USTO-MB/FMI/Dept.

Informatique/Master
Matière : AND 2025–2026

TD N°2 :
Analyse en composante principale

Exercise 1 :
Soit un ensemble de six individus dont on a mesuré le poids et la taille.

Poids Taille
I1 20 15
I2 5 2
I3 12 21
I4 21 13
I5 2 7
I6 12 20

Appliquer une ACP.

Solution:

Méthode 1 : ACP Normée

Étapes de l’Analyse en Composantes Principales (ACP Normée)
1. Centrage et réduction des données
q P
Xc = σx avec σx = N1 ni=1 (xi − x̄)2
X−X̄

20 + 5 + 12 + 21 + 2 + 12
X̄1 = = 12
6
15 + 2 + 21 + 13 + 7 + 20
X̄2 = = 13
r 6 r
(20 − 12)2 + (5 − 12)2 + (12 − 12)2 + (21 − 12)2 + (2 − 12)2 + (12 − 12)2 294
σpoids = = =7
6 6
r r
(15 − 13)2 + (2 − 13)2 + (21 − 13)2 + (13 − 13)2 + (7 − 13)2 + (20 − 13)2 274
σtaille = = ≈ 6.7577
6 6

1
 Matrice centrée-réduite Xc :
 20−12 15−13
  
7 6.7577
1.1429 0.2960
 5−12 2−13  −1.0000 −1.6278
7
 12−12 6.7577   
21−13   0.0000

7 6.7577 
1.1840 
Xc =  21−12 13−13  =
 1.2857


7
 2−12 6.7577   0.0000 

 7−13  −1.4286 −0.8880
7 6.7577
12−12 20−13
7 6.7577
0.0000 1.0360

2. Calcul de la matrice de corrélation R

1
R= X tX
N c c

 
1.1429 0.2960
 −1.0000 −1.6278
 

1.1429 −1.0000 0.0000 1.2857 −1.4286 0.0000  0.0000
 1.1840 
Xct Xc = 
0.2960 −1.6278 1.1840 0.0000 −0.8880 1.0360  1.2857 0.0000 

−1.4286 −0.8880
0.0000 1.0360
 
6.0000 3.2600
=
3.2600 6.0000

   
1 6.0000 3.2600 1.0000 0.5433
R= =
6 3.2600 6.0000 0.5433 1.0000

3. Recherche des axes principaux

Calcul des valeurs propres de la matrice R :

1 − λ 0.5433
det(R − λI) = =0
0.5433 1 − λ
(1 − λ)2 − (0.5433)2 = 0
λ2 − 2λ + 1 − 0.2952 = 0
λ2 − 2λ + 0.7048 = 0

∆ = 4 − 4 × 0.7048 = 1.1808
√
2 + 1.1808 2 + 1.0866
λ1 = = = 1.5433
√2 2
2 − 1.1808 2 − 1.0866
λ2 = = = 0.4567
2 2

4. Calcul des vecteurs propres

Pour l’axe U1 (λ1 = 1.5433) :

2
 R · U1 = λ1 U1
    
1 0.5433 x x
= 1.5433
0.5433 1 y y
( (
x + 0.5433y = 1.5433x −0.5433x + 0.5433y = 0
⇒ ⇒x=y
0.5433x + y = 1.5433y 0.5433x − 0.5433y = 0

 
1
U1∗ =
1
∗
√ √
∥U1 ∥ = 12 + 12 = 2
 
1 1
U1 = √
2 1
Pour l’axe U2 (λ2 = 0.4567) :

R · U2 = λ2 U2
    
1 0.5433 x x
= 0.4567
0.5433 1 y y
( (
x + 0.5433y = 0.4567x 0.5433x + 0.5433y = 0
⇒ ⇒ x = −y
0.5433x + y = 0.4567y 0.5433x + 0.5433y = 0

 
−1
U2∗ =
1
p √
∥U2∗ ∥ = (−1)2 + 12 = 2
 
1 −1
U2 = √
2 1

5. Calcul des composantes principales

Ck = Xc · Uk
Composante principale 1 :

 
1.1429 0.2960
−1.0000 −1.6278
   
 0.0000 1.1840  1 1
C1 = Xc · U1 = 
  ·√
 1.2857 0.0000 
 2 1
−1.4286 −0.8880
0.0000 1.0360
   
1.4389 1.0175
−2.6278 −1.8582
   
1  1.1840   0.8373 
=√  = 
2 1.2857   0.9091 
  
−2.3166 −1.6381
1.0360 0.7326

3
 Composante principale 2 :

 
1.1429 0.2960
−1.0000 −1.6278
   
 0.0000 1.1840  1 −1
C2 = Xc · U2 =  · √
 1.2857 0.0000  2 1
 
−1.4286 −0.8880
0.0000 1.0360
   
−0.8469 −0.5988
−0.6278 −0.4439
   
1  1.1840   0.8373 
=√    =  
2 −1.2857 
  −0.9091 

 0.5406   0.3823 
1.0360 0.7326

6. Représentation graphique des individus

1.5

1 I6 I3
Composante principale 2

I5
0.5

0
I2
I1
−0.5

−1
I4
−1.5

−3 −2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5 3

Composante principale 1

7. Représentation des variables à l’aide du coefficient de corrélation

Calcul des corrélations entre variables et composantes principales :
1
j Cov(X j , Ck ) N
(X j )t Ck p
Cor(X , Ck ) = = √ = λk · Uk
σX j · σCk σX j · λk
Corrélation Poids et Taille avec CP1 :
√
   
p 1 1 0.8783
Cor(Poids, Taille, C1 ) = λ1 · U1 = 1.5433 · √ =
2 1 0.8783

4
 Corrélation Poids et Taille avec CP2 :
√
   
p 1 −1 −0.4779
Cor(Poids, Taille, C2 ) = λ2 · U2 = 0.4567 · √ =
2 1 0.4779

Matrice de corrélation entre les variables originales et les composantes principales :

CP1 CP2
Poids 0.8783 -0.4779
Taille 0.8783 0.4779

Composante principale 2

CP2
1

0.5
Taille

Composante principale 1
−1 −0.5 0.5 1 CP1
Poids
−0.5

−1

Comparaison et Partitions
Partitions possibles et interprétation
D’après l’analyse des composantes principales (ACP Normée et Non Normée), on peut proposer les
partitions suivantes :

1. Partition P1 en 4 classes :

5
 ˆ Classe 1 : I1, I4 (poids et taille importants / poids ¿ taille)
ˆ Classe 2 : I3, I6 (poids et taille importants / poids ¡ taille)
ˆ Classe 3 : I2 (poids et taille petits / poids ¿ taille)
ˆ Classe 4 : I5 (poids et taille petits / poids ¡ taille)

2. Partition P2 en 2 classes selon le contraste poids/taille :

ˆ Classe 1 : I1, I2, I4 (poids ¿ taille)
ˆ Classe 2 : I3, I5, I6 (poids ¡ taille)

3. Partition P3 en 2 classes selon la dimension globale :

ˆ Classe 1 : I1, I3, I4, I6 (poids et taille importants)
ˆ Classe 2 : I2, I5 (poids et taille petits)

4. Partition P4 en 3 classes :
ˆ Classe 1 : I1, I4 (poids et taille importants / poids ¿ taille)
ˆ Classe 2 : I3, I6 (poids et taille importants / poids ¡ taille)
ˆ Classe 3 : I2, I5 (poids et taille petits)

5. Partition P5 en 3 classes :
ˆ Classe 1 : I1, I3, I4, I6 (poids et taille importants)
ˆ Classe 2 : I2 (poids et taille petits / poids ¿ taille)
ˆ Classe 3 : I5 (poids et taille petits / poids ¡ taille)

Interprétation physique :
ˆ Axe 1 représente la dimension globale ”taille-poids” (plus la valeur est positive, plus l’individu
est grand et lourd)
ˆ Axe 2 représente le contraste entre poids et taille (valeurs positives : taille prédominante, valeurs
négatives : poids prédominant)

Méthode 2 : ACP Non Normée

Étapes de l’Analyse en Composantes Principales (ACP Non Normée)
1. Centrage des données
Calcul du centre de gravité :
Pn
i=1 pi · xi 1
g= P n avec pi = , i = 1, . . . , 6; j = 1, 2
i=1 pi 6

1
g1 = (20 + 5 + 12 + 21 + 2 + 12) = 12
6
1
g2 = (15 + 2 + 21 + 13 + 7 + 20) = 13
6

6
 Tableau centré X :
   
20 − 12 15 − 13 8 2
 5 − 12 2 − 13 
  −7 −11
 

12 − 12 21 − 13  0
  8 
X=
21 − 12 = 
 13 − 13 
 9 0 

 2 − 12 7 − 13  −10 −6 
12 − 12 20 − 13 0 7

2. Calcul de la matrice variance-covariance

1
V = N
X tX

 
8 2
  −7 −11
 

8 −7 0 9 −10 0  0 8 
X tX = 
2 −11 8 0 −6 7  9 0 

−10 −6 
0 7
 
294 153
=
153 274

   
1 294 153 49 25.5
V = =
6 153 274 25.5 45.667

3. Détermination de la métrique
Les données sont hétérogènes (Poids en kg, Taille en m), donc on utilise la métrique :
 6   
0 0.0204 0
M = D1/σj2 = 294 6 =
0 274 0 0.0219

4. Recherche des axes principaux

Calcul des valeurs propres de la matrice V M :

    
49 25.5 0.0204 0 1.000 0.558
VM = =
25.5 45.667 0 0.0219 0.520 1.000

Calcul des valeurs propres :

1 − λ 0.558
det(V M − λI) = =0
0.520 1 − λ
(1 − λ)2 − (0.558)(0.520) = 0
λ2 − 2λ + 1 − 0.2902 = 0
λ2 − 2λ + 0.7098 = 0

7
 ∆ = (−2)2 − 4(1)(0.7098) = 1.1608
√
∆ = 1.0774
2 + 1.0774
λ1 = = 1.5387
2
2 − 1.0774
λ2 = = 0.4613
2
Trier les valeurs propres par ordre décroissant : λ1 = 1.54 > λ2 = 0.46

5. Qualité de représentation

λ1 1.54
Q1 = = = 0.77 = 77% < 80%
λ1 + λ2 1.54 + 0.46
λ1 + λ2
Q2 = = 1 = 100% ≥ 80%
λ1 + λ2
Il y a deux axes principaux U1 , U2 relatifs aux valeurs propres λ1 , λ2 .

6. Calcul des vecteurs propres

Pour l’axe U1 (λ1 = 1.54) :

V M · U1 = λ1 U1
    
1 0.558 x x
= 1.54
0.520 1 y y
( (
x + 0.558y = 1.54x −0.54x + 0.558y = 0
⇒ ⇒ x = 1.04y
0.520x + y = 1.54y 0.520x − 0.54y = 0

 
1.04
U1∗ =
1
  

0.0204 0 1.04
∥U1∗ ∥2M = (U1∗ )t ·M · U1∗ = 1.04 1 = 0.04
0 0.0219 1
∥U1∗ ∥M = 0.2
U1∗
 
5.2
U1 = ∗
=
∥U1 ∥M 5

Pour l’axe U2 (λ2 = 0.46) :

V M · U2 = λ2 U2
    
1 0.558 x x
= 0.46
0.520 1 y y
( (
x + 0.558y = 0.46x 0.54x + 0.558y = 0
⇒ ⇒ x = −1.04y
0.520x + y = 0.46y 0.520x + 0.54y = 0

8
  
−1.04
U2∗ =
1
  

0.0204 0 −1.04
∥U2∗ ∥2M = (U2∗ )t ·M · U2∗ = −1.04 1 = 0.04
0 0.0219 1
∥U2∗ ∥M = 0.2
U2∗
 
−5.2
U2 = =
∥U2∗ ∥M 5

7. Calcul des composantes principales

Ck = X · M · Uk
Composante principale 1 :
  
8 2 1.03
 −7 −11
   −1.83
 
 
 0 8  0.0204 0 5.2  0.80 
  
C1 = X · M · U1 = 
 9 =
 0 
 0 0.0219 5  0.90 
 
−10 −6  −1.64
0 7 0.70

Composante principale 2 :
  
8 2 −0.63
 −7 −11
 −0.37
 
  
 0 8 
 0.0204 0 −5.2  0.80 
C2 = X · M · U2 = 
 9 = 
−0.90

 0 
 0 0.0219 5  
−10 −6   0.44 
0 7 0.70

CP1 CP2
I1 1.03 -0.63
I2 -1.83 -0.37
I3 0.80 0.80
I4 0.90 -0.90
I5 -1.64 0.44
I6 0.70 0.70

9
8. Représentation graphique des individus (ACP Non Normée)

1.5

1
I6 I3
Composante principale 2

I5
0.5

0
I2
−0.5 I1

−1
I4
−1.5

−3 −2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5 3

Composante principale 1

9. Représentation des variables à l’aide du coefficient de corrélation

Corrélation entre variables et composantes principales :
1
Cov(X j , Ck ) (X j )t Ck
Cor(X j , Ck ) = = N √
σX j · σCk σX j · λk
Corrélation Poids avec CP1 :
 
1.03
−1.83
 
1

 0.80 
6
8 −7 0 9 −10 0  
 0.90 
 
−1.64
0.70
Cor(Poids, C1 ) = p √
294/6 · 1.54
1
(8.24 + 12.81 + 0 + 8.10 + 16.40 + 0)
= 6
7 · 1.241
1
× 45.55 7.592
= 6 = = 0.874
8.687 8.687

10
Corrélation Poids avec CP2 :
 
−0.63
−0.37
 
1

 0.80 
8 −7 0 9 −10 0   
6
−0.90 

 0.44 
0.70
Cor(Poids, C2 ) = p √
294/6 · 0.46
1
(−5.04 + 2.59 + 0 − 8.10 − 4.40 + 0)
= 6
7 · 0.678
1
× (−14.95) −2.492
= 6 = = −0.525
4.746 4.746
Corrélation Taille avec CP1 :
 
1.03
−1.83
 
1

 0.80 
6
2 −11 8 0 −6 7   
 0.90 

−1.64
0.70
Cor(Taille, C1 ) = p √
274/6 · 1.54
1
(2.06 + 20.13 + 6.40 + 0 + 9.84 + 4.90)
= 6
6.7577 · 1.241
1
× 43.33 7.222
= 6 = = 0.862
8.383 8.383
Corrélation Taille avec CP2 :
 
−0.63
−0.37
 
1

 0.80 
6
2 −11 8 0 −6 7  −0.90

 
 0.44 
0.70
Cor(Taille, C2 ) = p √
274/6 · 0.46
1
(−1.26 + 4.07 + 6.40 + 0 − 2.64 + 4.90)
= 6
6.7577 · 0.678
1
× 11.47 1.912
= 6 = = 0.417
4.580 4.580

CP1 CP2
Poids 0.874 -0.525
Taille 0.862 0.417

11
 Composante principale 2

CP2
1

0.5 Taille

Composante principale 1
−1 −0.5 0.5 1 CP1

−0.5
Poids

−1

Comparaison et Partitions
Partitions possibles et interprétation
D’après l’analyse des composantes principales (ACP Normée et Non Normée), on peut proposer les
partitions suivantes :

1. Partition en 2 classes selon l’axe 1 :

ˆ Classe 1 (valeurs positives sur CP1) : I1, I3, I4, I6 (individus avec poids et taille importants)
ˆ Classe 2 (valeurs négatives sur CP1) : I2, I5 (individus avec poids et taille faibles)

2. Partition en 2 classes selon l’axe 2 :

ˆ Classe 1 (valeurs positives sur CP2) : I3, I5, I6 (individus avec taille relativement plus
importante que le poids)
ˆ Classe 2 (valeurs négatives sur CP2) : I1, I2, I4 (individus avec poids relativement plus
important que la taille)

3. Partition en 4 classes :

12
 ˆ Classe 1 (CP1+, CP2-) : I1, I4 (poids et taille importants, poids supérieur à taille)
ˆ Classe 2 (CP1+, CP2+) : I3, I6 (poids et taille importants, taille supérieure à poids)
ˆ Classe 3 (CP1-, CP2-) : I2 (poids et taille faibles, poids supérieur à taille)
ˆ Classe 4 (CP1-, CP2+) : I5 (poids et taille faibles, taille supérieure à poids)

Interprétation physique :
ˆ Axe 1 représente la dimension globale ”taille-poids” (plus la valeur est positive, plus l’individu
est grand et lourd)
ˆ Axe 2 représente le contraste entre poids et taille (valeurs positives : taille prédominante, valeurs
négatives : poids prédominant)

Comparaison des méthodes :

ˆ ACP Normée : Utilise des données centrées-réduites, donne le même poids à chaque variable
ˆ ACP Non Normée : Utilise des données centrées seulement, tient compte des unités de mesure
différentes via la métrique M
ˆ Les deux méthodes donnent des résultats similaires mais avec des échelles différentes

Comparaison des méthodes :

ˆ ACP Normée : Utilise des données centrées-réduites, donne le même poids à chaque variable
ˆ ACP Non Normée : Utilise des données centrées seulement, tient compte des unités de mesure
différentes via la métrique M
ˆ Les deux méthodes donnent des résultats similaires mais avec des échelles différentes

Exercise 2 :
Soit X le tableau de données quantitatives suivant :
 t
−8 6 −2 8 0 −6 0 2
X=
−1 10 −10 1 3 −6 −3 6
Regroupant les observations de 8 individus par 2 variables. Les individus ont le même poids 1/8.
a) Le tableau est-il centré ?
b) Calculer la matrice de variances-covariances V
c) Montrer que u′1 = (3, 4) et u′2 = (4, −3) sont vecteurs propres de V relativement à 2 valeurs propres
λ1 et λ2 dans l’ordre que l’on déterminera. Compléter les résultats en appliquant l’ACP.
d) Quels sont les axes principaux d’inertie ?
e) Calculer la contribution relative de I1 à l’inertie expliquée du premier axe principal d’inertie.

Solution:

13
1. Vérification si le tableau est centré
 
−8 −1
6 10 
 
−2 −10
 
8 1 
X=
0

 3 

−6 −6 
 
 0 −3 
2 6
Calcul des moyennes :
−8 + 6 − 2 + 8 + 0 − 6 + 0 + 2
moy(V ar1 ) = =0
8
−1 + 10 − 10 + 1 + 3 − 6 − 3 + 6
moy(V ar2 ) = =0
8
Donc le tableau est centré.

2. Calcul de la matrice variance-covariance

1
V = N
X tX

 
−8 −1
6 10 
 
−2 −10
  
t −8 6 −2 8 0 −6 0 2  8 1 
XX=  
−1 10 −10 1 3 −6 −3 6 
0 3 

−6 −6 
 
 0 −3 
2 6
 
208 144
=
144 292

   
1 208 144 26 18
V = =
8 144 292 18 36.5

3. Vérification des vecteurs propres

   
3 4
Montrer que U1 = et U2 = sont des vecteurs propres de V.
4 −3
Avant il faut normaliser les vecteurs :
√
   
2 t

3 1 3
∥U1 ∥ = U1 · U1 = 3 4 = 25 ⇒ ∥U1 ∥ = 25 ̸= 1 ⇒ U1 = √
4 25 4
√
   
2 t

4 1 4
∥U2 ∥ = U2 · U2 = 4 −3 = 25 ⇒ ∥U2 ∥ = 25 ̸= 1 ⇒ U2 = √
−3 25 −3

Les deux vecteurs sont orthogonaux : ⟨U1 , U2 ⟩ = U1t · U2 = 0

14
 Pour U1 :
V · U1 = λ1 U1
     
1 208 144 1 3 1 3
·√ = λ1 · √
8 144 292 25 4 25 4
    
1 208 144 3 3
= λ1
8 144 292 4 4
( ( (
208 × 3 + 144 × 4 = 8 × 3 × λ1 1200 = 24λ1 λ1 = 50
⇒ ⇒
144 × 3 + 292 × 4 = 8 × 4 × λ1 1600 = 32λ1 λ1 = 50
λ1 = 50 pour les 2 équations donc U1 est vecteur propre de V.
Pour U2 :
V · U2 = λ2 U2
     
1 208 144 1 4 1 4
·√ = λ2 · √
8 144 292 25 −3 25 −3
    
1 208 144 4 4
= λ2
8 144 292 −3 −3
( ( (
208 × 4 + 144 × (−3) = 8 × 4 × λ2 400 = 32λ2 λ2 = 12.5
⇒ ⇒
144 × 4 + 292 × (−3) = 8 × (−3) × λ2 −300 = −24λ2 λ2 = 12.5
λ2 = 12.5 pour les 2 équations donc U2 est vecteur propre de V.

4. Axes principaux d’inertie

Calcul de la qualité de représentation :
λ1 = 50 et λ2 = 12.5
λ1 50
Q1 = = = 0.8 = 80%
λ1 + λ2 50 + 12.5
Un axe relatif à la valeur propre λ1 = 50 suffit pour représenter 80% de l’inertie totale.

5. Contribution relative de I1
La contribution relative :
pi (Cki )2 pi (Cki )2 pi (Cki )2
pik = Pn i 2
= =
i=1 pi (Ck ) Var(Ck ) λk
 

1 3 −28
C1I1 = ⟨I1 , U1 ⟩ = I1t · U1 = −8 −1 · √ =√
25 4 25
 2
1 −28
√ 1
8 25 8
× 784
25 39.2
pI1 1 = = = = 0.0784
50 50 50
 

1 4 −29
C1I1 = ⟨I1 , U2 ⟩ = I1t · U2 = −8 −1 · √ =√
25 −3 25
 2
1 −29
√ 1
8 25 8
× 841
25 42.05
pI1 2 = = = = 0.3364
12.5 12.5 12.5
15
Résumé des résultats
ˆ Valeurs propres : λ1 = 50, λ2 = 12.5
   
3 4
ˆ Vecteurs propres normalisés : U1 = 1 1
, U2 = 5
4 5 −3
ˆ Qualité de représentation : Q1 = 80%, Q2 = 100%

ˆ Contribution de I1 : pI1 1 = 0.0784, pI1 2 = 0.3364

Exercise 3 :
Nous avons appliqué une ACP sur un ensemble de 100 individus caractérisé par 2 variables hétérogènes
V1 et V2. Les résultats obtenus sont :
     ′
12 6 X X
V = , U1 = , U2 = , λ1 = a et λ2 = b
6 12 Y Y′

a) Quels sont les axes principaux d’inertie ?

b) Déduire U1 et U2
 
38
c) Soit l’individu I = . Calculer ses contributions relatives aux inerties expliquées des axes U1 et
22
U2

Solution:

1. Axes principaux d’inertie

Pj
λ
i
Calcul de la qualité de représentation : Qj = Pi=1 p ≥ 80%, mais avant il faut calculer les valeurs
i=1 λi
propres λ. Pn
Données de l’exercice : λ1 = a,
 λ 2 = b.
 Nous avons une propriété de l’ACP : Trace(V · M ) = i=1 λi
12 6
Données de l’exercice : V = , données hétérogènes donc M = D1/σj2 où σj est l’écart type
6 12
et D est la matrice diagonale.  
2 2 1/12 0
De la matrice V (matrice variance-covariance) : σ1 = 12, σ2 = 12 ⇒ M =
0 1/12
     
12 6 1/12 0 1 1/2
V ·M = · =
6 12 0 1/12 1/2 1

Calcul des valeurs propres :

 
1 − λ 1/2
det = (1 − λ)2 − (1/2)2 = (1 − λ − 1/2)(1 − λ + 1/2)
1/2 1 − λ
1 − λ − 1/2 = 0 ⇒ 1/2 − λ = 0 ⇒ λ = 1/2 = 0.5
1 − λ + 1/2 = 0 ⇒ 3/2 − λ = 0 ⇒ λ = 3/2 = 1.5

16
 NB : Dans le cas des données hétérogènes Trace(V · M ) = Nombre des variables = 2
Calcul de la qualité de représentation :
P1
λi λ1 1.5
Q1 = Pi=1 2 = = = 0.75 = 75% < 80%
λ i λ1 + λ 2 1.5 + 0.5
Pi=1
2
λi λ1 + λ2
Q2 = P2i=1 = = 1 = 100% > 80%
i=1 λ i λ1 + λ 2

Pas de réduction, il existe deux axes principaux relatifs aux deux valeurs propres λ1 = 1.5 et λ2 = 0.5.

2. Détermination des vecteurs propres U1 et U2

Calcul des vecteurs propres de la matrice (V · M ) : V · M · Uk = λk Uk
Pour l’axe U1 (λ1 = 1.5) :

V · M · U1 = λ1 U1
    
1 1/2 x x
= 1.5
1/2 1 y y
(
x + 21 y = 32 x
 
∗ 1
⇒ x = y ⇒ U1 =
1
x + y = 2y3 1
2

  

1/12 0 1
∥U1∗ ∥2M= (U1∗ )t
·M · U1∗
= 1 1
0 1/12 1
 

1 1 1
= 1/12 1/12 = ⇒ ∥U1∗ ∥M = √
1 6 6
∗
√ 
U1 6
U1 = ∗
= √
∥U1 ∥M 6

Pour l’axe U2 (λ2 = 0.5) :

V · M · U2 = λ2 U2
    
1 1/2 x x
= 0.5
1/2 1 y y
(
x + 21 y = 12 x
 
∗ 1
⇒ x = −y ⇒ U2 =
1
x + y = 2y1 −1
2

  

1/12 0 1
∥U2∗ ∥2M= (U2∗ )t
·M · U2∗
= 1 −1
0 1/12 −1
 

1 1 1
= 1/12 −1/12 = ⇒ ∥U2∗ ∥M = √
−1 6 6
∗
√ 
U2
U2 = = √6
∗ − 6
∥U2 ∥M

17
3. Contributions relatives de l’individu I


Soit I t = 38 22 . Calculer ses contributions aux inerties expliquées U1 et U2 .
(Cki )2
Les contributions aux inerties : Part d’inertie de Xi prise en compte par l’axe Uk = cos2 (θik ) = ∥Xi ∥2M
Pour l’axe U1 :
  √ 

1/12 0
I t
C1 = ⟨I, U1 ⟩M = I · M · U1 = 38 22 √6
0 1/12 6
38 √ 22 √ 60 √ √
√ 
6
= 38/12 22/12 √


= 6+ 6= 6=5 6
6 12 12 12

1
√ 1
pi (C1I )2 100
(5 6)2 100
× 150 1.5
p11 = = = = =1
λ1 1.5 1.5 1.5
Pour l’axe U2 :
  √ 

1/12 0
C2I t
= ⟨I, U2 ⟩M = I · M · U2 = 38 22 √6
0 1/12 − 6
√ 
38 − 22 √ 16 √ 4√
√6 =


= 38/12 22/12 6= 6= 6
− 6 12 12 3

1 4
√
2 1
pi (C2I )2 100 3
6 100
× 16
9
×6 1
100
× 96
9 0.1067
p12 = = = = = = 0.2133
λ2 0.5 0.5 0.5 0.5

Résumé des résultats

ˆ Valeurs propres : λ1 = 1.5, λ2 = 0.5
√  √ 
6 √6
ˆ Vecteurs propres normalisés : U1 = √ , U2 =
6 − 6
ˆ Qualité de représentation : Q1 = 75%, Q2 = 100%
ˆ Contribution de l’individu I : p11 = 1, p12 = 0.2133
p (C i )2
Remarque : Si l’individu a une contribution relative pik = i λkk → 1, nous pouvons supprimer
l’individu Ii de la liste des individus car il influence trop l’analyse.

Exercise 4 :
Nous avons appliqué une ACP sur un ensemble d’individus caractérisés par des variables homogènes.
Les résultats obtenus sont les suivants :
1 1
U1t = (u1 , u2 , u3 ), U2t = √ (1, 1, 1), U3t = √ (1, −1, 0)
3 2
λ1 = a, λ2 = b, λ3 = c, avec a, b, c ∈ R
Les composantes principales sont :
1
C1t = (x, 2, y, −1, z, −3), C2t = (0, 1, t, 3, 1, −3), C3t = (e, 2, 2, −13, 20, −7)
10
avec x, y, z, t, e ∈ R

18
a) Compléter les résultats (calculer a, b, c, x, y, z, t, e, u1 , u2 et u3 ).
b) Quels sont les axes principaux d’inertie ? Calculer la contribution relative du troisième individu aux
inerties expliquées de ces axes.

Solution:

1. Complétion des résultats

Calcul de U1 = (u1 , u2 , u3 )
Nous avons 3 inconnus u1 , u2 , u3 et nous avons besoin de 3 équations. Selon les propriétés des vecteurs
propres d’une ACP, nous avons deux propriétés importantes : normalisation et orthogonalité.

∥U1 ∥2M = 1 et ⟨U1 , U2 ⟩M = 0, ⟨U1 , U3 ⟩M = 0


2
∥U1 ∥M = 1
 −→ (1)
⟨U1 , U2 ⟩M = 0 −→ (2)

⟨U1 , U3 ⟩M = 0 −→ (3)


Équation (1) : Normalisation

⟨U1 , U1 ⟩M = U1t · M · U1 = U1t · U1
 

u1
= u1 u2 u3 u2  = u21 + u22 + u23 = 1
u3

Équation (2) : Orthogonalité avec U2

⟨U1 , U2 ⟩M = U1t · M · U2 = U1t · U2
 

1 1
1
= u1 u2 u3 · √ 1 = √ (u1 + u2 + u3 ) = 0
3 1 3
⇒ u1 + u2 + u3 = 0

Équation (3) : Orthogonalité avec U3

⟨U1 , U3 ⟩M = U1t · M · U3 = U1t · U3
 

1 1
1
= u1 u2 u3 · √  −1 = √ (u1 − u2 ) = 0
2 0 2
⇒ u1 − u2 = 0
Nous avons donc le système :

2 2 2
u1 + u2 + u3 = 1 −→ (1)

u1 + u2 + u3 = 0 −→ (2)

u1 − u2 = 0 −→ (3)


19
 De (3) : u1 = u2
Substituons dans (2) :

u1 + u1 + u3 = 0 ⇒ 2u1 + u3 = 0 ⇒ u3 = −2u1 −→ (4)

Substituons (3) et (4) dans (1) :

u21 + u21 + (−2u1 )2 = 1

u21 + u21 + 4u21 = 1
6u21 = 1
1
u1 = √
6
Donc :
1 1 2
u1 = √ , u2 = √ , u3 = − √
6 6 6
 
1
1
U1 = √  1 
6 −2

Calcul de t et e
Pour C2 :
0 + 1 + t + 3 + 1 + (−3) t+2
Moy(C2 ) = = =0
6 6
⇒ t + 2 = 0 ⇒ t = −2

Pour C3 :
1 e + 2 + 2 − 13 + 20 − 7 1 e+4
Moy(C3 ) = · = · =0
10 6 10 6
⇒ e + 4 = 0 ⇒ e = −4

Calcul de x, y, z
Nous avons 3 inconnus x, y, z et nous avons besoin de 3 équations :
Équation (1) : Moyenne de C1 nulle

x + 2 + y + (−1) + z + (−3) x+y+z−2

Moy(C1 ) = = =0
6 6
⇒x+y+z =2

20
Équation (2) : Orthogonalité C1 ⊥ C2
 
0
1
 
1 t 1
−2
Cov(C1 , C2 ) = C1 · C2 = x 2 y −1 z −3  3

N 6  
1
−3
1
= (x · 0 + 2 · 1 + y · (−2) + (−1) · 3 + z · 1 + (−3) · (−3))
6
1 1
= (2 − 2y − 3 + z + 9) = (−2y + z + 8) = 0
6 6
⇒ −2y + z = −8

Équation (3) : Orthogonalité C1 ⊥ C3

 
−4
 2 
 
1 t 1
1  2 
Cov(C1 , C3 ) = C1 · C3 = x 2 y −1 z −3 ·  
N 6 10 
 −13

 20 
−7
1
= (−4x + 4 + 2y + 13 + 20z + 21)
60
1
= (−4x + 2y + 20z + 38) = 0
60
⇒ −4x + 2y + 20z + 38 = 0
⇒ −2x + y + 10z = −19

Nous avons le système :


x + y + z = 2
 −→ (1)
−2y + z = −8 −→ (2)

−2x + y + 10z = −19 −→ (3)


De (2) : z = 2y − 8
Substituons dans (1) :

x + y + (2y − 8) = 2
x + 3y = 10
x = 10 − 3y −→ (4)

Substituons (2) et (4) dans (3) :

−2(10 − 3y) + y + 10(2y − 8) = −19

−20 + 6y + y + 20y − 80 = −19
27y − 100 = −19
27y = 81
y=3

21
 Puis :

x = 10 − 3(3) = 1
z = 2(3) − 8 = −2

Donc :
x = 1, y = 3, z = −2

Calcul de a, b, c (λ1 , λ2 , λ3 )
Les valeurs propres sont les variances des composantes principales :
Pour λ1 :
 
1
2
 
1 t 1
 3 
λ1 = Var(C1 ) = C1 · C1 = 1 2 3 −1 −2 −3 −1

N 6  
−2
−3
1
= (12 + 22 + 32 + (−1)2 + (−2)2 + (−3)2 )
6
1 28
= (1 + 4 + 9 + 1 + 4 + 9) = = 4.6667
6 6
Pour λ2 :

0
1
 
1 t 1
−2
λ2 = Var(C2 ) = C2 · C2 = 0 1 −2 3 1 −3 3

N 6  
1
−3
1
= (02 + 12 + (−2)2 + 32 + 12 + (−3)2 )
6
1 24
= (0 + 1 + 4 + 9 + 1 + 9) = =4
6 6
Pour λ3 :
 
−4
 2 
 
1 t 1 1
1  2 
λ3 = Var(C3 ) = C3 · C3 = · −4 2 2 −13 20 −7 ·  
N 6 10 10 
 −13

 20 
−7
1
= [(−4)2 + 22 + 22 + (−13)2 + 202 + (−7)2 ]
600
1 642
= (16 + 4 + 4 + 169 + 400 + 49) = = 1.07
600 600

22
2. Axes principaux d’inertie et contribution du troisième individu
Axes principaux d’inertie
Calcul de la qualité de représentation :
Pj
λi
Qj = Pi=1
p ≥ 80%
i=1 λi

P1
λi λ1 4.6667 4.6667
Q1 = Pi=1
3 = = = = 0.48 = 48% < 80%
i=1 λi
λ1 + λ2 + λ3 4.6667 + 4 + 1.07 9.7367
P2
λi λ1 + λ2 4.6667 + 4 8.6667
Q2 = Pi=1
3 = = = = 0.89 = 89% > 80%
i=1 λi
λ1 + λ2 + λ3 9.7367 9.7367
Il existe deux axes principaux relatifs aux deux valeurs propres λ1 = 4.6667 et λ2 = 4.

Contribution relative du troisième individu

La contribution relative du troisième individu aux inerties expliquées :
(Ck3 )2
p3k =
λk
Pour l’axe U1 :
(C13 )2 32 9
p31 = = = = 1.9286
λ1 4.6667 4.6667
Pour l’axe U2 :
(C23 )2 (−2)2 4
p32 = = = =1
λ2 4 4
Pour l’axe U3 :
(C33 )2 (2/10)2 0.04
p33 = = = = 0.0374
λ3 1.07 1.07

Résumé des résultats complets

ˆ Vecteur propre U1 : U1 = √1 (1, 1, −2)
6

ˆ Valeurs propres : λ1 = 4.6667, λ2 = 4, λ3 = 1.07

ˆ Composantes principales complètes :
C1 = (1, 2, 3, −1, −2, −3)
C2 = (0, 1, −2, 3, 1, −3)
1
C3 = (−4, 2, 2, −13, 20, −7)
10
ˆ Paramètres : x = 1, y = 3, z = −2, t = −2, e = −4
ˆ Axes principaux : U1 et U2 (qualité de représentation 89%)
ˆ Contribution du troisième individu : p31 = 1.9286, p32 = 1, p33 = 0.0374
Note : Les contributions relatives supérieures à 1 indiquent que le troisième individu a une influence
très importante sur ces axes principaux.

23