Vous êtes sur la page 1sur 25

III.

METHODES D'ANALYSES STATISTIQUES ET


GEOSTATISTIQUES DES DONNEES

III.1. METHODES D'ESTIMATION ET DE DETERMINATION DES


ANOMALIES MONOVARIABLES

III.1.1. Les mthodes statistiques

1. Statistique monovariable
L'analyse statistique est une mthode de mesure objective des proximits entre les individus
(chantillons) ou entre les variables (lments chimiques). Elle s'appuie essentiellement sur
l'tude de la variabilit des paramtres tudis (teneur, paisseur des corps minraliss,
etc....). L'analyse statistique monovariable permet de rsumer graphiquement ou par le
calcul, les caractristiques essentielles de la distribution d'une variable donne.

Les paramtres statistiques caractrisant la distribution sont calculs l'aide de programmes


informatiques et regroups dans un tableaux de rsultats. Ces paramtres sont de deux
types : ceux de tendance centrale et ceux de dispersion (Tableau 3).

Les paramtres de distribution sont couramment utiliss pour l'estimation des seuils et la
cartographie des anomalies monovariables pour l'lment chimique donn. A cet effet,
plusieurs approches peuvent tre adoptes que ce soit pour une distribution normale ou
lognormale des teneurs de la variable tudie. Parmi ces approches, on peut citer l'approche
propose par Siderenko (1965), Lepeltier (1969), Sinclair (1974) et Royer (1988).

- Reprsentation graphique des distributions

L'histogramme des frquences d'une variable donne visualise la rpartition des effectifs des
chantillons dans un certain intervalle de variation des teneurs prises par cette variable.
L'allure gnrale de la courbe des frquences permet d'apprcier l'homognit ou
l'htrognit des donnes; ainsi que la loi de distribution des variables.

On observe parfois des courbes de distribution complexes, prsentant plusieurs sommets


(courbes multimodales) traduisant le mlange d'un certain nombre de populations
diffrencies au sein de l'chantillonnage.

Tableau 3. Paramtres statistiques d'un lment chimique

1
Paramtres statistiques Formules

1- Paramtres de tendance centrale

1 N
- X xi
- Moyenne arithmtique ( X)
(Mode) N i 1

- Moyenne gomtrique (G) 1 N


(Mdiane) - LogG Log xi
N i 1
2- Paramtres de dispersion

- Intervalle de variation (I) (Etendue) - I Xmax Xmin

- Ecart type () 2

-
1
N 1
x X
i

- Coefficient de variation (Cv)



- Cv

X
- Ecart gomtrique ()
- Log
1
N 1

Log xi LogG 2

N : Nombre des chantillons


xi : teneur de l'chantillon i
xmax : Teneur maximale
xmin : Teneur minimale

2. Statistique bivarie et dpendance


La statistique bivarie permet de dterminer les relations qui existent entre deux variables.
Parmi les paramtres qui quantifient ces relations, il y a le coefficient de corrlation simple. Il
est calcul par la formule suivante :

cov xy

x y
et estim par :
xy xy
r
Sx Sy

Avec x et y : Teneur moyenne des variables X et Y.


Sx et Sy : Ecart-type des variables X et Y

2
Les coefficients de corrlation relatifs aux diffrentes combinaisons des lments chimiques
doss (deux deux) sont regroups dans un tableau rcapitulatif appel "Matrice de
corrlation).

En prsence de corrlation entre deux lments X et Y, il est alors possible d'estimer la


valeur de l'un partir de celle de l'autre.

3
3. La modlisation linaire
La modlisation linaire par la mthode des moindres carrs (rgression) peut tre bivarie,
c'est dire qu'elle permet, si la dpendance existe, d'estimer la valeur d'un lment partir
de celle d'un autre. Si la modlisation est multivariable et dans le cas o ces lments
chimiques sont paragntiques, c'est dire interdpendants, la valeur d'un lment peut tre
estime partir de celles de tous les autres.

3.1. La rgression linaire bivarie

La rgression linaire bivarie peut tre simple ou orthogonale.

3.1.1. La rgression linaire simple

A partir d'une srie de donnes bivarie et en prsence d'une dpendance entre ces
variables, il serait alors possible de modliser cette dpendance afin de pouvoir estimer une
variable Y partir de la valeur de l'autre (X).

Dans le cas d'ajustement linaire simple, en utilisant la mthode des moindres carrs, on
ajuste le nuage statistique (fig.14) par une droite d'quation :

Y b aX

Avec Y : Variable explique ou interne


X : Variable explicative ou exogne
b : Terme constant de l'quation
a : Coefficient de l'quation

y
y
y=b+ax

b
O x

Figure 14. Ajustement d'un nuage statistique par une droite


- Rgression linaire simple -

La droite de rgression la plus reprsentative du nuage statistique serait celle dont la somme
des carts au carrs soit minimum.

4
En utilisant le critre des moindres carrs, il vient :

n
d 2
i
min imum soit y y 2 min imum
i 1

n n
d y y d y y
2 2

i 1 i 1
0 et 0
da db

o di : cart entre valeur mesure ( y ) et valeur estime (y)


n : nombre d'chantillons analyss la fois en x et y.

Ces conditions permettent de calculer a et b qui sont les inconnus de l'quation.

Pour l'quation de rgression linaire simple le coefficient a est calcul par la formule
suivante :

Cov(xy ) x i x . y i y
a
2x x i x
2

Avec x : moyenne de la variable x


y : moyenne de la variable y

Le terme constant b sera gale :

b y ax

Dans ce cas, l'erreur qui serait commise serait uniquement sur la variable explique. Comme
en analyse spectrale semi-quantitative, l'erreur peut tre aussi sur la variable exogne alors
la mthode la plus approprie serait la rgression orthogonale.

5
3.1.2. La rgression linaire orthogonale

La rgression orthogonale, comme la rgression linaire simple, procde l'ajustement du


nuage statistique par une droite d'quation y = ax+ b.

Cette mthode est base sur l'hypothse que les erreurs sur les mesures y et x sont
gales (fig.15).

y = x en chacune des variables

y
p
y
dy
y
q

O x x x
dx

Figure 15. Ajustement d'un nuage de points par une droite


- rgression orthogonale -

La formule de la droite de rgression est donne par :

_q
y xq
p

q
Avec : a xq
p

Les conditions dy = minimale et dx = minimale permettent de calculer les termes 1/p et


1/q.

6
1 xi y2i yi xi yi

x2i y2i xi yi
p 2

1 yi x2i xi xi yi

x2i y2i xi yi
q 2

xi y2i yi xi yi
D'o : a
yi x2i xi yi
et
1 yi x2i xi xi yi
b
x2i y2i xi yi
q 2

3.2. La rgression linaire multiple

La rgression linaire multiple cherche modliser la relation d'une variable avec deux ou
plusieurs autres variables la fois. L'quation de la droite de rgression multiple sera la
suivante :

y 1 x1 2 x2 .......... p xp

Pour simplifier l'approche mathmatique, on prendra uniquement le cas de trois (03)


variables y, x1 et x2 et on cherche alors calculer la valeur de la variable y dite variable
explique partir des valeurs des variables x1 et x2 dites variables explicatives.

Le systme d'quations de ce modle linaire sera le suivant :

y1 1 x11 2 x12 3 1
y2 1 x21 2 x22 3 2
................................................
................................................
yn 1 xi1 2 xi2 3 n ......(i 1n)

Avec 1,2 : Coefficients inconnus de la combinaison linaire des variables explicatives.


3 : Terme constant de l'quation
: Rsidus
n : Nombre des chantillons

- Ecriture matricielle :

7
Y
( n ,1)
1 X1( n ,1) 2 X2 ( n ,1) ......... p Xp ( n ,1) ( n ,1)

Y
( n ,1)
X( n , p ) .( p ,1) ( n ,1)

8
S'il existe un terme constant, on ajoute une colonne de 1.

Y X1 X2 U
..... ..... ..... ..1.. .....
..... ..... ..... ..1.. 1 .....
. . . x. ..
..... ..... ..... ..1.. 2 .....
..... ..... ..... ..1.. 3 .....

Y X(n,p ) .(p,1) (n,1)

- Ajustement du modle linaire

On appelle ajustement du modle toute solution du systme d'quations :

yi 1 xi1 2 xi2 .......... p xip i

i yi 1 xi1 2 xi2 ....... p xip

Y( n,1) X( n,p) .( p,1) ( n,1)

Notons que : (n,1) Y(n,1) X(n,p ) .(p,1)

On a n quations du systme pour estimer les trois coefficients (p=3) inconnus 1, 2 et 3 et


les n inconnus i (rsidus)

On peut alors avoir une infinit de solutions, d'o la ncessit de trouver la meilleure solution
: celle qui minimise globalement l'ensemble des carts de la linarit. C'est dire a 1, a2 et a3
estimateurs qui minimise la somme des carts au carr.

y x x
2
i
Soit minimum avec i i i1 i1 2 i2 3

C'est le critre de la mthode des moindres carrs.

Cette mthode est appele ajustement par la mthode des moindres carrs :

e 2
i
min imale

avec : 2i T qui est fonction des inconnus ai.

9
Il faudrait donc que la drive partielle s'annule :

E T E
0( p ,1)
A

E T E Y AX . Y AX Y T Y 2A T X T Y A T X T A
T

E T E
2X T Y 2 X T XA 0 X T XA X T Y
A

A XT X . XT Y Rang(x)=p ; np
1

- Distribution des estimateurs des moindres carrs

Sous les hypothses du modle linaire classique, le vecteur A suit une loi de Laplace-
Gauss caractrise par :

a ...et...V a XTX
2 1

Rappelons que la variable :


2 1

2
S e est un estimateur sans biais de 2 (variance des ak coefficients) et S la
np i

matrice des covariances du vecteur A avec :

S S2 XTX
1

Les estimateurs individuels des coefficients ak sont les termes diagonaux de la matrice S.

- Intervalles de confiances pour les coefficients d'ajustement

La ralisation numrique ak est une estimation ponctuelle des coefficients inconnus k et


l'cart type Sk donne une ide de la prcision de cette estimation; il permet de construire un
intervalle de confiance ayant une probabilit fixe (0.95) de contenir la valeur vraie k.

L'amplitude de cet intervalle permettra d'apprcier la qualit de l'estimation :

Pt np
t0 0.95

10
En faisant un changement de variable :

t
a k k
P a t S a t S 0.95
S k
k 0 k k 0 k

- La prdiction linaire aprs modlisation

On s'interroge sur la valeur attendre pour la variable explique, connaissant les valeurs des
variables explicatives.
T
Soit y0 la valeur prvoir et un vecteur ligne de variables explicatives X0 .

La valeur prvoir :

y x
0 1 0 ,1
......... p x0,p 0 X0 0
T

Le prdicateur des moindres carrs sera alors:

z a x ...... ap x0,p 0 X0 A
T
0 1 0 ,1

L'erreur sera gale y0-z0.

En tendant la variable prvoir les hypothses de Gauss-Markov :


0 0.....;......V 0 ......;.......Cov 0 ,i 0
2

On aura alors :

y z X X a X X a 0
0 0
T
0 0
T
0
T
0
T
0

- Calcul de la variance de l'erreur

y z X a
0 0
T
0 0

et
y z y z y z . y z
2 T
V
0 0 0 0 0 0 0 0

V y z 1 X X X
0 0
2 T
0
T 1
X 0

11
En remplaant 2, inconnue, par son estimateur sans biais S2, on obtient une estimation sans
biais de cette variance et l'intervalle de confiance pour la prdiction.

S S 1 X X X X
2 2 T T 1
0 0 0

On aboutit :

t
X a y
T
0 0
Variable de Student (n-p) d.l.
S
0

L'intervalle de confiance sera donn par :

y 0
P t np
t 0.95

12
III.1.2. LES METHODES GEOSTATISTIQUES

Avant d'aborder le volet Co-krigeage, il est ncessaire de faire un aperu sur le principe des
mthodes gostatistiques et leurs outils.

Pour Matheron (1962) : "La gostatistique est l'application du formalisme des fonctions
alatoires la reconnaissance et l'estimation des naturelles".

Les bases conceptuelles de la gostatistique ont t proposes par le mme auteur, qui a
introduit la notion de "variable rgionalise" (variable alatoire rpartie dans l'espace) pour
quantifier un phnomne caractre alatoire manifestant une structure de variabilit
spatiale. Il a donn un fondement thorique l'analyse probabiliste des variables
rgionalises. En dautres termes et selon sa dfinition "La gostatistique se diffrencie de
la statistique mathmatique par le fait que le modle mathmatique des paramtres
gologiques nest pas une valeur alatoire mais une variable spatiale". Ainsi, si les
statistiques classiques se contentent d'tudier la variabilit des grandeurs alatoires, la
gostatistique, elle, est base sur l'tude de la variabilit spatiale ou temporelle de ces
grandeurs. Par exemple, la teneur en un lment chimique des chantillons, la puissance
d'un corps de minerai, la densit et autres paramtres qui varient d'un endroit du gisement
l'autre, sont des variables rgionalises. La variabilit rgionale de ces paramtres peut tre
diffrentes suivant une direction donne. La variabilit des teneurs dans la direction du corps
de minerai est beaucoup plus faible que celle dans la direction perpendiculaire (ex. En
pendage).

1. Bref rappel sur les outils de la gostatistique.

L'outil de base qui caractrise l'aspect de la fonction alatoire est le "variogramme" (semi-
variogramme). Ce dernier donne une description synthtique de la structure spatiale du
phnomne tudi; il quantifie la rgionalisation.

- Le variogramme : Soit deux (02) valeurs Z(x) et Z(x+h) mesures en deux points x et
x+h, distant de h, la variabilit entre ces deux mesures peut tre caractrise par une
fonction note 2(h), qui nest autre que le variogramme.

z(x) z(x+h)
h
x x+h

Le variogramme est dfini comme tant lesprance de la variable alatoire Z (x ) Z (x h) ,


2

soit :

2 (x, h) Z (x) Z (x h)
2

13
Le variogramme exprimental, sous l'hypothse intrinsque, est estim par la formule
suivante :

2 h 1
N Z(x) Z(x h) 2

o h est le pas choisi et N le nombre de couples. Notons qu'il existe d'autres outils autre que
le variogramme, tels que la covariance et le corrlogramme.

h=3
h=2
h=1
h

x1 x2 x3 x4 x5 x6

Figure 16. Schma de calcul du variogramme exprimental

Les rsultats du calcul du variogramme exprimental peuvent tres reprsents sous forme
graphique (fig.17).

2(h)

Palier C

Figure 17. Graphe dun variogramme

Le comportement du variogramme renseigne sur la faon dont se dtriore


l'information au fur et mesure que l'on s'loigne d'un point connu. On distinguera
alors un certain nombre de comportement du variogramme dans sa partie d'origine.

La variabilit entre deux teneurs Z(x) et Z(x+h) que caractrise le variogramme (h)
est due un certain nombre de causes tages diverses chelles d'observation :
chelle de support (analyse), chelle ptrographique (structure des minraux),
chelle de corps de minerai (alternance minerai-strile), ou l'chelle de province
mtallognique (rpartition du gisement). Toutes ces variabilits sont refltes
simultanment dans le variogramme et pour toutes les distances h et on parlera alors
de structures "gigognes" (embotement de ces diffrentes structures).

14
Les variabilits infrieures au pas et qui concide avec de diffrentes structures se
confondent en une seule variabilit appele "effet de ppite".

Ces structures peuvent tre reprsentes par une somme de variogrammes agissant leurs
chelles propres :

( h) 0 ( h) 1 ( h)........ n ( h)

- Schmas thoriques et ajustement des variogrammes

Une fois le variogramme exprimental tabli, il faut alors labor un modle synthtique, qui
doit tre oprationnel et simple lemploi. Il doit rendre compte des principales
caractristiques structurales de la rgionalisation tudie.

Les schmas thoriques dusage courant sont classs en schmas palier, schmas sans
palier et schmas effet de trou (Tableau 4).

- La co-rgionalisation et le variogramme crois

La rgionalisation peut tre galement multivariable et on parlera alors de co-


rgionalisations. Cette co-rgionalisation est quantifie l'aide de l'outil variogramme crois.
Elle permet d'estimer les valeurs manquantes d'une variable donne partir des informations
disponibles de cette variable et celles d'autres variables en tenant compte de leurs
coordonnes gographiques. Par exemple, il est connu que dans un champ gochimique
Pb-Zn, les teneurs en Pb et en Zn ne sont gnralement pas spatialement indpendantes.
On cherchera donc estimer les donnes manquantes du Zn partir de ses donnes
existantes et celles relatives au Pb. On tudie alors la rgionalisation du Pb et du Zn, ainsi
que leur co-rgionalisation.


Soit K rgionalisations Z1 ( x), Z2 ( x),........., Zk ( x) stationnaires. Leur co-rgionalisation est
estime soit l'aide de la covariance croise, soit l'aide du variogramme crois :

Zk' (x h). Zk (x) mk' Covariance croise

Zk' ( x h) Zk' ( x). Zk ( x h) Zk 2 kk' ( h) Variogramme crois

15
Tableau 4. Schmas thoriques d'ajustement d'un variogramme exprimental

Schmas thoriques
Formules
et caractristiques

* Schma palier

- Comportement linaire l'origine


3

( h) . . h3 ............. h 0, a
3 h 1
. Schma sphrique * 2 a 2 a
( h) 1.... pour ..... h a
h/a
. Schma exponentiel * ( h) 1 e ............. h 0
(de Formery)

- Comportement parabolique l'origine


2

( h) 1 e h
/a
. Schma gaussien
* 3
C 0.95h . a
2
* Schma sans palier

. Schma en h
* ( h) h .............. h 0.....;....0 2
. Schma logarithmique
* ( h) A.Log(h)........h 0....;....a cste 0

* Schma effet de trou


sin( h)
( h) 1 ........... h 0
h
* 2

( h) h ...................... h
6

16
2. Le Co-Krigeage

Comme on l'a vu, la co-rgionalisation permet d'estimer les teneurs manquantes d'un
lment chimique partir de ses donnes existantes et celles d'un autre lment chimique,
qui lui est corrl. A titre d'exemple, la figure 18 montre un exemple de co-rgionalisation, o
on estime les valeurs manquantes du Zn en utilisant ses donnes existantes et celles
relatives au Pb.

15 12
22 + - donnes Pb

+ donnes Zn
11 - Valeurs absentes
ou infrieures au
- seuil du Zn

1i=0 (Pb)
2j=1 (Zn)
21 + -
14 13

avec ij pondrateurs du co-krigeage

Figure 18. Schma d'une co-rgionalisation (Co-krigeage)

Cette approche permet aussi des co-estimations comme par exemple l'estimation d'une
teneur en un lment (Pb) d'un panneau partir de deux sries de donnes (Pb et Zn) ou
d'une mme variable, mais sur deux supports diffrents (teneur sur carottes et cuttigns de
trou de tirs).

Soit estimer Z0 ( xk0 ) l'aide de K autres variables reconnues en Nk points (ik=1 Nk). On
constitue l'estimateur linaire suivant:

Z x Z x
Z*0 xk0
i1
1 i i1
i2
2 i i2 ...........ik Zk xik
ik

La condition de non-biais Z (x
0 k0 ) Z*0 ( xk0 ) 0 est exprime par les K conditions
suivantes :

ik0 1...... et...... ik 0.............. k k 0


ik0 ik

17
La minimisation de la variance d'estimation sous les conditions prcdentes avec
2k0 Z0 ( xk0 ) Z*0 ( xk0 )
2
conduit aux systmes de co-krigeage suivant :





k ik ik kk ' xik xik '
, k'
k 0k ' x k0 ,
x jk ' ........... k '... et.... jk '


ik 1
ik 0
0



ik 0................... k k 0
ik

2k0 ik k0k xk0 , xik k0 k0k0 xk0 , xk0


i ik

Nota : Dans la pratique, on se limitera des co-krigeages ne faisant intervenir que deux
variables.

18
III.2. METHODES DE DETERMINATION DES ASSOCIATIONS
CHIMIQUES ET LOCALISATION DES ANOMALIES
MULTIVARIABLE - L'ANALYSE EN COMPOSANTES
PRINCIPALES

En prospection gochimique, afin de dterminer les lments indicateurs du type de


gisement recherch, on est amen de rechercher les liens qui existent entre ces diffrents
lments. Ainsi, il s'agit de traiter les donnes de plusieurs variables simultanment. Parmi
les mthodes utilises, lAnalyse en Composantes Principales se propose de fournir la
synthse de l'ensemble des valeurs numriques du dosage chimique sous forme de tableaux
et de graphes.

III.2.1. Bref rappel sur l'Analyse en Composantes Principales

L'Analyse en Composantes Principales "A.C.P." se propose :

de rduire l'ensemble des q variables des n chantillons, non par slection des
chantillons et des variables, mais par la construction d'un ensemble C1 de nouveaux
caractres synthtiques (facteurs).

d'ajuster le nuage de points ainsi obtenu, c'est dire le projeter au mieux possible sur
un axe, un plan ou un hyperplan (espace vectoriel n dimensions rapport une
origine fixe).

III.2.2. Rduction de l'ensemble du nuage de points

- Le centre de gravit du nuage

Le centre de gravit du nuage form par les q variables des n chantillons est en gnral un
chantillon fictif dont les teneurs auraient pour valeurs les moyennes teneurs des diffrentes
variables.


g x j , y j , z j ,........

n n
x y
i1 i i1 i
Avec : xj ..........;.......... y j ..........;....... etc
n n

Les liaisons de variables prises deux deux peuvent tres regroupes dans un tableau V
qu'on appellera tableau des variances et des covariances.

19
- Matrice V

L'ensemble des q variables des n chantillons gochimiques peut tre donn sous la forme
d'un tableau de n lignes et de q colonnes :

x11........... x1 j .......... x1q

X x ........... x .......... x
nq i1 ij iq

xn1........... xnj .......... xnq

La matrice n Ynq des donnes centres et rduites est obtenue partir du tableau X nq avec
:

xij x j
Yij
j . n
o xij : teneur de la variable j
xj : moyenne de la variable j
j : cart type de la variable j
n : nombre d'individus

On obtient alors la matrice Ynq :

y11........... y1 j ......... y1q

Ynq yi1........... yij ......... yiq

yn1........... ynj ......... ynq

- Calcul de la matrice V

La matrice V est une matrice de dimension (q,q), symtrique par rapport la diagonale et de
terme gnral :

V YT Y

La matrice de corrlation V est :


20
1
v 11
..........1
V
v i1
......... vij ..........1

v q1
......... vqj ................. vqq 1

III.2.3. Ajustement du nuage : L'espace des chantillons.

- Inertie du nuage.

Un chantillon peut tre considr comme un point dfini par q coordonnes reprsentant les
valeurs des q variables, c'est dire, un vecteur d'un espace vectoriel Rq. Il est donc possible
par analogie avec la gomtrie et la physique de mesurer la distance entre deux (02)
chantillons e1 et e2.

Soit deux axes d'angle dont l'origine est confondue avec le centre de gravit du nuage
(fig.19). La distance entre les deux chantillons e1 et e2 par rapport au centre de gravit du
nuage est donne par le carr suivant :

d x x y y 2 x x y y cos
2 2 2
2
1 2
1 2 1 2 1 2

y
d
y


O x x x

Figure 19. Ajustement d'un nuage statistique - L'espace des chantillons (ACP)

Remarque :

- Entre 02 chantillons, il y a 01 distance d.

- Entre 03 chantillons, il y a 03 distances d1, d2, d3.

- Entre 04 chantillons, il y a 06 distances.

21
e2
d1
d2
e1
d5
d4 e3
d6 d3
e4

n n 1
- Entre p chantillons il y a distances di.
2

n n 1
On appelle inertie du nuage la moyenne des carrs des distances diffrentes
2
entres les n points du nuages.

L'inertie est un indicateur de la dispersion globale des points par rapport au centre de gravit.
Une inertie nulle signifie que les chantillons sont identiques et confondus avec le centre de
gravit g.

- Plan et axe principal du nuage

Le plan principal du nuage est le plan qui rend maximum l'inertie des p points projets sur lui.

L'axe principal est la droite qui passe par le centre de gravit du nuage de telle sorte que
les Ci reprsentant les mesures algbriques des projections des p chantillons sur rendent
maximale l'inertie.

e1 O e2 e3

C1
C2
C3

- Les axes factoriels

L'espace des chantillons est un espace vectoriel dont l'axe principal et les autres axes sont
obtenus par diagonalisation de la matrice V. Plusieurs mthodes peuvent tres appliques
pour la diagonalisation de la matrice V (Mthode de Jacobi, Cramer, ....). Elles aboutissent
toutes la matrice A des valeurs propres.

22
.................................0
1

............. .....................
2

A ....................................... Avec 1, 2, q valeurs propres


.......................................
0.................................. q

Les vecteurs propres V1, V2, ...., Vq associs aux valeurs propres crits dans un ordre
croissant constituent les axes de l'espace des chantillons.

Remarque : Les axes factoriels obtenus partir de la matrice V dduite du tableau Y des
variables centres et rduites constituent une base orthonorme.

- Valeurs propres et inertie du nuage

L'inertie du nuage est gale la somme des valeurs propres

1 + 2 + ...... + q =

Le rapport k/ est appel "part d'inertie" (ou de variance) expliqu par l'axe n K.

Le rapport (1 + 2/) ou "part d'inertie cumule" par les deux premiers axes mesure
l'aplatissement du nuage de points sur le plan principal.

- Les coordonnes des chantillons dans l'espace vectoriel Rq

Les coordonnes sont obtenues par :

C 0
Y.Vt

Avec C0 : Matrice des facteurs scores (coordonnes)


Y : matrice des variables centres et rduites
Vt : matrice des vecteurs propres

Remarque : Les Ci obtenus sont de moyenne nulles et ont pour variance la valeur propre
correspondante i.

23
- Reprsentation graphique des chantillons

Les coordonnes des chantillons dans un plan sont donnes par les composantes Ci. La
cartographie des chantillons se fait alors par la slection de deux facteurs scores (axes) et
ce selon la configuration envisage.

III.2.4. Ajustement du nuage : L'espace des variables

Un ensemble de q variables associes un chantillon est un vecteur xj d'un espace


vectoriel R de dimension n (Rn).

Dans l'espace Rq, on mesure la distance entre les chantillons. Dans l'espace R n, on dfinit
une corrlation entre variables par le cosinus des angles i forms par les vecteurs pris deux
deux.

- Le cercle de corrlation

On dmontre que les coefficients de corrlation des variables est gale la i me composante
du j'ime vecteur multipli par i . C'est dire :

r ij
a .Vt
ij ij
i=1 q et i=1 n

Avec A : matrice des valeurs propres, aij un lment de A


Vt : matrice des vecteurs propres, Vtij un lment de Vt

On en dduit que la somme des carrs des coefficients de corrlation d'ordre i est gale i.

r 2
ij i
j 1

Si on reprsente chaque variable par un point dont les cordonnes sont les coefficients de
corrlation d'ordre rij, les variables s'inscrivent alors dans un cercle de rayon 1 appel "Cercle
de corrlation" (fig.20), car r ij r kj 1. Ce cercle aura pour abscisses et ordonnes les
2 2

coordonnes relatives deux axes choisis au pralable.

24
Corrlations facteurs loadings/lments chimiques

Valeurs propres L1=3.30 L2=1.82 L3=1.75


facteurs loading F1 F2 F3
Variance totale 27.52% 42.66% 57.24%
Co -0.45 -0.00 0.22
V 0.64 -0.09 -0.28
Cr 0.79 -0.31 -0.10
Mo 0.54 -0.53 -0.13
Cu 0.71 0.39 0.21
Pb 0.49 0.09 0.36
Ag 0.62 0.46 0.58
Zn 0.04 0.46 -0.07
Li 0.77 -0.24 -0.33
Sr 0.03 -0.53 0.58
Ba 0.15 0.20 0.58
F -0.19 -0.69 0.53

F2

Zn Ag
Cu

Ba
Pb
Co F1
V
Li
Cr

Sr Mo
F

Cercle de corrlation
Projection des variables dans le plan F1-F2

Figure 20. Exemple d'un cercle de corrlation (ACP)

25