Flashcards : Analyse en composantes principales — 57 cartes

Toutes les cartes

1Question

Qu'est-ce que la statistique descriptive multidimensionnelle étudie simultanément ?

Réponse

Plusieurs variables.

2Question

Quel type de méthodes regroupe la statistique descriptive multidimensionnelle ?

Réponse

Celles permettant d’étudier plusieurs variables simultanément.

3Question

Quelle hypothèse probabiliste les méthodes multidimensionnelles n'exigent-elles pas ?

Réponse

Aucun modèle probabiliste a priori.

4Question

Quel est le caractère des méthodes de statistique descriptive multidimensionnelle ?

Réponse

Elles sont purement descriptives ou exploratoires.

5Question

Qu'est-ce que l'Analyse de Données regroupe comme méthodes ?

Réponse

Des méthodes descriptives pour résumer et visualiser l'information d'un grand tableau.

6Question

Que recherchent les méthodes factorielles dans les données ?

Réponse

Un nombre restreint de facteurs résumant au mieux les données.

7Question

Comment les méthodes factorielles représentent-elles individus et variables ?

Réponse

Sous forme de nuages de points.

8Question

Quelle différence existe entre classification supervisée et non supervisée ?

Réponse

La non supervisée cherche des groupes sans variable cible connue, la supervisée utilise des catégories connues pour prédire.

9Question

Qu'est-ce que l'Analyse en Composantes Principales (ACP) ?

Réponse

Une méthode d’analyse de données pour étudier plusieurs variables quantitatives simultanément.

10Question

Que remplace l'ACP dans l'analyse des variables initiales ?

Réponse

Un nombre réduit de nouvelles variables appelées composantes principales.

11Question

Quel est l'objectif principal des premières composantes principales en ACP ?

Réponse

Expliquer le maximum de variabilité présente dans les données.

12Question

Que contient un tableau de données en statistique ?

Réponse

n individus décrits par p variables quantitatives.

13Question

Comment est représenté l’individu i en statistique ?

Réponse

Par le vecteur xi=(xi1,xi2,…,xip)∈Rpx_i=(x_{i1},x_{i2},\ldots,x_{ip})\in\mathbb{R}^p.

14Question

Comment est représentée la variable j dans un tableau de données ?

Réponse

Par le vecteur xj=(x1j,x2j,…,xnj)∈Rnx_j=(x_{1j},x_{2j},\ldots,x_{nj})\in\mathbb{R}^n.

15Question

Quelle est la formule de la moyenne de la variable Xj ?

Réponse

xˉj=1n∑i=1nxij\bar{x}_j=\frac{1}{n}\sum_{i=1}^{n}x_{ij}

16Question

Comment calcule-t-on la valeur centrée de xij ?

Réponse

xijc=xij−xˉjx^c_{ij}=x_{ij}-\bar{x}_j

17Question

Quelle est la formule de la variable centrée-réduite zij ?

Réponse

zij=xij−xˉjσjz_{ij}=\frac{x_{ij}-\bar{x}_j}{\sigma_j}

18Question

Quelles sont la moyenne et la variance de la variable centrée-réduite ?

Réponse

Moyenne nulle et variance égale à 1.

19Question

Quelle condition doit respecter la somme des poids pi en pondération ?

Réponse

∑i=1npi=1\sum_{i=1}^{n}p_i=1

20Question

Quelle est la valeur des poids pi lorsque tous sont égaux ?

Réponse

pi=1np_i=\frac{1}{n}

21Question

Quand doit-on centrer les variables ?

Réponse

Lorsque les variables ont des unités et des échelles comparables.

22Question

Quand doit-on centrer-réduire les variables ?

Réponse

Lorsque leurs échelles ou dispersions sont différentes.

23Question

Qu'est-ce que la matrice de corrélation R regroupe ?

Réponse

Les corrélations entre variables centrées-réduites.

24Question

Quelle est la valeur sur la diagonale de la matrice de corrélation R ?

Réponse

La diagonale est constituée de 1.

25Question

Comment s'exprime la relation pour obtenir les axes principaux ?

Réponse

Ruα=λαuαRu_\alpha=\lambda_\alpha u_\alpha

26Question

Que représente uαu_\alpha dans la relation Ruα=λαuαRu_\alpha=\lambda_\alpha u_\alpha ?

Réponse

Le vecteur propre.

27Question

Que représente λα\lambda_\alpha dans la relation Ruα=λαuαRu_\alpha=\lambda_\alpha u_\alpha ?

Réponse

La valeur propre associée.

28Question

Comment s'exprime la première composante principale en fonction des variables initiales ?

Réponse

C1=a11X1+a12X2+⋯+a1pXpC_1=a_{11}X_1+a_{12}X_2+\cdots+a_{1p}X_p

29Question

Quelle est la valeur de l'inertie totale d'une ACP centrée-réduite ?

Réponse

Elle vaut pp, la somme des valeurs propres.

30Question

Comment calcule-t-on la proportion d'inertie expliquée par un axe α ?

Réponse

Par λα∑j=1pλj×100\frac{\lambda_\alpha}{\sum_{j=1}^{p}\lambda_j} \times 100.

31Question

Quelle formule donne l'inertie cumulée des k premiers axes ?

Réponse

λ1+λ2+⋯+λk∑j=1pλj×100\frac{\lambda_1 + \lambda_2 + \cdots + \lambda_k}{\sum_{j=1}^p \lambda_j} \times 100.

32Question

Quel critère conserve les axes avec valeur propre > 1 en ACP centrée-réduite ?

Réponse

Le critère de Kaiser.

33Question

Que signifient les deux premiers axes dans l'exemple scolaire ?

Réponse

Ils expliquent 99,88 % de l'inertie totale.

34Question

Quelle est la formule de la coordonnée factorielle de l’individu i sur l’axe α ?

Réponse

Fiα=xicuαF_{i\alpha}=x_i^c u_\alpha

35Question

Comment se calcule la distance euclidienne entre deux individus i et i′ ?

Réponse

d(i,i′)=∑j=1p(xij−xi′j)2d(i,i')=\sqrt{\sum_{j=1}^{p}(x_{ij}-x_{i'j})^2}

36Question

Que représentent les coordonnées des variables sur les axes en ACP centrée-réduite ?

Réponse

Leurs corrélations avec les composantes principales.

37Question

Que signifie l'orientation identique de deux variables sur le cercle des corrélations ?

Réponse

Elles sont positivement corrélées.

38Question

Que signifie l'orientation opposée de deux variables sur le cercle des corrélations ?

Réponse

Elles sont négativement corrélées.

39Question

Que signifie l'orientation perpendiculaire de deux variables sur le cercle des corrélations ?

Réponse

Elles sont peu corrélées.

40Question

Quelle est la première étape pour interpréter un axe factoriel ?

Réponse

Identifier les variables fortement corrélées à l’axe.

41Question

Quelle est la dernière étape pour interpréter un axe factoriel ?

Réponse

Donner une interprétation synthétique de l’axe.

42Question

Que représente l’axe C1 dans l’exemple scolaire ?

Réponse

Le niveau scolaire général.

43Question

Qu'oppose principalement l’axe C2 dans l’exemple scolaire ?

Réponse

MATH–PHYS à FRAN–ANGL.

44Question

Quelle est la formule de la contribution de l’individu i à l’axe α ?

Réponse

Ctriα=Fiα2nλα×100Ctr_{i\alpha}=\frac{F_{i\alpha}^2}{n\lambda_\alpha}\times100

45Question

Comment se calcule la qualité de représentation d’un individu i sur l’axe α ?

Réponse

cosiα2=Fiα2di2cos^2_{i\alpha}=\frac{F_{i\alpha}^2}{d_i^2}

46Question

Quelles sont les étapes principales d’une ACP complète ?

Réponse

Construire le tableau, centrer/réduire, matrice covariance/corrélation, valeurs et vecteurs propres, choisir axes, représenter, interpréter.

47Question

L'ACP appliquée à des variables quantitatives suppose-t-elle une loi normale ?

Réponse

Non, elle ne nécessite pas cette supposition.

48Question

À quelles variables s'applique l'ACP ?

Réponse

Aux variables quantitatives.

49Question

À quelles variables s'appliquent l'AFC et l'ACM ?

Réponse

Aux variables qualitatives.

50Question

Quelle est la première étape de la démarche classique d'analyse de données ?

Réponse

Réduire la dimension par l'ACP.

51Question

Quelles méthodes suivent la réduction de dimension dans la démarche classique ?

Réponse

Regrouper par CAH puis consolider par K-means.

52Question

Combien de composantes principales l'ACP construit-elle à partir de p variables initiales ?

Réponse

p composantes principales notées de C1 à Cp.

53Question

Que désigne la valeur xijx_{ij} dans un tableau de données ?

Réponse

La valeur de la variable j pour l’individu i.

54Question

Comment sont classées les valeurs propres λ1,λ2,…,λp\lambda_1, \lambda_2, \ldots, \lambda_p ?

Réponse

Par ordre décroissant selon λ1≥λ2≥⋯≥λp\lambda_1\geq\lambda_2\geq\cdots\geq\lambda_p.

55Question

Que signifie la proximité de deux individus sur le plan factoriel ?

Réponse

Ils ont des profils relativement similaires.

56Question

Quelle est la formule de la contribution de la variable j à l’axe α ?

Réponse

Ctrjα=fjα2λα×100Ctr_{j\alpha}=\frac{f_{j\alpha}^2}{\lambda_\alpha}\times100

57Question

Comment se mesure la qualité de représentation d’une variable j en ACP centrée-réduite sur l’axe α ?

Réponse

cosjα2=fjα2cos^2_{j\alpha}=f_{j\alpha}^2

Teste-toi avec le QCM

Teste tes connaissances avec un QCM de 31 questions sur Analyse en composantes principales.

1. Quel est l’objectif central de la statistique descriptive multidimensionnelle ?

2. Quelle caractéristique distingue les méthodes de statistique descriptive multidimensionnelle des méthodes fondées sur un modèle probabiliste ?

Faire le QCM →

Consultez la fiche

Révisez le cours complet dans la fiche de révision de Analyse en composantes principales.

Voir la fiche →

Cours similaires

Crée tes propres flashcards

Importe ton cours et l'IA génère des flashcards en 30 secondes.

Générateur de flashcards