Chapitre I : Généralités et Méthodes d’étude
- 13 -
1. LT
Longueur totale ; du bout du museau à l’extrémité postérieure de la nageoire
caudale ;
2. L pdor
Longueur pré dorsale ; du bout du museau à l’origine de la nageoire dorsale ;
3. L ppec
Longueur pré pectorale ; du bout du museau à l’origine de la nageoire
pectorale ;
4. L porb
Longueur pré orbitaire ; distance de l’extrémité du museau au bord antérieur
de l’œil ;
5. DO
Diamètre de l’œil ; la distance horizontale entre les deux bords de l’œil ;
6. L maxil
Longueur maxillaire ;
7. L pan
Longueur pré anale ; du bout du museau jusqu’au bord antérieur de la
nageoire anale ;
8. D dpec
Distance dorsale-pectorale ; la distance entre l’origine de la nageoire dorsale
et celle de la nageoire pectorale ;
9. D intorb
Distance inter-orbitaire ; c’est la distance qui sépare les deux yeux.
Ces données ont fait l’objet d’une analyse en composantes principales (ACP). Cette analyse a été
réalisée à l’aide du programme Statistica version 5.1 (Stat soft., Inc., 1997). Elle a été décrite par
DAGET (1979), PHILIPPEAU (1986), DAGNELIE (1986), LEGENDRE et LEGENDRE (1984 et
1998), HERRERA et Le GAC (2002), GEORGIN (2002) et BOUROCHE et SAPORTA (2005),
ainsi que par d’autres auteurs cités par HEMIDA (2005) : DAGNELIE (1973, 1975), GILBERT
(1978), DANIEL (1978), LAFORGE (1981), LAGARDE (1983) et SCHWARTZ (1983).
L'analyse en composantes principales (ACP) est une méthode statistique ancienne. Elle a été
primitivement proposée par PEARSON en 1901 et a été mise au point définitivement par
HOTELLING (1933). Cette méthode consiste à présenter graphiquement le maximum de
l’information contenue dans un tableau de données. Ce tableau est constitué des individus disposés
en lignes sur lesquels sont mesurées des variables quantitatives disposées en colonnes.
L’ACP permet de déterminer un système d’axes de références hiérarchisés tels que, en diminuant le
nombre des dimensions de l’espace dans lequel on projette les points d’observations, la perte
d’information soit minimale. Elle permet donc de résumer en quelques dimensions importantes, la
plus grande partie de la variabilité d’une matrice de dispersion d’un grand nombre de descripteurs et
de connaître aussi la quantité de variance expliquée par ces quelques axes principaux indépendants.
Cette analyse a pour objectif de revenir à un espace de dimension réduite en déformant le moins
possible la réalité. Elle consiste donc à passer d’un espace multidimensionnel complexe à un espace
comprenant moins de dimensions (2 voire 3). Il s’agit donc d’obtenir le résumé le plus pertinent des
données initiales.
- 13 -
1. LT
Longueur totale ; du bout du museau à l’extrémité postérieure de la nageoire
caudale ;
2. L pdor
Longueur pré dorsale ; du bout du museau à l’origine de la nageoire dorsale ;
3. L ppec
Longueur pré pectorale ; du bout du museau à l’origine de la nageoire
pectorale ;
4. L porb
Longueur pré orbitaire ; distance de l’extrémité du museau au bord antérieur
de l’œil ;
5. DO
Diamètre de l’œil ; la distance horizontale entre les deux bords de l’œil ;
6. L maxil
Longueur maxillaire ;
7. L pan
Longueur pré anale ; du bout du museau jusqu’au bord antérieur de la
nageoire anale ;
8. D dpec
Distance dorsale-pectorale ; la distance entre l’origine de la nageoire dorsale
et celle de la nageoire pectorale ;
9. D intorb
Distance inter-orbitaire ; c’est la distance qui sépare les deux yeux.
Ces données ont fait l’objet d’une analyse en composantes principales (ACP). Cette analyse a été
réalisée à l’aide du programme Statistica version 5.1 (Stat soft., Inc., 1997). Elle a été décrite par
DAGET (1979), PHILIPPEAU (1986), DAGNELIE (1986), LEGENDRE et LEGENDRE (1984 et
1998), HERRERA et Le GAC (2002), GEORGIN (2002) et BOUROCHE et SAPORTA (2005),
ainsi que par d’autres auteurs cités par HEMIDA (2005) : DAGNELIE (1973, 1975), GILBERT
(1978), DANIEL (1978), LAFORGE (1981), LAGARDE (1983) et SCHWARTZ (1983).
L'analyse en composantes principales (ACP) est une méthode statistique ancienne. Elle a été
primitivement proposée par PEARSON en 1901 et a été mise au point définitivement par
HOTELLING (1933). Cette méthode consiste à présenter graphiquement le maximum de
l’information contenue dans un tableau de données. Ce tableau est constitué des individus disposés
en lignes sur lesquels sont mesurées des variables quantitatives disposées en colonnes.
L’ACP permet de déterminer un système d’axes de références hiérarchisés tels que, en diminuant le
nombre des dimensions de l’espace dans lequel on projette les points d’observations, la perte
d’information soit minimale. Elle permet donc de résumer en quelques dimensions importantes, la
plus grande partie de la variabilité d’une matrice de dispersion d’un grand nombre de descripteurs et
de connaître aussi la quantité de variance expliquée par ces quelques axes principaux indépendants.
Cette analyse a pour objectif de revenir à un espace de dimension réduite en déformant le moins
possible la réalité. Elle consiste donc à passer d’un espace multidimensionnel complexe à un espace
comprenant moins de dimensions (2 voire 3). Il s’agit donc d’obtenir le résumé le plus pertinent des
données initiales.