Matériels et méthodes
52
citées (ACP) permettent de faire une bonne synthèse de l’information contenue dans les
variables étudiées en réduisant les dimensions de la matrice originale tout en minimisant la
perte de l’information (BRITO et al., 2006). Elles sont recommandées dans le traitement
des données tant méristiques que morphométriques en systématique et largement utilisées
dans les travaux de variabilité de la qualité des eaux Pour toutes ces analyses, à l'exception
de l'analyse de classification hiérarchique, tous les caractères mesurés ont été transformés en
leur logarithme décimal (log (x+1)) afin de les normaliser, de linéariser les relations
exponentielles de type allométrique de croissance et de réduire les différences de variance
entre les variables
L’analyse Multi-variée permet de passer au niveau d’analyse par la confrontation des
différentes distributions pour analyser de façon précise les interactions entre les variables
sélectionnées et d’essayer de mettre en évidence des combinaisons plus ou moins
systématiques de variables et de dégager les composantes qui structurent les échantillons (par
station) étudiées. Les méthodes d’étude de l’ensemble des caractères reposent sur les
principes de l’analyse statistique multidimensionnelle (BRITO et al., 2006).
2.5.4.2.1 Analyse en composantes principales (ACP)
C’est une des techniques les plus classiques de la statistique multivariée. Elle permet
d’extraire le maximum d’informations sous une forme simple et cohérente à partir d’un
ensemble très élevé de données. Elle sert aussi à mettre en évidence les interrelations entre les
variables et les ressemblances et les oppositions entre stations analysées.
Cette analyse a été utilisée pour évaluer la variation quantitative entre les échantillons de
rejets d’eaux et identifier les variables susceptibles de contribuer plus à cette variation.
Dans cette étude, deux matrices ont été constituées et séparément soumises à l’ACP à l’aide
du logiciel STATISTICA 7.1. La première matrice est composée des caractères mesurés. La
seconde est constituée des descripteurs pour les stations dans lesquelles les variables ne
nécessitent pas de transformation. Pour l’interprétation des résultats, trois matrices issues de
cette analyse sont indispensables : une matrice des valeurs propres, une matrice des
saturations, une matrice des coordonnées des objets (ou échantillons).
La matrice des valeurs propres représente les contributions ou les poids des composantes
principales dans l’analyse. Aussi, permet-elle de voir la proportion de la variance totale
exprimée par chaque axe et celle expliquée par les axes choisis pour les différentes
représentations. Ici, tous les axes ayant une valeur propre supérieure ou égale à 1 ont été
considérés comme importants. La matrice des saturations ou des coefficients de corrélation
52
citées (ACP) permettent de faire une bonne synthèse de l’information contenue dans les
variables étudiées en réduisant les dimensions de la matrice originale tout en minimisant la
perte de l’information (BRITO et al., 2006). Elles sont recommandées dans le traitement
des données tant méristiques que morphométriques en systématique et largement utilisées
dans les travaux de variabilité de la qualité des eaux Pour toutes ces analyses, à l'exception
de l'analyse de classification hiérarchique, tous les caractères mesurés ont été transformés en
leur logarithme décimal (log (x+1)) afin de les normaliser, de linéariser les relations
exponentielles de type allométrique de croissance et de réduire les différences de variance
entre les variables
L’analyse Multi-variée permet de passer au niveau d’analyse par la confrontation des
différentes distributions pour analyser de façon précise les interactions entre les variables
sélectionnées et d’essayer de mettre en évidence des combinaisons plus ou moins
systématiques de variables et de dégager les composantes qui structurent les échantillons (par
station) étudiées. Les méthodes d’étude de l’ensemble des caractères reposent sur les
principes de l’analyse statistique multidimensionnelle (BRITO et al., 2006).
2.5.4.2.1 Analyse en composantes principales (ACP)
C’est une des techniques les plus classiques de la statistique multivariée. Elle permet
d’extraire le maximum d’informations sous une forme simple et cohérente à partir d’un
ensemble très élevé de données. Elle sert aussi à mettre en évidence les interrelations entre les
variables et les ressemblances et les oppositions entre stations analysées.
Cette analyse a été utilisée pour évaluer la variation quantitative entre les échantillons de
rejets d’eaux et identifier les variables susceptibles de contribuer plus à cette variation.
Dans cette étude, deux matrices ont été constituées et séparément soumises à l’ACP à l’aide
du logiciel STATISTICA 7.1. La première matrice est composée des caractères mesurés. La
seconde est constituée des descripteurs pour les stations dans lesquelles les variables ne
nécessitent pas de transformation. Pour l’interprétation des résultats, trois matrices issues de
cette analyse sont indispensables : une matrice des valeurs propres, une matrice des
saturations, une matrice des coordonnées des objets (ou échantillons).
La matrice des valeurs propres représente les contributions ou les poids des composantes
principales dans l’analyse. Aussi, permet-elle de voir la proportion de la variance totale
exprimée par chaque axe et celle expliquée par les axes choisis pour les différentes
représentations. Ici, tous les axes ayant une valeur propre supérieure ou égale à 1 ont été
considérés comme importants. La matrice des saturations ou des coefficients de corrélation