Fiche N ◦ 3 :Analyse en composante principale

(ACP)

1
Exercice 1

On a :  
1 −1 0 0
1  −1 1 0 0 
V =  .
4 0 0 1 −1 
0 0 −1 −1
Exercice 1

On a :  
1 −1 0 0
1  −1 1 0 0 
V =  .
4 0 0 1 −1 
0 0 −1 −1
1
1- Donc le trace de V est : tra(V ) = ×4 = 1
4

3
2- Les différentes valeurs propres de V on a :

1/4 − λ −1/4 0 0
−1/4 1/4 − λ 0 0
det(V − λI ) = .
0 0 1/4 − λ −1/4
0 0 −1/4 1/4 − λ
2- Les différentes valeurs propres de V on a :

1/4 − λ −1/4 0 0
−1/4 1/4 − λ 0 0
det(V − λI ) = .
0 0 1/4 − λ −1/4
0 0 −1/4 1/4 − λ

L1 ← L1 + L2
=
L4 ← L4 + L3
2- Les différentes valeurs propres de V on a :

1/4 − λ −1/4 0 0
−1/4 1/4 − λ 0 0
det(V − λI ) = .
0 0 1/4 − λ −1/4
0 0 −1/4 1/4 − λ
−λ −λ 0 0
L1 ← L1 + L2 −1/4 1/4 − λ 0 0
= .
L4 ← L4 + L3 0 0 1/4 − λ −1/4
0 0 −λ −λ
 1 1 0 0
−1/4 1/4 − λ 0 0
= λ2 .
0 0 1/4 − λ −1/4
0 0 1 1

7
 1 1 0 0
−1/4 1/4 − λ 0 0
= λ2 .
0 0 1/4 − λ −1/4
0 0 1 1

C2 ←C2 −C1
=
C3 ←C3 −C4

8
 1 1 0 0
−1/4 1/4 − λ 0 0
= λ2 .
0 0 1/4 − λ −1/4
0 0 1 1
1 0 0 0
C2 ←C2 −C1 2 −1/4 1/2 − λ 0 0
= λ .
C3 ←C3 −C4 0 0 1/2 − λ −1/4
0 0 0 1

9
 1 1 0 0
−1/4 1/4 − λ 0 0
= λ2 .
0 0 1/4 − λ −1/4
0 0 1 1
1 0 0 0
C2 ←C2 −C1 2 −1/4 1/2 − λ 0 0
= λ .
C3 ←C3 −C4 0 0 1/2 − λ −1/4
0 0 0 1
1
= λ2 ( − λ )2
2

10
 1 1 0 0
−1/4 1/4 − λ 0 0
= λ2 .
0 0 1/4 − λ −1/4
0 0 1 1
1 0 0 0
C2 ←C2 −C1 2 −1/4 1/2 − λ 0 0
= λ .
C3 ←C3 −C4 0 0 1/2 − λ −1/4
0 0 0 1
1
= λ2 ( − λ )2
2
Donc λ1 = 0 et λ1 = 1/2

11
3- Le vecteur propre associé à la valeur propre λ = 0
Soit  
x
 y 
u=  z  ∈ ker(V )


12
3- Le vecteur propre associé à la valeur propre λ = 0
Soit   
x 
 x −y = 0
 y  − x +y = 0

u=  z  ∈ ker(V ) ⇐⇒  z − t = 0


t −z + t = 0


13
3- Le vecteur propre associé à la valeur propre λ = 0
Soit   
x 
 x −y = 0 
 y  − x +y = 0 x= y

u=   ∈ ker(V ) ⇐⇒ ⇐⇒
z  
 z −t = 0 z= t
t −z + t = 0


14
3- Le vecteur propre associé à la valeur propre λ = 0
Soit   
x 
 x −y = 0 
 y  − x +y = 0 x= y

u=   ∈ ker(V ) ⇐⇒ ⇐⇒
z  
 z −t = 0 z= t
t −z + t = 0

   
1 0
 1   0 
=⇒ u = x   0 +z 1 
  

0 1

15
3- Le vecteur propre associé à la valeur propre λ=0
Soit   
x 
 x −y = 0 
 y  − x +y = 0 x= y

u=  z  ∈ ker(V ) ⇐⇒  z − t = 0 ⇐⇒

 z= t
t −z + t = 0

     
1 0 1
 1   0   1 
=⇒ u = x   0  + z  1  donc u1 = 
     et
0 
0 1 0
 
0
 0 
u2 =  1 


16
3- Le vecteur propre associé à la valeur propre λ = 0
Soit   
x 
 x −y = 0 
 y  − x +y = 0 x= y

u=   ∈ ker(V ) ⇐⇒ ⇐⇒
z  
 z −t = 0 z= t
t −z + t = 0

     
1 0 1
 1   0   1 
=⇒ u = x   0  + z  1  donc u1 =  0  et
    

0 1 0
 
0
 0 
u2 =  1 


1
En normalisant les vecteurs u1 et u2 on obtient finalement
 √   
1/√2 0
√  1/ 2   0
√

ku1 k = ku2 k = 2 =⇒ u1 =   0  u2 =  1/ 2
  
√

17 0 1/ 2
4-Déterminer des vecteurs propres orthonormés de V associés à
λ2 = 1/2 
x
 y  1
 z  ∈ ker(V − 2 I )
Soit v =  

t
4-Déterminer des vecteurs propres orthonormés de V associés à
λ2 = 1/2  
x 
 x −y = 2x
 y  1 −x + y = 2y

 z  ∈ ker(V − 2 I ) ⇐⇒  z − t =
Soit v =  
 2z
t −z + t = 2t

4-Déterminer des vecteurs propres orthonormés de V associés à
λ2 = 1/2  
x 
 x −y = 2x
 y  1 −x + y = 2y

 z  ∈ ker(V − 2 I ) ⇐⇒  z − t =
Soit v =  ⇐⇒

 2z
t −z + t = 2t


y = −x
t = −z
4-Déterminer des vecteurs propres orthonormés de V associés à
λ2 = 1/2  
x 
 x −y = 2x
 y  1 −x + y = 2y

 z  ∈ ker(V − 2 I ) ⇐⇒  z − t =
Soit v =  ⇐⇒

 2z
t −z + t = 2t


y = −x
t = −z
   
1 0
 −1   0 
=⇒ v = x   0 +z 1 
  

0 −1
4-Déterminer des vecteurs propres orthonormés de V associés à
λ2 = 1/2  
x 
 x − y = 2x
 y  1 −x + y = 2y

 z  ∈ ker(V − 2 I ) ⇐⇒  z − t = 2z ⇐⇒
Soit v =  

t −z + t = 2t


y = −x
t = −z
     
1 0 1
 −1   0   −1 
=⇒ v = x   0  + z  1  donc v1 =  0  et
    

0 −1 0
 
0
 0 
v2 =  1 


−1
En normalisant les vecteurs v1 et v2 on obtient finalement

23
En normalisant les vecteurs v1 et v2 on obtient finalement
 √   
1/ √2 0
√  −1/ 2   0√ 
kv1 k = kv2 k = 2 =⇒ v1 =   v2 =  
 0   1/ √2 
0 −1/ 2
Exercice 2

0 −1
 
1
 0
 1 −1  
 −1 1 0 
Soit X le tableau suivant : X =   0 −1 1  .

 
 −1 0 1 
1 −1 0
On considère les six vecteurs x1 , x2 , · · · , x6 de R3 (muni de la
métrique euclidien usuelle) dont les composantes sont données par
les lignes de X . On pose mi = 1/6 pours i = 1; 2; · · · , 6

25
 0 −1
 
1

 0 1 −1 

 −1 1 0 
1- On a X =  

 0 −1 1 
 −1 0 1 
1 −1 0

26
 0 −1
 
1

 0 1 −1 

 −1 1 0 
1- On a X =  

 0 −1 1 

 −1 0 1 
1 −1 0
     
1 0 −1
donc x1 =  0 , x2 =  1 , x3 =  1 ,
−1 −1 0
     
0 −1 1
x4 =  −1 , x5 =  0  et x6 =  −1 
1 1 0
 −1
     
1 0

 0  
  1  
  −1 

 −1   1   0 
=⇒  = = =0

 0  
  −1  
  1 

 −1   0   1 
1 −1 0

donc :
 −1
     
1 0

 0  
  1  
  −1 

 −1   1   0 
=⇒  = = =0

 0  
  −1  
  1 

 −1   0   1 
1 −1 0
 
0
donc :G =  0 
0
 −1
     
1 0

 0  
  1  
  −1 

 −1   1   0 
=⇒  = = =0

 0  
  −1  
  1 

 −1   0   1 
1 −1 0
 
0
donc :G =  0 
0
 
6 4 −2 −2
1
et V = 1/6 ∑ xi xi0 =  −2 4 −2 
6
i =1 −2 −2 4
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ

C1 ←C1 +C2 +C3

=
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ
−λ −1/3 −1/3
C1 ←C1 +C2 +C3
= −λ 2/3 − λ −1/3 .
−λ −1/3 2/3 − λ

=
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ
−λ −1/3 −1/3
C1 ←C1 +C2 +C3
= −λ 2/3 − λ −1/3 .
−λ −1/3 2/3 − λ
1 −1/3 −1/3
= − λ 1 2/3 − λ −1/3 .
1 −1/3 2/3 − λ
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ
−λ −1/3 −1/3
C1 ←C1 +C2 +C3
= −λ 2/3 − λ −1/3 .
−λ −1/3 2/3 − λ
1 −1/3 −1/3
= − λ 1 2/3 − λ −1/3 .
1 −1/3 2/3 − λ

L2 ←L2 −L1
=
L3 ←L3 −L1
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ
−λ −1/3 −1/3
C1 ←C1 +C2 +C3
= −λ 2/3 − λ −1/3 .
−λ −1/3 2/3 − λ
1 −1/3 −1/3
= − λ 1 2/3 − λ −1/3 .
1 −1/3 2/3 − λ
1 −1/3 −1/3
L2 ←L2 −L1
= −λ 0 1−λ 0 .
L3 ←L3 −L1
0 0 1−λ
=
- Le moment d’inertie de N par rapport à l’origine IG = tr (V ) = 2,
- Les différentes valeurs propres de V on a :
2/3 − λ −1/3 −1/3
det(V − λI ) = −1/3 2/3 − λ −1/3 .
−1/3 −1/3 2/3 − λ
−λ −1/3 −1/3
C1 ←C1 +C2 +C3
= −λ 2/3 − λ −1/3 .
−λ −1/3 2/3 − λ
1 −1/3 −1/3
= − λ 1 2/3 − λ −1/3 .
1 −1/3 2/3 − λ
1 −1/3 −1/3
L2 ←L2 −L1
= −λ 0 1−λ 0 .
L3 ←L3 −L1
0 0 1−λ
= − λ (1 − λ )2
Donc λ1 = 0 et λ1 = 1

39
Donc λ1 = 0 et λ1 = 1
Comme V admet une valeur propre nulle donc le nuage des
individus est contenu dans le plan

40
Donc λ1 = 0 et λ1 = 1
Comme V admet une valeur propre nulle donc le nuage des
individus est contenu dans le plan
- Le vecteur
 propre  propre λ = 0
 associé à la valeur
x  4x − 2y − 2z = 0
Soit u =  y  ∈ ker(V ) ⇐⇒ −2x + 4y − 2z = 0
z −2x − 2y + 4z = 0


41
Donc λ1 = 0 et λ1 = 1
Comme V admet une valeur propre nulle donc le nuage des
individus est contenu dans le plan
- Le vecteur
 propre  propre λ = 0
 associé à la valeur
x  4x − 2y − 2z = 0
Soit u =  y  ∈ ker(V ) ⇐⇒ −2x + 4y − 2z = 0
z −2x − 2y + 4z = 0


6x − 6y = 0
⇐⇒
4z = 2x + 2y

42
Donc λ1 = 0 et λ1 = 1
Comme V admet une valeur propre nulle donc le nuage des
individus est contenu dans le plan
- Le vecteur
 propre  propre λ = 0
 associé à la valeur
x  4x − 2y − 2z = 0
Soit u =  y  ∈ ker(V ) ⇐⇒ −2x + 4y − 2z = 0
z −2x − 2y + 4z = 0

 
6x − 6y = 0 y= x
⇐⇒ ⇐⇒
4z = 2x + 2y z= x

43
Donc λ1 = 0 et λ1 = 1
Comme V admet une valeur propre nulle donc le nuage des
individus est contenu dans le plan
- Le vecteur
 propre  propre λ = 0
 associé à la valeur
x  4x − 2y − 2z = 0
Soit u =  y  ∈ ker(V ) ⇐⇒ −2x + 4y − 2z = 0
z −2x − 2y + 4z = 0

 
6x − 6y = 0 y= x
⇐⇒ ⇐⇒
4z = 2x + 2y z= x
 
1
=⇒ u = x  1 
1

44
Donc λ1 = 0 et λ1 = 1
Comme V admet une valeur propre nulle donc le nuage des
individus est contenu dans le plan
- Le vecteur
 propre  propre λ = 0
 associé à la valeur
x  4x − 2y − 2z = 0
Soit u =  y  ∈ ker(V ) ⇐⇒ −2x + 4y − 2z = 0
z −2x − 2y + 4z = 0

 
6x − 6y = 0 y= x
⇐⇒ ⇐⇒
4z = 2x + 2y z= x
   
1 1
=⇒ u = x  1  donc u1 =  1 
1 1

45
Les vecteurs propres orthonormés de V associés au valeur propre
λ2 =1 : Soit

x
v =  y  ∈ ker(V − I )
z
Les vecteurs propres orthonormés de V associés au valeur propre
λ2 =1 : Soit
 
x  4x − 2y − 2z = 6x
v =  y  ∈ ker(V − I ) ⇐⇒ −2x + 4y − 2z = 6y
z −2x − 2y + 4z = 6z

Les vecteurs propres orthonormés de V associés au valeur propre
λ2 =1 : Soit
 
x  4x − 2y − 2z = 6x
v =  y  ∈ ker(V − I ) ⇐⇒ −2x + 4y − 2z = 6y
z −2x − 2y + 4z = 6z


 x + y + z = 0
⇐⇒ x +y +z = 0
x +y +z = 0

Les vecteurs propres orthonormés de V associés au valeur propre
λ2 =1 : Soit
 
x  4x − 2y − 2z = 6x
v =  y  ∈ ker(V − I ) ⇐⇒ −2x + 4y − 2z = 6y
z −2x − 2y + 4z = 6z


 x + y + z = 0 
⇐⇒ x + y + z = 0 ⇐⇒ z = −x − y
x +y +z = 0

Les vecteurs propres orthonormés de V associés au valeur propre
λ2 =1 : Soit
 
x  4x − 2y − 2z = 6x
v =  y  ∈ ker(V − I ) ⇐⇒ −2x + 4y − 2z = 6y
z −2x − 2y + 4z = 6z


 x + y + z = 0 
⇐⇒ x + y + z = 0 ⇐⇒ z = −x − y
x +y +z = 0

   
1 0
=⇒ v = x  0  + y  1 
−1 −1
Les vecteurs propres orthonormés de V associés au valeur propre
λ2 =1 : Soit
 
x  4x − 2y − 2z = 6x
v =  y  ∈ ker(V − I ) ⇐⇒ −2x + 4y − 2z = 6y
z −2x − 2y + 4z = 6z


 x + y + z = 0 
⇐⇒ x + y + z = 0 ⇐⇒ z = −x − y
x +y +z = 0

   
1 0
=⇒ v = x  0  + y  1 
−1 −1
   
1 0
donc v1 =  0  et v2 =  1 
−1 −1
  
α
Soit W  β  un vecteur propre associé à λ2 = 1 orthogonal à v1
γ
Donc W verifie :

52
  
α
Soit W  β  un vecteur propre associé à λ2 = 1 orthogonal à v1
γ
Donc
 W verifie :

 4α − 2β − 2γ = 6α



 − 2α + 4β − 2γ = 6β
−2α − 2β  + 4γ
 = 6γ


 α
et ( 1 0 − 1 ) β = 0

 



γ

53
  
α
Soit W  β  un vecteur propre associé à λ2 = 1 orthogonal à v1
γ
Donc
 W verifie :

 4α − 2β − 2γ = 6α



 − 2α + 4β − 2γ = 6β 
−2α − 2β + 4γ = 6γ α+β+γ = 0

  ⇐⇒

 α α−γ = 0
et ( 1 0 − 1 ) = 0



  β 

γ

54
  
α
Soit W  β  un vecteur propre associé à λ2 = 1 orthogonal à v1
γ
Donc
 W verifie :

 4α − 2β − 2γ = 6α



 − 2α + 4β − 2γ = 6β 
−2α − 2β + 4γ = 6γ α+β+γ = 0

  ⇐⇒ ⇐⇒

 α α−γ = 0
et (1 0 − 1)  β  = 0





γ

2α + β = 0
γ= α

55
  
α
Soit W  β  un vecteur propre associé à λ2 = 1 orthogonal à v1
γ
Donc
 W verifie :

 4α − 2β − 2γ = 6α



 − 2α + 4β − 2γ = 6β 
−2α − 2β + 4γ = 6γ α+β+γ = 0

  ⇐⇒ ⇐⇒

 α α−γ = 0
et (1 0 − 1)  β  = 0





γ

2α + β = 0
γ= α
 
1
D’où : W  −2 
1

56
 √ √
On a kv1 k = 2 et kw k = 6
En normalisant les vecteurs v1 et W on obtient finalement
 √   √ 
1/ 2 1/ √6
v1 =  0√  W =  −2/√ 6 
−1/ 2 1/ 6
 √ √
On a kv1 k = 2 et kw k = 6
En normalisant les vecteurs v1 et W on obtient finalement
 √   √ 
1/ 2 1/ √6
v1 =  0√  W =  −2/√ 6 
−1/ 2 1/ 6
La représentation graphique dans le plan engendré par v1 et W :
On a la coordonnée de xi sur ∆v1 est : xit .v1 donc
 √ √
On a kv1 k = 2 et kw k = 6
En normalisant les vecteurs v1 et W on obtient finalement
 √   √ 
1/ 2 1/ √6
v1 =  0√  W =  −2/√ 6 
−1/ 2 1/ 6
La représentation graphique dans le plan engendré par v1 et W :
On a la coordonnée de xi sur ∆v1 est : xit .v1 donc

 √ 
1/ 2 √ √ √
x1t .v1 = (1 0 − 1)  0 √  = 1/ 2 + 1/ 2 = 2
−1/ 2
 √ √
On a kv1 k = 2 et kw k = 6
En normalisant les vecteurs v1 et W on obtient finalement
 √   √ 
1/ 2 1/ √6
v1 =  0√  W =  −2/√ 6 
−1/ 2 1/ 6
La représentation graphique dans le plan engendré par v1 et W :
On a la coordonnée de xi sur ∆v1 est : xit .v1 donc

 √ 
1/ 2 √ √ √
x1t .v1 = (1 0 − 1)  0 √  = 1/ 2 + 1/ 2 = 2
−1/ 2
 √ 
1/ √6 √ √
x1t .W = (1 0 − 1)  −2/√ 6  = 1/ 6 − 1/ 6 = 0
1/ 6

60
D’où
∆
√v1 ∆v2
x1 √ 2 √0
x2 √2/2 −√6/2
x3 −√2/2 −√ 6/2
x4 − √ 2/2 6/2
x5 − 2
√ √0
x6 2/2 6/2

61
Exercice 3
1- On a

mathématiques physique français anglais

Jean 6.0 6.0 5.0 5.5
Aline 8.0 8.0 8.0 8.0
Annie 6.0 7.0 11.0 9.5
Monique 14.5 14.5 15.5 15.0
Didier 14.0 14.0 12.0 12.5
André 11.0 10.0 5.5 7.0
Pierre 5.5 7.0 14.0 11.5
Brigitte 13.0 12.5 8.5 9.5
Evelyne 9.0 9.5 12.5 12.0
Moyenne 9.67 9.83 10.22 10.06

62
Donc
le centre 
de gravité est donné par le vecteur :
9.67
 9.83 
G = 10.22  .


10.06

63
Doncle centre 
de gravité est donné par le vecteur :
9.67
 9.83 
G =  10.22  .


10.06
2- On soumettre le tableau Y à un ACP.

11.389 9.917 2.657 4.824

9.917 8.944 4.120 5.481
V =
2.657 4.120 12.062 9.293
4.824 5.481 9.293 7.914

64
a- Indiquer la transformation qui permet de passer de la
matrice Y à la matrice X . On a :
6.0 6.0 5.0 5.5
 
 8.0 8.0 8.0 8.0 
 
 6.0 7.0 11.0 9.5 
 
 14.5 14.5 15.5 15.0 
 
Y =  14.0 14.0 12.0 12.5 

 11.0 10.0 5.5 7.0 
 
 5.5 7.0 14.0 11.5 
 
 13.0 12.5 8.5 9.5 
9.0 9.5 12.5 12.0

65
Donc
6.0 − 9.67 6.0 − 9.83 5.0 − 10.22 5.5 − 10.06
 

 8.0 − 9.67 8.0 − 9.83 8.0 − 10.22 8.0 − 10.06 


 6.0 − 9.67 7.0 − 9.83 11.0 − 10.22 9.5 − 10.06 


 14.5 − 9.67 14.5 − 9.83 15.5 − 10.22 15.0 − 10.06 

X =
 14.0 − 9.67 14.0 − 9.83 12.0 − 10.22 12.5 − 10.06 


 11.0 − 9.67 10.0 − 9.83 5.5 − 10.22 7.0 − 10.06 


 5.5 − 9.67 7.0 − 9.83 14.0 − 10.22 11.5 − 10.06 

 13.0 − 9.67 12.5 − 9.83 8.5 − 10.22 9.5 − 10.06 
9.0 − 9.67 9.5 − 9.83 12.5 − 10.22 12.0 − 10.06

66
Donc
6.0 − 9.67 6.0 − 9.83 5.0 − 10.22 5.5 − 10.06
 

 8.0 − 9.67 8.0 − 9.83 8.0 − 10.22 8.0 − 10.06 


 6.0 − 9.67 7.0 − 9.83 11.0 − 10.22 9.5 − 10.06 


 14.5 − 9.67 14.5 − 9.83 15.5 − 10.22 15.0 − 10.06 

X =
 14.0 − 9.67 14.0 − 9.83 12.0 − 10.22 12.5 − 10.06 


 11.0 − 9.67 10.0 − 9.83 5.5 − 10.22 7.0 − 10.06 


 5.5 − 9.67 7.0 − 9.83 14.0 − 10.22 11.5 − 10.06 

 13.0 − 9.67 12.5 − 9.83 8.5 − 10.22 9.5 − 10.06 
9.0 − 9.67 9.5 − 9.83 12.5 − 10.22 12.0 − 10.06

la première ligne de X est : X1 (−3.67 − 3.83 − 5.22 − 4.56)

67
b- On a
 
11.389 9.917 2.657 4.824
 9.917 8.944 4.120 5.481 
V =
 2.657

4.120 12.062 9.293 
4.824 5.481 9.293 7.914
b- On a
 
11.389 9.917 2.657 4.824
 9.917 8.944 4.120 5.481 
V =
 2.657

4.120 12.062 9.293 
4.824 5.481 9.293 7.914

donc IG = tr (V ) = 40.30.
c- Les deux plus grandes valeurs propres de la matrice
V des variances-covariances sont
λ1 = 28.253, λ2 = 12.03 .
b- On a
 
11.389 9.917 2.657 4.824
 9.917 8.944 4.120 5.481 
V =
 2.657

4.120 12.062 9.293 
4.824 5.481 9.293 7.914

donc IG = tr (V ) = 40.30.
c- Les deux plus grandes valeurs propres de la matrice
V des variances-covariances sont
λ1 = 28.253, λ2 = 12.03 .
λ1 28.253
Donc : cr (I∆1 /IG ) = = = 0.7 et
IG 40.30
b- On a
 
11.389 9.917 2.657 4.824
 9.917 8.944 4.120 5.481 
V =
 2.657

4.120 12.062 9.293 
4.824 5.481 9.293 7.914

donc IG = tr (V ) = 40.30.
c- Les deux plus grandes valeurs propres de la matrice
V des variances-covariances sont
λ1 = 28.253, λ2 = 12.03 .
λ1 28.253
Donc : cr (I∆1 /IG ) = = = 0.7 et
IG 40.30
λ2 12.03
cr (I∆2 /IG ) = = = 0.3
IG 40.30
cr (I∆1 ⊕∆2 ) = 0.7 + 0.3 = 1 = 100% donc le nuage
est pratiquement dan un espace de dimension 2
d- Les deux vecteurs propres normés de V sont donnés
dans le tableau ci-dessous :

1 2
Maths 0.515 -0.567
Physique 0.507 -0.372
Français 0.492 0.650
Anglais 0.492 0.323
   
0.515 −0.567
 0.507   −0.372 
On note a1 = 
 0.492  et a2 =  0.650
  

0.485 0.323
Les coordonnées de ” Jean ” sur axe ∆1 sont données par :
Les coordonnées de ” Jean ” sur axe ∆1 sont données par :

X1 .a1 =
Les coordonnées de ” Jean ” sur axe ∆1 sontdonnées 
par :
0.515
 0.507 
X1 .a1 = (−3.67 − 3.83 − 5.22 − 4.56).   0.492 


0.485
Les coordonnées de ” Jean ” sur axe ∆1 sontdonnées 
par :
0.515
 0.507 
X1 .a1 = (−3.67 − 3.83 − 5.22 − 4.56).   0.492 


0.485
= −8.61
De même les coordonnées de ” Jean ” sur axe ∆2 sont données
par :

X1 .a2 =
Les coordonnées de ” Jean ” sur axe ∆1 sontdonnées 
par :
0.515
 0.507 
X1 .a1 = (−3.67 − 3.83 − 5.22 − 4.56).   0.492 


0.485
= −8.61
De même les coordonnées de ” Jean ” sur axe ∆2 sont données
par :  
−0.567
 −0.372 
X1 .a2 = (−3.67 − 3.83 − 5.22 − 4.56).   0.650 


0.323
Les coordonnées de ” Jean ” sur axe ∆1 sontdonnées 
par :
0.515
 0.507 
X1 .a1 = (−3.67 − 3.83 − 5.22 − 4.56).   0.492 


0.485
= −8.61
De même les coordonnées de ” Jean ” sur axe ∆2 sont données
par :  
−0.567
 −0.372 
X1 .a2 = (−3.67 − 3.83 − 5.22 − 4.56).   0.650 


0.323
= −1.41
4- Les coefficients de corrélation linéaire entre le premier facteur et
les 4 variables :
4- Les coefficients de corrélation linéaire entre le premier facteur et
les 4 variables :
p a11 √ 0.515
ρ(1, 1) = λ1 × √ = 28.253 × = 0.811
V1 3.37
4- Les coefficients de corrélation linéaire entre le premier facteur et
les 4 variables :
p a11 √ 0.515
ρ(1, 1) = λ1 × √ = 28.253 × = 0.811
V1 3.37
p a12 √ 0.507
ρ(1, 2) = λ1 × √ = 28.253 × = 0.9
V2 2.99
4- Les coefficients de corrélation linéaire entre le premier facteur et
les 4 variables :
p a11 √ 0.515
ρ(1, 1) = λ1 × √ = 28.253 × = 0.811
V1 3.37
p a12 √ 0.507
ρ(1, 2) = λ1 × √ = 28.253 × = 0.9
V2 2.99
p a13 √ 0.492
ρ(1, 3) = λ1 × √ = 28.253 × = 0.75 · · ·
V2 3.47
4- Les coefficients de corrélation linéaire entre le premier facteur et
les 4 variables :
p a11 √ 0.515
ρ(1, 1) = λ1 × √ = 28.253 × = 0.811
V1 3.37
p a12 √ 0.507
ρ(1, 2) = λ1 × √ = 28.253 × = 0.9
V2 2.99
p a13 √ 0.492
ρ(1, 3) = λ1 × √ = 28.253 × = 0.75 · · ·
V2 3.47
4- Les corrélations entre les variables et les autres facteurs sont
données ci-dessous
1 2 3 4
math 0.81 -0.584 0.01 -0.02
phys 0.90 -0.432 -0.03 0.02
fran 0.75 0.651 -0.02 -0.01
ang 0.92 0.399 0.04 0.02
Interprétation

Ainsi, on voit que le premier facteur est corrélé positivement, et

assez fortement, avec chacune des 4 variables initiales : plus un
élève obtient de bonnes notes dans chacune des 4 disciplines, plus
il a un score élevé sur l’axe 1 ; réciproquement, plus ses notes sont
mauvaises, plus son score est négatif ; l’axe 1 représente donc, en
quelques sortes, le résultat global (dans l’ensemble des 4 disciplines
considérées) des élèves. En ce qui concerne l’axe 2, il oppose,
d’une part, le français et l’anglais (corrélations positives), d’autre
part, les mathématiques et la physique (corrélations négatives). Il
s’agit donc d’un axe d’opposition entre disciplines littéraires et
disciplines scientifiques, surtout marqué par l’opposition entre le
français et les mathématiques.

84
85
5- Le tableau suivant donne les coordonnées des individus (les
élèves) sur les deux premiers axes (les facteurs)

F1 F2
Jean -8.61 -1.41
Aline -3.88 -0.50
Annie -3.21 3.47
Monique 9.85 0.60
Didier 6.41 -2.05
André -3.03 -4.92
Pierre -1.03 6.38
Brigitte 1.95 -4.20
Evelyne 1.55 2.63

86
 −4, 3194444
 

 −1, 9444444 


 −1, 5694444 


 4, 93055556 

i − Note moy = 
 3, 18055556 .


 −1, 5694444 


 −0, 4444444 

 0, 93055556 
0, 80555556

87
 −4, 3194444
 

 −1, 9444444 


 −1, 5694444 


 4, 93055556 

i − Note moy = 
 3, 18055556 .


 −1, 5694444 


 −0, 4444444 

 0, 93055556 
0, 80555556
14, 11138
ii − =⇒ ρ(Note moy , F 1) = = 0, 99989 ' 1
5, 312961 × 2, 6563
Ce qui justifier l’assimilation du premier facteur à la moyenne
6- l’indice ponctuel de la représentation de ” Jean ” sur le premier
axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)

89
6- l’indice ponctuel de la représentation de ” Jean ” sur le premier
axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
0.515
 0.507 
Le vecteur directeur unitaire a1 de ∆1 est :  0.492 


0.485

90
6- l’indice ponctuel de la représentation de ” Jean ” sur le premier
axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
0.515
 0.507 
Le vecteur directeur unitaire a1 de ∆1 est :  0.492 


0.485
( X .a ) 2
1 1
Donc cos2 (αU1 ,∆1 ) = =
kX1 k2

91
6- l’indice ponctuel de la représentation de ” Jean ” sur le premier
axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
0.515
 0.507 
Le vecteur directeur unitaire a1 de ∆1 est :   0.492 


0.485
( X .a ) 2 (− 8.61 ) 2
1 1
Donc cos2 (αU1 ,∆1 ) = = = 0.97
kX1 k2 8.462
( U1 : ” Jean ” )

92
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)

93
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est : 
 0.650 


0.323

94
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est : 
 0.650 


0.323
(X1 .a2 ) 2
Donc cos2 (αU1 ,∆2 ) = =
kX1 k2

95
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est :   0.650 


0.323
(X1 .a2 ) 2 (−1.41) 2
Donc cos2 (αU1 ,∆2 ) = = = 0.026
kX1 k2 8.462

96
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est :   0.650 


0.323
(X1 .a2 ) 2 (−1.41) 2
Donc cos2 (αU1 ,∆2 ) = = = 0.026L’indice
kX1 k2 8.462
ponctuel de la représentation de ” Jean ” sur le plan des deux
premiers facteurs :

cos2 (αU1 ,∆1 L ∆2 )

97
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est :   0.650 


0.323
(X1 .a2 ) 2 (−1.41) 2
Donc cos2 (αU1 ,∆2 ) = = = 0.026L’indice
kX1 k2 8.462
ponctuel de la représentation de ” Jean ” sur le plan des deux
premiers facteurs :

cos2 (αU1 ,∆1 L ∆2 ) = cos2 (αU1 ,∆1 ) + cos2 (αU1 ,∆2 )

98
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est :   0.650 


0.323
(X1 .a2 ) 2 (−1.41) 2
Donc cos2 (αU1 ,∆2 ) = = = 0.026L’indice
kX1 k2 8.462
ponctuel de la représentation de ” Jean ” sur le plan des deux
premiers facteurs :

cos2 (αU1 ,∆1 L ∆2 ) = cos2 (αU1 ,∆1 ) + cos2 (αU1 ,∆2 ) = 0.999

On a cos2 (αU1 ,∆1 L ∆2 ) ' 1

99
De même l’indice ponctuel de la représentation de ” Jean ” sur le
eeuxième axe factoriel :
On a la première ligne de X est :
X1 (−3.67 − 3.83 − 5.22 − 4.56)  
−0.567
 −0.372 
Le vecteur directeur unitaire a2 de ∆2 est :   0.650 


0.323
(X1 .a2 ) 2 (−1.41) 2
Donc cos2 (αU1 ,∆2 ) = = = 0.026L’indice
kX1 k2 8.462
ponctuel de la représentation de ” Jean ” sur le plan des deux
premiers facteurs :

cos2 (αU1 ,∆1 L ∆2 ) = cos2 (αU1 ,∆1 ) + cos2 (αU1 ,∆2 ) = 0.999

On a cos2 (αU1 ,∆1 L ∆2 ) ' 1donc ” Jean ” est bien représenté dans
le plan des deux premiers axes.
101