Aller au contenu principal
🔢 L1 • Data / Économétrie avancée Disponible

Du tableau de données à la géométrie des modèles

Vecteurs, matrices, produit matriciel, inversion, déterminants, valeurs propres et applications aux données.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L1
🤖 Auto Disponible

QCM algebre-lineaire-data L1 - Systèmes, rang et projection pour les données

QCM de 20 questions avec corrections détaillées sur Systèmes, rang et projection pour les données (algebre-lineaire-data). Révisez efficacement avec des explications pédagogiques pour le niveau L1.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Algèbre linéaire pour la data

L'Algèbre linéaire pour la data en Licence 1 fournit le langage mathématique de la modélisation : vecteurs et matrices, opérations matricielles, inversion et rang, déterminants, résolution de systèmes linéaires, valeurs et vecteurs propres, diagonalisation. Ces outils sous-tendent la régression (écriture matricielle des MCO), l'analyse en composantes principales et le machine learning.

Objectifs pédagogiques

Maîtriser l'algèbre linéaire appliquée à la data science : vecteurs, matrices, valeurs propres et décompositions, qui constituent le langage des modèles de régression, de réduction de dimension et d'apprentissage automatique.

Auteurs de référence en Algèbre linéaire pour la data

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

Gilbert Strang Joseph Grifone Serge Lang Carl Meyer

Notions et périmètre de Algèbre linéaire pour la data en Licence 1

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Espaces vectoriels, bases et dimension
Calcul matriciel et opérations fondamentales
Systèmes linéaires et inverse d'une matrice
Déterminant, rang et indépendance linéaire
Valeurs propres et vecteurs propres
Diagonalisation et décomposition spectrale
Décomposition en valeurs singulières (SVD) et applications

Compétences visées en Algèbre linéaire pour la data

  • Vérifier les dimensions d’un produit matriciel.
  • Déterminer compatibilité et unicité d’un système.
  • Calculer une projection par les équations normales.
  • Relier valeurs propres, SVD et réduction de dimension.

Des observations aux vecteurs et aux matrices

Un tableau de données comportant n individus et p caractéristiques devient une matrice X de dimension n × p. Chaque ligne décrit un individu et chaque colonne rassemble une variable. Cette convention n’est pas universelle, mais elle doit rester stable dans un calcul. Un vecteur de coefficients b de dimension p produit le vecteur Xb de dimension n : chaque coordonnée est une combinaison pondérée des caractéristiques d’un individu. C’est déjà la structure d’une prédiction linéaire, avant toute hypothèse sur le hasard ou la causalité.

L’addition exige des dimensions identiques ; le produit AB exige que le nombre de colonnes de A égale le nombre de lignes de B. En général, AB et BA ne coïncident pas, et l’un peut exister sans l’autre. La transposée échange lignes et colonnes. Les dimensions physiques comptent aussi : si une colonne mesure des années et la cible des euros, son coefficient s’exprime en euros par année. Additionner des colonnes de nature différente n’a un sens économique qu’après avoir défini les coefficients ou une normalisation.

Espaces engendrés, bases et rang

L’espace des colonnes de X rassemble tous les vecteurs Xb possibles. Il représente donc toutes les prédictions accessibles avec les variables retenues. Le rang est la dimension de cet espace : il compte les directions réellement indépendantes, pas simplement le nombre de colonnes. Une colonne égale au double d’une autre n’ajoute aucune direction. Une base est une famille indépendante qui engendre l’espace ; elle fournit des coordonnées uniques pour ses éléments. Plusieurs bases peuvent décrire le même ensemble sans changer sa dimension.

Le noyau de X contient les vecteurs b tels que Xb soit nul. Si ce noyau contient un vecteur non nul v, alors b et b + v produisent exactement la même prédiction. La relation rang plus dimension du noyau égale nombre de colonnes exprime cette perte d’identification. Pour une matrice carrée, déterminant non nul, rang maximal et existence d’un inverse sont équivalents. Pour un tableau rectangulaire, le déterminant ordinaire n’est pas défini ; raisonner directement en termes de rang évite une transposition abusive des propriétés des matrices carrées.

Résoudre un système sans confondre existence et unicité

Le système Xb = y admet une solution exactement lorsque y appartient à l’espace des colonnes. L’élimination de Gauss effectue des opérations réversibles sur les lignes pour révéler pivots et contradictions. Si une ligne devient zéro égal à une constante non nulle, aucune solution exacte n’existe. Si des variables restent libres sans contradiction, plusieurs solutions existent. Une solution unique exige compatibilité et indépendance de toutes les colonnes ; compter seulement les équations ne suffit pas, car certaines peuvent répéter la même information.

Dans les données empiriques, on dispose souvent de plus d’observations que de coefficients et les mesures comportent du bruit. Le système est alors généralement incompatible, ce qui ne constitue pas une panne du modèle. Les moindres carrés remplacent l’égalité impossible par un objectif : minimiser la somme des écarts au carré. Cette décision définit une distance euclidienne et donne davantage de poids aux grands écarts. Si la précision des mesures varie, une autre métrique peut être justifiée, mais elle correspond à un problème mathématique différent.

Projection orthogonale et équations normales

La meilleure approximation euclidienne de y dans l’espace des colonnes est sa projection orthogonale. Le résidu e = y − Xb doit être orthogonal à chaque colonne, donc $X^{\mathsf T}e=0$. En remplaçant e, on obtient les équations normales $X^{\mathsf T}Xb=X^{\mathsf T}y$. Si X possède des colonnes indépendantes, la matrice carrée à gauche est inversible et les coefficients sont uniques. Même lorsque les coefficients ne le sont pas, le vecteur projeté reste unique pour cette distance.

Cette orthogonalité est une propriété du calcul sur l’échantillon. Elle ne prouve pas que les variables explicatives sont indépendantes des déterminants non observés dans une population. Une régression peut donc satisfaire exactement les équations normales tout en donnant une interprétation causale erronée. Sur le plan numérique, former explicitement un inverse est rarement nécessaire : des factorisations QR ou une décomposition en valeurs singulières résolvent le problème plus sûrement. Des colonnes presque dépendantes peuvent rendre les coefficients très sensibles à de petites perturbations, même si le rang théorique reste maximal.

Valeurs propres et SVD : changer de directions

Pour une matrice carrée A, un vecteur propre non nul v satisfait Av = λv : l’application conserve sa direction et multiplie sa longueur orientée par λ. Une diagonalisation exprime A dans une base de vecteurs propres lorsqu’une telle base existe. Toute matrice réelle symétrique possède une base orthonormale de vecteurs propres. Une matrice de covariance étant symétrique positive, ses valeurs propres sont non négatives et décrivent la variance portée par des directions orthogonales. Une valeur propre n’est donc pas un coefficient causal.

La SVD étend la décomposition à une matrice rectangulaire : $X=U\Sigma V^{\mathsf T}$, avec des directions orthonormales et des valeurs singulières non négatives. Leurs carrés sont les valeurs propres non nulles de la matrice transposée de X multipliée par X. Conserver les plus grandes valeurs singulières fournit une approximation de faible rang optimale pour la norme de Frobenius. Cette compression dépend de l’échelle des colonnes : des revenus en euros peuvent dominer des âges en années. Centrage et réduction doivent donc répondre à une intention analytique, non à une routine aveugle.

Exemple calculé : projeter trois observations sur une droite

Trois ateliers ont des niveaux d’activité x égaux à 0, 1 et 2, en centaines d’unités. Leurs coûts y valent 1, 2 et 2 milliers d’euros. On cherche une droite a + bx. La matrice X contient une colonne de trois uns et la colonne x. Les équations normales sont 3a + 3b = 5 et 3a + 5b = 6, puisque les sommes de x, des carrés de x et des produits xy valent respectivement 3, 5 et 6.

La soustraction donne 2b = 1, donc b = 1/2 et a = 7/6. Les valeurs ajustées sont 7/6, 5/3 et 13/6. Les résidus sont −1/6, 1/3 et −1/6 ; leur somme est nulle et leur produit scalaire avec x vaut 0 + 1/3 − 2/6 = 0. La somme des carrés résiduels vaut 1/36 + 1/9 + 1/36 = 1/6. La pente correspond à 500 euros par centaine d’unités, et non par unité ; ce calcul décrit uniquement les trois observations fictives.

Méthode : sécuriser un calcul matriciel

Inscrire les dimensions au-dessus de chaque matrice avant toute multiplication. Identifier ensuite les espaces de départ et d’arrivée, les colonnes redondantes et les unités des coefficients recherchés. Pour un système, comparer le rang de la matrice des coefficients à celui de la matrice augmentée ; pour une projection, vérifier les équations normales sur le résultat. Une petite vérification numérique indépendante permet de repérer une transposée oubliée ou un ordre de produit inversé.

Ne pas conclure à une indépendance parfaite à partir d’un simple arrondi du déterminant. Examiner les valeurs singulières et la sensibilité aux perturbations lorsque les données sont presque colinéaires. Enfin, séparer trois questions : le problème possède-t-il une solution mathématique, le calcul est-il numériquement stable et les variables représentent-elles bien le phénomène étudié ? Une réponse positive à la première ne garantit aucune des deux autres.

Questions de cours

Une matrice rectangulaire possède-t-elle un inverse ?

Pas un inverse bilatéral ordinaire. Selon son rang, elle peut admettre un inverse à gauche ou à droite ; la pseudo-inverse fournit une construction plus générale, notamment pour les moindres carrés.

Le rang est-il le nombre de colonnes ?

Seulement si toutes les colonnes sont indépendantes. Une colonne redondante ne change pas l’espace engendré et n’augmente pas le rang.

Les résidus orthogonaux prouvent-ils l’exogénéité ?

Non. Leur orthogonalité aux colonnes est imposée par les moindres carrés. L’exogénéité concerne la relation entre variables et erreur dans la population.

Pourquoi préférer une SVD à un inverse explicite ?

La SVD révèle les directions mal identifiées et permet de traiter les problèmes de rang. Elle évite aussi certaines difficultés numériques associées à la formation des équations normales.

Bibliographie recommandée en Algèbre linéaire pour la data

Ouvrages de référence utilisés dans les universités françaises pour Licence 1

Introduction to Linear Algebra

• Wellesley-Cambridge Press •

ISBN : 978-0980232776

Algèbre linéaire

• Cépaduès •

ISBN : 978-2364935013

Matrix Analysis and Applied Linear Algebra

• SIAM •

ISBN : 978-0898714548

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Algèbre linéaire pour la data efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.