Analyse en Composantes Principales (ACP)

Cours de Statistique Exploratoire Multidimensionnelle
Chapitre 1 : Analyse en Composantes Principales (ACP)
Dr. Nvuh Njoya Youssouf1
1 FSEG - Université de Yaoundé II-Soa
Licence Ingéniérie Économique, Semestre 2, 2019-2020

Plan de la présentation
1 Introduction
2 Données, Notations, Exemples
3 Problèmes et Objectifs
4 Analyse du nuage des individus dans Rp
5 Analyse du nuage des variables dans Rn
6 Interprétation d’une ACP normée

Introduction
Données, Notations, Exemples
Problèmes et Objectifs
Analyse du nuage des individus dans Rp
Analyse du nuage des variables dans Rn
Interprétation d’une ACP normée
Introduction
Conçue par Karl Pearson en 1901, intégrée à la statistique mathéma-

tique par Harold Hotelling en 1933, l’analyse en composantes princi-
pales (ACP) est une méthode de statistique exploratoire permettant
de décrire un grand tableau de données de type individus/variables.
Lorsque les individus sont décrits par un nombre important de va-
riables, aucune représentation graphique simple ne permet de visua-
liser le nuage de points formé par les données. L’ACP propose une
représentation dans un espace de dimension réduite, permettant ainsi
de mettre en évidence d’éventuelles structures au sein des données.
Pour cela, nous recherchons les sous-espaces dans lesquels la projec-
tion du nuage déforme le moins possible le nuage initial.
Dr Nvuh Njoya Y. Analyse en Composantes Principales

Introduction
Problèmes et Objectifs Données et Notations
Analyse du nuage des individus dans Rp Exemple
Les données sont sous la forme d’un tableau rectangulaire à n lignes

et p colonnes, que l’on stocke sous la forme d’une matrice X de taille
n × p.
Pour la variable j on note :

1 n
xj = ∑ xij
n i=1
s
1 n
σj = ∑ (xij − xj )2
n i=1

Introduction
La matrice X est d’ordre (n,p). Son terme générique est xij (ième
observation de la jème variable.). Chaque ligne de X représente les
valeurs prises par l’individu i sur les p variables ; de même chaque
colonne de X représente les valeurs de la variable p pour les n indi-
vidus. Par simplicité de langage, l’individu i est une ligne du tableau
X identifié au vecteur xi de Rp et la variable j est une colonne du
tableau X identifiée au vecteur xj de Rn.

Introduction
Individu Variable xij

produit ali- Composition (Nacl, etc) Teneur du produit i
mentaire élèment j
produit ali- Descripteur sensoriel Note donnée par un jury
mentaire (acide, amer etc) au produit i concernant le
descripteur j
Etudiant Matière d’examen Note obtenue par l’étu-
(maths, physique, etc) diant i dans la matière j
pays Indicateur économique Valeur de l’indicateur j
(PNB, taux de chômage pour le pays i
etc)
Enquêté Question quantitative Réponse de l’individu i à
(âge, revenu, etc) la question j

Introduction
Problèmes et Objectifs Problèmes
Analyse du nuage des individus dans Rp Objectifs
La visualisation de X peut se faire de deux manières : soit comme une

projection d’un ensemble de lignes (étude des individus) soit comme
une projection d’un ensemble de colonnes (étude des variables).
Étude des individus
Pourquoi la visualisation des n individus dans l’espace à p di-
mension est impossible ?
Est-il possible d’établir un profil de ressemblance entre les indi-
vidus ?
Quand dit-on que deux individus se ressemblent du point de vue
de l’ensemble des variables ?

Introduction
Étude des variables

Pourquoi la représentation des p variables dans l’espace à n
dimension est impossible ?
Est-il possible d’établir un profil de liaison entre les variables ?
Quand dit-on que deux variables sont liées du point de vue de
l’ensemble des individus ?

Introduction
Étude des individus

1 individu est une ligne du tableau i.e. un 1 point dans un espace à
p dimension.
Si p = 1 c’est une représentation axiale
Si p = 2 c’est un plan (nuage de points)
Si p = 3 Répresentation difficile en 3D
Si p = 4 Représentation impossible
L’objectif est donc de visualiser l’ensemble des individus dans un sous-
espace réduit de dimension au plus égale à 2 sans perte d’information
importante. Cela est possible à travers la notion de ressemblance
entre les individus. on s’intéresse aux individus qui se ressemblent
selon leur profil de réponse. La ressemblance est appréhendée par le
calcul de la distance euclidienne entre individus.

Introduction
Étude des variables

1 variable est une colonne du tableau i.e. un 1 point dans un espace
à n dimension.
Si n = 1 c’est une représentation axiale
Si n = 2 c’est un plan (nuage de points)
Si n = 3 Répresentation difficile en 3D
Si n = 4 Représentation impossible
L’objectif est donc de visualiser l’ensemble des variables dans un sous-
espace réduit de dimension au plus égale à 2 sans perte d’information
importante. Cela est possible à travers la notion de liaison entre les
variables pris 2 à 2. On s’intéresse à la corrélation selon leur profil
de réponse. La liaison est appréhendée par le calcul du coefficient de
corrélation linéaire simple.

Introduction
Données, Notations, Exemples Distance entre points individus
Problèmes et Objectifs Principe d’ajustement
Analyse du nuage des individus dans Rp Matrice à diagonaliser
Analyse du nuage des variables dans Rn Axes factoriels
L’analyse repose donc sur les distances entre individus dans Rp , et

le choix de la métrique a une influence sur le résultat de l’ACP. La
distance euclidienne usuelle entre deux individus i et i’ est donnée
par :
p
d 2 (i, i 0 ) = ∑ (xij − xi j )20 (1)
j=1
Lorsque toutes les variables sont exprimées dans la même unité et que
les variances ne sont pas trop différentes (de sorte que chaque variable
ait la même importance dans le calcul des distances entre points), la
distance euclidienne convient. Dans le cas contraire, la métrique la
plus couramment utilisée est la métrique des inverses des variances.
Cette métrique permet à la fois de s’affranchir de l’unité de mesure
et de donner à chaque variable la même importance dans le calcul
de la distance. Cette démarche est appelée centrage-réduction.
Introduction
Lorsque l’ACP usuelle revient à centrer et réduire les variables, on

l’appelle ACP normée. Dans ce cas la distance euclidienne entre
deux individus i et i’ est donnée par :
p
xij − xi 0 j 2
d 2 (i, i 0 ) = ∑( √ ) (2)
j=1 σj n
L’analyse normée dans Rp du tabeau brut de départ est l’analyse

générale de X de terme général rij avec :
xij − xj
rij = √ (3)
σj n
Toutes les variables transformées sont comparables et ont une même

dispersion σ 2 (xj ) = 1. (les variables sont centrées réduites.)

Introduction
On considère un nuage de n points-individus définis dans l’espace Rp

qui sont non pondérés (chaque individus est muni d’une même masse
égale à 1/n).
L’objectif est de fournir des images approchées du nuage des indivi-
dus. Nous considérons le nuage des n individus non pondérés. Nous
voulons, dans l’espace des variables, ajuster le nuage de n points par
un sous espace à une dimensions, de façon à obtenir sur un graphique
une représentation visuelle la plus fidèle possible des proximités exis-
tant entre les n points-individus vis-à-vis des p variables.
Commençons par chercher un sous-espace vectoriel à une dimension,
c’est-à-dire une droite passant par l’origine, qui réalise le meilleur
ajustement possible du nuage de points. Il faut pour cela définir
le vecteur directeur unitaire de cette droite. Soit u ce vecteur. On
désignera également par u la matrice colonne associée, et par u’ sa
transposée.
Introduction
On exprime que u est unitaire par la relation u’u = 1. La longueur

de la projection OHi d’un vecteur OMi sur le sous-espace à une
dimension porté par u n’est autre que le produit scalaire de OMi par
u, somme des produits terme à terme des composantes de OMi et
de u :
p
OHi = xi0 u = ∑ xij uj
j=1
Introduction
Chacune des n lignes du tableau X est un vecteur-individu xi dans

Rp . Or le produit matriciel Xu est la matrice-colonne à n éléments,
dont chaque terme est le produit scalaire d’une ligne de X par u :
   p 
x11 ... x1p   ∑j=1 x1j uj
 .. ..  u1  .. 
 . ... .   ..   . 
  .   p 
Xu =  ... xij ...   .  =  ∑j=1 xij uj 
    
 .. ..   ..  

.. 
 . ... .   . 
up p
xn1 ... xnp ∑j=1 xnj uj

Introduction
Ce sont les n composantes de la matrice colonne Xu qui repèrent

sur u les n projections OHi des points du nuage. Parmi les critères
d’ajustement d’un sous-espace à un nuage de n points, celui que
l’on retient et qui conduit aux calculs analytiques sans doute les plus
simples, est le critère classique des moindres carrés. Il consiste à
rechercher la droite d’allongement maximum du nuage de points et
donc à rendre minimale la somme des carrés des écarts :
n
∑ Mi Hi2
i=1
Le théorème de Pythagore appliqué à chacun des n triangles rec-

tangles du type Hi OMi conduit à la relation :
n n n
∑ Mi Hi2 = ∑ OMi2 − ∑ OHi2
i=1 i=1 i=1

Introduction
On va donc rendre maximale la quantité ∑ni=1 OHi2 qui s’exprime en

fonction de X et de u par :
n
∑ OHi2 =< Xu, Xu >= kXuk2 = (Xu)0 Xu = u0 X 0 Xu
i=1
Pour trouver u, on est conduit à rechercher le maximum de la forme

quadratique
( u’X’Xu :
0
Max u X Xu 0
s/c u 0 u = 1
Soit u1 le vecteur qui réalise ce maximum. Le sous-espace à deux
dimensions s’ajustant au mieux au nuage contient nécessairement le
sous-espace engendré par u1 . On cherche ensuite u2 , le second vec-
teur de base de ce sous-espace, orthogonal à u1 et rendant maximal
u’2 X’Xu2 . On recherche de façon analogue le meilleur sous-espace
au sens des moindres carrés à q dimensions (pour q6p ).
Introduction
La résolution de ce programme conduit à déterminer le Lagrangien :

L = u 0 X 0 Xu − λ (u 0 u − 1)
La détermination des points candidats permet de déterminer les dé-
rivées partielles :

∂L 0 0
 ∂ u = 0 ⇒ 2X Xu − 2∂ u = 0 ⇒ X Xu = λ u
 (i)
∂L 0 0
 ∂λ = 0 ⇒ u u − 1 = 0 ⇒ u u = 1 (ii)
en conidrant (i) et (ii) ⇒ u X Xu = u 0 λ u = λ u 0 u = λ
0 0

En résumé maximiser l’inertie expliquée par u revient à déterminer la

valeur propre la plus grande. Autrement dit, cela revient à déterminer
la direction d’allongement maximal.
Le vecteur unitaire u1 qui caractérise le sous-espace à une dimension
ajustant au mieux le nuage des n points-individus dans Rp, est le
vecteur propre de la matrice X’X correspondant à la plus grande
valeur propre λ1 .
Introduction
Dans le cas d’une analyse normée, l’analyse des points-individus dans

Rp nous a amène à effectuer une translation de l’origine au centre de
gravité de ce nuage et à changer les échelles sur les différents axes.
L’analyse du tableau transformé X nous conduit à diagonaliser la
matrice C = X’X de terme général cjj 0 .
n
1 n (xij − xj )(xij 0 − xj 0 )
cjj 0 = ∑ rij rij 0 = ∑ = corr (j, j 0 ) (4)
i=1 n i=1 σj σj
corr(j,j’) est le coefficient de corrélation empirique entre les variables

√
j et j’(d’où l’impotance de n au dénominateur de la relation (3)). La
matrice à diagonaliser dans une analyse normée est donc la matrice
des corrélations C.

Introduction
Les coordonnées des n points-individus sur l’axe factoriel uα normé

(α ième axe de direction de vecteur propre normé à 1 de la matrice C
associé à la valeur propre λα ) sont les n composantes du vecteur :
ψα = Xuα
ψα est une combinaison lineaire des variables initiales (α ème com-

posante principale : c’est le vecteur des coordonnées des projections
des individus sur l’axe uα ). Les coordonnées du point individu i sur
cet axe s’écrit :
p
ψαi = ∑ uαj rij
j=1
(
∑ni ψαi = 0
On note également que :
var (ψα ) = λα

Introduction
Distance entre points variables
Distance à l’origine
Principe d’ajustement
Matrice à diagonaliser
Axes factoriels
La distance entre variable découle de l’analyse dans Rp. De cet fait

la distance usuelle entre deux variables j et j’ est donnée par :
n
d 2 (j, j 0 ) = ∑ (rij − rij )2 0 (5)
i=1
Soit :
n n n
d 2 (j, j 0 ) = ∑ (rij )2 + ∑ (rij 0 )2 − 2 ∑ rij rij 0
i=1 i=1 i=1
En remplaçant rij par sa valeur tirée de la relation (3) et tenant
compte de la valeur de σj2 = n1 ∑ni=1 (xij − xj )2 . On obtient :
n n n
∑ (rij )2 = ∑ (rij 0 )2 = 1 et ∑ rij rij 0 = cjj 0 .
i=1 i=1 i=1
D’où :
d 2 (j, j 0 ) = 2(1 − cjj 0 ) (6)
Introduction
Axes factoriels
Ce qui implique que

0 ≤ d 2 (j, j 0 ) ≤ 4
Dans l’espace Rn le cosinus de l’angle de deux vecteurs-variables est
le coefficient de corrélation entre ces deux variables(cjj 0 =cos(j, j 0 )).
Si ces deux variables sont à la distance 1 de l’origine, le cosinus n’est
autre que le produit scalaire.
Le système de proximité entre points-variables induit par la relation
(6) s’interprètent en termes de corrélations :
Deux variables fortement corrélées sont très proches l’une de
l’autre (cjj 0 =1) ou au contraire les plus éloignées possible
(cjj 0 =¬1) selon que la relation linéaire qui les lie est directe ou
inverse ;
Deux variables orthogonales (cjj 0 =0) sont à distance moyenne
et signifie qu’elles sont indépendantes.
Introduction
Axes factoriels
L’analyse dans Rn ne se fait pas par rapport au centre de gravité du

nuage de points-variables, contrairement à celui des points-individus,
mais par rapport à l’origine. La distance d’une variable j à l’origine
O s’exprime par :
n
d 2 (O, j) = ∑ rij2 = 1 (7)
i=1
Tous les points-variables sont sur une sphère de rayon 1 centrée à

l’origine des axes : la sphère des corrélations ou le cercle des
corrélations.

Introduction
Axes factoriels
On considère à présent un nuage de p points-variables dont les n

coordonées répresentent les colonnes de X. La démarche pour ajuster
le nuage des p points est similaire que pour le nuage des n points-
individus. Il consiste à rechercher le vecteur unitaire v, puis le sous
espace à q dimensions dans Rn qui ajuste au mieux le nuage de
points.
Cela conduit à rendre maximale la somme des carrés des p projections
sur v, qui sont les p composantes du vecteur X’v. On maximise la
quantité
( :
Max (X 0 v )0 X 0 v = v 0 XX 0 v
s/c v 0 v = 1
Comme précédemment, nous sommes amenés à retenir les q vecteurs
propres de XX’ correspondant aux q plus grandes valeurs propres.

Introduction
Axes factoriels
Dans Rn l’analyse du tableau transformé conduit à diagonaliser la

matrice XX’ d’ordre (n,n) de terme général ci 0 i .
p p
1 (xij − xj )(xi 0 j − xj 0 )
ci 0 i = ∑ rij ri j = p ∑
0 = corr (i 0 , i) (8)
j=1 j=1 σ j σj
Cependant, il n’est pas nécessaire de réitérer l’ensemble des calculs

faits précédemment. Il existe des relations de transitions/dualité qui
permettent de déduire les axes factoriels dans cette analyse.
Le vecteur vα = √1λ Xuα est en effet le vecteur propre unitaire de
α
XX’avec la même valeur propre λα .
Les coordonnées des p points-variables sur l’axe factoriels ϕα normé
sont les p composantes du vecteur :
1 √
ϕα = X 0 vα = √ X 0 Xuα = uα λ α
λα
Introduction
Axes factoriels
Comme on l’a vu ψα = Xuα , d’où :

1
ϕα = √ X 0 ψα
λα
Alors les coordonnées factorielles ϕαj des points-variables sur l’axe α
sont les composantes de X 0 ψα soit :
n
xij − x j ψαi
ϕαj = ∑ ( σj √n )( √λα ) = corr (j, ψα )
i=1
La coordonnée d’un point-variable sur un axe n’est autre que le co-

efficient de corrélation de cette variable avec le facteur ψα .
Les axes factoriels étant orthogonaux 2 à 2, on obtient ainsi une
série de variables artificielles non corrélées entre elles, appelées com-
posantes principales, qui synthétisent les corrélations de l’ensemble
des variables initiales.
Introduction
Notion d’inertie
Choix du nombre d’axes à retenir
Construction du nuage de points projectés
Interprétation des axes
Éléments supplémentaires et représentation simultanée
l’inertie I des données est l’inertie du nuage des individus. c’est la

dispersion du nuage des n points-individus de Rp définie par :
1 n 2 1 n p
I= ∑
n i=1
d (i, G ) = ∑ ∑ (xij − xj )2
n i=1 j=1
Il renseigne sur la "forme" du nuage des individus. Si cette inertie

est grande, cela signifie que le nuage est très disperse, tandis que s’il
est petit, alors le nuage est très concentré sur son centre de gravité.
L’inertie des données I peut également s’écrire sous la forme :
p
I= ∑ var (xj )
j=1
Sous cette forme l’inertie totale I est égale à la trace de la matrice

X’X ie.
I = trace(X 0 X )
Introduction
Notion d’inertie
L’inertie total I est encore égale :

p
I = λ1 + · · · + λp = ∑ λα
α=1
En ACP normée cette inertie vaut p.
Pour définir le nombre d’axes étudiés, on étudie les valeurs propres
obtenues. Chaque valeur propre correspond à la part d’inertie projeté
sur un axe donné. On caractérise ainsi chaque axe par le pourcentage
d’inertie qu’il permet d’expliquer. La part d’inertie expliquée par le
α ème axe factoriel est donnée par :
λα
λ1 + · · · + λp
La part d’inertie expliquée par les q premiers axes factoriels :
λ1 + · · · + λq
λ1 + · · · + λp
Introduction
Notion d’inertie
On peut retenir trois critères empiriques pour sélectionner le nombre

d’axes :
Critère du coude : sur l’éboulis des valeurs propres, on
observe un décrochement (coude) suivi d’une décroissance
régulière. On sélectionne les axes avant le décrochement ;
Critère de Kaiser : on ne retient que les axes dont l’inertie
est supérieure à l’inertie moyenne ;
Règle de l’inertie minimale : On sélectionne les premiers
axes afin d’atteindre un pourcentage donné d’inertie expliquée
(80% par exemple).

Introduction
Notion d’inertie
Deux types de facteurs peuvent apparaÎtre :

Effet taille : les variables sont toutes du même coté de l’axe.
(i.e. elles contribuent toutes dans le même sens à la formation
de l’axe)
Effet forme : Deux groupes de variables opposées : celles qui
contribuent positivement à l’axe, celles qui contribuent
négativement.

Introduction
Notion d’inertie
Les axes principaux ou axes factoriels permettent d’obtenir la meilleure

visualisation approchée, au sens des moindres carrés, des distances
entre individus d’une part et entre les variables d’autres part. Pour
interpréter ces directions principales et ces distances on analyse :
Les variables et les individus qui participent le plus à la
formation des axes factoriels.
Les proximités entre points observées sur les axes.

Introduction
Notion d’inertie
L’analyse des points qui participent à la formation des axes se résume

à un calcul de la contribution des points par rapport à chaque axe :
Étude des individus Étude des variables
La contribution du point-individu La contribution du point-variable
i à l’inertie de l’axe α est donné j à l’inertie de l’axe α est donné
par : par :
2
ϕαj
2
mi ψαi Ctrα (j) =
Ctrα (i) = λα
λα
où λα est l’inertie de l’axe α
où λα est l’inertie de l’axe α et mi p
est le poids de l’individu i. ∑ Ctrα (j) = 1
j=1
n
∑ Ctrα (i) = 1
i=1

Introduction
Notion d’inertie
Les élements avec une forte coordonnée en valeur absolue contribuent

le plus.
On s’intéresse aux individus On s’intéresse aux variables

qui ont une forte contribution qui ont une forte contribution
relative aux axes. relative aux axes.
Les individus qui contribuent Les variables qui contribuent
le plus à la détermination de le plus à la détermination de
l’axe sont les plus excentrés. l’axe sont les plus proches du
cercle de corrélation.

Introduction
Notion d’inertie
L’analyse de la proximité entre points se résume à un examen de la

qualité de représentation ou calcul du cosinus carrés :

La qualité de représentation de La qualité de représentation de la
l’individu i à l’inertie de l’axe α est variable j à l’inertie de l’axe α est
donnée par : donnée par :
2 2
dα2 (i, G ) ψαi dα2 (j, G ) ϕαj
cos2α (i) = = cos2α (j) = = 2
= ϕαj
d 2 (i, G ) ∑pα=1 ψαi
2
d 2 (j, G ) ∑pα=1 ϕαj
2
avec
p avec ∑pα=1 ϕαj
2 =1 et |ϕ |61
αj
∑ cos2α (i) =1
α=1 p
∑ cos2α (j) = 1
α=1

Introduction
Notion d’inertie
La qualité de représentation d’un élément sur un axe est le cosinus

de l’angle entre l’axe et le vecteur joignant le centre de gravité du
nuage à l’élement.
Un individu est autant bien Une variable est d’autant

représenté que le cosinus de bien représentée qu’elle est
l’angle est proche de 1 et 0 proche du cercle de corréla-
sinon. tion et d’autant mal représen-
Les individus qui contribuent tée qu’elle est proche de l’ori-
le plus sont bien représentés. gine.
Les variables qui contribuent
le plus sont bien représentées.
Introduction
Notion d’inertie
Éléments supplémentaires
Lorsqu’on dispose d’informations complémentaires que l’on veut ap-

porter à l’analyse on distingue :
les individus supplémentaires par exemple le centre de gravité
d’un groupe d’individus.
les variables supplémentaires par exemple les variables résul-
tant des autres (moyennes,etc.), les variables qualitatives aidant
à l’interprétation, etc.
Ces éléments ne participent pas à la construction des axes factoriels.
Ils sont représentés pour l’interprétation.

Introduction
Notion d’inertie
Représentation simultanée
L’analyse du nuage des variables est déduite de celle du nuage
des individus : la représentation des variables sur les axes facto-
riels dans Rn aide l’interprétation des axes factoriels dans Rp et
réciproquement.
Cependant les deux nuages ne sont pas dans le même repère, ce
qui rend impossible la représentation simultanée des individus et
des variables. La superposition de ces deux plans factoriels n’a
pas de sens.
Toutefois, si l’on considère non plus des points-variables mais
des directions de variables dans Rp , on peut alors envisager de
représenter simultanément, dans cet espace, à la fois les points-
individus et des vecteurs représentant les variables.

Analyse en Composantes Principales (ACP)

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse en Composantes Principales (ACP)

Transféré par

Droits d'auteur :

Formats disponibles

Cours de Statistique Exploratoire Multidimensionnelle

Chapitre 1 : Analyse en Composantes Principales (ACP)

Dr. Nvuh Njoya Youssouf1

1 FSEG - Université de Yaoundé II-Soa

Licence Ingéniérie Économique, Semestre 2, 2019-2020

2 Données, Notations, Exemples

4 Analyse du nuage des individus dans Rp

5 Analyse du nuage des variables dans Rn

6 Interprétation d’une ACP normée

Conçue par Karl Pearson en 1901, intégrée à la statistique mathéma-

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Les données sont sous la forme d’un tableau rectangulaire à n lignes

Pour la variable j on note :

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Individu Variable xij

Dr Nvuh Njoya Y. Analyse en Composantes Principales

La visualisation de X peut se faire de deux manières : soit comme une

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Étude des variables

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Étude des individus

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Étude des variables

Dr Nvuh Njoya Y. Analyse en Composantes Principales

L’analyse repose donc sur les distances entre individus dans Rp , et

Lorsque l’ACP usuelle revient à centrer et réduire les variables, on

L’analyse normée dans Rp du tabeau brut de départ est l’analyse

Toutes les variables transformées sont comparables et ont une même

Dr Nvuh Njoya Y. Analyse en Composantes Principales

On considère un nuage de n points-individus définis dans l’espace Rp

On exprime que u est unitaire par la relation u’u = 1. La longueur

Chacune des n lignes du tableau X est un vecteur-individu xi dans

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Ce sont les n composantes de la matrice colonne Xu qui repèrent

Le théorème de Pythagore appliqué à chacun des n triangles rec-

Dr Nvuh Njoya Y. Analyse en Composantes Principales

On va donc rendre maximale la quantité ∑ni=1 OHi2 qui s’exprime en

Pour trouver u, on est conduit à rechercher le maximum de la forme

La résolution de ce programme conduit à déterminer le Lagrangien :

En résumé maximiser l’inertie expliquée par u revient à déterminer la

Dans le cas d’une analyse normée, l’analyse des points-individus dans

corr(j,j’) est le coefficient de corrélation empirique entre les variables

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Les coordonnées des n points-individus sur l’axe factoriel uα normé

ψα est une combinaison lineaire des variables initiales (α ème com-

Dr Nvuh Njoya Y. Analyse en Composantes Principales

La distance entre variable découle de l’analyse dans Rp. De cet fait

Ce qui implique que

L’analyse dans Rn ne se fait pas par rapport au centre de gravité du

Tous les points-variables sont sur une sphère de rayon 1 centrée à

Dr Nvuh Njoya Y. Analyse en Composantes Principales

On considère à présent un nuage de p points-variables dont les n

Dr Nvuh Njoya Y. Analyse en Composantes Principales

Dans Rn l’analyse du tableau transformé conduit à diagonaliser la

Cependant, il n’est pas nécessaire de réitérer l’ensemble des calculs

Comme on l’a vu ψα = Xuα , d’où :

La coordonnée d’un point-variable sur un axe n’est autre que le co-

l’inertie I des données est l’inertie du nuage des individus. c’est la

Il renseigne sur la "forme" du nuage des individus. Si cette inertie

Sous cette forme l’inertie totale I est égale à la trace de la matrice

L’inertie total I est encore égale :

On peut retenir trois critères empiriques pour sélectionner le nombre

Dr Nvuh Njoya Y. Analyse en Composantes Principales