Cuprins

Reprezentări grafice în analiza componentelor principale .............................................................................. 1

Reprezentarea indivizilor.................................................................................................................................... 1
Reprezentarea variabilelor .................................................................................................................................. 1
Variabile și indivizi suplimentari ........................................................................................................................ 1
Analiza în componente principale ponderată .................................................................................................... 2

Reprezentări grafice în analiza componentelor principale

Reprezentarea indivizilor
Pentru a analiza rezultatele furnizate la două etape j şi r , reprezentarea indivizilor este obținută proiectând fiecare individ i pe
un plan generat de axele aj și ar. Se obține astfel o descriere a norului de puncte prin proiectarea sa pe planul vectorilor aj şi ar.
Coordonatele individului i sunt cij și cir .
ar

cir

aj
cij

Reprezentarea variabilelor
Reprezentarea variabilelor se face prin cercul corelațiilor dintre variabilele observate și componentele principale. Cele două
axe corespund componentelor principale alese pentru reprezentare. In figura următoare este prezentat cercul corelațiilor pentru două
componente oarecare Cj și Cr.
Cr

R(Cr,Xi)

R(Cj,Xi)
Cj

Figura 4

În unele situații poate prezenta interes reprezentarea grafică a unuia sau mai multor indivizi sau a uneia sau mai multor variabile
care nu figurau inițial în tabelul de observații inițial.

Variabile și indivizi suplimentari

În unele situații poate prezenta interes reprezentarea grafică a unuia sau mai multor indivizi sau a uneia sau mai multor variabile
care nu figurau inițial în tabelul de observații inițial. Coordonatele acestor indivizi/variabile suplimentare se calculează în același mod
  y11 y12 ... y1m 
y y 22 ... y 2 m 
ca pentru indivizii/variabilele inițiale. Dacă se notează cu Y = 
21
matricea de observații cu setul de q instanțe
 ... 
 
 y q1 yq 2 ... y qm 
suplimentare, coordonatele acestor instanțe în spațiul principal sunt calculate astfel:
CY = Y∙A,
unde A este matricea vectorilor proprii, coeficienții legăturii liniare dintre componentele principale și variabilele observate.
 z11 z12 ... z1 p 
z z22 ... z2 p 
Dacă se notează cu Z = 
21
matricea de observații cu setul de p variabile suplimentare, corelațiile dintre acestea și
 ... 
 
 zn1 zn 2 ... znp 
variabilele observate vor fi calculate în matricea:
 RZ1, C1  RZ1, C2  ... RZ1 , Cm 
 RZ , C  RZ , C  ... RZ , C 
RZC = 
2 1 2 2 2 m 
,
 ... 
 
  
 R Z p , C1 R Z p , C2 ... R Z p , Cm    
 
unde R Z j , Ck , j  1, p, k  1, m reprezintă coeficientul de corelație dintre variabila suplimentară Zj și componente Ck.

Analiza în componente principale ponderată

n
1
Presupunem că ponderea indivizilor este diferită de
n
. Fie pi, ponderea asociată individului i, 0< pi<1,  p 1.
i 1
i

 p1 0 ... 0
0 p2 ... 0 
Fie P matricea ponderilor: P =  .
 ... 
 
0 0 ... pn 
n

Maxim p c
2
Criteriul de optim în spațiul indivizilor devine următorul: i ik .
i 1
n

pc
i 1
2
i ik  Ckt PC k  akt X t PXa k . Deci criteriul de optim va fi:

Maximakt X t PXa k
 ak

 akt ak  1
 t
 ak a j  0, j  1, k  1
În spațiul variabilelor suma coeficienților de determinare dintre componenta principală și variabilele observate va fi:
m m Cov( X j , Ck ) 2 m Ckt PX j X tj PCk Ckt PXX t PCk
 R (X
j 1
2
j , Ck ) 
j 1 Var ( X j )Var (Ck )

j 1 Ckt PCk

Ckt PCk


Ckt P P XX t P PCk Ckt P XX t P PCk (Ck'' )t XX t PCk''

 
Ckt P PCk Ckt P PCk (Ck'' )t Ck''
unde P este matricea diagonală a rădăcinilor pătrate din ponderi iar Ck''  Ck P  PCk .
'' t
Deci C k este vector propriu al matricei XX P (curs 3):

XX P C k'' =βk C k''  XX P Ck P = βk Ck P

t t

 XX P Ck = βk Ck , deoarece
t
P este o matrice pătratică inversabilă
t
Ck este vector propriu al matricei XX P corespunzător valorii proprii βk
În concluzie, pentru analiza în componente principale ponderată vectorii ak vor fi calculați ca vectori proprii succesivi ai matricei
X t P  X pentru o rezolvare a modelului în spațiul instanțelor, iar componentele principale ca vectori proprii succesivi ai matricei
X  X t P pentru o rezolvare în spațiul variabilelor.