Cuestionario: Introduction à l'Analyse en Composantes Principales — 7 preguntas

1. Qu'est-ce que la 'forme linéaire' dans le contexte de la transformation des données en analyse en composantes principales ?

A. Une méthode de regroupement des variables en catégories distinctes

B. Une opération de multiplication matricielle qui crée des combinaisons linéaires des variables initiales

C. Une opération de division des données par une constante pour normaliser

D. Une transformation non linéaire visant à réduire la dimension des données

Answer: (B)

Explicación

La 'forme linéaire' dans ce contexte correspond à la multiplication matricielle des données par la matrice des vecteurs propres, ce qui réalise une combinaison linéaire des variables initiales pour obtenir les composantes principales.

2. Quel est le rôle principal de l'Analyse en Composantes Principales (ACP) ?

A. Réduire la dimension des données tout en conservant l'information essentielle

B. Identifier la variable la plus influente dans un ensemble de données

C. Augmenter la précision des mesures initiales

D. Classer les individus selon leurs caractéristiques principales

Answer: (A)

Explicación

L'ACP a pour rôle principal de réduire la dimensionnalité des données tout en conservant l'information essentielle, en créant des variables synthèse non corrélées.

3. Quelle est la propriété principale qui permet aux variables synthèse d'assurer une représentation efficace des données ?

A. Elles ont des coefficients variables adaptatifs

B. Elles contiennent toutes les variables originales

C. Elles sont issues de variables initiales non liées

D. Elles sont orthogonales et non corrélées

Answer: (D)

Explicación

Les variables synthèse sont orthogonales et non corrélées, ce qui garantit qu'elles ne partagent aucune information en commun, assurant ainsi une représentation efficace et indépendante des données.

4. Comment la diagonalisation de la matrice de corrélation influence-t-elle la construction des composantes principales dans la méthodologie ACP ?

A. Elle fusionne toutes les variables en une seule pour une meilleure interprétation

B. Elle calcule directement la moyenne et la variance de chaque variable pour réduire la dimension

C. Elle permet d’obtenir les valeurs et vecteurs propres, qui définissent la direction et la variance expliquée par chaque composante

D. Elle élimine les variables fortement corrélées, simplifiant ainsi l’analyse

Answer: (C)

Explicación

La diagonalisation de la matrice de corrélation permet d’obtenir ses valeurs propres et vecteurs propres. Ces derniers définissent la direction des composantes principales dans l’espace des variables, tandis que les valeurs propres indiquent la part de variance que chaque composante explique. Ce processus est fondamental pour construire et interpréter les composantes principales dans la méthodologie ACP.

5. Quelle est la définition correcte des composantes principales dans le cadre de l'ACP ?

A. Variables originales qui ont été sélectionnées pour leur importance dans l’analyse

B. Variables-synthèse construites à partir des variables initiales, exprimées sous forme de combinaisons linéaires, qui résument au mieux l’information contenue dans les données

C. Variables transformées par une méthode non linéaire pour mieux représenter les données

D. Variables qui représentent uniquement la moyenne des données initiales

Answer: (B)

Explicación

Les composantes principales sont définies comme des variables-synthèse construites à partir des variables initiales, exprimées sous forme de combinaisons linéaires, qui résument au mieux l’information contenue dans les données.

6. Comment la représentation de deux variables comme poids et taille facilite-t-elle l'analyse des données ?

A. Elle augmente la complexité de l'analyse en ajoutant des variables

B. Elle nécessite l'utilisation d'outils mathématiques avancés

C. Elle permet une visualisation graphique simple dans un plan à deux dimensions

D. Elle limite l'analyse à des données univariées

Answer: (C)

Explicación

La source indique que deux variables comme poids et taille peuvent être visualisées dans un plan, ce qui facilite une représentation graphique simple. Cela montre que cette représentation permet une visualisation claire et intuitive des données.

7. Comment la positivité et l'ordre des valeurs propres influencent-elles la détermination de l'importance des composantes principales ?

A. Elles indiquent la direction orthogonale de chaque vecteur propre.

B. Elles déterminent la contribution relative de chaque composante à la variance totale.

C. Elles permettent de mesurer la dispersion des données dans chaque direction principale.

D. Elles assurent que toutes les composantes principales expliquent une part égale de la variance.

Answer: (B)

Explicación

Les valeurs propres, positives et ordonnées, déterminent la part de variance expliquée par chaque composante principale, ce qui permet d'évaluer leur importance relative dans l'analyse.