Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Algorithme Gram-Schmidt: Orthogonalisation et factorisation QR

Dans cours

MATH-111(c): Algèbre linéaire

L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et ses applications. ...

Description

Cette séance de cours couvre l'algorithme Gram-Schmidt pour orthogonaliser une base d'un espace vectoriel, conduisant à la construction d'une base orthonormale. Il traite également de la méthode de factorisation QR, visant à factoriser une matrice en une matrice orthogonale et une matrice triangulaire supérieure. La séance de cours explore plus avant la méthode des moindres carrés, en se concentrant sur la recherche de la meilleure solution pour un système incompatible d'équations linéaires. Différents théorèmes liés à ces thèmes sont présentés, soulignant l'importance de l'indépendance linéaire et l'unicité des solutions. Des exemples pratiques sont fournis pour illustrer les concepts théoriques.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (32)

Décomposition QR

En algèbre linéaire, la décomposition QR (appelée aussi, factorisation QR ou décomposition QU) d'une matrice A est une décomposition de la forme où Q est une matrice orthogonale (QQ=I), et R une matrice triangulaire supérieure. Ce type de décomposition est souvent utilisé pour le calcul de solutions de systèmes linéaires non carrés, notamment pour déterminer la pseudo-inverse d'une matrice. En effet, les systèmes linéaires AX = Y peuvent alors s'écrire : QRX = Y ou RX = QY.

Méthode des moindres carrés

La méthode des moindres carrés, indépendamment élaborée par Legendre et Gauss au début du , permet de comparer des données expérimentales, généralement entachées d’erreurs de mesure, à un modèle mathématique censé décrire ces données. Ce modèle peut prendre diverses formes. Il peut s’agir de lois de conservation que les quantités mesurées doivent respecter. La méthode des moindres carrés permet alors de minimiser l’impact des erreurs expérimentales en « ajoutant de l’information » dans le processus de mesure.

Generalized least squares

In statistics, generalized least squares (GLS) is a method used to estimate the unknown parameters in a linear regression model when there is a certain degree of correlation between the residuals in the regression model. Least squares and weighted least squares may need to be more statistically efficient and prevent misleading inferences. GLS was first described by Alexander Aitken in 1935. In standard linear regression models one observes data on n statistical units.

Indépendance linéaire

En algèbre linéaire, étant donné une famille de vecteurs d'un même espace vectoriel, les vecteurs de la famille sont linéairement indépendants, ou forment une famille libre, si la seule combinaison linéaire de ces vecteurs qui soit égale au vecteur nul est celle dont tous les coefficients sont nuls. Cela revient à dire qu'aucun des vecteurs de la famille n'est combinaison linéaire des autres. Dans le cas où des vecteurs ne sont pas linéairement indépendants, on dit qu'ils sont linéairement dépendants, ou qu'ils forment une famille liée.

Système d'équations linéaires

En mathématiques et particulièrement en algèbre linéaire, un système d'équations linéaires est un système d'équations constitué d'équations linéaires qui portent sur les mêmes inconnues. Par exemple : Le problème est de trouver les valeurs des inconnues , et qui satisfassent les trois équations simultanément. La résolution des systèmes d'équations linéaires appartient aux problèmes les plus anciens dans les mathématiques et ceux-ci apparaissent dans beaucoup de domaines, comme en traitement numérique du signal, en optimisation linéaire, ou dans l'approximation de problèmes non linéaires en analyse numérique.

Afficher plus

Séances de cours associées (45)

Factorisation QR : Résolution du système des moindres carrés MOOC: Algèbre Linéaire (Partie 3)

Couvre la méthode de factorisation QR appliquée à la résolution d'un système d'équations linéaires au sens des moindres carrés.

Indépendance linéaire et base

Explique l'indépendance linéaire, la base et le rang matriciel avec des exemples et des exercices.

Algèbre linéaire : projection orthogonale et factorisation QR

Explore le processus Gram-Schmidt, la projection orthogonale, la factorisation QR et les solutions de moindres carrés pour les systèmes linéaires.

Sans titre

Algèbre linéaire de base Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les concepts fondamentaux de l'algèbre linéaire, y compris les équations linéaires, les opérations matricielles, les déterminants et les espaces vectoriels.

Afficher plus

Concepts associés (32)

Décomposition QR

Méthode des moindres carrés

Generalized least squares

Indépendance linéaire

Système d'équations linéaires

Afficher plus