le tableau ci-dessous présente les donne sur les types de voiture et les caractéristiques de chaque voiture:
analyse descriptive des donnes:
Les caractéristiques uni variées sont données par le calcul de la moyenne, l’écart type, maximum et minimum de chaque variable :
2 Le tableau suivant donne les coefficients de corrélation calculée entre les 7 variables :
le coeficient de correlation entre les variable est donnee par :
𝑐𝑜𝑣(𝑋, 𝑌) 𝜌𝑋𝑌 = 𝜎𝑋 𝜎𝑌 on observe dans le tableau ci-dessus que la majorite de coefficient est superieur a 0.7 (𝜌 > 0.7) donc : les variables X et Y sont fortement corrélées.
Le tableau suivant donne la valeur de KMO calculé pour les
données utilisées et aussi le résultat de test de sphéricité
La valeur de KMO Ca vaut dire est très
obtenue (0.6) donc est significative (0.000<0.5). supérieur a (0.5)
3 1. eme règle : L’examination du tableau variance totale explique nous montre qu’on peut retenir 3 axes factoriels selon le critère de kaiser on a 3 valeurs propres : ⋋1=4.617, ⋋ 2=0.879, ⋋ 3=0.304. 2. eme règle : L’application du deuxième critère porte sur la restitution minimale d’information nous indique qu’on peut choisir 3 valeurs propres vu que leur cumul d’information des trois premières valeurs propres dépassé 90%. C1 + C2 + C3 = 76.951+14.647+5.061 =96.659. 3. eme règle : Pour cela on observe le graphique des valeurs propres et on ne retient que les valeurs qui se trouvent à gauche du point d’inflexion :il ya deux valeur propre.
4 Le tableau « matrice de composantes « affiché ci-dessous permet d’extraire les coefficients qui chaque composante Yi par rapport aux 7 variables explicatives introduites dans l’étude de la maladie infarctus.
ous pouvons donner les combinaisons linéaires des trois axes principaux en tenant compte les trois équations suivantes : Y1 = 0.961X1 +0.905X2 +0.751X3 +0.910X4 +0.920X5 +0.789X6 Y2 = 0.11X1 +0.382X2 +0.618X3 +0.176X4 +0.303X5 +0.477X6 Y3 = 0.151X1 +0.015X2 +0.203X3 +0.347X4 +0.055X5 +0.341X6 Nous pouvons retrouver la décomposition des valeurs propres. Par exemple, la première valeur propre est égale à : ⋋ 1= (0.961)2+(0.905)2+(0.751)2+(0.910)2+(0.920)2+(0.798)2= 4.167 . Même valeur dans le tableau précédant. Le tableau ci-dessous représente la qualité de chaque viable : On observe que tous les variable supérieur a (0.5)
Les proportions de variabilité expliquées par
le modèle pour chaque variable sont les sommes des carrés des coefficients de corrélation sur les facteurs. Par exemple, la qualité de représentation de la variable Fréquence Cardiaque est: (0.961)2+(0.011)2+(0.151)2=0.946≈ 0.947
5 A partir du graphique, nous pouvons conclure qu’on peut regrouper les 6 variables en deux sous groupes. Le premier groupe contient les trois variables à savoir: vitesse, puissance et cylindrée . Le deuxième groupe regroupe les trois variables a savoir :poids ,longeur et largeur.
Premiere groupe
Deusieme group
Nous concluons dans le graph ci-dessus que les deux group ont le même effet sur la voiture .
la methode varimax : La méthode VARIMAX s’applique lorsque la
plupart des variables sont représentées sur un seul axe. Il s’agit d'une
6 méthode de rotation orthogonale qui minimise le nombre de variables qui ont des corrélations importantes avec un facteur.
7 C’est une matrice unitaire il n’ya pas de covariance et la corrélation entre les facteurs.
Le tableau suivant présente les nouveaux coordonnées pour chaque
observation par rapport aux nouveaux axes construits (Y1 ,Y2 ,Y3).
On obtient ainsi les projections des individus actifs de l'ACP sur le
