WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Application des méthodes de l'analyse de données sur l'évolution du parc automobile algérien

( Télécharger le fichier original )
par Mohamed Adel BOUATTA
USTHB Universitédes sciences et de la technologie Houari Boumediene - Ingéniorat d'état en probabilités et statistiques 2011
  

précédent sommaire

Extinction Rebellion

C. Axes factoriels :

Les coordonnées des n points-individus sur l'axe factoriel normé ( vecteur propre de

la matrice C associé à la valeur propre) sont les n composantes du vecteur :

Le vecteur est une combinaison linéaire des variables initiales.

p r ?

?a = U X = U

i a j ij a jS

j = 1 j

r j

Puisque le nuage des individus est centré sur le centre de gravité (les masses affectées aux

individus étant égales à ), la moyenne du facteur est nulle :

Et sa variance vaut :

La coordonnée du point-individu sur cet axe s'écrit explicitement :

j

p

1

n

III. Analyse du nuage des variables : ? distance entre points-variables :

La distance entre variables découle de l'analyse dans .

Calculant la distance euclidienne usuelle entre deux variables et :

Soit :

2 ( ) ? ? ?

d j j x ij

, 2

n

2

? = + x 2

? - x x

ij ij ij ?

n n

i=1 i=1

 

i=1

Remplaçant par sa valeur tirée précédemment et tenant compte du fait que

On obtient : et également :

D'où la relation liant la distance dans entre deux points-variables et et le coefficient de

corrélation entre ces variables :

Dans l'espace de, le cosinus de l'angle de deux vecteurs-variables est le coefficient de

corrélation entre ces deux variables .

-Deux variables centrées réduites fortement corrélées sont très proches l'une de l'autre

ou au contraire les plus éloignées possible .

-Deux variables orthogonales sont linéairement indépendantes.

v ? Xu

IV. Axes factoriels ou composantes principales :

Une fois connus les vecteurs propres et les valeurs propresde la matrice C=X'X d'ordre

(p, p), il est inutile de procéder à la diagonalisation de la matrice XX' d'ordre (n, n).

a ? a

1

a

Le vecteur

est en effet un vecteur propre unitaire de XX', relativement à la

? ? X? V ? 1 X? XU ? U ?

même valeur propre . Le facteur dans s'écrit :

? ? ? ? ?

? ?

Comme , on a :

Alors les coordonnées factorielles des points-variables sur l'axe sont les composantes de

soit encore de :

Et l'on a :

(Références bibliographiques: Ouvrages, [1])

Tableau croisant genre véhicule avec tranche d'âge correspondant à l'année 2009

 

M5

5à9

10à14

15à19

P20

VT

2883367

1630851

2046311

3053306

10681365

CT

527242

174860

292236

684852

2684467

C

399067

384648

494212

1265222

3164961

TA

115410

73902

41861

104741

357897

R

58238

31723

58057

160361

353925

TR

65307

86147

140993

231340

554507

AA

44313

32581

33801

11637

74907

M

43945

78848

137105

174711

329378

VS

3006

2367

4510

18896

49781

Tableau croisant genre véhicule avec tranche de puissance correspondant à l'année 2009

 

VT

CM

CMT

AA

TR

TA

VS

M

1 à 2

196881

0

0

0

0

0

0

22946

3 à 5

3387463

0

478774

0

0

0

319

23025

6 à 7

5672018

21562

933678

1644

1294

6972

602

13476

8 à 10

3939884

214963

3043181

102946

1222

32990

717

9978

11 à

16

754700

1464512

266907

132363

7500

721736

7107

257

17 à

20

102806

50570

30260

18201

1885

54901

1630

200

21 à

25

325428

130560

94194

21335

5007

15389

2395

16

PLUS 25

785878

530109

293820

127853

382633

106562

10577

4155

les tableaux bruts (genre/wilaya) :

les taux des tableaux bruts :

p0=read.table("nom du tableau 1.txt")

t00=round(t(t(p0)/apply(t(p0),1,sum)),3)*100

p1=read.table("nom du tableau 2.txt")

t01=round(t(t(p1)/apply(t(p1),1,sum)),3)*100

p2=read.table("nom du tableau 3.txt")

t02=round(t(t(p2)/apply(t(p2),1,sum)),3)*100

p3=read.table("nom du tableau 4.txt")

t03=round(t(t(p3)/apply(t(p3),1,sum)),3)*100

p4=read.table("nom du tableau 5.txt")

t04=round(t(t(p4)/apply(t(p4),1,sum)),3)*100

p5=read.table("nom du tableau 6.txt")

t05=round(t(t(p5)/apply(t(p5),1,sum)),3)*100

p6=read.table("nom du tableau 7.txt")

t06=round(t(t(p6)/apply(t(p6),1,sum)),3)*100

p7=read.table("nom du tableau 8.txt")

t07=round(t(t(p7)/apply(t(p7),1,sum)),3)*100

p8=read.table("nom du tableau 9.txt")

t08=round(t(t(p8)/apply(t(p8),1,sum)),3)*100

p9=read.table("nom du tableau 10.txt")

t09=round(t(t(p9)/apply(t(p9),1,sum)),3)*100

Les centres de gravités :

Centrage des tableaux de taux :

CG0=colMeans(t00)

tc0=scale(t00,center=T,scal=F)

CG1=colMeans(t01)

tc1=scale(t01,center=T,scal=F)

CG2=colMeans(t02)

tc2=scale(t02,center=T,scal=F)

CG3<-colMeans(t03)

tc3=scale(t03,center=T,scal=F)

CG4<-colMeans(t04)

tc4=scale(t04,center=T,scal=F)

CG5<-colMeans(t05)

tc5=scale(t05,center=T,scal=F)

CG6<-colMeans(t06)

tc6=scale(t06,center=T,scal=F)

CG7<-colMeans(t07)

tc7=scale(t07,center=T,scal=F)

CG8<-colMeans(t08)

tc8=scale(t08,center=T,scal=F)

CG9<-colMeans(t09)

tc9=scale(t09,center=T,scal=F)

Le tableau des centres de gravité :

g<-matrix(c(CG0,CG1,CG2,CG3,CG4,CG5,CG6,CG7,CG8,CG9),nrow=10, ncol=6, byrow=T)

Transformations les tableaux centrés en matrices :

Les matrices variance-covariance :

tc0=as.matrix(tc0)

v0<- (1/48)*(t(tc0)%*%tc0)

tc01<-as.matrix(tc1)

v1<- (1/48)*(t(tc01)%*%tc01)

tc02<-as.matrix(tc2)

v2<- (1/48)*(t(tc02)%*%tc02)

tc03<-as.matrix(tc3)

v3<- (1/48)*(t(tc03)%*%tc03)

tc04<-as.matrix(tc4)

v4<- (1/48)*(t(tc04)%*%tc04)

tc05<-as.matrix(tc5)

v5<- (1/48)*(t(tc05)%*%tc05)

tc06<-as.matrix(tc6)

v6<- (1/48)*(t(tc06)%*%tc06)

tc07<-as.matrix(tc7)

v7<- (1/48)*(t(tc07)%*%tc07)

tc08<-as.matrix(tc8)

v8<-(1/48)*(t(tc08)%*%tc08)

tc09<-as.matrix(tc9)

v9<- (1/48)*(t(tc09)%*%tc09)

La matrice du compromis v=v0+v1+v2+v3+4+v5+v6+v7+v8+v9

Programmation du premier critère

Les vecteurs propres

uij tel que i=2000,..., 2009 et j=1,2

u01=c(-0.513,-0.397,-0.531,-0.44,-0.29,-0.137) u02=c(-0.248,0.165,-0.252,-0.171,0.622,0.657) u11=c(0.479,0.352,0.36,0.521,0.495,0.022) u12=c(-0.176,-0.118,-0.371,0.007,0.548,-0.719) u21=c(-0.186,-0.261,-0.186,-0.569,-0.551,-0.484) u22=c(0.811,0.181,0.441,-0.174,-0.084,-0.279) u31=c(-0.488,-0.35,-0.358,-0.524,-0.485,-0.023) u32=c(-0.143,-0.122,-0.362,0.013,0.521,-0.749) u41=c(-0.493,-0.346,-0.353,-0.532,-0.478,-0.022) u42=c(0.115,0.134,0.35,-0.072,-0.431,0.809) u51=c(-0.5,-0.344,-0.354,-0.533,-0.47,-0.022) u52=c(-0.082,-0.136,-0.335,0.089,0.377,-0.844) u61=c(-0.509,-0.341,-0.358,-0.529,-0.465,-0.022) u62=c(0.049,0.15,0.311,-0.111,-0.319,0.874) u71=c(-0.505,-0.341,-0.405,-0.438,-0.461,-0.246) u72=c(0.456,-0.102,0.135,0.308,-0.483,-0.66) u81=c(-0.474,-0.394,-0.375,-0.456,-0.451,-0.261) u82=c(-0.416,0.219,-0.033,-0.339,0.152,0.8) u91=c(-0.531,-0.345,-0.365,-0.499,-0.465,-0.026) u92=c(-0.021,0.155,0.237,-0.109,-0.213,0.929)

U1 <- matrix(c(u01,u11,u21,u31,u41,u51,u61,u71,u81,u91),6)

U2 <- matrix(c(u02,u12,u22,u32,u42,u52,u62,u72,u82,u92),6)

Les valeurs propres

lambda1 <- c(24.525,55.029,43.607,56.313,58.14,59.328,60.408,20.795,20.801,58.401)

lambda2 <- c(2.242,2.128,6.451,2.083,2.031,1.974,1.918,3.118,2.743,1.756)

k <- 1 ## pour 2000

Q0 <- vector()

for (j in 1:10){

Q0[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v0 %*% U1[,j]) -

(t(U2[,j]) %*% v0 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2)

I

k <- 2 ## pour 2001

Q1 <- vector()

for (j in 1:10){

Q1[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v1 %*% U1[,j]) -

(t(U2[,j]) %*% v1 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2)

I

k <- 3 ## pour 2002

Q2 <- vector()

for (j in 1:10){

Q2[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v2 %*% U1[,j]) - (t(U2[,j]) %*% v2 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

k <- 4 ## pour 2003

Q3 <- vector()

for (j in 1:10){

Q3[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v3 %*% U1[,j]) -

(t(U2[,j]) %*% v3 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2)

I

k <- 5 ## pour 2004

Q4 <- vector()

for (j in 1:10){

Q4[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v4 %*% U1[,j]) - (t(U2[,j]) %*% v4 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

k <- 6 ## pour 2005

Q5 <- vector()

for (j in 1:10){

Q5[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v5 %*% U1[,j]) - (t(U2[,j]) %*% v5 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

k <- 7 ## pour 2006

Q6 <- vector()

for (j in 1:10){

Q6[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v6 %*% U1[,j]) - (t(U2[,j]) %*% v6 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

k <- 8 ## pour 2007

Q7 <- vector()

for (j in 1:10){

Q7[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v7 %*% U1[,j]) - (t(U2[,j]) %*% v7 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

k <- 9 ## pour 2008

Q8 <- vector()

for (j in 1:10){

Q8[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v8 %*% U1[,j]) - (t(U2[,j]) %*% v8 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

k <- 10 ## pour 2009

Q9 <- vector()

for (j in 1:10){

Q9[j] = round(((lambda1[k]+lambda2[k] - (t(U1[,j]) %*% v9 %*% U1[,j]) - (t(U2[,j]) %*% v9 %*% U2[,j]) )) * (lambda1[k]+lambda2[k])^(-1),2) I

MQ0 <- mean(Q0)

MQ1 <- mean(Q1)

MQ2 <- mean(Q2)

MQ3 <- mean(Q3)

MQ4 <- mean(Q4)

MQ5 <- mean(Q5)

MQ6 <- mean(Q6)

MQ7 <- mean(Q7)

MQ8 <- mean(Q8)

MQ9 <- mean(Q9)

minimum<-min(MQ0,MQ1,MQ2,MQ3,MQ4,MQ5,MQ6,MQ7,MQ8,MQ9)

Résultats :

Ö(00,00)= 0

Ö(01,00)=0.09

Ö(02,00)=0.17

Ö(03,00)=0.09

Ö(04,00)=0.09

Ö(00,01)=0.05

Ö(01,01)= 0

Ö(02,01)=0.32

Ö(03, 01)=0.00

Ö(04,01)=0.00

Ö(00,02)=0.08

Ö(01,02)= 0.11

Ö(02,02)= 0

Ö(03, 02)=0.11

Ö(04,02)=0.11

Ö(00,03)=0.06

Ö(01,03)=0

Ö(02, 03)=0.32

Ö(03, 03)= 0

Ö(04, 03)=0

Ö(00,04)=0.06

Ö(01,04)=0

Ö(02,04)= 0.31

Ö(03, 04)=0

Ö(04, 04)= 0

Ö(00,05)=0.06

Ö(01,05)=0

Ö(02, 05)=0.30

Ö(03, 05)=0

Ö(04, 05)=0

Ö(00,06)=0.06

Ö(01,06)=0

Ö(02, 06)=0.29

Ö(03, 06)=0

Ö(04, 06)=0

Ö(00,07)=0.03

Ö(01,07)=0.05

Ö(02, 07)=0.15

Ö(03,07)=0.05

Ö(04,07)=0.04

Ö(00,08)=0.06

Ö(01,08)= 0.03

Ö(02, 08)=0.18

Ö(03, 08)=0.02

Ö(04,08)=0.02

Ö(00,09)=0.06

Ö(01,09)= 0.01

Ö(02, 09)=0.27

Ö(03, 09)=0.00

Ö(04,09)=0.00

D(., 00)=0.052

D(.,01)=0.029

D(., 02)= 0.231

D(., 03)=0.027

D(.,04)= 0.026

Ö(05,00)=0.09

Ö(06,00)=0.09

Ö(07,00)=0.02

Ö(08,00)=0.03

Ö(09,00)=0.08

Ö(05,01)=0.00

Ö(06,01)=0.00

Ö(07, 01)=0.10

Ö(08,01=0.06

Ö(09,01)=0.01

Ö(05,02)=0.11

Ö(06,02)=0.10

Ö(07,02)=0.06

Ö(08,02)=0.07

Ö(09,02)=0.09

Ö(05,03)=0

Ö(06,03)=0.00

Ö(07,03)=0.10

Ö(08,03)=0.06

Ö(09,03)=0.01

Ö(05,04)=0

Ö(06,04)=0.00

Ö(07,04)=0.09

Ö(08,04)=0.05

Ö(09,04)=0.00

Ö(05,05)= 0

Ö(06,05)=0.00

Ö(07,05)=0.08

Ö(08,05)=0.04

Ö(09,05)=0.00

Ö(05,06)=0

Ö(06,06)= 0

Ö(07,06)=0.08

Ö(08,06)=0.04

Ö(09,06)=0.00

Ö(05,07)=0.04

Ö(06,07)=0.04

Ö(07,07)= 0

Ö(08,07)=0.01

Ö(09,07)=0.03

Ö(05,08)=0.02

Ö(06,08)=0.01

Ö(07,08)=0.02

Ö(08,08)= 0

Ö(09,08)=0.01

Ö(05,09)=0.00

Ö(06,09)=0.00

Ö(07,09)=0.06

Ö(08,09)=0.02

Ö(09,09)= 0

D(.,05)=0.026

D(.,06)=0.024

D(., 07)=0.061

D(., 08)=0.038

D(.,09)=0.023

les trajectoires : (Alger, Adrar, Chlef)

chlef=read.table("nom du tableau des coordonnées chlef.txt")

attach(chlef)

ard=read.table("nom du tableau des coordonnées de Adrar.txt")

attach(ard)

alger=read.table("nom du tableau des coordonnées de Alger.txt")

attach(alger)

plot(axe1,axe2,type="p",pch=3,xlim=c(-10,20),ylim=c(-2.5,5),col="red")

lines(axe1,axe2,lty=3,col="red")

abline(v=0,h=0,panel.first=grid(col="gray"))

text(chlef,labels =c("00","01","02","03","04","05","06","07","08","09"),cex =1, col =

"red")

points(ax1,ax2,pch=4,col="blue")

lines(ax1,ax2,lty=3,col="blue")

text(adrar,labels =c("00","01","02","03","04","05","06","07","08","09"),cex =1, col

= "blue")

points(a1,a2,pch=4,col="blue")

lines(a1,a2,lty=3,col="blue")

text(alger,labels =c("00","01","02","03","04","05","06","07","08","09"),cex =1, col

= "blue")

text(15,-1,"Alger")

text(1,1,"adrar")

text(-1,-1,"chlef")

Références bibliographiques

:

? Ouvrages :

[1] Ludovic Lebart Marie Piron Alain Morineau :

« Statistique exploratoire multidimensionnelle » Dunod 3e (18 août 2000)

[2] Gilbert Saporta :

« L'Analyse des données évolutives: Méthodes et applications » Technip (3 mai 2000)

? Mémoires :

[1] Zitouni Kamel - Imoudache Farouk

« Analyse et prévision du budget en matières d'explorations bancaires » Mémoire d'ingéniorat. Promotion 2010-2011. USTHB.

[2] Haddadou Fouad - Maloum Aghiles

« Modélisation et prévision de la part de marché d'Air Algérie sur les différentes réseaux internationaux affectés par la concurrence »

Mémoire d'ingéniorat. Promotion 2008-2009. USTHB.

[3] Merieme Bensalloua - Nora cherfi

« Modélisation et prévision des paramètres du marché pétrolier algérien » Mémoire d'ingéniorat. Promotion 2004-2005. USTHB.

précédent sommaire






Extinction Rebellion





Changeons ce systeme injuste, Soyez votre propre syndic





"I don't believe we shall ever have a good money again before we take the thing out of the hand of governments. We can't take it violently, out of the hands of governments, all we can do is by some sly roundabout way introduce something that they can't stop ..."   Friedrich Hayek (1899-1992) en 1984