Chapitre5

Visualisation des données

ACP
2) Analyse en Composantes Principales ING3-DS
2.5 Les variantes d’ACP
ACP normée (centrée réduite) utilise la matrice de corrélation R
xij  g j
1)Tableau centré réduit (moy=0, sigma=1) z 
j
2) La matrice de corrélation R:
xij  g j 1 t 1 1  M  D 1 j  1.....P
z  R  Z *Z ou
R  M 2 *V * M 2
avec
 2

j
j
N j

3) Calcul des valeurs propres k de la matrice R detR  I   0  i

Qj  i 1
 80%

det R   1 * 2 * 3
p

4) Calcul de la qualité de représentation : 

i 1
i

R  U k  k  U k
P

5)Les axes principaux U k de la matrice R Tr R   P   k

k 1

U k*
6) Représentation des individus Ck  ZU k Uk  *
Uk
Id
7) Représentation des variables: ACP normée (Certains travaux utilisent
cette formule Coord  j, k   k * U kj pour représenter les variables
Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 269
2) Analyse en Composantes Principales ING3-DS
Représentation des variables

Pour représenter les variables, généralement il y’a deux manières:

1) à l’aide du coefficient de corrélation :  1  CorX j , Ck   1

  .C
N

   P .X j
.C ki 1
X j t

 
j i i k
Cov X , C k
Cor X , C Kj
 i 1
 N
 X j . Ck  X . k j  X . k
j

2) à l’aide d’un produit entre la racine carrée de k et vecteur propre U k

Si les variables sont normalisées (cas d’une ACP normée- Matrice R)

Cor X , C K   Coord  j , k  
j
k * U kj

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2023/2024 270

 2) Analyse en Composantes Principales ING3-DS
2.5 Les propriétés de Ck

 i k
P .C i

1 N i N
Moy C k   0  i 1
n
 0   C k  0   C ki  0
P
N i 1 i 1
i
i 1

 
N
Var C k   k  Var C k    Pi . C i 2 1 t
k  Ck * Ck
i 1 N

Cov C i , C j 
Cor C i , C j    0  Cov C i , C j   0  C i * C j  0
1 t
 C . C
i j
N

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 271

2) Analyse en Composantes Principales ING3-DS
2.5 Les propriétés de vecteurs propres Uk

•Les vecteurs propres constituent une base ortho-normée:

 U i , U j  M  U it MU j  0 i  j U i 2
 U i , U i  M  U it MU i  1

P
Tr R    k  P
k 1

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 272

ACP Ingénieur DS 3

Exemple
Une étude consiste à déterminer les facteurs de la localisation
internationale d’une marque. Soit le tableau des données suivant:
Pays IDE Taux_croissance Taux_inflation
A 40 5 6
B 40 3 4
C 60 6 2
D 60 6 4

1) Trouver la matrice de corrélation

2) À l’aide d’une ACP Normée (données hétérogènes), représenter le nauge de
points.
3) Représenter les variables à l’aide d’un cercle de corrélation

xij  g j 1 t
z  R  Z *Z
j N
Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 273
Centre de gravité Ingénieur DS 3

Principe: représente la moyenne pour chaque variable

N IDE: Investissement direct étranger
 p .x i ij
1 N
x g 
j j i 1
N
 x ; ij
Pays IDE Taux_croissance Taux_inflation
p
N i 1 A 40 5 6
i
i 1 B 40 3 4
1 C 60 6 2
j  1... p; i  1...N & pi 
N D 60 6 4
N

 p .x i ij
1 N
40  40  60  60
x g 
j j i 1
N
  xij ;  x1  g 1  IDE   50
p
N i 1 4
i
i 1
2 5366
x  g T _C  2
5
4
3 6424
x  g T _ I  4
3

4
Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 274
La matrice centrée Ingénieur DS 3

Principe: on calcule la différence par rapport au centre de gravité

IDE: Investissement direct étranger

Pays IDE Taux_croissance Taux_inflation

A 40 5 6
B 40 3 4
C 60 6 2
D 60 6 4
g:centre de gravité 50 5 4

La matrice centrée: X C  X  g  x ijc  x ij  x j

 40  50 5  5 6  4    10 0  2 
   
 40  50 3  5 4  4    10  2 0 
X  X g 
C
 
60  50 65 24  10  1  2 
   
 60  50 6  5 4  4    10  1 0 
 

Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 275
Calcul des écarts types (standard deviation) Ingénieur DS 3

Principe
Pays IDE Taux_croissance Taux_inflation
A 40 5 6
B 40 3 4
C 60 6 2
D 60 6 4
g:centre de gravité 50 5 4

    X    p
Var X j 2 j
n

i 1
i 
 x ij  x 
j 2

1
N
 x
n

i 1
ij x   x  x 
j 2 2
j j 2

1
N
 x 
n

i 1
ij
2
 
 x
j 2

Var X 1
 x 2
1

 x
1 2

1
N
n

 xi1 
i 1
2
   14 (40)
 x
1 2 2
 (40) 2  (60) 2  (60) 2   50  100
2

 1   X 1   Var X 1   100  10

Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 276

Calcul des écarts types (standard deviation) Ingénieur DS 3

Principe
Pays IDE Taux_croissance Taux_inflation
A 40 5 6
B 40 3 4
C 60 6 2
D 60 6 4
g:centre de gravité 50 5 4

    X    p
Var X j 2 j
n

i 1
i 
 x ij  x 
j 2

1
N
 x
n

i 1
ij x   x  x 
j 2 2
j j 2

1
N
 x 
n

i 1
ij
2
 x  
j 2


Var X : T _ C  x
2
 2
2
 
 x
2 2

1
N
n

 xi 2 
i 1
2
 x    14 (5)
2 2 2
 (3) 2  (6) 2  (6) 2  5  2 3
2
 2   X 2   3 / 2

Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 277

Calcul des écarts types (standard deviation) Ingénieur DS 3

Principe
Pays IDE Taux_croissance Taux_inflation
A 40 5 6
B 40 3 4
C 60 6 2
D 60 6 4
g:centre de gravité 50 5 4

    X    p
Var X j 2 j

i 1
n

i 
 x ij  x
j 2
 
1
N
 x
n

i 1
ij x   x  x 
j 2 2
j j 2

1
N
 x 
n

i 1
ij
2
 
 x
j 2


Var X : T _ I  x
3
 2
3
 
 x
3 2

1
N
n

 xi 3 
i 1
2
 x    14 (6)
3 2 2

 (4) 2  (2) 2  (4) 2  4   2
2

 3   X 3 : T _ I   2

Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 278

Matrice centrée réduite Ingénieur DS 3

Z-score
j
x ij  x
z  score 
j

 40  50 5  5 6  4    10 0  2 
   
 40  50 3  5 4  4    10  2 0 
X  X g 
C
 
60  50 65 24  10  1  2 
   
 60  50 6  5 4  4    10  1 0 

  10 / 10 0 / 3/ 2  2 / 2   1 0  2
   
xij  g j
  10 / 10  2 / 3/ 2 0 / 2   1  2 2/ 3 0 
Z  XR 
C
  
j   10 / 10  1 / 3/ 2  2 / 2   1  2 / 3  2
  10 / 10  1 / 0 / 2    1  0 
 3/ 2 2/ 3

Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 279

Matrice de corrélation Ingénieur DS 3

xij  g j
1 t
z  R  Z *Z
j N
  10 / 10 0 / 3/ 2  2 / 2   1 0  2
   
xij  g j
  10 / 10  2 / 3/ 2 0 / 2   1  2 2/ 3 0 
Z  XR 
C
  
j   10 / 10  1 / 3/ 2  2 / 2   1  2 / 3  2
  10 / 10  1 / 0 / 2    1  0 
 3/ 2 2/ 3

 4 4 2 / 3 2 2   1 2/ 3  2/2
1 t 1   
R  Z *Z  4 2 / 3 4  2/ 3   2 / 3 1 1/ 2 3 
N 4   
 2 2 2/ 3 4    2 / 2 1/ 2 3 1 


Dr N. NEGGAZ -Maître de Conférences –A Chapitre 3: Nettoyage des données Année:2024/2025 280

2) Analyse en Composantes Principales ING3-DS
Matrice de corrélation

 1 2/ 3  2/2 
1 t  
R  Z *Z   2 / 3 1  1/ 2 3 
N  
  2 / 2  1 / 2 3 1 
3) Calcul des valeurs propres k de la matrice R detR  I   0

1  2/ 3  2/2
dét R  I   R  I  2/ 3 1   1/ 2 3  0
 2 / 2  1/ 2 3 1 

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 281

2) Analyse en Composantes Principales ING3-DS
Matrice de corrélation

 1 2/ 3  2/2 
1 t  
R  Z *Z   2 / 3 1  1/ 2 3 
N  
  2 / 2  1 / 2 3 1 
3) Calcul des valeurs propres k de la matrice R detR  I   0

 1  2,2330 2  0,7148 3  0,0522

P

P
Tr R    Rii  1  1  1  3
Tr R    k  P P
i 1

k 1

k 1
k  2,2330  0,7148  0,0522  3  P

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 282

2) Analyse en Composantes Principales ING3-DS
Matrice de corrélation  1 2/ 3  2/2 
1 t  
R  Z *Z   2 / 3 1  1/ 2 3 
N  
  2 / 2  1 / 2 3 1 
3) Calcul des valeurs propres k de la matrice R detR  I   0
 1  2,2330 2  0,7148 3  0,0522
j

4) Calcul de la qualité de représentation :

 i
Qj  i 1
p
 80%
 i
1 2,2330 i 1
Q1    0,7443
p
2,2330  0,7148  0,0522

i 1
i Il y’a deux axes
1  2 2,2330  0,7148
principaux u1, u2
Q2    0,9826  98,26%  80% relatifs aux valeurs
p
2,2330  0,7148  0,0522

i 1
i
propres λ1, λ2.

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 283

 Recherche des axes principaux :Uk ING3-DS
Matrice de corrélation  1 2/ 3  2/2 
1 t  
R  Z *Z   2 / 3 1  1/ 2 3 
N  
  2 / 2  1 / 2 3 1 
R R  U k  k  U k
5)Les axes principaux U k de la matrice

 1  2,2330 2  0,7148 3  0,0522

 1 2 / 3  2 / 2   x  x  0,6588 
       
R  U 1  1  U1   2 / 3 1  1 / 2 3    y   2,233 y   U1normalisé
  0,5551 
    z   0,5078 
  2 / 2  1 / 2 3 1   z     

 1 2 / 3  2 /2   x  x  0,0443 
       
R  U 2  2  U 2   2 / 3 1  1 / 2 3    y   0,7148 y   U 2
normalisé
  0,6451 
    z  0,7628 
  2 / 2  1 / 2 3 1   z     

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 284

Recherche des axes principaux :Uk ING3-DS
Représentation des individus

6) Représentation des individus Ck  ZU k

  10 / 10 0 / 3/ 2  2 / 2   1 0  2
   
xij  g j
  10 / 10  2 / 3/ 2 0 / 2   1  2 2/ 3 0 
Z  XR 
C
  
j   10 / 10  1 / 3/ 2  2 / 2   1  2 / 3  2
  10 / 10  1 / 0 / 2    1  0 
 3/ 2 2/ 3

 0,6588   0,0443 
   
U1normalisé   0,5551  U 2normalisé   0,6451 
  0,5078   0,7628 
   

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 285

Recherche des axes principaux :Uk ING3-DS
Représentation des individus

6) Représentation des individus Ck  ZU k

 1 0  2   1,3765 
   0,6588   
 1  2 2/ 3 0      1,5653 
C1    *  0,5551    1,8298 
1  2/ 3  2 
   
1   0,5078   
 2/ 3 0   1,1120 

 1 0  2  1,0345 
   0,0443   
 1  2 2/ 3 0      1,0977 
C2    *  0,6451     0,5077 
1  2 / 3  2   
1    0,7628   0,5710 
 2/ 3 0   

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 286

Recherche des axes principaux :Uk ING3-DS
Représentation des individus

6) Représentation des individus Ck  ZU k

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 287

Recherche des axes principaux :Uk ING3-DS
RepréSentation des variables
7) Représentation des variables: ACP normée (Certains travaux utilisent
cette formule Coord  j, k   k * U kj pour représenter les variables

 0,6588   0,9845 
   
Cor X j , C1   1 * U1j  2,233 *  0,5551    0,8295 
  0,5078    0,7584 
   

 0,0443   0,0375 
   
 
Cor X j , C2  2 * U 2j  0,7148 *  0,6451    0,5454 
 0,7628   0,6449 
   

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 288

2) Analyse en Composantes Principales ING3-DS
10- Représentation des variables
𝑪𝒐𝒓 𝐈𝐃𝐄, 𝑪𝟏 𝑪𝒐𝒓 𝐈𝐃𝐄, 𝑪𝟐 𝟎, 𝟗𝟖𝟒𝟓 𝟎. 𝟎𝟑𝟕𝟓
𝑪𝒐𝒓 = 𝑪𝒐𝒓 𝐓_𝐂𝐫, 𝑪𝟏 𝑪𝒐𝒓 𝐓_𝐂𝐫, 𝑪𝟐 = 𝟎. 𝟖𝟐𝟗𝟓 𝟎. 𝟓𝟒𝟓𝟒 − 𝟏 ≤ 𝒄𝒐𝒓 𝑿𝒋 , 𝑪𝒌 ≤ 𝟏
𝑪𝒐𝒓 𝐓_𝐈𝐧, 𝑪𝟏 𝑪𝒐𝒓 𝐓_𝐈𝐧, 𝑪𝟐 −𝟎, 𝟕𝟓𝟖𝟒 𝟎. 𝟔𝟒𝟒𝟗

Comp2 La deuxième composante Comp2

est positivement corrélée avec les
trois variables (IDE, Taux_Cr et
Taux_In). Comp2 nous informe sur
l’état économique d’un pays Comp2
≈IDE+Taux_Cr+Taux_In
(Comp3≈moyenne).
Comp1 Comp1 est positivement corrélée
avec IDE, Taux_Cr et négativement
corrélée avec Taux_In..
Comp1 ≈ IDE+Taux_Cr -Taux_In

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2023/2024 289

2) Analyse en Composantes Principales ING3-DS
Les partitions possibles

C1

C2

P1  B, C, A, D C1 : Les pays puissants économiquement.

C2 : Les pays pauvres économiquement
Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2023/2024 290
2) Analyse en Composantes Principales ING3-DS
Les partitions possibles

C1
C2

P2  A, B, C , D C1 : Les pays dont IDE+Taux_Cr>Taux_In

C2 : Les pays IDE+Taux_Cr<Taux_In
Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2023/2024 291
2) Analyse en Composantes Principales ING3-DS
Q3- Reconstitution approchée du tableau de données Le 29/10/2023

3- Reconstituer de façon approchée le tableau de données

à partir du peremier (axe), puis à partir des deux premiers,
puis des troix
P
Z   ( ZU k ) * U t
k
k 1

A-Reconstituer de façon approchée le tableau de notes à partir du peremier facteur(axe):

1
L’inertie extraite par l’axe U1: Q1   0.7443  74,43%
1  2  3

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 292

2) Analyse en Composantes Principales ING3-DS
Q3- Reconstitution approchée du tableau de données
A-Reconstituer de façon approchée le tableau de notes à partir du peremier facteur(axe):
1
L’inertie extraite par l’axe U1: Q1   0.7443  74,43%
1  2  3
 1 0  2
 
xij  g j
 1  2 2/ 3 0 
Tableau centré réduit: Z  XR 
C
 
j 1  2/ 3  2
1  0 
P  2/ 3
Z   ( ZU k ) * U kt
k 1

  1,3765    0,9068  0,7641 0,6986 

   
  1,5653    1,0312  0,8689 0,7944 
Z1  ( ZU 1 ) * U1t   * 0,6588 0,5551  0,5078  
1,8298   1,2054 1,0157  0,9286 
   
 1,1120   0,7326 0,6173  0,5644 
  

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 293

2) Analyse en Composantes Principales ING3-DS
Q3- Reconstitution approchée du tableau de données

A-Reconstituer de façon approchée le tableau de notes à partir du peremier facteur(axe):

1  2 2,2330  0,7148
L’inertie extraite par l’axe U1& U2: Q2    0,9826  98,26%  80%
p
2,2330  0,7148  0,0522

i 1
i

Tableau centré réduit:

 1 0  2   1 0  1,4142 
   
xij  g j
 1  2 2/ 3 0    1  1,6330 0 
Z  X RC    
P
j  1  2 / 3  2    1  0,8165  1,4142 
Z   ( ZU k ) * U kt 1   0 
 2/ 3 0    1  0,8165
k 1

 1,0345   0,0458 0,6673 0,7891 

   
  1,0977    0,0486  0,7082  0,8374 
Z 2  ( ZU 2 ) * U 2t   * 0,0443 0,6451 0,7628  
 0,5077    0,0225  0,3275  0,3873 
   
 0,5710   0,0253 0,03684 0,4356 
   

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 294

 2) Analyse en Composantes Principales ING3-DS
Q3- Reconstitution approchée du tableau de données

A-Reconstituer de façon approchée le tableau de notes à partir du plan principal (U1,U2):

L’inertie extraite par l’axe U1& U2: Tableau centré réduit:

1  2 2,2330  0,7148
Q2    0,9826  98,26%  80%
p
2,2330  0,7148  0,0522
 i
i 1
 1 0  2   1 0  1,4142 
   
xij  g j
 1  2 2/ 3 0    1  1,6330 0 
Z  X RC    
j 1  2 / 3  2    1  0,8165  1,4142 
1   0 
P  2/ 3 0    1  0,8165
Z   ( ZU k ) * U kt
k 1

  0,9068  0,7641 0,6986   0,0458 0,6673 0,7891    0,8610  0,0968 1,4877 

     
  1,0312  0 ,8689 0,7944    0,0486  0,7082  0,8374    1,0798  1 ,5770  0, 0430 
Z1, 2  Z 1 Z 2      
1,2054 1,0157  0,9286  0,0225  0,3275  0,3873 1,1829 0,6882  1,3159 
     
 0,7326    0,0253 0,03684 0,4356   0,7579  
 0,6173 0 ,5644     0 ,9857 0 ,1288 

Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2024/2025 295

2) Analyse en Composantes Principales ING3-DS
Q3- Reconstitution approchée du tableau de données
1  2  3
L’inertie extraite par l’axe U1, U2 & U3: Q3   1  100%
1  2  3
  0,1848    0,01387 0.0970  0,0740 
   
 0,1064   0,0798  0,0558 0.0426 
Z 3  ( ZU 3 ) * U 3t   * 0,7510  0,5250 0, 4004  
 0,2439    0,1832 0,1281  0,0977 
   
 0,3223   0,2421  0,1692 0,1291 
  
P
Z   ( ZU k ) * U kt
k 1

  1,000 0 1,4142 
 
  1,000  1,6330 0 
Z1, 2  Z 1 Z 2  Z 3  
1,0000 0,8168  1,4142 
 
 1,0000 0,8165 0 


Dr N. NEGGAZ -Maître de Conférences –A Chapitre5: Visualisation des données Année:2023/2024 296