AD Chap4-SMA2024 (Partie12)

Analyse de données
Chapitre 4-
Analyse Factorielle des Correspondances - AFC -
2023-2024
1
Introduction générale
L’AFC s'applique à des tableaux de contingence croisant deux variables

qualitatives avec de nombreuses modalités pour chacune.
Les données sont donc les effectifs des individus croisant deux modalités
données. Pour de tels tableaux nous disposons du test d'indépendance du 2 .
L’AFC consiste à :
- déterminer des éléments structurant les données (axes de projection)
- réduire les dimensions de l’espace de représentation des données
(sélection des p premiers axes)
Remarque :
L'AFC n'a d'intérêt que si il y a dépendance entre les deux variables,

en cas contraire elle n'apporte pas d'information.
2
L’AFC s’applique sur quels types de données ?

- tableaux de contingence
- tableaux de variables continues (valeurs  0)
- tableaux logiques (présence-absence)
-autres …
Elle existe 2 méthodes :
AFC : Analyse factorielle des correspondances simples pour un

ensemble homogène de valeurs assimilable à un tableau de
contingence entre 2 variables.
AFCM : Analyse factorielle des correspondances multiples pour
un tableau de modalités de q (q>2) variables qualitatives ou
un ensemble non homogène de données. 3
L'objectif est de faire une synthèse de l'ensemble du tableau

afin de répondre aux questions :
● Pour une variable donnée, certaines modalités sont-elles proches ou éloignées.

■ La proximité de deux modalités se mesure en comparant leur
distribution par rapport à l'autre variable.
Par exemple, yeux bleus et verts sont proches si les deux groupes
ont les mêmes distribution de couleurs de cheveux.
● Entre les deux variables, certaines modalités « s'attirent-elles » davantage ou

au contraire « se repoussent ».
■ On compare la fréquence observée par rapport à la fréquence
attendue sous l'hypothèse d'indépendance, si la fréquence
observée est plus forte il y a une plus forte association entre
les deux et inversement.
Par exemple, les yeux bleus et les cheveux blond « s'attirent »,
au contraire des yeux noirs et des cheveux blond.
4
Différence avec l’ACP:
l’ACP se fait dans un cadre différent; les variables sont quantitatives et donc :
— il est possible de faire des opérations mathématiques sur les valeurs

des variables ;
— par contre, il n’est en général pas possible de compter les individus qui
ont une caractéristique donnée (exp: taille=1,83m)
5
1 Analyse conjointe de 2variables qualitatives
6
On considère deux variables qualitatives X et Y de modalités respectives x1 … xr
(r modalités) et y1 … yc (c modalités).
Exemple:
X=Couleur des Yeux Y=Couleur des Cheveux

1 Noisette Roux
2 Marron Chatain
3 Marron Noir
4 Bleu Blond
… … …
5385 Marron Chatain
5386 Marron Brun
5387 Noisette Chatain
7
Si on s’intéresse à un traitement uni-variable: Tableau des fréquences et
diagramme en bâtons
X=Couleur des Yeux Nbre Freq Couleur des Yeux
2000
Marron 718 0,13
1500
Noisette 1580 0,29 1000
500
Vert 1774 0,33
0
Bleu 1315 0,24
Total 5387 1,00

Y= Couleur des
Cheuveux Nbre Freq
Couleur des Cheveux
Noir 1455 0,27 2500

2000
Brun 286 0,05
1500
Chatain 2137 0,40 1000
500
Roux 1391 0,26 0
Blond 118 0,02
Total 5387 1,00
8
Nous nous intéressons à l’existence de lien entre les variables X et Y

ainsi qu’aux éventuelles relations entre leurs modalités, cette analyse
s’effectue à partir des données représentées par le tableau de
contingence des fréquences.
9
Tableau de contingence
K=Tableau de contingence Observé

Y Marginale de
y1 …. yj …. yc X (Total)
X1 n11 …. n1j …. n1c n1o

…. …. …. …. …. …. ….
X
xi ni1 …. nij …. nic nio

…. …. …. …. …. …. ….
xr nr1 …. nrj …. nrc nro
Marginale
de Y(Total)
no1 …. noj …. noc n
10
F=Tableau de contingence fréquentiel Observé=K/n
Y gr =
y1 …. yj …. yc Marg X
X1 f11 …. f1J …. f1c f1o
…. …. …. …. …. …. ….
X
Xi fi1 …. fij …. fic fio

…. …. …. …. …. …. ….
xr fr1 …. frj …. frc fro
gc’=Marg Y fo1 …. foj …. foc 1
11
Exemple :
L’échantillon de 5387 enfants est réparti selon la couleur des cheveux
(blond, roux, châtain clair, châtain foncé, brun), et la couleur des yeux
(bleu, clair, marron, noir). Les résultats de l’observation sont regroupés
dans le tableau de contingence suivant :
K=Tableau de contingence Observé
Couleur des Cheveux
K Noir Brun Chatain Roux Blond MargX

Couleur des Yeux
Marron 326 38 241 110 3 718
Noisette 688 116 584 188 4 1580
Vert 343 84 909 412 26 1774
Bleu 98 48 403 681 85 1315

MargY 1455 286 2137 1391 118 5387 12
Exemple :
F=Tableau de fréquences Observé

Couleur des Cheveux
gr=
F Noir Brun Chatain Roux Blond MargX
Couleur des Yeux
Marron 0,061 0,007 0,045 0,020 0,001 0,133
Noisette 0,128 0,022 0,108 0,035 0,001 0,293
Vert 0,064 0,016 0,169 0,076 0,005 0,329
Bleu 0,018 0,009 0,075 0,126 0,016 0,244

gc’=
MargY 0,270 0,053 0,397 0,258 0,022 1,000
13
Profils-lignes
Répartition de Y pour une valeur donnée de X fixée:
A=Profil des lignes X (répartition de Y pour X fixé); A(r,c)

Y
Total
y1 …. yj …. yc
X1 f1/1=f11/f1o …. fj/1=f1j/f1o …. fc/1=f1c/f1o 1
…. …. …. …. …. …. ….
X
Xi f1/i=fi1/fio …. fj/i=fij/fio …. fc/i=fic/fio 1
…. …. …. …. …. …. ….
xr f1/r=fr1/fro …. fj/r=frj/fro …. fc/r=frc/fro 1
fj/i=nij/nio=fij/fio
14
Profils-lignes
Répartition de Y pour une valeur donnée de X fixée:
Exemple:
Profil (fj/2; j=1..c) la ligne X=x2=noisette est:
Couleur des Cheveux

Profil de
Ligne
Noir Brun Chatain Roux Blond Marge Ligne
Noisette
0,435 0,073 0,370 0,119 0,003 1,000
15
Profils-colonnes
Répartition de X pour une valeur donnée de Y fixée:
B=Profil des colonnes Y (répartition de X pour Y fixé); B(r,c)
Y
y1 …. yj …. yc
X1 f1/1=f11/fo1 …. f1/j=f1j/foj …. f1/c=f1c/foc
…. …. …. …. …. ….
X
Xi fi/1=fi1/fo1 …. fi/j=fij/foj …. fi/c=fic/foc

…. …. …. …. …. ….
xr fr/1=fr1/fo1 …. fr/j=frj/foj …. fr/c=frc/foc
…. ….
Total 1 1 1
fi/j=nij/noj=fij/foj
16
Profils-colonnes
Répartition de X pour une valeur donnée de Y fixée:
Exemple:
Profil (fi/3; i=1..r) de de la colonne Y=y3=CC=Chatain est:

Profil de
Colonne Chatain
Marron 0,11
Noisette 0,27
Vert 0,43
Bleu 0,19
Marge
Colonne 1,00
17
Matrice des Profils-lignes
Ecriture Matricielle
• Dr= matrice diagonale d’ordre r

• Dr= diag(f1o,…, fio ,…, fro)
= fréquences marginales de X
• A= matrice (r,c) des Profils lignes: 1
Couleur des Cheveux
A  D .F r
F Noir Brun Chatain Roux Blond MargX

Dr Marron Noisett Vert Bleu
Marron 0,061 0,007 0,045 0,020 0,001 0,133
Couleur des Yeux
Marron 0,133 0 0 0
Noisette 0,128 0,022 0,108 0,035 0,001 0,293
Noisette 0 0,293 0 0
Vert 0,064 0,016 0,169 0,076 0,005 0,329
Vert 0 0 0,329 0
Bleu 0,018 0,009 0,075 0,126 0,016 0,244
Bleu 0 0 0 0,244
MargY
0,270 0,053 0,397 0,258 0,022 1,000
18
Matrice des Profils-lignes
A(r,c) = Tableau des Profils Lignes = Dr-1.F
A=Dr-1.F
Profil Lignes
Noir Brun Chatain Roux Blond
Marron
0,454 0,053 0,336 0,153 0,004
Noisette
0,435 0,073 0,370 0,119 0,003
Vert
0,193 0,047 0,512 0,232 0,015
Bleu
0,075 0,037 0,306 0,518 0,065
19
Test de l’indépendance
• Si X et Y sont indépendants, alors:
1. Le profil de Y = yj ne varie pas quand xi varie:
nij nij '
i  1..r , j , j '  1..c : fi / j    fi / j '
noj noj '
  i / nij   i .noj
2. Le profil de X = xi ne varie pas quand yj varie:
nij ni ' j
i, i '  1..r , j  1..c : f j / i    f j / i'
nio ni 'o
  j / nij   j .nio
20
3. Donc, si X et Y indépendants, on devrait avoir:
 / i  1..r , j  1..c :
nij   .nio .noj
Comme r c
n n
i 1
io  n
j 1
oj
On obtient:
nio .noj
X et Y indépendants  i  1..r, j  1..c : n ij 
n
Ou encore:
X et Y indépendants  i  1..r, j  1..c : fij  fio . foj
21
Alors pour décider entre les 2 situations suivantes, on utilise la
statistique :
2
 nio .noj 
n 
c  ij

  2

D2      n
r
n r c f
nio .noj 
 i 1 j 1 f f
ij
 1

i 1 j 1  io oj 
n
Si X et Y sont indépendantes, et si
nio .noj
i, j : 5
n
alors on montre que la distribution de probabilité de D2 est
approximativement une 2 à (r-1)(c-1) degrés de libertés
22
Alors, si on décide de rejeter l’hypothèse que X et Y sont

indépendantes, le risque encouru de s’être trompé (càd qu’en
fait X et Y sont indépendantes et que la valeur D2 est due aux
fluctuations de l’échantillonnage) est:
p.valeur  P  2
( r 1)( c 1)  D2 
23
Si on peut se permettre un risque de se tromper

α  p-valeur ,
on rejettera alors l’hypothèse « X et Y indépendants ».
Remarque:
Même si on ne rejette pas l’hypothèse « X et Y indépendants »,

ce qui suit peut être appliqué, et devrait expliciter le risque
couru.
24
Exemple
F Noir Brun Chatain Roux Blond gr
Marron 0,061 0,007 0,045 0,020 0,001 0,133
• r= 4; c= 5 ; Noisette 0,128 0,022 0,108 0,035 0,001 0,293
• ddl= (r-1)(c-1)=12 Vert 0,064 0,016 0,169 0,076 0,005 0,329
2
Bleu 0,018 0,009 0,075 0,126 0,016 0,244
 nio .noj 
  
D2   
r c  nij
n
nio .noj
  n
 
r c f ij2
 1



gc’ 0,270 0,053 0,397 0,258 0,022 1,000
i 1 j 1  i 1 j 1 f io f oj 
n
• D2= nx0.230 Fth=
=1240 ; gr.gc' Noir Brun Chatain Roux Blond
gr
• P-valeur= 0,0000
Marron
0,036 0,007 0,053 0,034 0,003 0,133
Noisette
• 2(12)<<<1240 Vert
0,079 0,016 0,116 0,076 0,006 0,293
0,089 0,017 0,131 0,085 0,007 0,329

• Rejet de Bleu
0,066 0,013 0,097 0,063 0,005 0,244
l'Hypothèse de
l'indépendance gc’ 0,270 0,053 0,397 0,258 0,022 1,00025
On fait le même travail pour les profils-colonnes
26
2 Analyse Factorielle des correspondances AFC
27
Introduction:
• Le tableau de contingence F (ou K) contient toute l’information sur les

relations entre les modalités xi de X et yj de Y; i=1…r ; j=1…c.
• L’absence de relation, ou indépendance, entre X et Y est représentée

par un tableau de contingence théorique Fth où :
nio .noj
i  1..r, j  1..c : n th
ij 
n
foj
28
Introduction:
F=Tableau de contingence fréquentiel Observé=K/n

Y gr =
y1 …. yj …. yc Marg X
X1 f11 …. f1J …. f1c f1o
…. …. …. …. …. …. ….
X
Xi fi1 …. fij …. fic fio

…. …. …. …. …. …. ….
xr fr1 …. frj …. frc fro
gc’=Marg Y fo1 …. foj …. foc 1
29
Introduction:
• F peut être interprété comme c points (colonnes) dans l’espace des
colonnes Rr. L’information est présentée dans la matrice A(r,c) des
profils lignes.
• Chaque modalité j de Y est représentée par un point de Rr muni de
la masse foj et de coordonnées
{ fi/j=fij/foj ; i=1…r }
• gr =barycentre des c points de Rr (colonnes) de coordonnées:

c c
gri  f oj . f i / j   f ij  f io
j 1 j 1
• gr =marginale de X
30
Introduction:
• F peut aussi être interprété comme r points (lignes) dans l’espace
des lignes Rc. L’information est présentée dans la matrice B(r,c) des
profils colonnes.
• Chaque modalité i (de X) est représentée par un point de Rc muni

de la masse fio et de coordonnées
{ fj/i=fij/fio; j=1…c }
gc= barycentre des r points (lignes) de Rc de coordonnées:

r
f
r
gc j 
i 1
io . f j /i  f
i 1
ij  f oj
gc=marginale de Y
31
Introduction:
Ecriture Matricielle
1r= vecteur de Rr de composantes toutes égales à 1.
Le barycentre des c colonnes s’écrit:
 f1o 
 
 ... 
gr   f io   F1c  BDc1c  Dr1r  Rr
 
• Dr= diag(f1o,…, fio ,…, fro)  ... 
 f 
• Dc= diag(fo1,…, foj ,…, foc)  ro 
1c= vecteur de Rc de composantes toutes égales à 1.
Le barycentre des r lignes est:
 f o1 
 
 ... 
gc   f oj   F '1r  A' Dr1r  Dc1c  Rc
 
 ... 
 
 oc 
f
32
L’absence d’information (indépendance) est représentée par :
Ath=Profil des lignes X si X et Y indépendants: toutes les lignes
sont confondues avec le barycentre gc
Y
Total
y1 …. Yj …. Yc
X1 fo1 …. foj …. foc 1
…. …. …. …. …. …. ….
Xi fo1 …. foj …. foc 1
X
…. …. …. …. …. …. ….
xr fo1 …. foj …. foc 1
Bth=Profil des colonnes Y si X et Y indépendants: toutes les
colonnes sont confondues avec le barycentre gr
Y
Y1 …. Yj …. Yc
X1 f1o …. f1o …. f1o
…. …. …. …. …. ….
Xi fio …. fio …. fio
X
…. …. …. …. …. ….
xr fro …. fro …. fro
Total 1 …. 1 …. 1 33
Introduction:
Remarques:
La démarche est globalement parallèle à l’ACP. Mais, contrairement à
l’ACP, ici :
• Lignes et Colonnes jouent un rôle symétrique.
• On n’utilise pas la distance euclidienne (de matrice In). Mais la
métrique dans Rc: Dc1 et dans Rr : Dr1
• Chaque ligne i de A est munie du poids fio
• Chaque colonne j de B est munie du poids foj
Nous allons mener l’étude d’abord dans l’espace des lignes Rc. Et nous
déduirons ensuite l’étude dans l’espace des colonnes Rr.
34
Distance du 2
Dans Rc, soit j° une nouvelle modalité de Y regroupant les 2 modalités j

et j’ :
j°={j ou j’}
Alors: nij   nij  nij ' ; i  1..r
 n0 j   n0 j  n0 j '
 f0 j   f0 j  f0 j '
Propriété fondamentale des tableaux des profils:
Si les 2 modalités j et j’ ont le même profil, alors :
{d2( i, i’),i, i’=1..r}
doivent rester inchangées si on regroupe les 2 modalités j et j’ en une
nouvelle modalité j°.
35
Exemple:
X= quartier; Y=parti politique
Si 2 partis j et j’ ont le même profil (càd la même répartition dans tous

les quartiers i=1..r), il est normal de les considérer comme un seul
nouveau parti j° qui aura encore le même profil.
Alors les distances entre les quartiers devraient rester inchangées que
l’on regroupe les 2 partis j et j’ ou non.
36
Distance du 2
Dans Rc, soit j° une nouvelle modalité de Y regroupant les 2 modalités j

et j’ :
j °={ j ou j ’ }
Alors: nij   nij  nij ' ; i  1..r  n0 j   n0 j  n0 j '  f 0 j   f 0 j  f 0 j '
Si les 2 modalités j et j’ ont le même profil :

i  1...r , fi / j  fi / j '
Alors: f ij  f 0 j . f i / j  f 0 j . f i / j '
f ij  f  f ij ' f f  f0 j ' fi / j '
 i  1...r , f i / j    ij  0 j i / j'  fi / j '  fi / j
f0 j  f0 j  f0 j ' f0 j  f0 j'
i  1...r , fi / j  fi / j '  fi / j 
Donc le profil de j° reste inchangée
37
1 … j j' … c 1 … j° … c
… …
i i
… …
i' i'
… …
r r
Si les profils de j et de j' sont identiques, j°=j+j'

alors d(i,i') est inchangée,  i et i'
38
Distance du 2
Démonstration:
Sans perte de généralités, nous supposons que les 2 colonnes de
même profil sont :j=c-1 et j’=c. Alors la distance euclidienne:
 f  f j / i' 
c
d (i , i ' ) 
2 2
E j /i
j 1
vaut, si les 2 classes restent séparées:

c 2
D1    f j / i  f j / i '    f c 1 / i  f c 1 / i '    f c / i  f c / i ' 
2 2 2
j 1
Et devrait être égale, si les classes c-1 et c sont regroupées en j°, à:
 
c 2
D 20   f
j 1
j /i  f j / i '   f j0 / i  f j0 / i '
2 2
On calcule  = D1 – D0  0
On ne peut pas regrouper les deux profils

39
Distance du 2
Cette propriété est vérifiée par la distance du 2 définie par:
 f j / i  f j / i ' 2
c
1
d  2 (i, i ' )  
2
j 1 f oj
C’est cette distance qui sera utilisée dans la suite. En effet, la
différence  entre les distances dans les 2 cas est alors:
 
1
foc1
 fc1/ i  f c1/ i ' 
2
  fc / i  fc / i'  
1
foc
2 1
 f j / i  f j / i'  = 0
2
foj
40
Distance du 2
Dans la suite, nous allons utiliser la distance du 2
f  f j / i' 
c
1
d  2 (i , i ' ) 
2

j 1 f oj
j /i
2
f 
r
1
d  2 ( j, j ' ) 
2

i 1 f io
i/ j  fi / j'
2
Dans la suite, un raisonnement parallèle à celui de l’ACP est mené, avec :
• La métrique Dc-1 (au lieu de la métrique euclidienne In pour l’ACP)
• Chaque ligne i est pondéré par fi0=%d’individus qui ont la modalité i de

X (pour l’ACP, tous les individus avaient la même pondération =1/n)
41
L’Inertie
L’inertie de l’élément i, représenté par la ième ligne de A, de poids fio, est
définie par rapport à l’absence d’information, représenté par Ath (point
moyen gc de coordonnées fj/i=foj, j=1..c) :
I i  fiod 2 (i, gc)  f io 

2
c f
j /i  f j 
th 2
 f oj
c 
f j / i  f oj 
j 1
2 c f ij2
 f io 
j 1 f oj
 
j 1 f io f oj
 f io
  f j / i fi / j  fio    fi / j f j / i  fio foj 

c c
j 1 j 1
L’inertie total est :

r
 c f ij2  r c f ij2
 
r
It  I i     f io  1

i 1  j 1 f io f oj
 f io f oj
i 1  i 1 j 1
D2 étant la statistique utilisée pour tester l’indépendance entre X et Y.

42
Analyse dans l’espace des lignes Rc
Nous supposons dans la suite que:
• r≤c
• Rc est muni de la norme Dc-1
• F est interprétée comme r lignes dans Rc
• Chaque ligne i (i=1…r) est pondérée par fio (matrice Dr)
• L’inertie totale est contenue dans la matrice profil Lignes A
43

Matrice à diagonaliser dans Rc
La matrice à diagonaliser dans Rc est la matrice de variance

covariance des c colonnes de A :
Vc  A  A  .Dr .A  Ath .Dc1

th '
 F ' .Dr1.F .Dc1  gc1'c

 S  gc .1'c
Avec :
S  F ' .Dr1.F .Dc1  A' B
44
gc est vecteur propre de Vc associé à la valeur propre 0
gc est aussi vecteur propre de S associé à la valeur propre 1
S. gc =1. gc=gc ; Vc.gc=S.gc-gc=0.gc=0
Si 0 et 1 alors: Vc.U=U  S.U=U
45
Ainsi, pour trouver les vecteurs et valeurs propres de Vc, il suffit de

chercher ceux de S, sauf la valeur propre 1 de S (de vecteur propre
associé gc) qui correspond en fait à la valeur propre 0 de Vc, donc
éliminée.
Remarque :
Le nombre k de valeurs propres non nulles vérifie:
k  Inf ( r  1, c  1)  r  1
Nous supposons k = r-1 pour simplifier, alors:
r 1
It  
j 1
j
46

Application
Vc S
0,088 0,036 -0,004 -0,082 -0,148 0,36 0,31 0,27 0,19 0,12
0,007 0,004 0,000 -0,007 -0,013 0,06 0,06 0,05 0,05 0,04
-0,005 0,000 0,018 -0,018 -0,042 0,39 0,40 0,41 0,38 0,35
-0,078 -0,034 -0,012 0,092 0,174 0,18 0,22 0,25 0,35 0,43
-0,012 -0,005 -0,002 0,015 0,028 0,01 0,02 0,02 0,04 0,05
λ0 λ1 λ2 λ3 Somme
1 0,199 0,030 0,001 It=0,230
%Cum 86,6% 99,6% 100,0%
Inertie Totale= Trace(Vc)= Trace(S)-1= λ1+λ2+λ3 47
Axes Factoriels et projections dans Rc
Les valeurs propres de S = A’B sont (après élimination de la valeur propre

1 de S):
1 ≥ λ1≥ … λh…≥ λc-1≥ 0
Les axes factoriels Uh  Rc sont les vecteurs propres associés aux

valeurs propres λh de S; h=1,…,c-1; normés par rapport à la métrique Dc-1
U h' .Dc1.U h  1
Les projections des r lignes de A sur Uh sont appelées coordonnées

factorielles et notées:
h  A.Dc1.Uh  R r
48
• La projection sur Uh de la ième ligne de A (i=1…r) est:
• Ψh est centrée :
• de variance λh :
49
Similairement à la démarche dans l’ACP, nous calculons:
La distance de la ligne i de A à l’origine gc est :
 f j / i  foj 2
c
d  2 i, gc  
2 1
j 1 f oj
L’inertie de la ligne i : I i  f io d 2 2 i, gc
   f i / j f j / i  f io f oj 
c
j 1
50
Qualité de la projection de la ième ligne de A (i=1…r) sur la composante

factorielle Uh est:
La contribution de la ligne i de A à la variance de Uh est:
Remarque:
c 1 r
 Q i   1;  Ctr i   1
h 1
h
i 1
h
51
Axes factoriels et Projection des Lignes (Couleur des Yeux) dans Rc

Application
U1 U2 U3 Ψ1 Ψ2 Ψ3
0,329 0,271 0,115 Marron 0,400 0,165 0,064
0,028 0,015 -0,214 Noisette 0,441 0,088 -0,032
0,037 -0,476 0,044 Vert -0,034 -0,245 0,006
-0,341 0,155 0,089
Bleu -0,703 0,134 -0,004
-0,054 0,036 -0,034
gr d2(i,gc) Inertie %Inertie C1 C2 C3 Q1 Q2 Q3 ∑Q
Marron 0,13 0,19 0,03 13 11 12 64 84 14 2 100
Noisette 0,29 0,20 0,06 26 29 8 34 96 4 0 100
Vert 0,33 0,06 0,02 9 0 66 1 2 98 0 100
Bleu 0,24 0,51 0,12 52 60 14 1 96 4 0 100
Total 1 It= 0,230 100 100 100 100 52

Axes factoriels et Projection des Lignes (Couleur des Yeux) dans Rc
Projection des lignes

0,2 Marron
Bleu
0,2
Noisette
0,1
0,1
0,0
-0,8 -0,6 -0,4 -0,2 -0,1 0,0 0,2 0,4 0,6
-0,1
-0,2
-0,2
-0,3 Vert
-0,3
Remarque:
Nous pouvons en déduire un ordonnancement des modalités de X selon
leur relation avec Y.
Dans cet exemple: Bleu, Vert, Marron puis Noisette.
53
Analyse dans l’espace des colonnes Rr
La démarche est identique à l’analyse dans Rc, en permutant lignes

avec colonnes, Dr avec Dc, …
La matrice (r,r) Vr de variance-covariance des r lignes (B=profils des
colonnes) Vr s’écrit:
Vr  B  B . Dc .B  B
th th '
 .D
1
r
Vr  T  gr.1'r
T  B.A'
Où T et S ont les mêmes valeurs propres non nulles:
1 ≥ λ1≥ … λh…≥ λr-1≥ 0
54
Pour h=1…r-1, les axes factoriels Vh  Rr, sont des vecteurs propres
normés (selon la norme Dr-1) associés aux valeurs propres de
T=BA’, et peuvent être déduis de ceux dans Rc par :
1
Vh  . B.U h
h
Les projections des c colonnes de B sur Vh sont appelées
coordonnées factorielles et notées:
Φh = B’.Dr-1 .Vh  Rc
Φh est centrée : 1c’.DcΦh =  f0jhj = 0
Φh de variance λh : Φh’.Dc Φh =  f0j hj2 = λh
55
Vr T
0,026 0,025 -0,007 -0,035 0,16 0,16 0,13 0,10
0,055 0,060 -0,011 -0,087 0,35 0,35 0,28 0,21
-0,018 -0,012 0,020 -0,003 0,31 0,32 0,35 0,33
-0,063 -0,073 -0,002 0,125 0,18 0,17 0,24 0,37
λ0 λ1 λ2 λ3 Somme
1 0,199 0,030 0,001 It=0,230
%Cum 86,6% 99,6% 100,0%
Inertie Totale= Trace(Vr)= Trace(T)-1= λ1+λ2+λ3
56
 fi / j  fio 2
r
La distance de la colonne j de B à l’origine gr est : d  2  j, gr  

2 1
i 1 fio
I j  f ojd  2  j, gr     fi / j f j / i  fio f oj 
r
2
Inertie de la colonne j :
i 1
Qualité de la projection de la jème colonne de B (j=1…c) sur la

composante factorielle Vh est:
 hj2
Qh  j   Cosh2  j  
d 2 2  j, gr 
La contribution de la colonne j de B à la variance de Vh est:
f oj . hj
2
Ctrh  j  
Remarque: h
r 1 c
 Q  j   1;  Ctr  j   1
h 1
h
j 1
h
57

Axes factoriels et Projection des Colonnes (Couleur des Cheveux) dans Rr
V1 V2 V3 Φ1 Φ2 Φ3
0,12 0,13 0,29 Noir 0,544 0,174 0,013
Brun 0,233 0,048 -0,118
0,29 0,15 -0,32
Chatain 0,042 -0,208 0,003
-0,02 -0,47 0,06 Roux -0,589 0,104 0,010
-0,38 0,19 -0,04 Blond -1,094 0,286 -0,046
gc d2(j,gr) Inertie %Inertie C1 C2 C3 Q1 Q2 Q3 ∑Q

Noir 0,27 0,33 0,09 38 40 27 5 91 9 0 100
Brun 0,05 0,07 0,00 2 1 0 86 77 3 20 100
Chatain 0,40 0,05 0,02 8 0 57 0 4 96 0 100
Roux 0,26 0,36 0,09 40 45 9 3 97 3 0 100
Blond 0,02 0,28 0,03 12 13 6 5 93 6 0 100
Total 1 It= 0,230 100 100 100 100
58
Projection des colonnes

0,4
Blond
0,3
0,2 Noir
Roux
0,1 Brun
0,0
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
-0,1
-0,2
Chatain
-0,3
Remarque:
Nous pouvons en déduire un ordonnancement des modalités de Y selon
leur relation avec X.
Dans cet exemple: Blond, Roux, Chatain, Brun puis Noir. 59
Projection simultanée des lignes et colonnes
0,4
Blond
0,3
0,2 Noir
Marron
Roux
Bleu 0,1 Brun Noisette
0,0
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
-0,1
-0,2 Chatain
Vert
-0,3
Remarque:
En réalité, les projections de X et celles de Y se trouvent dans des
espaces différents. Ce graphique n’explicite pas la dépendance entre les
modalités de X et celles de Y.
60
Projection simultanée des lignes et colonnes
Projection simultanée des lignes et colonnes: CA(A) #A=caith sous

MASS, sauf les noms
61
Au-delà des premiers résultats
Relations Quasi Barycentriques dans l’espace des Lignes Rc

La projection Ψh des lignes sur l’axe Uh s’écrit :
1
h  . A. h
h
De coordonnées, pour i=1..r:
La projection ih de la ligne i sur Uh est le barycentre des projections

des c colonnes hj; j=1..r; munies des poids fj/i (fréquence de j quand i
fixée=profil de la ligne i de A)
62
Au-delà des premiers résultats
63
Lignes Quasi Barycentres des Colonnes
Projections des colonnes dilatées :

 hj
Φ1/1 Φ2/2 Φ3/3 ; j  1..c
Noir 1,22 1,00 0,43 h
Brun 0,52 0,28 -4,03
Colonnes Dilatées
Chatain 0,09 -1,20 0,11
Blond 2,0
Roux -1,32 0,60 0,35 1,5
Noir
Blond -2,45 1,65 -1,57 Roux 1,0
0,5 Brun
0,0
-3,0 -2,0 -1,0 0,0 1,0 2,0
-0,5
-1,0
Chatain
-1,5
Pour retrouver la projection d’une ligne i, on munit chaque colonne j par

son poids dans le profil de la ligne i = fj/i (ligne i de la matrice A des
profils des lignes), et on cherche le barycentre:
64
La ligne i=1 (couleur des yeux =Marron):

Profil de la ligne i=1 (matrice A):
A Noir Brun Chatain Roux Blond
Marron 0,454 0,053 0,336 0,153 0,004
Yeux Marrons Quasi Barycentres des

Couleurs des Cheveux
Blond 0.004 2,0
1,5
Noir 0,454
Roux 0.153 1,0

0,5 Brun 0.05
0,0
Y Marrons
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5 -0,5 0,0 0,5 1,0 1,5
-1,0
Chatain 0.336
-1,5
65

La ligne i=2 (couleur des yeux =Noisette):

Noisette 0,435 0,07 0,37 0,119 0,003
Yeux Noisettes Quasi Barycentres des Couleurs des Cheveux

2,0
Blond 0.003
1,5
Noir 0,435
1,0
Roux 0.119
0,5 Brun 0.07
0,0 Y Noisette
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
-0,5
-1,0
Chatain 0.370
-1,5
66

La ligne i=3 (couleur des yeux =Verts):
Vert 0,193 0,047 0,512 0,232 0,015
Yeux Verts Quasi Barycentres des Couleurs des Cheveux

Blond 0.015 2,0
1,5
Noir 0,193
1,0
Roux 0.232
0,5 Brun 0.05
0,0
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5Y Vert 0,0 0,5 1,0 1,5
-0,5
-1,0
Chatain 0.512
-1,5
67
La ligne i=4 (couleur des yeux =Bleu):

Bleu 0,075 0,037 0,306 0,518 0,065
Yeux Bleux Quasi Barycentres des Couleurs des Cheveux

Blond 0.065 2,0
1,5
Noir 0,1075
1,0
Roux 0.518
0,5 Brun 0.037
Y Bleu
0,0
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
-0,5
-1,0
Chatain 0.306
-1,5
68

Lignes (couleur des yeux) Q barycentres des Colonnes (couleur des
Cheveux): matrice profils lignes A:
Marron 0,454 0,053 0,336 0,153 0,004
Noisette 0,435 0,073 0,370 0,119 0,003
Vert 0,193 0,047 0,512 0,232 0,015
Bleu 0,075 0,037 0,306 0,518 0,065
Lignes QBarycentres des Colonnes

CBlond 2,0
1,5
CNoir
CRoux 1,0
0,5 CBrun
YBleu
YMarron
0,0
YVert YNoisette
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
-0,5
-1,0 Chatain
-1,5
69
Colonnes (couleur des Cheveux) Q barycentres des Lignes (couleur

des yeux) : matrice profils Colonnes B:
B Noir Brun Chatain Roux Blond

Marron 0,22 0,13 0,11 0,08 0,03
Noisette 0,47 0,41 0,27 0,14 0,03
Vert 0,24 0,29 0,43 0,30 0,22
Bleu 0,07 0,17 0,19 0,49 0,72
Colonnes QBarycentres des Lignes

1,5
YBleu 1,0 YMarron
CBlond 0,5 CNoir
CRoux CBrun YNoisette
0,0
-2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
-0,5 CChatain
-1,0
-1,5 YVert
-2,0
70
Projections Simultanées
0,4
Blond
0,3
Noir
0,2 Marron
Roux
Bleu 0,1 Brun Noisette
0,0
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 -0,1 0,0 0,2 0,4 0,6 0,8
-0,2 Chatain
Vert
-0,3
Lignes QBarycentres des Colonnes

CBlond 2,0
CNoir
CRoux 1,0
YBleu CBrun
YMarron
0,0
YVert YNoisette
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
Chatain
-1,0
Colonnes QBarycentres des Lignes

-2,0
2,0
YBleu
1,0 YMarron
CBlond CRoux CNoir
CBrun YNoisette
0,0
-2,0 -1,5 -1,0 -0,5 CChatain
0,0 0,5 1,0 1,5
-1,0
YVert
-2,0 71
Aide à l’interprétation AFC
Pour l’interprétation des positions des individus et des variables

(dans le même espace), on retiendra :
les variables et individus interprétables sont ceux qui sont éloignés
au centre du nuage de points.
La proximité de deux modalités (bien projetées) d’une même variable

indique que les individus (au sens du tableau de départ) qui prennent
ces modalités ont des profils similaires sur le reste des autres variables.
La proximité de deux modalités de variables différentes tend à indiquer

que ce sont (à peu près) les mêmes individus qui prennent ces modalités,
mais ce n’est pas toujours le cas.
.
72
Aide à l’interprétation AFC
Si une modalité soit graphiquement très éloignée des autres, c’est qu’elle
possède dans le tableau de départ un profil tout à fait spécifique.
Sa position dans le plan factoriel étant isolée, elle empêche une étude
précise des positions des autres points qui se retrouvent « en paquet ».
Il est recommandé dans ce cas de rendre cette modalité inactive (on la

met en individu et variable supplémentaire), ce qui revient à réaliser l’AFC
du tableau de départ en éliminant la ligne ou la colonne représentant cette
modalité
73
Ajout d’une information supplémentaire
74
Variables supplémentaires qualitatives :
Chaque observation appartient à une modalité d’une variable qualitative

supplémentaire. Pour chaque modalité, le barycentre des observations
est calculé, puis affiché sur le graphique des observations. De plus, on
peut colorer chaque observations selon la modalité à laquelle elle appartient.
Quant aux variables qualitatives, on utilise en général le principe

barycentrique qui consiste à faire figurer le centre de gravité ( point moyen )
de chaque modalité.
Projection
Projection de la colonne supplémentaire j’ sur Vh

(on considère les mêmes notations que celles de la 1ère partie)
Projection de la ligne supplémentaire i’ sur Uh

AD Chap4-SMA2024 (Partie12)

Transféré par

Droits d'auteur :

Formats disponibles

AD Chap4-SMA2024 (Partie12)

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

AD Chap4-SMA2024 (Partie12)

Transféré par

Droits d'auteur :

Formats disponibles

Analyse de données

L’AFC s'applique à des tableaux de contingence croisant deux variables

L'AFC n'a d'intérêt que si il y a dépendance entre les deux variables,

L’AFC s’applique sur quels types de données ?

Elle existe 2 méthodes :

AFC : Analyse factorielle des correspondances simples pour un

L'objectif est de faire une synthèse de l'ensemble du tableau

● Pour une variable donnée, certaines modalités sont-elles proches ou éloignées.

● Entre les deux variables, certaines modalités « s'attirent-elles » davantage ou

Différence avec l’ACP:

— il est possible de faire des opérations mathématiques sur les valeurs

X=Couleur des Yeux Y=Couleur des Cheveux

Total 5387 1,00

Noir 1455 0,27 2500

Nous nous intéressons à l’existence de lien entre les variables X et Y

K=Tableau de contingence Observé

X1 n11 …. n1j …. n1c n1o

xi ni1 …. nij …. nic nio

X1 f11 …. f1J …. f1c f1o

Xi fi1 …. fij …. fic fio

K Noir Brun Chatain Roux Blond MargX

Marron 326 38 241 110 3 718

Noisette 688 116 584 188 4 1580

Vert 343 84 909 412 26 1774

Bleu 98 48 403 681 85 1315

F=Tableau de fréquences Observé

Marron 0,061 0,007 0,045 0,020 0,001 0,133

Noisette 0,128 0,022 0,108 0,035 0,001 0,293

Vert 0,064 0,016 0,169 0,076 0,005 0,329

Bleu 0,018 0,009 0,075 0,126 0,016 0,244

A=Profil des lignes X (répartition de Y pour X fixé); A(r,c)

X1 f1/1=f11/f1o …. fj/1=f1j/f1o …. fc/1=f1c/f1o 1

Xi f1/i=fi1/fio …. fj/i=fij/fio …. fc/i=fic/fio 1

xr f1/r=fr1/fro …. fj/r=frj/fro …. fc/r=frc/fro 1

Profil (fj/2; j=1..c) la ligne X=x2=noisette est:

Couleur des Cheveux

Xi fi/1=fi1/fo1 …. fi/j=fij/foj …. fi/c=fic/foc

Profil (fi/3; i=1..r) de de la colonne Y=y3=CC=Chatain est:

• Dr= matrice diagonale d’ordre r

F Noir Brun Chatain Roux Blond MargX

X et Y indépendants  i  1..r, j  1..c : fij  fio . foj

Alors, si on décide de rejeter l’hypothèse que X et Y sont

Si on peut se permettre un risque de se tromper

Même si on ne rejette pas l’hypothèse « X et Y indépendants »,

0,089 0,017 0,131 0,085 0,007 0,329

On fait le même travail pour les profils-colonnes

• Le tableau de contingence F (ou K) contient toute l’information sur les

• L’absence de relation, ou indépendance, entre X et Y est représentée

F=Tableau de contingence fréquentiel Observé=K/n

X1 f11 …. f1J …. f1c f1o

Xi fi1 …. fij …. fic fio

• gr =barycentre des c points de Rr (colonnes) de coordonnées:

• Chaque modalité i (de X) est représentée par un point de Rc muni

gc= barycentre des r points (lignes) de Rc de coordonnées:

Dans Rc, soit j° une nouvelle modalité de Y regroupant les 2 modalités j

X= quartier; Y=parti politique

Si 2 partis j et j’ ont le même profil (càd la même répartition dans tous

Dans Rc, soit j° une nouvelle modalité de Y regroupant les 2 modalités j