- Statistique pour données fonctionnelles. Chapitre 4...
Transcript of - Statistique pour données fonctionnelles. Chapitre 4...
![Page 1: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/1.jpg)
Statistique pour données fonctionnelles.Chapitre 4. Statistique descriptive et exploratoire pour
données fonctionnelles
Gaëlle ChagnyCNRS, Labo. de Maths. R. Salem, Univ. Rouen,
Université Paris Dauphine – Executive Master Statistique et Big data, 2020
1 / 46
![Page 2: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/2.jpg)
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
2 / 46
![Page 3: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/3.jpg)
Statistique descriptive
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
3 / 46
![Page 4: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/4.jpg)
Statistique descriptive
Statistique descriptive pour données fonctionnelles - Objectifs
• Cadre multivarié.• Observations : X1, . . . ,Xn ⊂ R
d , Xi = t (Xi,1, . . . ,Xi,d).
• Mesures résumées• Moyennes empiriques :
X.j = n−1n∑
i=1
Xi,j , j = 1, . . . , d.
• Matrice de variance-covariance :
Σn =
n−1n∑
i=1
(Xi,j − X.j)(Xi,j′ − X.j′ )
j,j′
.
• Cadre fonctionnel.• Observations : X1, . . . ,Xn ⊂ L2(T), Xi = {Xi(t), t ∈ T }.
• Mesures résumées : comment étendre les notions précédentes?
4 / 46
![Page 5: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/5.jpg)
Statistique descriptive Moyenne et variance empirique
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
5 / 46
![Page 6: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/6.jpg)
Statistique descriptive Moyenne et variance empirique
Moyenne et variance (1)
Observations lissées. X1, . . . ,Xn ⊂ L2(T), Xi = {Xi(t), t ∈ T }
Définition
• fonction moyenne empirique :
Xn : T −→ R,
t 7−→ Xn(t) =1n
n∑i=1
Xi(t).
• fonction variance empirique :
Varn : T −→ R,
t 7−→ Varn(t) =1n
n∑i=1
(Xi(t) − Xn(t)
)2.
On définit également l’écart-type comme étant la racine carrée de cette fonctionvariance.
6 / 46
![Page 7: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/7.jpg)
Statistique descriptive Moyenne et variance empirique
Moyenne et variance (2) - Code R
Fonctions du package fda1. mean.fd
• Argument : objet fonctionnel (éventuellement multidimensionnel) comportant plusieurscourbes de la classe fd
• Sortie : objet de la classe fd contenant la (les) fonction(s) moyenne de l’objet (ou desobjets) en paramètres.
appliquée à un objet fonctionnel comportant plusieurs courbes (éventuellementmultidimensionnel) de la classe fd, elle renvoie un objet de la classe fd.
2. sd.fd ou std.fd : de manière similaire à la fonction précédente, retourne lesfonctions écart-type des données en paramètres.
7 / 46
![Page 8: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/8.jpg)
Statistique descriptive Moyenne et variance empirique
Moyenne et variance (3) - Exemple
Exemple. Xi =N∑
j=1
ξi,jψj , i = 1, . . . , 10, avec
• ξi,j i.i.d. N(0, 1)• (ψj)j base de splines cubiques à 21 noeuds équirépartis sur [0; 2].
0.0 0.5 1.0 1.5 2.0
−2−1
01
2
t
x(t)
t 7→ Xi(t)t 7→ Xn(t),
. . . t 7→ Xn(t) ± 2√
Varn(t)
Code R.
extr=c(0,2)pts_rupture = seq(0,2,length.out=21)ordre = 4nb_fctBase =length(pts_rupture)+ordre-2fct_base = create.bspline.basis(extr,
norder=ordre ,breaks=pts_rupture)coeff_ech = matrix(rnorm(10*nb_fctBase),
nbre_fctBase,10)objetfd2 = fd(coeff_ech,fct_base)
sfd2 = std.fd(objetfd2)mfd2 = mean(objetfd2)
plot(objetfd2,xlab="t",ylab="x(t)")lines(mfd2,lwd=3)lines(mfd2+2*sfd2,lwd=2,lty=2)lines(mfd2-2*sfd2,lwd=2,lty=2)
8 / 46
![Page 9: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/9.jpg)
Statistique descriptive Moyenne et variance empirique
Moyenne et variance (4) - Exemple
Exemple. Données Handwrit
0.0 0.5 1.0 1.5 2.0
−0.04
−0.02
0.00
0.02
0.04
Temps (ms.)
X
0.0 0.5 1.0 1.5 2.0
−0.04
−0.02
0.00
0.02
0.04
Temps (ms.)
Y
0.0 0.5 1.0 1.5 2.0
−0.03
−0.01
0.01
0.02
0.03
Temps (ms.)
mean X
0.0 0.5 1.0 1.5 2.0
−0.03
−0.01
0.01
0.02
0.03
Temps (ms.)
mean Y
Données Fonctions moyennes
Code R.tps_handwrit <- seq(0, 2.3, len=1401)pts_rupture_handwrit = seq(0,2.3,length.out=51)Fct_base_handwrit = create.bspline.basis(c(0,2.3),norder=6,breaks=pts_rupture_handwrit)Donnees_lissees_handwrit = smooth.basis(tps_handwrit,handwrit,Fct_base_handwrit)par(mfrow=c(2,1))plot(Donnees_lissees_handwrit$fd,xlab=’Temps (ms.)’)moy_handwrit = mean(Donnees_lissees_handwrit$fd)par(mfrow=c(2,1))plot(moy_handwrit,lwd=2,xlab=’Temps (ms.)’) 9 / 46
![Page 10: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/10.jpg)
Statistique descriptive Covariance et corrélation
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
10 / 46
![Page 11: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/11.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (1)Observations lissées. X1, . . . ,Xn ⊂ L2(T), Xi = {Xi(t), t ∈ T }
Définition
• fonction de covariance empirique :
Cn : T2 −→ R,
(t1, t2) 7−→ Cn(t1, t2) =1n
n∑i=1
(Xi(t1) − Xn(t1)
) (Xi(t2) − Xn(t2)
).
• fonction de corrélation :
Corrn : T2 −→ R,
(t1, t2) 7−→ Corrn(t1, t2) =Cn(t1, t2)√
Varn(t1)Varn(t2).
• opérateur de covariance empirique ((X1, . . . ,Xn) supposé centré)
Γn : L2(T) −→ L2(T)
f 7−→1n
n∑i=1
〈f ,Xi〉Xi .
11 / 46
![Page 12: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/12.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (2)
Observations lissées. (X1,Y1), . . . , (Xn,Yn) ⊂ L2(T), (Xi ,Yi) = {(Xi(t),Yi(t)) t ∈ T }
Définition
• fonction de covariance croisée empirique :
Covn,X ,Y : T2 −→ R,
(t1, t2) 7−→ Covn,X ,Y (t1, t2) =1n
n∑i=1
(Xi(t1) − Xn(t1)
) (Yi(t2) − Yn(t2)
).
• fonction de corrélation croisée :
Corrn,X ,Y : T2 −→ R,
(t1, t2) 7−→ Corrn,X ,Y (t1, t2) =Covn,X ,Y (t1, t2)√VarX (t1)VarY (t2)
.
12 / 46
![Page 13: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/13.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (3) - Code R.
Fonctions du package fda
1. var.fd : retourne un ou plusieurs objets de classe bifd, objets fonctionnels à deuxvariables (2 indices de temps par exemple).
• cas 1 : appliquée à t 7→ Xi(t), i = 1, . . . , n, renvoie (t1, t2) 7→ Cn(t1, t2) sous forme d’unobjet fonctionnel.
• cas 2 : appliquée à t 7→ (Xi(t),Yi(t)), i = 1, . . . , n, renvoie (t1, t2) 7→ Cn,X (t1, t2),(t1, t2) 7→ Covn,X ,Y (t1, t2) et (t1, t2) 7→ Cn,Y (t1, t2).
2. cor.fd : calcul de la corrélation empirique entre un ou deux objets fonctionnels, sousforme d’une matrice.
• cas 1 : appliquée à une grille {tj , j = 1, . . . , d} (vecteur), et t 7→ Xi(t), i = 1, . . . , n, renvoie lamatrice C = (Corrn,X (tj , tk ))1≤j,k≤d .
• cas 2 : appliquée à une grille {tj , j = 1, . . . , d} (vecteur), t 7→ Xi(t), i = 1, . . . , n, uneseconde grille {t ′k , k = 1, . . . , d′} et t 7→ Yi(t), i = 1, . . . , n, renvoie la matriceC = (Corrn,X ,Y (tj , t ′k ))1≤j≤d,1≤k≤d′ .
13 / 46
![Page 14: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/14.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (4) - Code R.
Représentation de courbes en 3D :1. eval.bifd du package fda :
• Arguments• une première grille {tj , j = 1, . . . , d} (vecteur),• une seconde grille {t ′k , k = 1, . . . , d′},• un (ou plusieurs) objet(s) fonctionnel(s) de la classe bifd.
• Sortie : un tableau contenant les évaluations de ces objets aux points (tj , t ′k ).
2. Outils de tracé d’une surface (t1, t2) 7→ z(t1, t2), à partir d’une grille de discrétisationpour t1, une pour t2, et la matrice d’évaluation de z en (t1, t2).
• persp : tracé 3D de la surface• contour : tracé plan des lignes de niveau.• filled.contour : tracé plan des lignes de niveau colorées (la couleur dépendant du
niveau).• levelplot du package lattice : tracé plan des lignes de niveau et couleurs entre elles.
14 / 46
![Page 15: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/15.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (5) - Exemple
Exemple 1. Données CanadianWeather, log-précipitations.
0 100 200 300
−1.0
−0.5
0.00.5
1.0
Temps (jours.)
Log−
Préc
ipitat
ion (lo
g mm)
15 / 46
![Page 16: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/16.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (6) - ExempleExemple 1. Données CanadianWeather, log-précipitations.
contour filled.contour
Jours (1er juillet au 30 juin)
Jours
(1er
juille
t au 3
0 juin
)
0 100 200 300
010
020
030
0
0.05
0.10
0.15
0.20
0 50 100 150 200 250 300 350
0
50
100
150
200
250
300
350
Jours (1er juillet au 30 juin)
Jours
(1er
juille
t au 3
0 juin
)
Code R.logprec_var <- var.fd(Donnees_lissees_Logprecip)jours_5 <-seq(0,365,5)logprec_var_mat<-eval.bifd(jours_5,jours_5,logprec_var)
contour(jours_5,jours_5,logprec_var_mat,xlab=’Jours (1er juillet au 30 juin)’,ylab=’Jours (1er juillet au 30 juin)’)
filled.contour(jours_5,jours_5,logprec_var_mat,xlab=’Jours (1er juillet au 30 juin)’,ylab=’Jours (1er juillet au 30 juin)’,lwd=2)
16 / 46
![Page 17: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/17.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (7) - Exemple
Exemple 1. Données CanadianWeather, log-précipitations.
levelplot persp
Jours (1er juillet au 30 juin)
Jour
s (1
er ju
illet
au
30 ju
in)
100
200
300
100 200 300
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
Jours (1er ju
il.−30 juin)Jours (1er juil.−30 juin)
variance (log10 precipitations)
Code R.persp(jours_5, jours_5, logprec_var_mat,xlab=’Jours (1er juil.-30 juin)’,
ylab=’Jours (1er juil.-30 juin)’, zlab="variance (log10 precipitations)",theta=-45, phi=25, r=3)
levelplot(row.values=jours_5,column.values=jours_5,x=logprec_var_mat,contour=TRUE,xlab=’Jours (1er juillet au 30 juin)’,ylab=’Jours (1er juillet au 30 juin)’) 17 / 46
![Page 18: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/18.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (8) - Exemple
Exemple 2. Données CanadianWeather, températures
Temp
eratur
e moy
enne
(deg
C)
−30
−20
−10
0
10
20
j F m A M J J A S O N D
11
1
1
1
1
1 1
1
1
1
1
22
2
2
2
2
22
2
2
2
2
3
3
3
3
3
3
33
3
3
3
3
4 4
4
4
4
4
4
4
4
4
4
4
Pr. Rupert
Montreal
Edmonton
Resolute
18 / 46
![Page 19: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/19.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (9) - Exemple
Exemple 2. Données CanadianWeather, températures
contour filled.contour persp
jours
jour
s
0 100 200 300
010
020
030
0
20
40
60
80
100
0 50 100 150 200 250 300 350
0
50
100
150
200
250
300
350
jours
jour
s
joursjours
Covariance des températures
Code R.tvar = var.fd(Donnees_lissees_temp)temp_var_sem = eval.bifd(weeks,weeks,tvar)
contour(weeks,weeks,temp_var_sem,xlab="jours", ylab="jours")filled.contour(weeks,weeks,temp_var_sem,
cex.lab=1.5,cex.axis=1.5,xlab="jours", ylab="jours")persp(weeks,weeks,temp_var_sem,xlab="jours", ylab="jours",
zlab="Covariance des températures", theta=-45, phi=25, r=3)
19 / 46
![Page 20: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/20.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (10) - Exemple
Exemple 2. Données CanadianWeather, températures
0.4
0.5
0.6
0.7
0.8
0.9
1.0
50 100 150 200 250 300 350
50
100
150
200
250
300
350
jours
jours
Code R.
jours = 1:365 - 0.5tcor = cor.fd(jours,Donnees_lissees_temp)
filled.contour(jours,jours,tcor,cex.lab=1.5,cex.axis=1.5,xlab="jours", ylab="jours")
20 / 46
![Page 21: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/21.jpg)
Statistique descriptive Covariance et corrélation
Covariance et corrélation (11) - Exemple
Exemple 3. Données CanadianWeather, températures et précipitations
Covariance croisée Corrélation croisée
0
5
10
15
50 100 150 200 250 300 350
50
100
150
200
250
300
350
jours
jours
0.0
0.2
0.4
0.6
0.8
50 100 150 200 250 300 350
50
100
150
200
250
300
350
jours
jours
Code R.temp_prec_var = var.fd(Donnees_lissees_temp,Donnees_lissees_precip)temp_prec_var_jours = eval.bifd(jours,jours,temp_prec_var)filled.contour(jours,jours,temp_prec_var_jours,cex.lab=1.5,
cex.axis=1.5,xlab="jours", ylab="jours")
temp_prec_cor_jours = cor.fd(jours,Donnees_lissees_temp,jours,Donnees_lissees_precip)
filled.contour(jours,jours,temp_prec_cor_jours,cex.lab=1.5,cex.axis=1.5,xlab="jours", ylab="jours") 21 / 46
![Page 22: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/22.jpg)
ACP fonctionnelle
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
22 / 46
![Page 23: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/23.jpg)
ACP fonctionnelle
Introduction
• ACP : Analyse en Composantes Principales.
• Objectifs : outil de représentation des données et réduction de la dimensionproduire une synthèse visuelle / la meilleure représentation possible de donnéesmultivariées.
• Type de méthode• méthode factorielle (exploiter les aspects géométriques)• statistique exploratoire
• ACP fonctionnelle : extension au cadre fonctionnel de l’ACP multivariée.
23 / 46
![Page 24: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/24.jpg)
ACP fonctionnelle Rappel - ACP multivariée
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
24 / 46
![Page 25: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/25.jpg)
ACP fonctionnelle Rappel - ACP multivariée
Rappels ACP multivariée (1)
De quelle image 3D celle-ci est-elle la représentation simplifiée?
25 / 46
![Page 26: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/26.jpg)
ACP fonctionnelle Rappel - ACP multivariée
Rappels ACP multivariée (2)
Toutes les représentations simplifiées ne se valent pas !
Principe de l’ACP : réduire la dimension d’un nuage de points pour en obtenir unereprésentation plus simple tout en conservant le plus possible de variabilité.
26 / 46
![Page 27: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/27.jpg)
ACP fonctionnelle Rappel - ACP multivariée
Rappels ACP multivariée (3) - Point de vue théorique
• Point de départ. X = (X1, . . . ,Xd) ∈ Rd , d ≥ 3 vecteur aléatoire.
• Problématique. recherche des sous-espaces vectoriels de Rd qui résument le mieuxl’information, pour représenter X dans un espace de dimension < d.
• Méthode.1. Diagonalisation en base orthonormée de la matrice de covariance Σ de X .2. Choix des sous-espaces engendrés par les vecteurs propres de Σ.
27 / 46
![Page 28: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/28.jpg)
ACP fonctionnelle Rappel - ACP multivariée
Rappels ACP multivariée (4) - Point de vue pratique
• Point de départ.• Observations Xi = t (Xi,1, . . . ,Xi,d) ∈ Rd , pour i ∈ {1, . . . , n}
Xc =
X1,1 − X.1 · · · X1,d − X.dX2,1 − X.1 X2,2 − X.2 · · · X2,d − X.d
. . .
.
.
.. . .
.
.
.
. . .
Xn,1 − X.1 · · · Xn,d − X.d
.
• Matrice de covariance empirique
Σ =
1n
n∑i=1
(Xi,j − X.j)(Xi,j′ − X.j′ )
1≤j,j′≤d
=t XcXc
n
• Inertie du nuage de points
I =1n
n∑i=1
n∑j=1
(Xi,j − X.j)2 = Tr(Σ)
• Décomposition de l’inertie totale. pour tout sous-espace S de Rd ,
I =1n
n∑i=1
‖ΠS Xi − Xi‖2 +
1n
n∑i=1
‖ΠS Xi‖2 = IS + IS⊥ . 28 / 46
![Page 29: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/29.jpg)
ACP fonctionnelle Rappel - ACP multivariée
Rappels ACP multivariée (4) - Point de vue pratique
• Principe de l’ACP. Recherche séquentielle (par récurrence) des axes de projectionsminimisant la déformation du nuage de départ.
1. Recherche de ∆1 tel que I∆⊥1 est maximale.Solution : ∆1 dirigé par a1, vecteur propre normé associé à la plus grande valeur propre λ1de Σ.
2. Recherche de ∆2, orthogonal à ∆1 et tel que I∆⊥2 est maximale.Solution : ∆2 dirigé par a2, vecteur propre normé associé à la seconde plus grande valeurpropre λ2 de Σ.
3. . . .
• Construction de Sk = ∆1 + · · ·+ ∆k = Vect(a1, . . . , ak ), avec
∆1 ⊥ ∆2 ⊥ . . . ⊥ ∆d
λ1 ≥ λ2 ≥ · · · ≥ λd
I∆⊥1 ≥ I∆⊥2 ≥ · · · ≥ I∆⊥d
.
• Représentation des individus Xi dans la nouvelle base {a1, . . . , ak }.
29 / 46
![Page 30: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/30.jpg)
ACP fonctionnelle Théorie de l’ACP fonctionnelle
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
30 / 46
![Page 31: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/31.jpg)
ACP fonctionnelle Théorie de l’ACP fonctionnelle
ACP fonctionnelle - Théorie (1)
ACP multivariée ACP fonctionnelle
Données X ∈ Rd X ∈ L2(T)X = t (X1, . . . ,Xd) X = {X(t), t ∈ T }
Moyenne vecteur de moyenne courbe de la moyenneE[X ] = t (E[X1], . . . ,E[Xd ]) E[X ] = {E[X(t)], t ∈ T }
Covariance matrice fonction de covariance CX ou opérateur ΓX
ΣX = Cov(X ,X) CX (s, t) = Cov(X(s),X(t))
31 / 46
![Page 32: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/32.jpg)
ACP fonctionnelle Théorie de l’ACP fonctionnelle
ACP fonctionnelle - Théorie (2)
• Point de départ. X = {X(t), t ∈ T } ∈ L2(T)
• Objectifs. construction d’une base hilbertienne (ψj)j∈N\{0} de L2(T) telle que l’espaceSk = Vect{ψ1, . . . , ψk } minimise la distance L2 entre X et sa projection orthogonaleΠSk X .
• Construction. Recherche séquentielle (par récurrence)1. Recherche de ψ1 ∈ L2(T), de norme ‖ψ1‖
2 =∫T ψ
21(t)dt = 1, telle que
ψ1 ∈ arg minf∈L2(T)
E[‖X − 〈X , f〉f‖].
2. Recherche de ψ2 ∈ L2(T), de norme ‖ψ2‖2 = 1 et 〈ψ2, ψ1〉 = 0 , telle que
ψ2 ∈ arg minf∈L2(T)
E[‖X − 〈X , ψ1〉ψ1 − 〈X , f〉f‖].
3. · · ·k+1. Si ψ1, . . . , ψk déjà construits, recherche de ψk+1 ∈ L2(T) , de norme ‖ψk+1‖
2 = 1 et〈ψk+1, ψj〉 = 0 pour tout j ≤ k , telle que
ψk+1 ∈ arg minf∈L2(T)
E[‖X −ΠSk X − 〈X , f〉f‖].
32 / 46
![Page 33: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/33.jpg)
ACP fonctionnelle Théorie de l’ACP fonctionnelle
ACP fonctionnelle - Théorie (3)
Proposition
La famille (ψk )k est constituée de fonctions propres de l’opérateur de covariance ΓX
associées aux valeurs propres (λk )k≥1 rangées par ordre décroissant :
ΓXψj = λjψj ou encore∫
TCX (s, ·)ψj(s)ds = λjψj(·).
Ainsi, la base de l’ACP fonctionnelle est, au signe près, la base de Karhunen-Loève de X.
33 / 46
![Page 34: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/34.jpg)
ACP fonctionnelle Théorie de l’ACP fonctionnelle
ACP fonctionnelle - Théorie (4)
ACP multivariée ACP fonctionnelle
Données X ∈ Rd X ∈ L2(T)X = t (X1, . . . ,Xd) X = {X(t), t ∈ T }
Base de l’ACP vecteurs propres (aj)j=1,...,d de fonctions propres (ψj)j≥1 dela matrice de covariance l’opérateur de covariance
Représentation ACP X = E[X ] +∑d
j=1 ξjaj X(t) = E[X ](t) +∑d
j=1 ξjψj(t)
34 / 46
![Page 35: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/35.jpg)
ACP fonctionnelle Mise en pratique de l’ACP fonctionnelle
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
35 / 46
![Page 36: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/36.jpg)
ACP fonctionnelle Mise en pratique de l’ACP fonctionnelle
ACP fonctionnelle - Point de vue pratique
• Point de départ.• Observations. Xi = {Xi(t), t ∈ T } ∈ L2(T), pour i ∈ {1, . . . , n}• Opérateur de covariance empirique
Γn f(s) =1n
n∑i=1
〈Xi , f〉Xi =
∫T
Cn(s, t)f(t)dt , Cn(s, t) =1n
n∑i=1
Xi(s)Xi(t).
• Propriétés. Γn est autoadjoint compact donc diagonalisable, de valeurs propres (λj)j≥1
et de vecteurs propres (ψj)j≥1
• Estimation de la base de Karhunen-Loève.
• λj estime λj .• ψj estime ψj .
36 / 46
![Page 37: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/37.jpg)
ACP fonctionnelle Représentations graphiques et exemples
Plan
Statistique descriptiveMoyenne et variance empiriqueCovariance et corrélation
ACP fonctionnelleRappel - ACP multivariéeThéorie de l’ACP fonctionnelleMise en pratique de l’ACP fonctionnelleReprésentations graphiques et exemples
37 / 46
![Page 38: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/38.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Code R.
Fonction pca.fd du package fda
1. Arguments principaux.• fdobj : objet de la classe fd (données fonctionnelles après lissage), éventuellement
multivarié,• nharm : nombre de fonctions propres à calculer (aussi appelées harmoniques),• centerfns : booléen, si la valeur est TRUE, centrage des données avant le calcul de l’ACP.
2. Sortie. retourne un objet de la classe pca.fd, dont les entrées principales sont• harmonics : objet fonctionnel (classe fd) contenant les fonctions propres (ψj)j≥1• values : ensemble complet des valeurs propres de l’opérateur de covariance empirique
(λj)j≥1• scores : matrice des scores ie. des coordonnées des individus (courbes) dans la nouvelle
base, ie. selon chacune des fonctions propres,• varprop : vecteur donnant la proportion de variance expliquée par chaque fonction propre,• meanfd : objet fonctionnel (classe fd) contenant la fonction moyenne.
38 / 46
![Page 39: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/39.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Représentation graphique
1. Tracé des premières fonctions propres (ψj)j≥1 (ou composantes principales), demanière à obtenir une proportion de variance expliquée supérieure ou égale à 90%.
2. Représentation, dans un plan, des coordonnées des courbes de l’échantillon dedépart selon la première et la seconde composantes principales (ou la seconde et latroisième, ...).
3. Représentation des composantes principales comme perturbation de la fonctionmoyenne.−→ plot.pca.fd.
39 / 46
![Page 40: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/40.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Exemple (1)
Exemple. Données CanadianWeather, log-précipitations.• ψ1 : 87.4% de la variabilité expliquée (λ1 = 39.5),• ψ2 : 8.6% de la variabilité expliquée (λ2 = 3.9).
0 100 200 300
−0.
050.
05
jours
Val
eurs
Fct
Pro
pre
0 100 200 300
−0.
050.
05
jours
Val
eurs
Fct
Pro
pre
Code R.
Logprecip_ACP=pca.fd(Donnees_lissees_Logprecip,nharm=2)
print(Logprecip_ACP$values)print(Logprecip_ACP$varprop)
par(mfrow=c(2,1))plot(Logprecip_ACP$harmonics[1],xlab=’jours’,
ylab="Valeurs Fct Propre",ylim=c(-0.05,0.1),main="PC1")
plot(Logprecip_ACP$harmonics[2],xlab=’jours’,ylab="Valeurs Fct Propre",ylim=c(-0.05,0.1),main="PC2")
40 / 46
![Page 41: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/41.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Exemple (2)
Exemple. Données CanadianWeather, log-précipitations.
0 100 200 300
−0.4
−0.2
0.0
0.2
0.4
0.6
PCA function 1 (Percentage of variability 87.4 )
argvals
Harm
onic
1
++++++++++++++++++++
+++++++++++
+++++++++++++++
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−
−−−−
−−−−
−−−−
−−−−
−−−−−
−−
0 100 200 300
0.0
0.1
0.2
0.3
0.4
PCA function 2 (Percentage of variability 8.6 )
argvals
Harm
onic
2
+++++++++++++++++++++++++++++++
+++++++++++++++++++++++++++++++++++++++++++++++++++++
++++++
++++
++++
++++
++++
++++++++++
++++
++++
++++
−−−−−−−−−−−−−−
−−−−−
−−−−−−−−−−−−−−−−
−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−
−−−−
−−−−−
−−−−−−
Code R.par(mfrow=c(2,1))plot.pca.fd(Logprecip_ACP)
41 / 46
![Page 42: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/42.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Exemple (3)
Exemple. Données CanadianWeather, log-précipitations.
−15 −10 −5 0 5 10
−50
050
100
coord. suivant PC1
coor
d. su
ivant
PC2
St. Johns
Halifax
Sydney
Yarmouth
Charlottvl
Fredericton
Scheffervll
Arvida
BagottvilleQuebec
Sherbrooke
MontrealOttawa
Toronto LondonThunder Bay
Winnipeg
The Pas
Churchill
ReginaPr. AlbertUranium City
Edmonton
Calgary
Kamloops
Vancouver
Victoria
Pr. George
Pr. Rupert
Whitehorse
Dawson
Yellowknife
Iqaluit
Inuvik
Resolute
Code R.par(mfrow=c(1,1))plot(Logprecip_ACP$scores[,1],Temp_ACP$scores[,2],xlab="coord. suivant PC1",
ylab="coord. suivant PC2")text(Logprecip_ACP$scores[,1],Temp_ACP$scores[,2]+5,CanadianWeather$place,cex=0.6)
42 / 46
![Page 43: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/43.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Exemple (4)
Exemple. Données CanadianWeather, températures.Fonction propre ψ1 ψ2 ψ3 ψ4 · · ·
Variabilité expliquée 88.4% 8.5% 2% 0.5% · · ·
0 100 200 300
−0.1
0−0
.05
0.00
0.05
0.10
PC1
jours
Vale
urs
Fct P
ropr
e
0 100 200 300
−0.1
0−0
.05
0.00
0.05
0.10
PC2
jours
Vale
urs
Fct P
ropr
e
0 100 200 300
−0.1
0−0
.05
0.00
0.05
0.10
PC3
jours
Vale
urs
Fct P
ropr
e
0 100 200 300
−0.1
0−0
.05
0.00
0.05
0.10
PC4
jours
Vale
urs
Fct P
ropr
e
43 / 46
![Page 44: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/44.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Exemple (5)
Exemple. Données CanadianWeather, températures.
0 100 200 300
−20
−10
010
20
PCA function 1 (Percentage of variability 88.4 )
argvals
Harm
onic
1
+++++++++++++++
+++++++
+++++++++++++++++++++++
+++++++++++
+++++++
++++++++++++++++++++++++++++++++++++++++++
++++++++++++
+++++++++++
−−−−−−
−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−−−−−−−−
−−−−−−−−−−−
0 100 200 300
−10
010
20
PCA function 2 (Percentage of variability 8.5 )
argvals
Harm
onic
2
+++++++++++++
+++++++++
++++++++++++++++++++++++++++++++++++++++
+++++++
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
−−−−−−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−
−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−
−−−−−−
−−−−−
0 100 200 300
−15
−10
−50
510
15
PCA function 3 (Percentage of variability 2 )
argvals
Harm
onic
3
++++++++++++++++++
++++++++++++++++++++++++++++++++++++++++++++
++++++++++++++++++++++++++++++++++
+++++++++++++++++++++
+++++++++++
−−−−−−−−
−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−−−−−−−−
−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−
0 100 200 300
−15
−10
−50
510
15
PCA function 4 (Percentage of variability 0.5 )
argvals
Harm
onic
4
+++++++
++++++++++
+++++++++++++++++++++++++++++++++++++++++++++
+++++++
++++++++++++++++
++++++++++++++
++++++++++++++++++
+++++++++++
−−−−−−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
−−−−−−−−−
−−−−−−−−
−−−−−−−−−−−−−−−−−−−−−
−−
44 / 46
![Page 45: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/45.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Exemple (6)
Exemple. Données CanadianWeather, températures.
−300 −200 −100 0 100 200
−50
050
100
coord. suivant PC1
coor
d. s
uiva
nt P
C2
St. Johns
Halifax
Sydney
Yarmouth
Charlottvl
Fredericton
Scheffervll
Arvida
BagottvilleQuebec
Sherbrooke
MontrealOttawa
TorontoLondonThunder Bay
Winnipeg
The Pas
Churchill
ReginaPr. AlbertUranium City
Edmonton
Calgary
Kamloops
Vancouver
Victoria
Pr. George
Pr. Rupert
Whitehorse
Dawson
Yellowknife
Iqaluit
Inuvik
Resolute
45 / 46
![Page 46: - Statistique pour données fonctionnelles. Chapitre 4 ...gchagny.perso.math.cnrs.fr/CoursFDA_slides_Chap4.pdf · Statistique pour données fonctionnelles. Chapitre 4. Statistique](https://reader033.fdocument.pub/reader033/viewer/2022052007/601bac77702f80338853af36/html5/thumbnails/46.jpg)
ACP fonctionnelle Représentations graphiques et exemples
ACP fonctionnelle - Pour aller plus loin
• ACP fonctionnelle pour données fonctionnelles multivariées
• Transformation de la base de l’ACP par rotation (stratégie VARIMAX).
46 / 46