Analyse en Composantes Principales

ACP

Said EL KHATRI : elkhatri@[Link] 1

 But de l’ACP

L’ACP est une méthode descriptive

qui permet de résumer,

synthétiser
ou condenser

le comportement de p variables quantitatives

(observées n fois).

Said EL KHATRI : elkhatri@[Link] 2

Rappel de statistiques de base

Said EL KHATRI : elkhatri@[Link] 3

 Notions de base
• Population (limitée ou de grande taille) :
ensemble des individus à étudier.

• Echantillon : partie de la population

(n individus) sur laquelle est effectuée l'étude.
• Individus : appartenant à la population

• Variable (caractère) : caractéristique des

individus, définie sur la population.
Said EL KHATRI : elkhatri@[Link] 4
 Notions de base
Deux types de variables :

• Variable quantitative : =>valeurs réelles

* discrète (exemple : âge, nombre d'enfants)

* continue (exemple : taille, température)

• Variable qualitative :
* nominale (exemple: couleur [jaune, vert, ..], type de brouillard
[dense, de convection, néant])

* ordinale (exemple: type de voiture [aucune, petite, moyenne, grande]).

Said EL KHATRI : elkhatri@[Link] 5

 Variable quantitative

Moyenne :

Variance :

Ecart type :

Variable centrée :

Variable normée (réduite) :

Variable centrée-réduite (ou centrée-normée) :

Said EL KHATRI : elkhatri@[Link] 6

 Variable quantitative
Exemple de représentation graphique

Said EL KHATRI : elkhatri@[Link] 7

 Analyse de la liaison entre 2
variables quantitatives
Covariance :

Corrélation :

Ŷ=r*Sy/Sx*x + b

Said EL KHATRI : elkhatri@[Link] 8

Analyse de la liaison entre 2
variables quantitatives
Représentation graphique :

10

2
NOY

0 Rcarrée = 0,7579
0 2 4 6 8 10

NOX

Said EL KHATRI : elkhatri@[Link] 9

ACP

Said EL KHATRI : elkhatri@[Link] 10

 But de l’ACP

L’ACP est une méthode descriptive

qui permet de résumer,

synthétiser
ou condenser

le comportement de p variables quantitatives

(observées n fois).

Said EL KHATRI : elkhatri@[Link] 11

 Exemple élémentaire
On considère l’échantillon constitué par :
16 pays (ou individus) => n=16
sur lesquels on a relevé les valeurs de
2 variables (p=2): l'espérance de vie (EVI), et le taux d'analphabétisme (ANA) en 1970

Said EL KHATRI : elkhatri@[Link] 12

Exemple élémentaire

Said EL KHATRI : elkhatri@[Link] 13

Analyse de p variables quantitatives
Observées n fois
À l’aide de
l’ACP

Said EL KHATRI : elkhatri@[Link] 14

p colonnes Notation

n individus
n lignes

(scalaire)

(valeur de la j ème
variable pour le i ème
individu)

Said EL KHATRI : elkhatri@[Link] 15

 Notation

Said EL KHATRI : elkhatri@[Link] 16

 Notation

Said EL KHATRI : elkhatri@[Link] 17

 Notation

Said EL KHATRI : elkhatri@[Link] 18

1800 centres informatiques jugent les ordinateurs qu'ils utilisent.
Le questionnaire invitait les utilisateurs à juger "d'excellent à mauvais ", chaque
modèle d’ordinateur employé, en fonction des 12 (=p) critères suivants :

La notation était :

* Le nombre total des modèles d'ordinateur objets du questionnaire est 76 (=n)

* on retient, pour chaque modèle d'ordinateur la note moyenne relative à chaque

critère d’évaluation. (multiplié par 10)

Said EL KHATRI : elkhatri@[Link] 19

Tableau des données : p=12 => 12 variables = 12 critères d’évaluation des ordinateurs

n=76
: : : : : : : : : : : : : : 76 individus
76 modèles d’ordinateurs
Question :
Analyser les jugements donnés par
les centres informatiques sur les

76 modèles d'ordinateurs selon les

12 critères ?
Said EL KHATRI : elkhatri@[Link] 20
On pourrait penser à :

*Analyser la variation des notes d'un critère à l'autre pour chaque modèle d'ordinateur
i (i=1,76)

* puis analyser la variation des notes d'un ordinateur à l'autre pour chaque critère
j (j=1,12)

Pourquoi faut il éviter cette méthode ?

• Si p et/ou n est grand, la méthode devient lourde et complexe
• Si des variables sont corrélées ou anti corrélées, l’analyse sera redondante
• Si des individus se ressemblent, l’analyse sera redondante aussi
Said EL KHATRI : elkhatri@[Link] 21
Intérêt et problématique de l’ACP

Qu'apporte -t-elle l'ACP ?

• Condenser/synthétiser l'information :
• Rendre l’information plus facile à analyser;

et ce :

o en réduisant le nombre de données à analyser:

- regrouper des variables liées positivement ou négativement

o en visualisant les données par des graphes simples

 Ce qui revient à condenser la matrice d'observation initiale

Comment ?

Said EL KHATRI : elkhatri@[Link] 22

Intérêt et problématique de l’ACP

FEX-FEX FUC-FUC AGL-AGL

Said EL KHATRI : elkhatri@[Link] 23

Intérêt et problématique de l’ACP

Avec l’ACP on changera de base de :

à:

Et on écrira :

Avec :

Les sont des vecteurs colonnes normés de dimension

(p,1) et perpendiculaires entre eux

représentent les nouvelles variables

scalaires dans la nouvelle base

Said EL KHATRI : elkhatri@[Link] 24

Intérêt et problématique de l’ACP

L'intérêt principal de l'ACP est qu'elle permet d'écrire :

Ainsi l'analyse de X (c.a.d des x1, x2 .., xp ) se réduira à l'analyse uniquement de :

Composantes principales

Axes factoriels

Said EL KHATRI : elkhatri@[Link] 25

Intérêt et problématique de l’ACP

Approche de réponse (par analogie)

Devinez quels sont les objets dont la projection plane est :

3cm de diamètre

30cm de longueur

3m

Said EL KHATRI : elkhatri@[Link] 26

Intérêt et problématique de l’ACP

Réponse

Tuyau de 100 m de longueur

Bateau 3cm

30cm

Feuille de papier
3m

Said EL KHATRI : elkhatri@[Link] 27

Intérêt et problématique de l’ACP

Approche de réponse (par analogie)

Pour décrire l’allongement d’un objet :

L’espace de dimension 1 peut être suffisant : (tuyau)

L’espace de dimension 2 est nécessaire et suffisant : (feuille de papier)

L’espace de dimension 2 est acceptable mais pas très suffisant : (bateau)

Said EL KHATRI : elkhatri@[Link] 28

Détermination des Composantes Principales

En général:

L'information donnée sur la dispersion des points constituant un objet

dans un espace de dimension p est :
• très lisible lorsqu'on projette cet objet sur les axes (ou plans) de plus
grand allongement,
• et très peu importante en projection sur les axes de très faible
allongement.

L'objet décrit dans l'exemple d'analogie est, dans notre cas, un nuage
de n points dans l'espace de dimension =< p

Said EL KHATRI : elkhatri@[Link] 29

 Détermination des Composantes Principales

1 variable => 1 axe

1 individu => 1 ligne du tableau

=> 1 point dans l’espace de dimension p

Said EL KHATRI : elkhatri@[Link] 30

 Détermination des Composantes Principales

1. Proximité:
❑ Deux individus proches sont semblables
(ils possèdent des valeurs proches pour l'ensemble
des variables)

❑ Deux individus éloignés sont dissemblables

(ils possèdent des valeurs éloignées sur 1 ou
plusieurs variables)

=> La mesure de ressemblance se fait par le calcul

d’une distance entre les deux individus
2. Centrer les variables ne modifie pas la
forme du nuage (C’est l’origine du repère qui
change et non le nuage)

Said EL KHATRI : elkhatri@[Link] 31

 Détermination des Composantes Principales

Le principe de l'ACP consiste à représenter le nuage des n

points dans un espace

qui permettra, en des projections dans un sous espace

engendré par un nombre réduit de vecteurs, de montrer les
plus grands allongements de ce nuage.

Autrement : L'ACP vise à fournir une image simplifiée du nuage des

individus la plus fidèle possible .
 Trouver le sous-espace qui résume au mieux les données, c.a.d qui:

* Restitue grosso-modo la forme générale du nuage

* Ne perturbe pas trop les distances entre individus

Said EL KHATRI : elkhatri@[Link] 32

 Détermination des Composantes Principales

Inertie du nuage de points:

• La dispersion du nuage de points est mesurée par son inertie par rapport au centre
de gravité :

Said EL KHATRI : elkhatri@[Link] 33

 Détermination des Composantes Principales

On cherche des transformations linéaires orthogonales entre elles sur la

base du critère de la maximisation de la variance.

Etape 1: Recherche de l'axe (unitaire) tel que le nuage des points a une
variance (allongement) maximale sur cet axe

[Link]. Trouver l'axe factoriel (F1) qui déforme le moins possible le nuage

Ai Minimiser σ𝑛𝑖=1 𝐴𝑖 𝐻𝑖2

u1 (F1)
O Hi

Maximiser σ𝑛𝑖=1 𝑂𝐻𝑖2

Said EL KHATRI : elkhatri@[Link] 34

 Détermination des Composantes Principales

On cherche des transformations linéaires orthogonales entre elles sur la

base du critère de la maximisation de la variance.

Etape 2: Recherche de l'axe (unitaire) tel que :

[Link]. Trouver l'axe factoriel (F2) tel que le plan (O,F1, F2) déforme le
moins possible le nuage Ai

Minimiser σ𝑛𝑖=1 𝐴𝑖 𝐻𝑖2 O

Maximiser σ𝑛𝑖=1 𝑂𝐻𝑖2 u1 (F1)

Hi
u2 (F2)
Said EL KHATRI : elkhatri@[Link] 35
 Détermination des Composantes Principales

On cherche des transformations linéaires orthogonales entre elles sur la

base du critère de la maximisation de la variance.

Minimiser σ𝑛𝑖=1 𝐴𝑖 𝐻𝑖2

𝐻𝑖 𝑒𝑠𝑡 𝑙𝑎 𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 𝑜𝑟𝑡ℎ𝑜𝑔𝑜𝑛𝑎𝑙𝑒 𝑑𝑒𝐴𝑖 sur (0,u1,..,uk)
Maximiser σ𝑛𝑖=1 𝑂𝐻𝑖2

Said EL KHATRI : elkhatri@[Link] 36

Détermination des Composantes Principales

e2

G e1
O

e2

e2

U2

O
e1

U1

Said EL KHATRI : elkhatri@[Link] U1 37

 Détermination des Composantes Principales

On montre que :

Les vecteurs directeurs des axes recherchés sont les vecteurs propres de la
matrice de variance covariance Σ (i.e. matrice d’inertie).
Ces vecteurs unitaires sont rangés dans l'ordre décroissant des valeurs
propres associées :

Le calcul des valeurs propres et les vecteurs propres peut s'effectuer en

résolvant les systèmes suivants :

Said EL KHATRI : elkhatri@[Link] 38

Détermination des Composantes Principales

Said EL KHATRI : elkhatri@[Link] 39

 Détermination des Composantes Principales
Changement de base :

Said EL KHATRI : elkhatri@[Link] 40

 Détermination des Composantes Principales

Les composantes principales sont des combinaisons

linéaires des variables initiales:

Said EL KHATRI : elkhatri@[Link] 41

 et

Soit la matrice diagonale des valeurs propres.

La matrice de variance-covariance des composantes principales est :

Propriété de la variance:

Propriété de la corrélation:

Said EL KHATRI : elkhatri@[Link] 42

Notion de variance totale, variance expliquée et
variance résiduelle

Said EL KHATRI : elkhatri@[Link] 43

 Notion de variance totale, variance expliquée et
variance résiduelle

La variance expliquée par les q premiers axes principaux est :

Le pourcentage de variance expliqué par les q premiers axes principaux est :

(x100%)

Said EL KHATRI : elkhatri@[Link] 44

Said EL KHATRI : elkhatri@[Link] 45
Notion de variance totale, variance expliquée et
variance résiduelle

Said EL KHATRI : elkhatri@[Link] 46

Approximation de la reconstitution des variables initiales

Formule de reconstitution :

Formule d’approximation :

p variables q CP q << p

Said EL KHATRI : elkhatri@[Link] 47

Approximation de la reconstitution des données initiales

Définir les coordonnées de l’oreille

gauche ?

Said EL KHATRI : elkhatri@[Link] 48

 (Critère de la valeur propre moyenne)

P=12

1/P=0,0833 =8,33%

On retient donc les 3 premières CP

Said EL KHATRI : elkhatri@[Link] 49

Par exemple :

On retient donc les 9 premières CP

Said EL KHATRI : elkhatri@[Link] 50

c/ Lorsque les données sont centrées réduites

On retient donc les 3

premières CP

Said EL KHATRI : elkhatri@[Link] 51

 d/ Critère de CATTELL : ( le plus utilisé ) connu sous le nom du "critère du coude".
On retient les q premières CP tel que l'apport en variance des dernières CP est
remarquablement plus faible par rapport aux premières.
En pratique, on trace -sur le graphe d'évolution des valeurs propres- la droite ajustant les
dernières valeurs propres et on garde les premières CP tel que les valeurs s'éloignent de
cette droite.

Said EL KHATRI : elkhatri@[Link] 52

190.527 100.000
Etude du comportement des observations et des variables :

• Nécessite d'utiliser plusieurs projections

planes.
• On se limite souvent aux plans (O;U1;U2),
(O;U1;U3), et (O;U2;U3).
• Les points Aj et Ak paraissent très proches
sur le plan (O; U1;U3).
• Mais en réalité, ils sont très éloignés dans
l'espace: la projection sur le plan
(O;U1;U2) le montre facilement.

Said EL KHATRI : elkhatri@[Link] 53

Etude du comportement des observations et des variables :

Attention : il ne faut commenter la position d’un individu sur un plan que s’il est bien
représenté sur ce plan;
Comment vérifier ?

Said EL KHATRI : elkhatri@[Link] 54

Annexe mathématique

Représentation d’un individu

L’inerte de Ai suivant l’axe Uk est :

𝑂𝐻𝑖2
Contribution de l’axe Uk à l’individu Ai : =
𝑂𝐴2𝑖
Annexe mathématique

Représentation d’un individu

Ai
L’inerte de Ai suivant le plan dirigé par les axes Uk et Ul est :

O Zik
Uk

Zil

Hi
Contribution du plan (O,Uk ,Ul) à l’individu Ai : Ul
Annexe mathématique

Représentation d’un individu

Règle empirique du seuil de la qualité de représentation

Il ne faut commenter la position d'un individu sur un plan
(Fk ; Fl ) que s’il est bien représenté sur ce plan.
C’est-à-dire : n’est pas faible (>0.25),

Ai
ie. Angle inférieur à 60°.

O Zik
Uk
Cas extrêmes:
Zil

• =1 Ul Hi

i.e. Ai est idéalement représenté sur le plan (=Hi)

• ~0
i.e Hi est proche de l’origine (Ai est mal représenté par Hi)
Annexe mathématique

Représentation d’un individu

zi,2
i=

zi,1

: : : : : : : : : : : : : :

Remarque pratique
NB: Les individus projetés loin du centre O méritent plus d’attention car
contribution au calcul de la variance est grande
Annexe mathématique

Représentation d’un individu

Il faut se méfier de l’interprétation des individus mal représentés:
il ne faut les interpréter que sur les plans sur lesquels ils sont bien
représentés

Z1 Z2 COS2_F1 COS2_F2 COS2_(F1,F2) L’individu AM1 est très

AM1 0,96827 -0,39538 69% 19% 88%
bien représenté sur le
BU1 -0,50047 2,21635 6% 1% 7% X
BU2 -0,50803 1,90542 3% 60% 63% plan (F1,F2)
BU3 -0,88345 2,03428 3% 37% 40%
BU4 -0,88865 1,98165 6% 30% 36%
BU5 -2,33393 2,08892 8% 41% 49%
L’individu BU5 est
BU6 -0,37145 1,76014 15% 12% 26% bien représenté sur le
BU7 1,46471 2,75351 2% 47% 49% plan (F1,F2)
BU8 -0,10818 1,26096 10% 34% 43%
CD1 0,57104 -0,35044 0% 6% 6% X
CD2 -1,22644 -1,82901 2% 1% 2% X L’individu CD2 est
CD3 -0,38141 -0,3984 14% 32% 47%
CD4 -0,75267 -0,52764 3% 3% 6% X Très mal représenté sur
DE1 0,21089 1,26016 3% 1% 4% X le plan (F1,F2)
DE2 0,75168 1,70319 1% 34% 35%
HO1 -1,44502 -0,72484 3% 17% 20% X
HO2 1,19647 -1,05292 8% 2% 10%
HO3 -1,52104 0,42352 15% 12% 27%
X
HO4 0,09976 0,55875 26% 2% 28%
HO5 -0,80727 -0,163 0% 8% 9% X
HO6 0,02829 0,93552 16% 1% 17%
X
Etude du comportement des observations et des variables :

Chaque Xj (vecteur des n coordonnées de xj est représenté sur le plan (O, Fk, Fl )

Fl
1

-1 1 Fk

-1
Said EL KHATRI : elkhatri@[Link] 60
Annexe mathématique

Cercle de corrélation:

A
α B
A’ r(x,y) 1 α 0°
B’

O
r(x,y) 0 α 90°

r(x,y) -1 α 180°

Said EL KHATRI : elkhatri@[Link]

Annexe mathématique

Cercle de corrélation:

Chaque variable (ayant n coordonnées) est représentée par le point ‘

Et projetée sur le plan (O, Fk, Fl )

Aj Aj

1 A’j A’j

Zk’
O O r(Xj ,Zk )

Said EL KHATRI : elkhatri@[Link]

Annexe mathématique

Cercle de corrélation:

Am
α Aj
A’ m

A’j

1 α 0°

0 α 90°

-1 α 180°

Said EL KHATRI : elkhatri@[Link]

 Fl Cercle de corrélation:
A2 R(X1,X2)=cos(α)
α
A1 aucune
déformation
Fk de l’angle

Légère Grande
déformation déformation
de l’angle A1 A2 α de l’angle
A1
α α

A2

Said EL KHATRI : elkhatri@[Link]

Etude du comportement des observations et des variables :

La corrélation entre deux variables xm et xj est donnée par la lecture graphique du cosinus
de l'angle (O,Amkl; O,Ajkl )

à condition que les points Amkl et Ajkl soient proches du cercle de corrélation

Proche du X1 et X2 : corrélées
Sur le cercle =
centre = Parfaitement X8 et X4 : anti- corrélées
Très mal représentée
représentée X1 et X3 : dé-corrélées
1
X6 et X3 : on ne peut rien dire
car X6 est mal représentée

X3 et Zl : corrélées
r(X6,Zk)
-1 1 X6 et ZK : dé-corrélées

Said EL KHATRI : elkhatri@[Link] 65

-1
Etude du comportement des observations et des variables :

corr(rap-maint, Z1)
Axe factoriel 2

corr(rap-maint, Z2)

Axe factoriel 1
Axe factoriel 2

Axe factoriel 1
1) Donner un sens à chaque axe factoriel en étudiant les variables initiales
fortement corrélées (positivement ou négativement) avec cet axe.
* Recherche lexicale (ou recherche de mots) qui peut résumer un ou des
groupe(s) de variables initiales …

* Ce sont les éléments extrêmes, éventuellement opposés, qui concourent à

l'élaboration des axes
* L'interprétation est parfois compliquée à cause de la combinaison de plusieurs
variables initiales; d'où la nécessité de bien connaitre les données de base
* Si l'interprétation des variables n'est pas évidente, il faut alors donner un sens
à l'axe à partir des individus qui ont les coordonnées extrêmes.

2) Interpréter la position des individus par rapport aux sens des axes.

Said EL KHATRI : elkhatri@[Link] 68

 Projection des variables
Deux cas :

1) Un seul groupe de variables qui est corrélé (ou anti-corrélé) significativement

avec l’axe:
On dit que l’axe est expliqué par ce groupe de variables

2) Deux groupes de variables: un corrélé positivement et significativement

avec l’axe et l’autre est corrélé négativement et significativement avec l’axe:
On dit que l’axe est expliqué par l’opposition entre ces deux groupes de
variables.

Said EL KHATRI : elkhatri@[Link] 69

 Projection des variables
20.8%

Utilisation
39.4% Aspect Général
Axe factoriel 2

Maintenance

Axe factoriel 1

Said EL KHATRI : elkhatri@[Link] 70

 Projection des variables
20.8%

Utilisation
39.4% Aspect Général
Axe factoriel 2

Maintenance

Axe factoriel 1

Said EL KHATRI : elkhatri@[Link] 71

 Projection des variables
13.2%

Qualité

Aspect Général
39.4%
Axe factoriel 3

Axe factoriel 1

Said EL KHATRI : elkhatri@[Link] 72

 Projection des variables
13.2%

Qualité

Aspect Général
39.4%
Axe factoriel 3

Axe factoriel 1

Said EL KHATRI : elkhatri@[Link] 73

 Projection des individus
20.8%

Utilisation
Aspect Général
39.4%
Maintenance
Axe 2

Axe 1 Said EL KHATRI : elkhatri@[Link] 74

 Projection13.2%
des individus

Qualité
39.4%

Aspect Général
Axe 3

Axe 1
Said EL KHATRI : elkhatri@[Link] 75
Les données sont-elles factorisables ?
1) Plusieurs variables sont corrélées (ou anti-corrélées) ?
Analyse de la matrice de corrélation

Plusieurs variables sont corrélées entre elles

Said EL KHATRI : elkhatri@[Link] 76

Les données sont-elles factorisables ?
2) L’indice de KMO (Kaiser-Meyer-Olkin) qui tend vers 1 ?
C’est le rapport :
somme des corrélations au carrée •0,50 et moins => misérable
somme des corrélation partielles au carrée •entre 0,60 et 0,70 => médiocre
•entre 0,70 et 0,80 => moyen
•entre 0,80 et 0,90 => méritoire
•plus que 0,9 => merveilleux.

Moyen

Said EL KHATRI : elkhatri@[Link] 77

Les données sont-elles factorisables ?
3) La signification de Bartlett tend vers 0 ?
(test de sphéricité) • tend vers 0 => c’est très significatif,
Comparer la matrice de corrélation • inférieur à 0.05 => significatif,
à la matrice identité à l’aide de Khi2 • entre 0.05 et 0.10 => acceptable
• au dessus de 0.10 => on rejette.

Très significatif

Said EL KHATRI : elkhatri@[Link] 78

Les données sont-elles factorisables ?

1) Plusieurs variables sont correlees (ou anti-correlees) ?

2) L’indice de KMO (Kaiser-Meyer-Olkin) qui tend vers 1 ?
3) a signification de Bartlett tend vers 0 ?

 En pratique:
Les données sont-elles factorisables si au moins 2 conditions
parmi ces 3 conditions sont favorables

Said EL KHATRI : elkhatri@[Link] 79

 Σ : variables centrées
Choix de Σ ou Ω ?
Ω : Variables centrées réduites

Variables hétérogènes => choisir Ω

Si les variances des variables sont comparables, alors Σ

Variables homogènes
Si les variances des variables sont incomparables, alors Ω

Said EL KHATRI : elkhatri@[Link] 80

Si p est grand => difficultés pour diagonaliser une matrice de dimension p×p

Solution : Méthode de DUAL => diagonaliser une matrice de petite taille : L

diagonaliser L  diagonaliser Σ

Said EL KHATRI : elkhatri@[Link] 81

1. Lissage des données initiales

2. Reconstitution des données manquantes

3. Aide à alléger les modèles de prévision statistique

Said EL KHATRI : elkhatri@[Link] 82

On cherche les CP sur la base la maximisation de l'autocorrélation à un décalage
temporel fixé

On cherche les CP sur la base la minimisation de l'erreur de prévision

appliquée lorsque les variables expriment l'espace et les individus le temps.

Elle tient compte des propagations spatio-temporelles.

Permet d'améliorer l'interprétation des composantes principales de l'ACP en

effectuant des rotations sur les axes principaux retenus par l'ACP classique sur
la base de la maximisation de la variance de la série des corrélations au carré
avec les variables initiales
Said EL KHATRI : elkhatri@[Link] 83
 Après rotation
après rotation après rotation
1,0 1,0
faci-prog faci-prog
q-syt-exp q-syt-exp
faci-exploit
faci-conv ,8 faci-exploit
faci-conv
,8
app-glob app-glob
,6 q-com+assb ,6 q-com+assb
fiab-uc fiab-uc
,4 ,4
supp-tech supp-tech
,2 ,2
fiab-péri
effi-maint fiab-péri
effi-maint
,0 q-logiciel ,0 q-logiciel
rap-maint rap-maint
-,2 -,2
Composante 2

-,4 -,4

-,6 -,6

-,8 -,8
-1,0 -1,0
-1,0 -,8 -,6 -,4 -,2 ,0 ,2 ,4 ,6 ,8 1,0 -1,0 -,8 -,6 -,4 -,2 ,0 ,2 ,4 ,6 ,8 1,0

Composante 1 Composante 3

Said EL KHATRI : elkhatri@[Link] 84

 Fin du chapitre
Analyse en Composantes Principales
ACP

Said EL KHATRI : elkhatri@[Link] 85