1️⃣ Situation de départ : un grand tableau de données

Imaginons un tableau avec beaucoup d’individus et beaucoup de variables :

VAR1 VAR2 VAR3 VAR4 VAR5 ... VAR20
Indiv1 12 4 7 18 9 ...
Indiv2 9 3 8 21 6 ...
Indiv3 15 5 6 17 12 ...
...
Indiv300 ...

C’est difficile à interpréter.

➡️Certaines variables se ressemblent (corrélation).
➡️On veut résumer sans perdre trop d’information

2️⃣ Ce que fait l’ACP (idée graphique)

L’ACP cherche à trouver de nouveaux axes (appelés composantes principales) qui résument
les données.
Imagine que les données sont dans un espace :
|
V3 | *
| *
| * *
-------+--------------------- V1
| * *
| *
| V2

➡️Les variables V1, V2, V3 bougent ensemble.

➡️On cherche un axe principal qui capte la plus grande variation

|
| *
| *
-------+--------------------- PC1 (1er axe principal)
| *
| *
|
PC1 = première composante principale
Elle résume le maximum d’information.
Ensuite l’ACP cherche un deuxième axe :
|
| PC2
| |
-------+--------------------- PC1
|
|

PC2 = deuxième composante

Indépendante de PC1 et expliquant une autre partie de l'information.

3️⃣ Résultat final : données simplifiées

L’ACP fait passer d’un tableau complexe :
300 individus × 20 variables en quelque chose de plus simple : 300 individus × 2 ou 3 axes
(composantes)

4️⃣ Visualisation finale (le fameux plan factoriel)

L’ACP permet un graphique comme ceci :
PC2
|
Groupe A | *
* | *
*|
----------------------+---------------------- PC1
* *
Groupe B * Groupe C

Les points = individus

🔹 Les regroupements = comportements similaires
🔹 Les axes = synthèse des variables

🌟 En bref
L’ACP permet de :
➡️projeter beaucoup d’informations dans un graphique simple
➡️voir quels individus se ressemblent
➡️voir quelles variables vont ensemble
➡️résumer les données tout en gardant l’essentiel
Principe de l’Analyse en Composantes Principales (ACP)
✔ 1. Résumer les informations
L’ACP sert à résumer un grand tableau de données qui contient :
 n individus (lignes)
 p variables (colonnes)
Quand il y a beaucoup de variables, c’est difficile à analyser.
L’ACP aide à voir l’essentiel sans tout lire.

✔ 2. Remplacer les p variables par q nouvelles variables

L’ACP crée de nouvelles variables, qu’on appelle composantes principales.
Ces nouvelles variables :
 sont moins nombreuses que les variables de départ (q < p)
 résument presque toute l’information contenue dans les p variables initiales

🎯 En résumé très simple

➡️Avant : trop de variables → difficile à analyser
➡️Après ACP : quelques nouvelles variables → plus faciles à comprendre
Ces nouvelles variables expliquent l’essentiel des données

Diapo 3 : démarche

Exemple concret : Satisfaction dans un restaurant à thème

Imaginons que tu fais une étude dans un restaurant à thème auprès de 100 jeunes adultes
(n = 100).
Tu mesures p = 5 variables métriques :
1. Qualité de la nourriture (note /10)
2. Ambiance (/10)
3. Service (/10)
4. Prix perçu (/10)
5. Intention de revisite (/10)
Tu veux résumer ces 5 variables en quelques axes pour mieux comprendre le comportement
des clients.

Application de la démarche ACP sur cet exemple

1️⃣ Matrice des données (n × p)
Tu as un tableau :
100 lignes (clients) × 5 colonnes (variables)

2️⃣ Centrage et réduction

Les variables n’ont pas les mêmes échelles.
Exemple :
 certains répondent toujours entre 5 et 10
 le prix perçu varie moins que l’ambiance
 l’intention de revisite varie beaucoup
On met toutes les variables sur la même base pour éviter que l’une domine les autres.

3️⃣ Calcul des valeurs propres / vecteurs propres

Supposons que tu trouves :
  Axe 1 explique 60 % de l’information
 Axe 2 explique 25 %
 Les autres axes expliquent très peu
Axe 1 semble intéressant : il résume presque tout.

4️⃣ Détermination des axes factoriels

En étudiant les vecteurs propres, tu obtiens :
 Sur Axe 1, variables importantes = qualité nourriture, service, ambiance
➡️Cet axe représente clairement l’expérience globale.
 Sur Axe 2, variables importantes = prix perçu
➡️Cet axe représente la sensibilité au prix.

5️⃣ Sélection des composantes principales

Tu gardes les 2 axes car :
✔ Ils expliquent 85 % de l’information (60 + 25).
✔ Ils ont les plus grandes valeurs propres.
Donc tu passes de :
➡️5 variables → 2 nouvelles variables
 Composante 1 : Qualité globale du restaurant
 Composante 2 : Sensibilité au prix

🎯 Résultat final
Au lieu d’analyser 5 variables, tu résumes tout en seulement 2 grandes dimensions :
1️⃣ Expérience globale du client
2️⃣ Sensibilité au prix

Suite diapo démarche : Démarche : Centrage et réduction des données

Quand on a n individus décrits par p variables métriques, ces variables :
 n’ont pas la même unité (ex : euros, minutes, notes…),
 n’ont pas la même variabilité,
 n’ont pas la même échelle (ex : 1–10 vs 1–100).
Pour que l’ACP soit juste, il faut que toutes les variables aient le même poids.
➡️C’est pour cela qu’on fait un centrage et réduction.
1. Pourquoi centrer et réduire ?
Parce que dans un tableau :
 le prix peut varier de 0 à 100
 la satisfaction varie de 1 à 5
 la fréquence de visite varie de 1 à 10
Si on ne standardise pas, la variable “prix” va dominer l’analyse, car ses valeurs sont plus
grandes.
L’ACP donnerait un résultat faussé.
➡️On standardise pour que toutes les variables soient comparables.

2. Centrer : mettre la moyenne à 0

Pour chaque variable, on fait :
xcentreˊ=x−xˉ
Cela veut dire :
👉 On enlève la moyenne de la variable.
👉 Résultat : la nouvelle moyenne devient 0.

✔️3. Réduire : mettre la variance à 1

Pour chaque variable centrée, on divise par son écart-type :
xcentreˊ et reˊduit=x−xˉ /s

ù s = écart-type
👉 Résultat : la nouvelle variance devient 1.

🟦 4. Résultat : Matrice centrée-réduite

Après ces deux opérations :
 toutes les variables ont moyenne = 0
 toutes les variables ont variance = 1
C’est ce qu’on appelle :
👉 la matrice centrée-réduite
(la matrice sur laquelle l’ACP va se baser)
Exemple concret très simple
Imaginons 3 clients décrits par 2 variables :
Client Dépense (DT) Satisfaction (/10)
C1 120 8
C2 60 6
C3 90 7

Les deux variables n’ont pas la même échelle (120 vs 8).

On fait :
✔ Centrage
on enlève la moyenne de chaque colonne.
✔ Réduction
on divise par l’écart-type.
Résultat :
Client Dépense centrée-réduite Satisfaction centrée-réduite
C1 1,22 1,22
C2 –1,22 –1,22
C3 0 0
Explication très simplifiée pour diapo
Le centrage-réduction permet de mettre toutes les variables sur la même échelle (moyenne 0,
variance 1).
Ainsi, aucune variable ne domine l’analyse et l’ACP peut comparer correctement les données.

ETAPE 1 : Calcul de la moyenne de chaque variable

1️⃣ Dépense : xˉdeˊpense=120+60+90/3=270/3=90

2️⃣ Satisfaction : xˉsat=8+6+7/3=21/3=7

⭐ ÉTAPE 2 : Calcul de l’écart-type de chaque variable

1️⃣ Dépense
Calcul de la variance :
v=(120−90)2+(60−90)2+(90−90)2/3
v=(30)2+(−30)2+(0)2/3=900+900+0/3=1800/3=600
Écart-type : s= racine 600≈24,49

2️⃣ Satisfaction
Variance :
v=(8−7)2+(6−7)2+(7−7)2/3
v=(1)2+(−1)2+(0)2=1+1+0/3=2/3≈0,667
Écart-type : s=racine 0,667≈0,816

⭐ ÉTAPE 3 : Centrage-réduction
La formule est
Z=x−xˉ/s

Dépense centrée-réduite
Client C1 :
Z=120−90/24.49=30/24.49≈1,22
Client C2 : Z=60−90/24.49=-30/24.49≈−1,22
Client C3 : Z=90−90/24.49=0

Satisfaction centrée-réduite
Client C1 : Z=8−7/0.816=1/0.816≈1,22
Client C2 Z=6−7/0.816=1/0.816≈−1,22
Client C3 : Z=7−7/0.816=0

🌟 1. Pourquoi parler de covariance et de corrélation dans l’ACP ?

Après avoir centré et réduit les données, l’ACP cherche à comprendre :
👉 comment les variables sont liées entre elles
Pour cela, on utilise :
 La matrice des variances-covariances
 La matrice des corrélations
Ces matrices permettent de savoir :
 quelles variables "vont ensemble"
 quelles variables varient dans le même sens
 quelles variables sont indépendantes
Ce sont ces relations qui vont permettre de construire les axes factoriels de l’ACP.
🌟 2. Matrice des variances-covariances
C’est une matrice (tableau) qui mesure les relations linéaires entre les variables.
Exemple avec 3 variables X1, X2, X3 :
X1 X2 X3
X1 Var(X1) Cov(X1,X2) Cov(X1,X3)
X2 Cov(X2,X1) Var(X2) Cov(X2,X3)
X3 Cov(X3,X1) Cov(X3,X2) Var(X3)

👉 Comment interpréter ?
✔ Variance (Var)
 C’est la dispersion de la variable.
 Placée sur la diagonale du tableau.
✔ Covariance (Cov)
 Mesure si deux variables évoluent ensemble.
👉 Si Cov(X1, X2) = 0 → variables indépendantes
Il n’y a aucune relation linéaire entre X1 et X2.
👉 Si Cov(X1, X2) ≠ 0 → variables dépendantes
Les deux variables évoluent ensemble :
 Si covariance positive → elles augmentent ensemble
 Si covariance négative → quand l’une augmente, l’autre baisse

🌟 Exemple concret
Variables dans un restaurant :
 X1 = satisfaction
 X2 = qualité du service
 X3 = prix perçu
Si Cov(satisfaction, service) = 0,8 (positive)
➡️Plus le service est bon, plus la satisfaction augmente.
Si Cov(satisfaction, prix) = –0,4 (négative)
➡️Plus le prix est jugé élevé, moins la satisfaction est élevée.
🌟 3. Matrice des corrélations
La corrélation est une version normalisée de la covariance.
Pourquoi l’utiliser ?
👉 Parce que la corrélation ne dépend pas de l’unité de mesure
(elle varie toujours entre –1 et +1)
Cela permet de :
✔ comparer des variables de nature différente
✔ interpréter plus facilement les relations
✔ construire l’ACP à partir de données centrées-réduite
Formule de la corrélation : Corr(X,Y)=Cov(X,Y)/sx*sy
où
 sx = écart-type de X
 sY = écart-type de Y

🌟 Exemple simple
Supposons :
 Cov(satisfaction, service) = 0,8
 s_satisfaction = 1,0
 s_service = 1,2
Alors : Corr=0,8/1.0*1.2=0,8/1.2=0,67

➡️Très forte corrélation positive

➡️Cela signifie que les deux variables évoluent fortement ensemble.

🌟 Pourquoi l’ACP utilise la matrice des corrélations ?

Parce que :
✔ Les variables sont souvent mesurées sur des échelles différentes
✔ La corrélation met toutes les variables sur le même pied d’égalité
✔ Les axes factoriels (composantes principales) sont basés sur les relations entre variables

🎯 Résumé simple pour ta diapo

 La matrice des variances-covariances mesure les relations linéaires entre variables.
➝ Cov = 0 → indépendance
➝ Cov ≠ 0 → dépendance
 La matrice des corrélations analyse les relations bilatérales normalisées entre
variables.
➝ Indispensable pour construire les composantes principales.

Exercice : Analyse descriptive avant ACP

Une entreprise souhaite analyser le comportement de 4 clients à partir de 2 variables
quantitatives :

 X1 : Dépense mensuelle (en dinars)

 X2 : Satisfaction (note sur 10)

Client X1 : Dépense X2 : Satisfaction

C1 100 7
C2 80 6
C3 120 9
C4 60 5

Questions
1. Calculs statistiques de base
1. Calculer la moyenne de X1 et X2.
2. Calculer la variance de X1 et X2.
3. Calculer l’écart-type de X1 et X2.

2. Centrage et réduction
4. Calculer les valeurs centrées pour chaque variable (X – moyenne).
5. Calculer les valeurs centrées-réduites pour chaque variable.

3. Relations entre variables

 6. Calculer la covariance Cov(X1, X2).
7. Interpréter :
o Cov > 0 → relation positive
o Cov < 0 → relation négative
o Cov = 0 → indépendance
8. Calculer la corrélation Corr(X1, X2).
9. Interpréter la force de la corrélation.

4. Matrices
10. Construire la matrice des variances-covariances :

Construire la matrice des corrélations :