Académique Documents
Professionnel Documents
Culture Documents
Ernest Monga
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
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Toutes les matrices utilises lors de cette prsentation sont lments rels.
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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)
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
La matrice carre A1 est appele linverse de A. Une matrice carre non rgulire sera dite singulire; (det (A) = 0).
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Les matrices A= et 1 2 2 4
1 2 3 4 5 6 5 7 9
Ernest Monga
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Soient x et y deux vecteurs colonnes n 1 composantes relles. Considrons le systme dquations linaire n inconnues donn par: Ax = y
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
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 .
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
(=) 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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Dmonstration. Ax = AGy + AGAz Az = AGy = y . Car daprs le thorme prcdent, Gy est une solution de Ax = y
Ernest Monga
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Thorme 3 (Penrose 1955). Soient A : (n p). Il existe une unique matrice G : (p n) telle que:
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
On note G = A+ .
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Existence. AGA = PQ Q (Q Q )1 (P P )1 P PQ = PQ = A
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
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
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
Introduction et position du problme Linverse gnralis de Moore-Penrose Application deux problmes statistiques Conclusions
Ernest Monga
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
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
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
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.
1 2 . . .
+ p
1 2 . . . i . . . n
Ernest Monga
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
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
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.
Ernest Monga
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
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
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
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
Nn (0, In )
Y In Y = Y Y =
i =1
Yi2
2 (n )
Ernest Monga
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
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 )
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
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
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
Yi
i =1
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
Ernest Monga
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
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
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
Ernest Monga
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
(Yi Y )2
i =1
Ernest Monga
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
(Yi Y )2
i =1
(Yi Y )2
i =1
2 ( n 1)
Ernest Monga
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
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
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
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
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
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
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
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
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