . . . . . . . Yn Xn1 Xn2

X1p X2p . . . Xip . . . Xnp

1 2 . . .

+ p

1 2 . . . i . . . n

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

On estime le paramtre par laide de la mthode des moindres carrs. On choisit la valeur de qui minimise la somme des carrs des perturbations alatoires
n

2 i = = (Y X ) (Y X )
i =1

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

On estime le paramtre par laide de la mthode des moindres carrs. On choisit la valeur de qui minimise la somme des carrs des perturbations alatoires
n

2 i = = (Y X ) (Y X )
i =1

On crit aussi = argmin (Y X ) (Y X )

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

La rsolution de ce programme de minimisation conduit au systme dquations X X = X Y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire.

La rsolution de ce programme de minimisation conduit au systme dquations X X = X Y Si le rang de X est p alors la matrice carre (X X ) est inversible et la solution des moindres carrs est: = (X X )1 X Y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Applications.
Rgression linaire gnralise.

Si le rang de X est r avec r < p alors la matrice carre (X X ) est nest plus inversible et la solution des moindres carrs gnralise est: g = (X X )+ X Y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Plan
1

Introduction et position du problme Introduction Position du problme Linverse gnralis de Moore-Penrose Dnition Existence et unicit Proprits de linverse de Moore-Penrose Application deux problmes statistiques Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice dnie positive.

Soient Y1 , Y2 , , Yn iid N (0, 1). Si on pose Y = (Y1 , Y2 , , Yn ) , alors on a Y et on sait que

n

Nn (0, In )

Y In Y = Y Y =
i =1

Yi2

2 (n )

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice dnie positive.

Soient Y1 , Y2 , , Yn iid N (0, 1). Si on pose Y = (Y1 , Y2 , , Yn ) , alors on a Y et on sait que

n

Nn (0, In )

Y In Y = Y Y =
i =1

Yi2

2 (n )

Si Y et que rg () = n alors Y 1 Y
Ernest Monga

Nn (0, ) 2 (n )

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.

Si Y Nn (0, ) et que rg () = r < n alors 1 nest pas dnie, on dit que la distribution de Y est dgnre, mais on a tout de mme le rsultat suivant Y + Y 2 (r )

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.

Exemple. Soit Y Posons, Y = 1 n Nn (0, In )

n

Yi
i =1

et considrons le vecteur alatoire Y1 Y Y2 Y Yc = . . . Yn Y

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.

On montre par un simple calcul de covariances que: Yc o 1n = (1, 1, , 1) Nn (0, In 1 1n 1n ) n

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.

On montre par un simple calcul de covariances que: Yc o 1n = (1, 1, , 1)

1 La matrice In n 1n 1n est idempotente et symtrique donc

Nn (0, In

1 1n 1n ) n

Yc (In

1 1 1n 1n )+ Yc = Yc (In 1n 1n )Yc n n

2 (r )

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.
1 1 1n 1n )+ ) = rg (In n 1n 1n ) Avec r = rg ((In n 1 = tr (In n 1n 1n ) = n 1

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.
1 1 1n 1n )+ ) = rg (In n 1n 1n ) Avec r = rg ((In n 1 = tr (In n 1n 1n ) = n 1

Par le calcul direct on trouve Yc (In 1 1n 1n )Yc = n

n

(Yi Y )2
i =1

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Modle de rgression linaire Lois des formes quadratiques dun vecteur multinormal

Lois des formes quadratiques.

Matrice semi-dnie positive.
1 1 1n 1n )+ ) = rg (In n 1n 1n ) Avec r = rg ((In n 1 = tr (In n 1n 1n ) = n 1

Par le calcul direct on trouve Yc (In 1 1n 1n )Yc = n

n

(Yi Y )2
i =1

On retrouve donc le rsultat bien connu:

n

(Yi Y )2
i =1

2 ( n 1)

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Conclusions
La notion dinverse dune matrice carre peut tre gnralise toute matrice rectangulaire.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Conclusions
La notion dinverse dune matrice carre peut tre gnralise toute matrice rectangulaire. Linverse de Moore-Penrose dune matrice quelconque est unique et, est dune grande utilit dans la rsolution de certains problmes en statistique.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Conclusions
La notion dinverse dune matrice carre peut tre gnralise toute matrice rectangulaire. Linverse de Moore-Penrose dune matrice quelconque est unique et, est dune grande utilit dans la rsolution de certains problmes en statistique. Perspectives de lecture

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Conclusions
La notion dinverse dune matrice carre peut tre gnralise toute matrice rectangulaire. Linverse de Moore-Penrose dune matrice quelconque est unique et, est dune grande utilit dans la rsolution de certains problmes en statistique. Perspectives de lecture
Nous nous sommes volontairement limits dans cette prsentation aux matrices lments rels, cependant on peut aussi dnir linverse de Moore-Penrose pour des matrices lments complexes.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Lectures recommandes
S. R. Searle. Matrix Algebra Useful for Statistics. John Wiley, 1982.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Lectures recommandes
S. R. Searle. Matrix Algebra Useful for Statistics. John Wiley, 1982.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Lectures recommandes
S. R. Searle. Matrix Algebra Useful for Statistics. John Wiley, 1982. E. H. Moore. On The Reciprocal of the General Algebraic Matrix. (Abstract). Bulletin of the American Mathematical Society, 26:394395, 1920.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Lectures recommandes
S. R. Searle. Matrix Algebra Useful for Statistics. John Wiley, 1982. E. H. Moore. On The Reciprocal of the General Algebraic Matrix. (Abstract). Bulletin of the American Mathematical Society, 26:394395, 1920.

Ernest Monga

Inverse gnralis dune matrice quelconque

Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions

Lectures recommandes

Lectures recommandes
S. R. Searle. Matrix Algebra Useful for Statistics. John Wiley, 1982. E. H. Moore. On The Reciprocal of the General Algebraic Matrix. (Abstract). Bulletin of the American Mathematical Society, 26:394395, 1920. R. A. Penrose. A Generalized Inverse for Matrices. Proceedings of the Cambridge Philosophical society, 51:406413, 1955.
Ernest Monga Inverse gnralis dune matrice quelconque