Documente Academic
Documente Profesional
Documente Cultură
M1 Manangement UE4 LP 1
450000
400000
350000
300000
250000
Visualiser
PUIS
200000 REVENU
150000
100000
50000
0
0 0,5 1 1,5 2 2,5
M1 Manangement UE4 LP 2
Tableaux Croisés Dynamiques
Somme de REVENU
QCSP Total
1 1010000
2 6300000
3 2480000
4 2640000
5 3600000
Total 16030000
M1 Manangement UE4 LP 3
Cadres professions
Agriculteurs ouvriers employés
moyens lib.
taille m 1.75 1.78 1.74 1.70 1.72 C la s s if ic a t io n h ie r a r c h iq u e d i r e c t e
Puissance
7 9 6 5 11
véhicule
revenu F 100 000 200 000 90 000 80 000 400 000
a g r i o u v r e m p l c a d r p r li
M1 Manangement UE4 LP 4
Matrice des observations
M a tr ic e d e s d o n n é e s
U n e lig n e i e s t u n
in d iv id u
U n e c o lo n n e j e s t u n c a r a c tè r e
M1 Manangement UE4 LP 5
ACP normalisation exemple
Désirant visualiser les différences par CSP, il faut
normaliser les données.
-données lignes transformées en écart par rapport à la
moyenne de la ligne:
Visualisation des différences relatives
M1 Manangement UE4 LP 6
ACP réduire
Résultats réduits obtenus par
division des lignes par l’écart-type du caractère.
L’écart-type de la ligne devient 1
M1 Manangement UE4 LP 7
D e u x E S P A C E S d e R E P R E S E N T A T IO N
M1 Manangement UE4 LP 8
ACP projection
La matrice des
covariances (distance euclidienne réduite) ou
corrélations (centrées-réduites) est utilisée
M1 Manangement UE4 LP 9
ACP proximité
Distance entre deux individus
d²(i,i') = (xik-xi'k)²
=(1/p) (xik-xi'k)²/k ²
k
M1 Manangement UE4 LP 11
C e n tr e r e t r é d u ir e le s d o n n é e s
in itia le s
c h a q u e c o o r d o n n é e j d 'u n in d iv id u i e s t
r e m p la c é e p a r
M1 Manangement UE4 LP 12
CORRELATION
1 ( x i MX ) ( y i MY )
ρ (X , Y )
n
i X
.
Y
x .y i
1 i
cos( X , Y ) i
. xi . yi ( X , Y )
n. n n i
M1 Manangement UE4 LP 13
Points variables
Si rjj’ coefficient corrélation d²(j,j’)= 2(1-rjj’)
Longueur d’un vecteur Variable Xj
||Xj||= ((1/n)∑ xj ²)1/2
Centrée -réduite moyenne nulle, ||Xj||= 1
M1 Manangement UE4 LP 14
ACP construction
Corrélations: déterminent les axes factoriels
et expriment la dispersion
Réduction de caractères possible: seulement
si des coefficients de corrélation non nuls
existent sur les caractères initiaux
Par construction, le coefficient de
corrélation entre 2 variables (centrées) égale
le cosinus de l’angle entre ces 2 variables
M1 Manangement UE4 LP 15
ACP: individus - variables
OBSERVATIONS
VARIANCES
individus
CORRELATIONS
variables
INTERPRETATIONS
individus plan distances
variables cercle angles
M1 Manangement UE4 LP 16
ACP Plan factoriel
plan de projection:
distances en moyenne les mieux conservées
origine point moyen
- - +
=
= -
= - - +
= Cov x ix j
s i i= j v a r x i
M1 Manangement UE4 LP 19
C o v a r ia n c e
Si les individus sont projetés
M1 Manangement UE4 LP 20
ACP vecteur propre
D’où le programme:
Max u’X’Xu
u’u =1
- lagrangien L(u,λ)= u’X’Xu+ λ(1-u’u)
- dérivée (dL/du)= 2 X’Xu - 2 λu
- condition du 1er ordre: annulation de la dérivée au
point candidat à l’optimum
X’X u = λu
u est vecteur propre associé à la valeur propre
maximale λ
M1 Manangement UE4 LP 21
ACP meilleur plan global
La distance entre les projections est
maximale si le premier axe a pour vecteur
directeur u, vecteur propre de la matrice des
variances associé a la valeur propre
maximale
Le deuxième vecteur engendrant ce
meilleur plan de représentation est
orthogonal et unitaire
M1 Manangement UE4 LP 22
ACP optimisation
D’où le programme:
Max v’X’Xv
v’v =1
- lagrangien L(v,μ)= v’X’Xv+ μ(1-v’v)
- dérivée (dL/dv)= 2 X’Xv - 2 μ v
- condition du 1er ordre: annulation de la dérivée au
point candidat à l’optimum
X’X v = μ v, μ est alors la deuxième plus grande
valeur propre
M1 Manangement UE4 LP 23
Relations entre les espaces
Dans IRp
X’X u = λu, i.e. ║Xu║= λ=u X’X u
XX’X u = λXu
i.e. λ vp de XX’ associée à Xu
Dans IRn La matrice est XX’
XX’ u’ = λ’ u’ λ’ = λ
M1 Manangement UE4 LP 24
Coordonnées nouvelles
D’où u’= Xu/ √λ u= X’u’/ √λ
PROPORTIONNALITE
Nouvelles coordonnées:
Les composantes Xu sont les coordonnées
des individus φ =Xu et
Ψ =X’u’pour les variables
M1 Manangement UE4 LP 25
ACP plans factoriels
- La base globalement la meilleure est
composée des vecteurs propres associés aux
deux plus grandes valeurs propres
- D’autres bases, composées de vecteurs
propres associées aux valeurs propres moins
grandes peuvent aussi représenter le nuage
en le déformant peu par rapport aux
objectifs
M1 Manangement UE4 LP 26
A x e s fa c to r ie ls ?
le p la n d e p r o je c t io n le m e ille u r m in im is e
le s d é f o r m a t io n s e t c o n s e r v e u n m a x im u m
d e v a r ia n c e
M1 Manangement UE4 LP 27
ACP plusieurs facteurs
La qualité de le représentation par les Q premiers axes
factoriels est liée à la part de
M1 Manangement UE4 LP 28
ACP
Les composantes principales sont les
(c1, c2...cp ) sur l’axe Uk
M1 Manangement UE4 LP 30
ACP résultats
axes principaux
minimum de déformation du nuage de
points, inertie des points maximale par
rapport à ces axes
Exercice: VIOAcp.xls
M1 Manangement UE4 LP 32
acp.sba
M1 Management UE4 LP 34
ACP Pertinence Interprétation
Qualité
- fonction du taux d’inertie
- fonction du carré du cosinus de chaque point
avec le plan, ou fonction des corrélations composantes
principales et caractères initiaux plus il est élevé
meilleure est la représentation
Cercle des corrélations
- angle aigu: caractères proches, obtus: opposés
- droit: différenciés
Plan factoriel
plus un individu est extrême, plus il s’écarte de la
moyenne l’origine; plus il s’oppose à ceux se situant à
l’autre extrémité,
premier axe opposition gauche-droite
pour le deuxième opposition bas-haut
M1 Management UE4 LP 35