[Texte]

2020-2021
Master Procédés d’Analyse et Contrôle Qualité (PACQ)
M02: Chimiométrie/ TD N°1
1 2
Exercice 1. Soient C1 et C2 les vecteurs colonnes de la matrice X suivante : 𝑋 = (3 4)
5 0
1. Centrer et normer les variables C1 et C2.
2. Déterminer la matrice des variances-covariances V et la matrice des corrélations R.
3. Diagonaliser la matrice V et déterminer les valeurs propres j.
4. Déterminer les vecteurs propres Uj associés aux valeurs propres i.
Exercice 2. On considère la matrice de données X de type (2,3) suivante :
−1 0 1
𝑋=( )
0 −1 1
1. Calculer le produit matriciel X’X et s’assurer que c’est une matrice carrée et symétrique.
2. Chercher les valeurs propres j de X’X et ses vecteurs propres Uj associés.
3. Donner la matrice diagonale  semblable à X’X
4. Vérifier que : 𝑇𝑟(𝑋 ′ 𝑋) = 𝑇𝑟() = ∑𝑗 
𝑗
6 1
Exercice 3. On considère la matrice de données X de type (3,2) suivante: 𝑋 = (4 5)
2 3
1. Donner la matrice des données centrés et réduites (normées).
2. Déterminer la matrice des corrélations R.
3. Diagonaliser la matrice R. On note λ1 et λ2 ses valeurs propres avec λ1 > λ2.
4. Déterminer les vecteurs propres unitaire uj de chaque axe principal Fj. Vérifier que ces axes sont
perpendiculaires.
5. Ecrire la matrice U des vecteurs propres.
6. Déterminer les coordonnées de chaque individus dans l’espace des composantes principals (F1, F2).
7. Déterminer les coordonnées des variables dans l’espace des composantes principales (F1, F2).
8. Interprétation des axes :
a) Calculer la contribution de chaque individu à l’axe F1 et à l’axe F2.
b) Calculer la contribution de chaque variable à l’axe F1 et à l’axe F2.
9) Analyse des proximités entre les points :
a) Evaluer la qualité de projection des points individus sur les axes F1 et F2. Représenter les
points individus dans le plan (F1, F2) et interpréter.
b. Evaluer la qualité de projection des points variables sur les axes F1 et F2. Représenter les points
variables dans le plan (F1, F2) et interpréter. On représentera le cercle de corrélation.

Exercice 4. Réaliser l’ACP de la matrice suivante par R, à partir de sa matrice de dispersion (données
centrées mais non réduites).
2 2
6 2
𝑋=( )
6 4
10 4