Année Universitaire 2018/2019

Université Sultan Moulay Slimane

Faculté des Sciences et Techniques, Beni Mellal

Département de Chimie et Environnement

LST Techniques d’Analyse et Contrôle Qualité

Module : ‘‘Contrôle qualité des produits pétroliers et chimiométrie’’

½ Module : ‘‘Chimiométrie’’ : CONTROLE
QUESTIONS Barème

I- Questions de cours
I.1- Démontrer que : 1 pt
(1/N)((xi - X̅)2=(1/N)(xi)2 - X̅2
Réponse : (1/N)((xi - X̅)2=(1/N)(xi2 -2xiX̅ + X̅2) =(1/N)xi2 -(1/N)2xiX̅
+ (1/N)X̅ )
2

=
(1/N)xi -2X̅(1/N)xi + (1/N)X̅2=(1/N)xi2 -2X̅ X̅ + (1/N)NX̅2=
2

(1/N)(xi)2 - 2X̅2+ X̅2= (1/N)(xi)2 - X̅2

I.2- Donner une différence entre paramètres statistiques de position et 1 pt
paramètres statistiques de dispersion
Réponse :
 Les paramètres statistiques de position, tels que moyenne,
médiane, quartiles et déciles donnent l’information sur
l’intervalle ou des intervalles où les valeurs se retrouvent
 Les paramètres statistiques de dispersion, tels que la variance et
l’écart type, donnent l’information sur la différence (la
distance) entre les valeurs mesurées d’une part et la valeur
moyenne d’autre part.
I.3- Lors de l’ACP que représentent les Composantes Principales (PCi) 1 pt
vis-à-vis de la matrice de corrélation. Donner l’équation
Réponse :
 Les Composantes Principales (PCi) sont les vecteurs propres de
R la matrice de corrélation :
Equation : R.(PCi)= λi(PCi) sachant que R=Z’Z et λi la valeur
propre correspondant au vecteur propre PCi
I.4- Lors d’ACP à quoi est égal le nombre maximal d’axes factoriels et 1 pt
pourquoi l’appelle –t-on une méthode de réduction des dimensions.
Réponse :
 Le nombre d’axe factoriel est toujours égal à celui du nombre
des variables de départ car c’est un changement de la nature de
ces variables et non pas de leur nombre.
 On appelle ACP méthode de réduction des dimensions car
grâce au changement de variables l’information suffisante pour
pouvoir classer les échantillons et déterminer les corrélations
peut être assurée seulement par les 2, voire 3 premières
composantes principales.
I.5- Lors d’une ACP sur un nombre de variables égal à p, donner : 1 pt
l’équation entre les valeurs propres :
l’inéquation entre les valeurs propres :
Réponse :

1
 Année Universitaire 2018/2019
Université Sultan Moulay Slimane
Faculté des Sciences et Techniques, Beni Mellal

Département de Chimie et Environnement

LST Techniques d’Analyse et Contrôle Qualité

 Equation entre les valeurs propres : λ1 + λ2 +………+ λp=p

 Inéquation entre les valeurs propres : λ1 > λ2 >………> λp
I.6- Lors d’une Régression Linéaire Simple (RLS) que signifie un 1 pt
coefficient de détermination très faible.
Réponse :
 Dans le cas de la régression linéaire entre deux variables x et y,
le coefficient de détermination R2 est égal au carré de r(x,y)
coefficient de corrélation entre les deux variables. Donc un
coefficient de détermination faible signifie une corrélation
faible entre ces deux variables.
II- Dans les deux figures suivantes (Figure 1 : a et b) les échantillons 2pts
sont des lots des huiles d’olives issus de parcelles différentes et les
variables Ji sont les notes attribuées par des experts qui jugent les
propriétés sensorielles de ces échantillons:
II.1- dans quelle figure 1 y a-t-il un accord entre les experts : figure a
ou figure b
Réponse :
 Accord entre les experts signifie que les notes (variables Ji)
données ne soient pas trop différentes entre experts. Donc si on
observe les 2 cercles de corrélations on observe qu’il y a accord
en figure b
II.2- A partir des deux figures a et b donner les 3 exemples suivants :
Forte corrélation positive : J……..…..- J…….…..
Forte corrélation négative : J……..…..- J……..…..
Corrélation très faible (ou presque nulle) : J……..…..- J……..…..
Réponse :
 Forte corrélation positive : J1-J13 (figure 1.b)
 Forte corrélation négative : J10-J13. (figure 1.a)
 Corrélation très faible (ou presque nulle) : J10-J11 (figure 1.a)
III- L’exemple dans la figure 2 ci-jointe présente des produits 4pts
fabriqués au sein d’une unité de production de phosphates dans 5
chaines différentes (G, H, I, J et K) et par 3 équipes de main d’œuvre
(1, 2 et 3) :
III.1- Justifier quel est l’axe factoriel qui permet de mieux renseigner
sur la chaine dans laquelle le produit a été produit le phosphate.
Réponse :
 Nous observons que les 3 équipes (croix, rond et étoile) se
retrouvent dans chacune des 5 chaines. En comparant les
projetions des 5 chaines, d’une part sur le PC1 et d’autre part
sur le PC2, on observe que, globalement :
Les distances (variance) entre les projections des 5 chaines sur
PC1 sont plus grandes que dans le cas de leurs projections sur
PC2. Donc le PC1 permet de mieux renseigner sur la chaine
dans laquelle le produit a été produit le phosphate.
III.2- Justifier quel est l’axe factoriel qui permet de mieux renseigner

2
 Année Universitaire 2018/2019
Université Sultan Moulay Slimane
Faculté des Sciences et Techniques, Beni Mellal

Département de Chimie et Environnement

LST Techniques d’Analyse et Contrôle Qualité

sur l’équipe de la main d’œuvre qui a produit le phosphate.

Réponse :
 En comparant les projetions des 3 équipes, d’une part sur le
PC1 et d’autre part sur le PC2, on observe que, globalement :
Les distances (variance) entre les projections des 3 équipes sur
PC2 sont plus grandes que dans le cas de leurs projections sur
PC1. Donc le PC2 permet de mieux renseigner sur l’équipe de
la main d’œuvre qui a produit le phosphate.
IV- Pourquoi essaie-t-on la projection des échantillons ou des variables 2pts
sur différents plans factoriels tels que (PC1,PC2), (PC1,PC3) ;
(PC2,PC3)…
Réponse :

 Bien que la quantité de l’information (l’inertie) assurée par les

PCi diminue lorsque i augmente un axe PCi d’ordre supérieur (i
plus grand) peut assurer une information de nature différente de
celle assurée par un axe PCi d’ordre inférieur (i plus petit).
Donc les informations assurées par les plans factoriels ne sont
pas forcément les mêmes mais elles doivent être
complémentaires.
V- Expliquer par un exemple sur schéma quelle est la différence 2pts
entre les deux points suivants :
 Corrélation d’un échantillon (ou variable) et un axe factoriel
 Contribution d’un échantillon (ou variable) à un axe factoriel
Réponse :
 La corrélation entre d’un échantillon (ou variable) et un axe
factoriel renseigne sur la qualité de la représentation de cet
échantillon (ou variable) sur cet axe. Elle est proportionnelle au
cosinus de l’angle entre le vecteur de cet échantillon (ou
variable) et celui de cet axe.
 Contribution d’un échantillon (ou variable) à un axe factoriel
PCi renseigne sur le taux de contribution à la construction de de
cet axe PCi :
Contribution de i=(score de i)2/(1/λi)(1/nombre d’éch.)100
VI- Expliquer le Bi-plot de la figure 3 ci-jointe 2pts
Réponse :
 Concernant les échantillons :
Il y a deux classes d’échantillons :
Classe 1, 2, 3, 9 et 7 et Classe : 4, 5, 6 et 8
 Concernant les variables :
- Corrélation positive très forte : entre Ni et Sn
- Corrélations positives : Fe-Ni, Fe-Sn et Fe-Zn
- Corrélation négative très faible : Zn-Ni et Zn-Sn
 Concernant les corrélations ‘‘échantillon-variable’’ :
3
 Année Universitaire 2018/2019
Université Sultan Moulay Slimane
Faculté des Sciences et Techniques, Beni Mellal

Département de Chimie et Environnement

LST Techniques d’Analyse et Contrôle Qualité

 Echantillon plus riche en Ni et Sn : 4

 Echantillon plus riche en Fe: 5
 Echantillons plus riche en Zn: 6, 9 et 1
2pts
VII- A partir des résultats de la CHA (figure 4 ci-jointe) appliquée sur
8 échantillons faire un schéma d’une carte factorielle des résultats
attendus si on fait une ACP.
Réponse :
On doit retrouver dans la carte factorielle de l’ACP que :
7 proche de 8. 5 proche de 1. 2 relativement proche de 3
4 proche de 6
et cela quel que soit l’emplacement des points dans la carte factorielle.
Ce qui importe est la distance entre 2 échantillons et non pas leurs
places.
Prof. Mohamed Mbarki

Biplot (axes F1 et F2 : 85,96 %)

2
Zn
1,5 9
6

1
1
Fe
5
0,5
2
F2 (26,57 %)

0
4
Sn
Ni
-0,5 3

-1
8
-1,5

-2
7

-2,5
-1,5 -1 -0,5 0 0,5 1 1,5 2
F1 (59,39 %)

Variables actives Observations actives

Figure 3

Prof. Mohamed Mbarki