Professional Documents
Culture Documents
Sommaire
1.1 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 ACM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Réalisation de l’ACM avec SAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Réalisation de l’ACM avec R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Comparaison et signification des résultats SAS/R . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.1 Décompositions de l’inertie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2 Coordonnées des projections . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.3 Qualité d’approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Résultats obtenus avec SAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Résultats obtenus avec R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.1 Description
Cette étude provient d’un cours fait par les professeurs Carlier et Besse de l’université de Toulouse à l’INRA
(http://www.math.univ-toulouse.fr/~besse/).
On veut étudier si il existe des différences entre 57 différentes espèces de pommiers. On recueille donc pour chaque
espèce 9 attributs de type qualitatifs décrivant au mieux l’espèce : forme de l’arbre, fruit,...
Les variables qualitatives sont :
http://www.math.unicaen.fr/~kauffman/cours 1 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
1.2 ACM
Dans cette partie, on va analyse les différentes étapes et calculs d’une analyse des correspondances multiples
1. Lire la table
DATA="http://www.math.unicaen.fr/~kauffman/data/"
con=url(paste(DATA,"besse/pommes.Rdata",sep=""))
(load(con))
close(con)
2. La première étape consiste à calculer le nombre de lignes et de colonnes du tableau disjonctif complet Z.
as.indicatrice= function(cl) {
n <- length(cl)
cl <- as.factor(cl)
x <- matrix(0, n, length(levels(cl)))
x[(1:n) + n * (unclass(cl) - 1)] <- 1
dimnames(x) <- list(names(cl), levels(cl))
x
}
n<-nrow(X)
p<-ncol(X)
Z<-as.matrix(data.frame(lapply(X,as.indicatrice))) # 57x30
3. On calcule la métriques de l’espace de l’espace des lignes M et celle des l’espace des colonnes D. Ce métriques
sont diagonales et pondèrent les lignes et les colonnes et sont de somme 1. La pondération de chaque ligne (espace
des colonnes) est uniforme. La pondération de chaque colonne caractérisant la modalité m (espace des lignes)
est proportionelle au nombre d’indvididus vérifiant cette modalité m.
cw=as.numeric(rep(1, n) %*% Z)/(n*p) # poids des lignes
lw=rep(1/n,n) # poids des colonnes
D=diag(lw) # metrique espace des colonnes
M=diag(cw) # metrique espace des lignes
4. On centre les lignes et les colonnes de Z en faisant des moyennes pondérées par M, D.
tab=1/(p)*Z%*%solve(M)-1 # centrage ligne et colonne
dimnames(tab)=dimnames(Z)
Z=tab
norm(Z%*%cw) # norme de la moyenne pondérée des colonnes
norm(lw%*%Z) # norme de la moyenne pondérée des lignes
http://www.math.unicaen.fr/~kauffman/cours 2 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
tmp<-eigen(M,symmetric=TRUE)
Msqrt<-tmp$vectors %*% diag(sqrt(tmp$values)) %*% t(tmp$vectors)
# racine carree de D
tmp<-eigen(D,symmetric=TRUE)
Dsqrt<-tmp$vectors %*% diag(sqrt(tmp$values)) %*% t(tmp$vectors)
# svd
#print("svd1");cat(dim(Dsqrt),dim(X),dim(Msqrt))
tmp<-svd( Dsqrt %*% X %*% Msqrt )
# svd generalisee
# verifications
#max(abs(X-U%*%Lambda%*%t(V))) # 0
#t(U)%*%D%*%U # Id
#t(V)%*%M%*%V # Id
# valeur
dimnames(U)<-list(dimnames(X)[[1]],paste("Fact",1:dim(U)[2],sep=""))
dimnames(V)<-list(dimnames(X)[[2]],paste("Prin",1:dim(V)[2],sep=""))
dimnames(Lambda)<-list(dimnames(U)[[2]],dimnames(V)[[2]])
list(U=U,Lambda=Lambda,V=V)
tmp<-svdg(Z,M,D)
eig=diag(tmp$Lambda)^2 # valeurs propres=carrés des vs
On obtient une base orthonormée de l’espace des colonnes U 1 , · · · , U 30 ,une base orthonormée V 1 , · · · V 30 de
l’espace des lignes et la matrice dont la diagonale sont les valeurs singulières.
6. On choisit alors le nombre de valeurs singulières retenues k = 4 par exemple, on calcule alors les coordonnées
dites factorielles des projections orthogonales des lignes sur le sous espace principale des lignes dans la base
orthonormée V 1 , · · · V k et les coordonnées dites factorielles des projections orthogonales des colonnes sur le sous
espace principal dans la base orthonormée U 1 , · · · , U k .
k=4
li<-tmp$U[,1:k]%*%tmp$Lambda[1:k,1:k] # coordonnées^t lignes dans (V1,...,VK)
co<-tmp$V[,1:k]%*%tmp$Lambda[1:k,1:k] # coordonnées^t colonnes dans (U1,...UK)
http://www.math.unicaen.fr/~kauffman/cours 3 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
dimnames(li)<-list(dimnames(X)[[1]],dimnames(tmp$V)[[2]][1:k])
dimnames(co)<-list(dimnames(Z)[[2]],dimnames(tmp$U)[[2]][1:k])
proc format;
value arb 1=spur 2=1/2spur 3=etale 4=tres etale;
value rec 1=hatif 2=intermediaire 3=tardif;
value cal 1=moyen 2=gros 3=tres gros;
value coul 1=jaune ou vert 2=rouge orange 3=rouge 4=violace;
value pour 1=0 25 2=25 50 3=50 75 4=75 100;
http://www.math.unicaen.fr/~kauffman/cours 4 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Data pommes;
infile data firstobs=2;
input Nom :$18. arb rec cal coul pour type form ferm gout ;
format arb arb. rec rec. cal cal. coul coul. pour pour.
type type. form form. ferm ferm. gout gout.;
run;
/*$*/
2. Faire une représentation graphique de chaque variable sous forme de camembert indiquant les proportions pour
chacune des modalités à l’aide de la procédure gchart. Puis réunir tous ces graphiques dans une unique figure.
FREQUENCY of coul FREQUENCY of form FREQUENCY of arb
rouge orange
10 allonge
19 1/2spur
10
jaune ou vert
13
spur
4
etale
34
aplati
8 tres etale
violace intermedaire 9
10 30
rouge
24
doux
10
equilibre
32
tres gros
12
strie acidule
lave strie 15 15
gros 10
15
hatif moyen
13 38
0 25
7
intermediaire
27 peu ferme
3
50 75
20
tres ferme
tardif 75 100 16
17 17
http://www.math.unicaen.fr/~kauffman/cours 5 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
3. Dans cette question, on fait une analyse en correspondance multiple et on trace les projections orthogonale des
lignes ou des vecteurs colonnes sur leur sous espace principal associé.
http://www.math.unicaen.fr/~kauffman/cours 6 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Proc corresp
data=pommes /* table de données ind X var*/
outc=C /* table des coordonnées */
binary;
tables arb rec cal coul pour type form ferm gout;
run;
http://www.math.unicaen.fr/~kauffman/cours 7 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
options=square);
Data Z;
merge pommes(keep= Nom) Z;
run;
5. L’analyse des correspondances sur le tableau des indicatrices avec l’option profile=row permet d’obtenir les
coordonnées (isométriques) des lignes. L’instruction var doit être utilisée à la place de tables, les variables sont
numériques. Faire alors un biplot isométrique individu. Analyser les représentations graphiques.
Proc Corresp
data=Z
outc=graphe
dimens=5
noprint
profile=row;
var _1_2spur--equilibre;
id nom;
run;
http://www.math.unicaen.fr/~kauffman/cours 8 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
http://www.math.unicaen.fr/~kauffman/cours 9 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
> signature
[1] "Pommes/ jeudi 06 octobre 2011 09:13:50 CEST /FK"
2. Charger le fichier http://www.math.unicaen.fr/~kauffman/data/pommes.RData
DATA="http://www.math.unicaen.fr/~kauffman/data/"
con=url(paste(DATA,"besse/pommes.Rdata",sep=""))
(load(con))
close(con)
3. Réaliser une analyse univariée de chacune des variables
moyen
spur
précoce
colonnaire intermédiaire
étalé
très étalé
tres gros
tardif gros
(50 75]
rouge violace
(75 100] lave strie strie
allonge
moyen
doux
equlibre
peu ferme
aplati
intermedaire
tres ferme acidule
4. Dans cette question on réalise une analyse des correspondances multiples sur le tableau X.
(a) Faire l’acm à l’aide de la fonction ade4::dudi.acm.
mca1=dudi.acm(X,nf=10,scannf=F)
(b) Construire l’éboulis des valeurs propres et discuter le nombre d’axes retenus.
barplot(mca1[['eig']],main="eboulis des valeurs propres")
http://www.math.unicaen.fr/~kauffman/cours 10 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
0.30
0.25
0.20
0.15
0.10
0.05
0.00
(c) Construire un biplot isométrique ligne en projetant sur le premier plan principal.
scatter.dudi(mca1,method=1,posieig="bottom",sub="biplot isometrique individu 1x2")
d = 0.5
Stayman−Winesap
Rome−Beauty
Melrose
Hilrome coul.violace
pour..75.100. coul.rouge.orange
Rubin
cal.tres.gros
arb.très.étalé Braeburn
gout.doux
Hyb3 pour..50.75.
Fuji−mut.
Melrose−mut. Fiesta
Hanners Boskoop−mut. Averdal
Jonagored
ferm.tres.ferme Boskoop−stand.
Sansa
Hyb2
type.lave.strie
rec.tardif Gloster Erovan New−Jonagold
Fuji Jerseymac Rubi
Gala−red
StarKrimson Pink−lady type.strie Dalili
coul.rouge Arlet
rec.précoce
R.−des−Reinettes
Hyb1 Belrene
Gloster−Spur Delgollune
Elista
form.intermedaire Rubinette
form.aplatiAkane
cal.gros arb.demi.spur
Jonagold Elstar
Cadel
gout.acidule arb.étalé
ferm.moyen Vista−Bella
Gala
gout.equlibre
Delcorf
type.lave form.allonge
cal.moyen
rec.intermédiaire
Ota Sinta
Granny−stand.
Baujade
Generos
pour..25.50.
arb.spur Ginger−Gold
Merano
Eigenvalues
Granny−spur Chantecler Delblush Quemoni
Canada−blanc
Golden−972
ferm.peu.ferme
GoldenspurHyb4
coul.jaune.vert
pour..0.25.
biplot isometrique individu 1x2
http://www.math.unicaen.fr/~kauffman/cours 11 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
pour..75.100.
coul.violace pour..50.75.
cal.tres.gros coul.rouge.orange
ferm.tres.ferme gout.doux
arb.très.étalé
rec.tardif
coul.rouge
type.lave.strie
type.strie rec.précoce
form.intermedaire
form.aplati
cal.gros arb.demi.spur
gout.acidule
arb.étalé
form.allonge ferm.moyen
gout.equlibre
arb.spur
type.lave cal.moyen
ferm.peu.ferme
rec.intermédiaire
pour..25.50.
pour..0.25.
coul.jaune.vert
(f) Tracer sur le plan principal des individus la part d’inertie expliquée par ce plan pour chacune des lignes.
s.value(mca1$li[,1:2],inertie$row.cum[,2],sub="cos2 avec le plan")
(g) On veut voir si il existe un lien entre la variable gout et les autres variables. Que proposez vous ?
mca=dudi.acm(X[,1:8],scannf=F,nf=5)
# postscript(file="ps/R-gout-1x2.eps",onefile=TRUE,horizontal=TRUE)
s.label(mca$li,xax=1,yax=2)
title(main="projection des lignes sur le plan principal",sub=signature,cex.sub=0.25,cex.main=0.5)
s.class(mca$li,fac=X$gout,xax=1,yax=2,col=c('green','blue','red')) # $codage
http://www.math.unicaen.fr/~kauffman/cours 12 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
d = 0.5
projection des lignes sur le plan principal
Melrose Rome−Beauty
Stayman−Winesap
Hilrome
Braeburn
Fiesta Rubin Melrose−mut.
Hyb3
Hyb2 Fuji−mut.
Boskoop−mut.
Boskoop−stand.
Jonagored
New−Jonagold Hanners
Arlet Sansa Rubi Pink−lady Gloster
Dalili Jerseymac
R.−des−Reinettes
Akane Fuji doux
Elista Gloster−Spur
Rubinette Averdal
Elstar Vista−Bella
Gala−red
BelreneDelgollune
acidule
Jonagold
Cadel equlibre
Hyb1 Erovan
Delcorf StarKrimson
Granny−stand.
Gala Baujade
Sinta
Ota
Ginger−Gold
Generos Granny−spur
Chantecler
Merano Canada−blanc
Quemoni
Delblush
Golden−972
Hyb4
Goldenspur
X
i=p
kZk2M,D = σi2
j=1
X
i=n
= Di,i kZi k2M
i=1
X
j=p
= Mj,j kZ j k2D
j=1
Valeur singulière σk
Inertie principale σk2
Khi2 uniquement valide en AFC
σ2 σ2
Pourcentage 100 P kσ2 = 100 kZk2k
Pi=k
k
2
M,D
i=1 σk
P
Pourcentage cumulé 100 σk2
http://www.math.unicaen.fr/~kauffman/cours 13 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
R inertie[['TOT']]
3. Décomposition en somme pondérée des normes aux carrés des lignes ou des colonnes
La seconde décomposition exprime l’inertie totale comme la somme pondérée des normes au carré des lignes,
tandis que la troisième décomposition est une somme pondérée des normes au carrés des colonnes.
Les lignes ou les colonnes qui repésenteraient une part anormale de l’inertie sont des lignes ou
des colonnes qui pourraient être abérantes, il faut vérifier les données correspondantes.
SAS Voir l’onglet Statistiques descriptives pour les points colonnes ou lignes.
R G.co=t(as.matrix(mca1$tab))%*%diag(mca1$lw)%*%as.matrix(mca1$tab)
normes.co=sqrt(diag(G.co))
cbind(
qualite=inertie$col.cum[,2]/10000, # en pourcentage
Collectif=mca1$cw, # pondération des colonnes
inertie=(normes.co^2*mca1$cw)/sum(normes.co^2*mca1$cw) # pourcentage
)
Quelles sont les différences entre R et SAS ? Calculer un majorant du rang de la matrice des indicatrices (penser
au dll), en déduire qu’il y a au moins 8 valeurs singulières nulles (nombres de variables qualitatives moins une).
A l’aide des coordonnées des projections des colonnes sur le sous espace principal des co-
lonnes, on peut tracer ces projections. Le tracé est dit isométrique colonne (en fait projec-
tion des colonnes). La distance euclidienne entre deux projections P roj(Z j1 ), P roj(Z j2 ) est
kP roj(Z j1 ) − P roj(Z j2 kD est égale à la distance euclidienne canonique entre les deux points
tracés sur la figure.
1. Coordonnées des projections des colonnes sur l’espace principal rapporté à la base orthonormée
(U 1 , U 2 )
SAS Voir l’onglet Column results, Coordonnées.
R mca1[['co']][,1:2]
2. Axes principaux de l’espace des colonnes U
SAS Voir l’onglet Column results, Coordonnées.
Proc corresp data=pommes binary row=DA COL=DB;
tables arb rec cal coul pour type form ferm gout;
run;
R mca1[['l1']][,1:2] # U1 U2
X
i=2
Zj = coj,i U i + ǫ
i=1
http://www.math.unicaen.fr/~kauffman/cours 14 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Pj=2 j j 1 2
ou j=1 coj,i U est la projection orthogonale de Z sur le sous espace principal RU + RU et ǫ est un vecteur
orthogonal au sous espace principal. Comme U , U est une famille orthonormée et que ǫ ⊥ RU 1 + RU 2 on a
1 2
X
j=2
kZ j k2D = (coj,i )2 + kǫk2
i=1
10000
Dans les logiciels on exprime cette égalité en normalisant par kZ j k2D
On classe généralement les lignes et les colonnes par leur qualité d’approximation par le sous
espace principal. Les points ayant la plus mauvaise qualité d’approximation seront à prendre
avec précaution dans l’interprétation. Plusieurs représentations graphiques de la qualité d’ap-
proximation sont utilisées.
La première est appelée cercle des corrélations (générallement dans l’espaces des colonnes).
On trace dans le plan principal des colonnes rapporté à la base orthonormée (U 1 , U 2 ) les
projections des vecteurs colonnes normés P roj(Z j /kZ j kD ). La norme du vecteur projeté est
cos(Z j , P roj(Z j )), plus le vecteur est proche du cercle unité meilleur est la qualité d’approxima-
tion. Pour les vecteurs bien approximés par leurs projection dans l’espace principal, la géométrie
des vecteurs projetés peut être utilisée pour interpréter les axes, interpréter les directions, par
exemple des colonnes opposées.
Une deuxième représentation graphique possible est le tracé de
la qualité en fonction du point projeté. On trace en fonction P roj(Z j ) la valeur de
cos2 (Z j , P roj(Z j )).
1. Qualité d’approximation des colonnes par le sous espace principal
10000co2j,1
Dim1 kZ j k2D
= 10000cos2(Z j , U 1 )
10000co2j,2
Dim2 kZ j k2D
= 10000cos2(Z j , U 2 )
Table 12 – Carré des cosinus pour les points lignes dans SAS
On parle aussi de décomposition en cosinus carré. Quel est la colonne la mieux approximée par le premier plan
principal, la moins bien expliquée par le premier plan principal.
2. Qualité d’approximation des lignes par le sous espace principal De même on doit utiliser les lignes qui
sont bien approximés par leurs projections dans l’espace principal des lignes.
http://www.math.unicaen.fr/~kauffman/cours 15 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Table 14 – SAS : Décomposition de l’inertie en somme des carrés des valeurs singulières
http://www.math.unicaen.fr/~kauffman/cours 16 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Table 16 – SAS : décomposition de l’inertie somme pondérée des normes au carrés des colonnes
http://www.math.unicaen.fr/~kauffman/cours 17 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Table 18 – SAS : Coordonnées de la projection des colonnes sur le sev principal dans la base (U 1 , U 2 )
http://www.math.unicaen.fr/~kauffman/cours 18 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
http://www.math.unicaen.fr/~kauffman/cours 19 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
http://www.math.unicaen.fr/~kauffman/cours 20 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Table 22 – R : décomposition de l’inertie en somme pondérée des normes carrées des colonnes
http://www.math.unicaen.fr/~kauffman/cours 21 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
Comp1 Comp2
arb.spur -1.4359 -0.8617
arb.demi.spur 0.3682 -0.0081
arb.étalé 0.3798 -0.0654
arb.très.étalé -1.2058 0.6391
rec.précoce 0.8406 0.2332
rec.intermédiaire 0.2376 -0.3472
rec.tardif -1.0202 0.3730
cal.moyen 0.4393 -0.2559
cal.gros -0.5822 -0.0102
cal.tres.gros -0.3705 0.6527
coul.jaune.vert -0.5119 -1.6050
coul.rouge.orange 0.3811 0.7075
coul.rouge 0.4058 0.2443
coul.violace -0.6895 0.7926
pour..0.25. -1.3646 -1.7100
pour..25.50. 0.6302 -0.7925
pour..50.75. 0.5715 0.5398
pour..75.100. -0.5923 0.6751
type.lave -0.4467 -0.2403
type.lave.strie 0.8203 0.3905
type.strie 0.4061 0.2523
form.allonge -0.0906 -0.1638
form.intermedaire -0.0950 0.0833
form.aplati 0.5716 0.0767
ferm.peu.ferme 0.3444 -1.4105
ferm.moyen 0.4006 -0.1023
ferm.tres.ferme -1.0159 0.5075
gout.doux -0.1271 0.5948
gout.equlibre 0.3219 -0.1502
gout.acidule -0.6021 -0.0761
Table 23 – R : coordonnnées des projections des colonnes sur le sev principal dans la base (U 1 , U 2 )
http://www.math.unicaen.fr/~kauffman/cours 22 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
RS1 RS2
Granny-demi.spur -2.47 -1.57
Granny-stand. -2.39 -0.90
Boskoop-mut. -0.74 0.79
Boskoop-stand. -0.33 0.75
Gala-red 0.91 0.44
Gala 0.93 -0.17
Elstar 0.97 -0.01
Elista 0.66 0.16
Jonagold 0.63 -0.01
Jonagored 0.08 0.77
New-Jonagold 0.16 0.51
Gloster -0.93 0.54
Gloster-Demi.Spur -1.56 0.17
Averdal -0.08 0.78
StarKrimson -0.86 0.37
Erovan -0.53 0.53
Goldendemi.spur -0.86 -2.41
Quemoni 0.47 -1.65
Golden-972 -0.22 -2.06
Sinta 1.02 -0.70
Fiesta 0.78 0.82
Arlet 1.43 0.41
Hilrome -1.40 1.23
Rome-Beauty -0.70 1.39
Melrose-mut. -0.70 0.83
Melrose 0.08 1.28
R.-des-Reinettes 1.06 0.32
Belrene 0.81 0.23
Generos 0.41 -1.21
Merano 0.77 -1.43
Delblush 0.15 -1.62
Chantecler -0.98 -1.60
Fuji 0.00 0.42
Fuji-mut. -0.72 0.85
Braeburn -0.05 0.98
Baujade -2.03 -1.01
Ginger-Gold 0.68 -1.28
Delcorf 0.95 -0.25
Dalili 1.07 0.41
Delgollune 0.49 0.19
Pink-lady -0.48 0.38
Hanners -1.17 0.81
Canada-blanc 0.40 -1.70
Cadel 1.07 -0.02
Sansa 0.82 0.66
Akane 1.22 0.12
Jerseymac 0.43 0.43
Vista-Bella 1.23 -0.12
Ota 0.79 -0.70
Rubi 0.89 0.46
Stayman-Winesap -1.94 1.81
Hyb1 0.21 0.26
Hyb2 1.06 0.61
Rubinette 1.22 0.15
Rubin -0.37 1.07
Hyb3 -1.74 0.90
Hyb4 -0.60 -2.42
http://www.math.unicaen.fr/~kauffman/cours 23 francois.kauffmann@unicaen.fr
Université de CAEN 17 septembre 2012 M2-MASS Marketing quantitatif
http://www.math.unicaen.fr/~kauffman/cours 24 francois.kauffmann@unicaen.fr