Peinture représentant un étang (Tombeau de Thèbes, 1400 av. J. C.) extrait de l Histoire de l Art de Ernst Gombrich
|
|
- Gérard St-Georges
- il y a 8 ans
- Total affichages :
Transcription
1 1
2 Peinture représentant un étang (Tombeau de Thèbes, 1400 av. J. C.) extrait de l Histoire de l Art de Ernst Gombrich 2
3 1. Enquête FT sur les MBA MBA 12 caractéristiques de l école : Women Faculty, Women Students, Women board, International Faculty, Int. Stud., Int. Board, Int. Mobility, Int. Course content, Languages, Faculty with PhD, PhD grad. Rating, Research rating 2 caractéristiques des diplômés : Salary today (weighted), Salary % increase 3
4 Extrait des données de l enquête FT sur les MBA 2001 Faculty with Salary Salary doctorates FT Doctoral FT Research Rank 2001 School Name FT Score weighted Increase... (%) rating rating 1 University of Pennsylvania: Wharton Harvard Business School Stanford University GSB University of Chicago GSB Columbia University GSB MIT: Sloan Insead London Business School Northwestern University: Kellogg New York University: Stern IMD Arizona State University HEC Babson College: FW Olin Rice University: Jones Thunderbird ESCP-EAP IEP Norwegian School of Management
5 Visualiser
6 Analyse factorielle (ACP) des MBA X 14 = Salary. increase X 2 = % Women Student HEC 2 Harvard 0 Warwick 1.. X 1 = % Women Faculty
7 Analyse Factorielle des MBA : Carte des MBA Analyse réalisée sur les 67 premiers MBA 7
8 Analyse Factorielle des MBA Carte des caractéristiques utilisées pour l analyse Les variables fléchées en pointillés sont illustratives. 8
9 Conclusion : HEC premier MBA non anglo-saxon Stanford Harvard Dartmouth MIT Wharton IMD INSEA D LBS HEC US/UK/Autre Salary weighted Autre UK US Total Population FT Research rating 9
10 2. Les objectifs de l analyse en composantes principales Résumer un tableau individusvariables à l aide d un petit nombre de facteurs. Visualiser le positionnement des individus les uns par rapport aux autres. Visualiser les corrélations entre les variables. Interpréter les facteurs. 10
11 Visualisation des données Y 2 (i) i 1 X 1 X p Y 1 Y 2 i x 1i x pi y 1i y 2i 0 Y 1 (i) Le premier plan principal n Cor(X j,y 2 ) X j 0 Cor(X j,y 1 ) Le tableau des données Les composantes principales Y h p 1 j u hj X (non corrélées entre elles) j Le carte des variables 11
12 3. Un exemple de positionnement de produits Caractéristiques de 24 modèles de voiture (Source : L argus de l automobile, 2004) Modèle Cylindrée Puissance Vitesse Poids Largeur Longueur (cm 3 ) (ch) (km/h) (kg) (mm) (mm) Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci
13 Longueur Puissance Cylindrée Graphiques en étoile des voitures Citroën C2 1.1 Smart Fortwo Mini Largeur Vitesse Nissan Micra 1.2 Renault Clio 3.0 V6 Audi A3 1.9 TDI Poids Peugeot HDI 70 Peugeot V6 Mercedes Classe C 270 BMW 530d Jaguar S-Type 2.7 V6 BMW 745i Mercedes Classe S 400 Citroën C3 Pluriel BMW Z4 2.5i Audi TT 1.8T 180 Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Land Rover Discovery Nissan X-Trail 2.2 dci 13
14 4. Résumé des données Sortie SPSS Descriptive Statistics Cylindrée Puissance Vitesse Poids Largeur Longueur N Minimum Maximum Mean Std. Deviation Sortie SPAD Libellé de la variable Effectif Moyenne Ecart-type Minimum Maximum Cylindrée Puissance Vitesse Poids Largeur Longueur
15 Variance des variables Dans SPSS 1 Variance(X) s = (x ) n 2 2 i x n-1 i1 Dans SPAD 1 Variance(X) (x ) n 2 2 i x n i1 15
16 Graphique des liaisons inter-variables (la Ferrari est représentée par un disque plein) Cylindrée Puissance Vitesse Poids Largeur Longueur 16
17 Tableau des corrélations Cylindrée Puissance Vitesse Poids Largeur Longueur Cylindrée Puissance Vitesse Poids Largeur Longueur Toutes les corrélations sont positives. Toutes les corrélations sont significatives au risque 5% ( R 2/ n) 17
18 Classification ascendante hiérarchique des variables H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Single Linkage Rescaled Distance Cluster Combine C A S E Label Num cylindrée 1 puissance 2 vitesse 3 largeur 5 poids 4 longueur 6 18
19 5. Le nuage de points associé aux données 1 i n X 1 X p x 1i x pi x i X p SMART g 0 FERRARI X 2 x1... x p g X 1 N = {x 1,, x i,, x n } = Nuage de points associé aux données Centre de gravité du nuage N : g = 1 n n x i i1 19
20 6. Inertie totale du nuage de points 1 i n X 1 X p x 1i x pi x i X p SMART 0 g FERRARI X 2 x1... x p g X 1 Inertie totale = I(N, g) = 1 n n i1 d 1 1 n 2 (x n p p n p ( xji xj ) ( xji xj ) j i1 j1 j1 n i1 j1 i,g) 20
21 7. Réduction des données Pour neutraliser le problème des unités on remplace les données d origine par les données centrées-réduites : X X X x X x p p p p de moyenne 0 et d écart-type 1. 21
22 Les données centrées-réduites (SPAD) Modèle Cylindrée Puissance Vitesse Poids Largeur Longueur Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci Outlier si valeur > 2 22
23 8. Le nuage de points associé aux données réduites 1 X 1 i x 1i n X p x pi X i X p SMART 0 FERRARI X Moyenne Variance X 1 N = {x 1,, x i,, x n } Centre de gravité : g = 0, Inertie totale : I(N, 0) = p 23
24 9. Premier axe principal 1 X p x i u y i X 2 X 1 Objectif 1 : On cherche l axe 1 passant le mieux possible au milieu du nuage N. On cherche à minimiser l inertie du nuage N par rapport à l axe 1 : I(N, 1 ) 1 n n i1 d 2 (x i, y i ) 24
25 Premier axe principal 1 X p x i 1 0 y i X 2 X 1 Objectif 2 : On cherche l axe d allongement 1 du nuage N. On cherche à maximiser l inertie du nuage N projeté sur l axe 1 : I( n 2 1 d (yi, 0) n i1 1 y,..., yn, 0) 25
26 Les objectifs 1 et 2 sont atteints simultanément X p x i 1 0 y i X 2 X 1 De : on déduit : d 2 (x i,0) d 2 (y i,0) d 2 (x i, y i ) 1 n n i1 d 2 (x i,0) 1 n n i1 d 2 (y i,0) 1 n n i1 d 2 (x i, y i ) Inertie totale = p = Inertie expliquée par 1 + Inertie résiduelle Maximiser Minimiser 26
27 Résultats L axe 1 passe par le centre de gravité 0 du nuage de points N. L axe 1 est engendré par le vecteur normé u 1, vecteur propre de la matrice des corrélations R associé à la plus grande valeur propre 1. L inertie expliquée par l axe 1 est égal à 1. La part d inertie expliquée par le premier axe principal 1 est égal à 1 /p. 27
28 Résultat SPAD Tableau des valeurs propres Numéro Valeur Pourcentage Pourcentage propre cumulé
29 Résultat SPAD Les vecteurs propres Libellé de la variable Axe 1 Axe 2 Axe 3 Axe 4 Axe 5 Axe 6 Cylindrée Puissance Vitesse Poids Largeur Longueur Normalisation : = 1 29
30 10. Première composante principale Y 1 X p x i 1 X 1 Smart 0 Y 1 (1) = u1 y i Y 1 (i) X 2 Y 1 est une nouvelle variable définie pour chaque individu i par : Y 1 (i) = longueur algébrique du segment 0y i = coordonnée de y i sur l axe 1 = produit scalaire entre les vecteurs x i et u 1 p = j1 u 1jx ji p Y 1 = j1 u 1 X j j 30
31 Résultats SPAD Carré de la Identificateur Distance à l'origine Axe 1 Axe 2 Axe 3 Axe 4 Axe 5 Axe 6 Citroën C Smart Fortwo Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V Mercedes Classe C BMW 530d Jaguar S-Type 2.7 V BMW 745i Mercedes Classe S Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Land Rover Discovery Nissan X-Trail 2.2 dci DISTO = d 2 (x i, 0) 31
32 Corrélations entre les variables et les composantes principales Corrélations des variables actives avec les facteurs Libellé de la variable Axe 1 Axe 2 Axe 3 Axe 4 Axe 5 Axe 6 Cylindrée Puissance Vitesse Poids Largeur Longueur Dans SPSS : Component Matrix 32
33 Propriétés de la première composante principale Y 1 Y 1 = u 11 X 1 + u 12 X u 1p X p Moyenne de Y 1 = 0 Variance de Y 1 = Inertie expliquée par 1 = 1 Cor(X j, Y 1 ) = 1 u 1j p 1 cor p j1 2 (X j, Y ) 1 p 1 est maximum 33
34 Qualité de la première composante principale Inertie totale = 6 Inertie expliquée par le premier axe principal = 1 = Part d inertie expliquée par le premier axe principal : La première composante p 6 principale explique 73,5% de la variance totale. 34
35 11. Deuxième axe principal 2 2 Y 2 (i) 0 x i a i Y 1 (i) 1 35
36 Résultats On recherche le deuxième axe principal 2 orthogonal à 1 et passant le mieux possible au milieu du nuage. Il passe par le centre de gravité 0 du nuage de points et est engendré par le vecteur normé u 2, vecteur propre de la matrice des corrélations R associé à la deuxième plus grande valeur propre 2. La deuxième composante principale Y 2 est définie par projection des points sur le deuxième axe principal. La deuxième composante principale Y 2 est centrée, de variance 2, et non corrélée à la première composante principale Y 1. 36
37 Le premier plan principal 37
38 Le cercle des corrélations 38
39 Qualité globale de l analyse Inertie totale = variance totale = p Part de variance expliquée par la première composante principale = Part de variance expliquée par la deuxième composante principale = 1 p 2 p Part de variance expliquée par les deux premières composantes principales = 1 2 p Et ainsi de suite pour les autres dimensions... 39
40 12. Le biplot Les échelles doivent être identiques sur les deux axes. Le cercle des variables doit être un cercle. 40
41 Interprétation du biplot La répartition des projections des individus i sur l axe variable X j reflète les valeurs x ij Les coordonnées des individus i sont les valeurs des composantes principales : [Y 1 (i), Y 2 (i)]. Les coordonnées des variables X j sont les vecteurs propres multipliés par une certaine constante, par exemple 2 : (2u 1j, 2u 2j ). 41
42 Justification : la formule de reconstitution u 2 Y 2 (i) 0 x i a i Y 1 (i) u 1 De x i a i = Y 1 (i)u 1 + Y 2 (i)u 2 on déduit x ij Y 1 (i)u 1j + Y 2 (i)u 2j = Y1 () i u1 j, ix, Y () i u 2 2 j j = u u 2 2 1j 2 j Coordonnée de la projection de l individu i sur l axe variable X j 42
43 Justification de la lecture du bi-plot Axe 2 y 2i i u 2j X j A ij 0 0 A i, X / u u 2 2 ij j 1j 2 j y 1i u 1j Axe 1 ( yu yu )/ u u x / u u i 1j 2i 2 j 1j 2 j ij 1j 2 j 43
44 13. Exemple des races canines 44 Race Taille Poids Vitesse Intell. Affect. Agress. Fonction Beauceron Basset Berger-Allemand Boxer Bull-Dog Bull-Mastiff Caniche Chihuahua Cocker Colley Dalmatien Doberman Dogue Allemand Epagneul Breton Epagneul Français Fox-Hound Fox-Terrier Grd Bleu de Gascogne Labrador Lévrier Mastiff Pékinois Pointer Saint-Bernard Setter Teckel Terre-Neuve TA++ TA- TA++ TA+ TA- TA++ TA- TA- TA+ TA++ TA+ TA++ TA++ TA+ TA++ TA++ TA- TA++ TA+ TA++ TA++ TA- TA++ TA++ TA++ TA- TA++ PO+ PO- PO+ PO+ PO- PO++ PO- PO- PO- PO+ PO+ PO+ PO++ PO+ PO+ PO+ PO- PO+ PO+ PO+ PO++ PO- PO+ PO++ PO+ PO- PO++ V++ V- V++ V+ V- V- V+ V- V- V++ V+ V++ V++ V+ V+ V++ V+ V+ V+ V++ V- V- V++ V- V++ V- V- INT+ INT- INT++ INT+ INT+ INT++ INT++ INT- INT+ INT+ INT+ INT++ INT- INT++ INT+ INT- INT+ INT- INT+ INT- INT- INT- INT++ INT+ INT+ INT+ INT+ AF+ AF- AF+ AF+ AF+ AF- AF+ AF+ AF+ AF+ AF+ AF- AF- AF+ AF- AF- AF+ AF- AF+ AF- AF- AF+ AF- AF- AF- AF+ AF- AG+ AG+ AG+ AG+ AG- AG+ AG- AG- AG+ AG- AG- AG+ AG+ AG- AG- AG+ AG+ AG+ AG- AG- AG+ AG- AG- AG+ AG- AG- AG- Utilité Chasse Utilité Compagnie Compagnie Utilité Compagnie Compagnie Compagnie Compagnie Compagnie Utilité Utilité Chasse Chasse Chasse Compagnie Chasse Chasse Chasse Utilité Compagnie Chasse Utilité Chasse Compagnie Utilité
45 Le tableau disjonctif complet Race T- T+ T++ P- P+ P++ V- V+ V++ I- I+ I++ Af- Af+ Ag- Ag+ Compagnie Chasse Utilité Beauceron Basset Berger all Boxer Bull-dog Bull Mastiff Caniche Chihuahua Cocker Colley Dalmatien Doberman Dogue all Epagneul br Epagneul fr Fox-Hound Fox-Terrier Grd Bl de G Labrador Lévrier Mastiff Pékinois Pointer St-Bernard Setter Teckel Terre neuve x ijl = 1 si l individu i possède la modalité l de la variable j = 0 sinon 45
46 ACP du tableau disjonctif complet 46
47 Total Mean Std. Deviation 14. Utilisation de SPSS Les données centrées-réduites (SPSS) Case Summaries Zscore: Zscore: Zscore: Zscore: Zscore: Zscore: MODÈLE Cylindrée Puissance Vitesse Poids Largeur Longueur Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci Outlier si valeur >
48 Résultats SPSS : Les facteurs Total Mean Std. Deviation MODÈLE Facteur 1 Facteur 2 Facteur 3 Facteur 4 Facteur 5 Facteur 6 Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci
49 Propriétés des facteurs de SPSS Lien entre les composantes principales et les facteurs de SPSS Les facteurs de SPSS sont les composantes principales réduites. F h 1 n Y n1 h h Calcul des facteurs de SPSS en fonction des variables (X j ) SPSS p h hj j SPSS j1 F w (X ) w h 1 h u h Cylindrée Puissance Vitesse Poids Largeur Longueur Tableau des w h Component Score Coefficient Matrix Component Extraction Method: Principal Component Analysis. Component Scores. 49
50 15. Construction d une typologie des individus Rechercher des groupes d individus homogènes dans la population : Deux individus appartenant au même groupe sont proches. Deux individus appartenant à des groupes différents sont éloignés. Construire une partition de la population en groupes homogènes et différents les uns des autres. On réalise la typologie au choix (1) sur les données centrées réduites, (2) sur les premières composantes principales (SPAD), (3) sur les premières composantes principales réduites (les facteurs de SPSS). 50
51 Construction d une typologie des individus o o o o o o o o o o + o + o o o o o o o o o o Fabrication de groupes à partir de données uniformément réparties Données structurées en trois groupes 51
52 Dendrogramme groups Choosing the cutting level x x x Definition of the clusters 52
53 Dendrogramme indice (1) (3) (4) (2) (5) Individu d origine 53
54 Classification ascendante hiérarchique (Méthode de Ward) X 1 X p g 2 g 1 X 2 g 3 Distance de Ward : D(G i, G j ) = nn i i j 2 (n n ) j d(g,g) i j n i = effectif de la classe G i 54
55 Tableau des distances entre les voitures Proximity Matrix Case 1:Citroën C2 1.1 Base 2:Smart Fortwo Coupé 3:Mini :Nissan Micra :Land Rover Discovery 24:Nissan X-Trail 2.2 d This is a dissimilarity matrix Squared Euclidean Distance 23:Land 1:Citroën C2 2:Smart 4:Nissan Rover 24:Nissan 1.1 Base Fortwo Coupé 3:Mini Micra Discovery X-Trail 2.2 d p 2 2 k l jk jl j d(x,x) (x x) D Ward (Citroën C2, Nissan Micra) = (11) 55
56 Classification Ascendante Hiérarchique Étape initiale Chaque individu forme une classe. On regroupe les deux individus les plus proches. Étape courante A chaque étape, on regroupe les deux classes G i et G j minimisant le critère de Ward D(G i, G j ). 56
57 H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Ward Method Rescaled Distance Cluster Combine C A S E Label Num Citroën C2 1.1 Base 1 Nissan Micra Peugeot HDI 7 Citroën C3 Pluriel 1 14 BMW Z4 2.5i 15 Audi TT 1.8T Renault Clio 3.0 V6 5 Mini Volkswagen Touran Nissan X-Trail 2.2 d 24 Audi A3 1.9 TDI 6 Renault Scenic 1.9 d 20 Land Rover Defender 22 Smart Fortwo Coupé 2 Peugeot V6 B BMW 530d 10 Jaguar S-Type 2.7 V6 11 Mercedes Classe C 27 9 BMW 745i 12 Mercedes Classe S Land Rover Discovery Aston Martin Vanquis 17 Bentley Continental 18 Ferrari Enzo 19 57
58 Construction de la classification hiérarchique sur les données centrées réduites par SPSS Numéro Ainé Benjamin Nb d'éléments terminaux du noeud Distance de Ward Somme des indices de niveau
59 Interprétation de la typologie G45 (14) D(G 2,G 42 ) = Toute la population (G47) D(G 45,G 46 ) = G46 (10) D(G 43,G 44 ) = G2 (1) G42 (13) G43 (7) G44 (3) D(G 23,G 40 ) = D(G 2,G 42 ) = G23 (1) G40 (6) G19 (1) G38 (2) 59
60 Décomposition de la somme des carrés totale X 1 X p g 1 g 2 g g 3 X 2 n K K i k k i k i1 k1 k1 ig d (x,g) n d (g,g) d (x,g ) k Somme des carrés totale = (n-1)p Somme des carrés = inter-classes + Somme des carrés intra-classes 60
61 Coefficient : Somme des carrés Résultats SPSS : intra-classes de la typologie en K classes Somme des carrés intra classes Agglomeration Schedule Distance de Ward(1,4) Stage Cluster First Qualité de la typologie Cluster Combined Appears Stage Cluster 1 Cluster 2 Coefficients Cluster 1 Cluster 2 Next Stage en K classes : (138 - Coeff[n-K])/ Groupe contenant Qualité de la typologie en 2 classes : ( )/138 = Somme des carrés intra-classes pour la typologie en K=2 classes Somme des carrés totale = p(n-1) 61
62 Qualité des typologies Nombre de classes % de Somme des Somme des Somme des Distance de carrés intraclasseclasses carrés inter- carrés Ward expliquée distance de Ward entre les groupes fusionnés = (S.C. Intra) = (S.C. Inter) 62
63 Qualité de la typologie en K classes La somme des carrés expliquée par la typologie en K classes est égale à la somme des carrés inter classes de la typologie en K classes. La qualité de la typologie est mesurée par la proportion de la somme des carrés totale expliquée par la typologie. 63
64 Choix du nombre de groupes La typologie en 5 groupes explique 81,27 % de la S.C. totale Rescaled Distance Cluster Combine C A S E Label Num G42 G2 G43 G44 G19 Citroën C2 1.1 Base 1 Nissan Micra Peugeot HDI 7 Citroën C3 Pluriel 1 14 BMW Z4 2.5i 15 Audi TT 1.8T Renault Clio 3.0 V6 5 Mini Volkswagen Touran Nissan X-Trail 2.2 d 24 Audi A3 1.9 TDI 6 Renault Scenic 1.9 d 20 Land Rover Defender 22 Smart Fortwo Coupé 2 Peugeot V6 B 8 BMW 530d 10 Jaguar S-Type 2.7 V6 11 Mercedes Classe C 27 9 BMW 745i 12 Mercedes Classe S Land Rover Discovery 23 Aston Martin Vanquis 17 Bentley Continental 18 Ferrari Enzo 19 64
65 Premier plan factoriel et typologie 3 2 Land Rover Discovery Jaguar S-Type 2.7 V6 Mercedes Classe S Nissan X-Trail 2.2 d VW Touran Peugeot V6 BMW 745i Land Rover Defender Renault Scenic BMW 530d Mercedes Classe C Peugeot 307 Audi A3 1.9 Citroën C3 Nissan Micra Audi TT 1.8T Citroën C2 BMW Z4 2.5i Mini Renault Clio 3.0 V6 Bentley Continental Aston Martin Vanquish Facteur Smart Fortwo Coupé Ferrari Enzo Facteur 1 65
66 Interprétation des classes Report Ward Method Total Mean N Mean N Mean N Mean N Mean N Mean N Cylindrée Puissance Vitesse Poids Largeur Longueur
67 16. C.A.H. des variables Les données de Kendall 48 candidats à un certain poste sont évalués sur 15 variables : (1) Form of letter of application (2) Appearance (3) Academic ability (4) Likeability (5) Self-confidence (6) Lucidity (7) Honesty (8) Salesmanship (9) Experience (10) Drive (11) Ambition (12) Grasp (13) Potential (14) Keeness to join (15) Suitability 67
68 Case Summaries X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X
69 Tableau des corrélations Correlation Matrix X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 Correlation X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X One of the questions of interest here is how the variables cluster, in the sense that some of the qualities may be correlated or confused in the judge s mind. (There was no purpose in clustering the candidates - only one was to be chosen). 69
70 Classification Ascendante Hiérarchique des variables Méthode des plus proches voisins A chaque étape, on fusionne les deux groupes G i et G j maximisant : Max Cor( X, X ) X G, X G a i b j On fusionne G2 et G3. a b G o o o o G2 o G3 70
71 Classification Ascendante Hiérarchique des variables H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Single Linkage (VOISINS LES PLUS PROCHES) Rescaled Distance Cluster Combine C A S E Label Num X6 6 X12 12 X13 13 X8 8 X11 11 X5 5 X10 10 X9 9 X15 15 X4 4 X14 14 X7 7 X1 1 X2 2 X3 3 71
72 Classification Ascendante Hiérarchique des variables Méthode des voisins les plus éloignés A chaque étape, on fusionne les deux groupes G i et G j maximisant : Min Cor( X, X ) X G, X G a i b j On fusionne G1 et G2. a b G o o o o G2 o G3 72
73 Classification Ascendante Hiérarchique des variables H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Complete Linkage (VOISINS LES PLUS ELOIGNES) Rescaled Distance Cluster Combine C A S E Label Num X6 6 X12 12 X8 8 X11 11 X5 5 X10 10 X13 13 X2 2 X4 4 X14 14 X7 7 X9 9 X15 15 X1 1 X3 3 73
74 Bloc 1 Correlation Matrix X2 X5 X6 X8 X10 X11 X12 X13 Correlation X2 X5 X6 X8 X10 X11 X12 X Les corrélations sont toutes positives. 74
75 Bloc 2 Correlation Matrix X4 X7 X14 Correlation X4 X7 X Bloc 3 Correlation Matrix X1 X9 X15 Correlation X1 X9 X
76 Interprétation des blocs Bloc 1 : Qualités humaines favorables au poste Appearance, Self-confidence, Lucidity, Salesmanship, Drive, Ambition, Grasp, Potential Bloc 2 : Qualités de franchise et de communication Likeability, Honesty, Keenness to join Bloc 3 : Expérience Form of letter of application, Experience, Suitability Bloc 4 : Diplôme Academic ability 76
La classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailESIEA PARIS 2010-2011
ESIEA PARIS 00-0 Exame MAT 50 DATA MINING Vedredi 6 Novembre 00 Première Partie : 5 miutes Eseigat resposable : Frédéric Bertrad Remarque importat : les questios de ce questioaire sot posées das le cotexte
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailACP Voitures 1- Méthode
acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 04/04/2008 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailATELIER SOLUTION. Acheter ou louer? Réforme 2006 de la fiscalité applicable aux véhicules. Avec la collaboration de P.1
ATELIER SOLUTION Acheter ou louer? Réforme 2006 de la fiscalité applicable aux véhicules Avec la collaboration de P.1 Le marché du véhicule d entreprise P.2 La proportion d'entreprises qui financent au
Plus en détail01-2014 Brochure ALD ELECTRIC PART OF ALD NEWMOBILITY
01-2014 Brochure ALD ELECTRIC PART OF ALD NEWMOBILITY 1 Brochure ALD electric INTRODUCTION Notre offre ALD electric se compose d une gamme très complète de véhicules électriques comprenant des hybrides
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailApplication Form/ Formulaire de demande
Application Form/ Formulaire de demande Ecosystem Approaches to Health: Summer Workshop and Field school Approches écosystémiques de la santé: Atelier intensif et stage d été Please submit your application
Plus en détailMarché de l'automobile - Automobile - Type de carrosserie - Modèle d'automobile
Le marché automobile est fréquemment analysé sous forme de segments ou catégories de voitures, qui indiquent le positionnement de chaque modèle sur le marché. Catégories : Marché de l'automobile - Automobile
Plus en détailFormulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Programme
Formulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Programme Année universitaire / Academic Year: 2013 2014 A REMPLIR
Plus en détailUniversité de XY University of XY. Faculté XY Faculty of XY
Université de XY University of XY Faculté XY Faculty of XY Le présent supplément au diplôme suit le modèle élaboré par la Commission européenne, le Conseil d'europe et l'unesco/cepes. Le supplément vise
Plus en détail2 nd semestre. Synthèse de l étude D3 Parcours Analyse de la fidélité des clients par marque. En partenariat avec
2 nd semestre 2014 Synthèse de l étude D3 Parcours Analyse de la fidélité des clients par marque En partenariat avec Note de synthèse 1 +33 6 87 70 31 12 1. Cadre général L étude D3 Parcours est réalisée
Plus en détailL'analyse des données à l usage des non mathématiciens
Montpellier L'analyse des données à l usage des non mathématiciens 2 ème Partie: L'analyse en composantes principales AGRO.M - INRA - Formation Permanente Janvier 2006 André Bouchier Analyses multivariés.
Plus en détailPLAN. Ricco Rakotomalala Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 2
Apprentissage non-supervisé ou apprentissage multi-supervisé? Ricco RAKOTOMALALA Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ PLAN. Classification automatique, typologie, etc.. Interprétation
Plus en détailIDENTITÉ DE L ÉTUDIANT / APPLICANT INFORMATION
vice Direction des Partenariats Internationaux Pôle Mobilités Prrogrramme de bourrses Intterrnattiionalles en Mastterr (MIEM) Intterrnattiionall Mastterr Schollarrshiip Prrogrramme Sorrbonne Parriis Ciitté
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailFormulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Program
Formulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Program Année universitaire / Academic Year: 2013 2014 INTITULE
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailBologne à l EPFL. Réforme de Bologne Implications pour l EPFL. Prof. Dominique Bonvin, Doyen Bachelor-Master
Bologne à l EPFL Réforme de Bologne Implications pour l EPFL Prof. Dominique Bonvin, Doyen Bachelor-Master EPFL Quelques chiffres 6 600 Etudiants, 23% femmes, 38% étrangers, 109 nationalités 1 400 Doctorants
Plus en détailModule Title: French 4
CORK INSTITUTE OF TECHNOLOGY INSTITIÚID TEICNEOLAÍOCHTA CHORCAÍ Semester 2 Examinations 2010 Module Title: French 4 Module Code: LANG 6020 School: Business Programme Title: Bachelor of Business Stage 2
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailSCHOLARSHIP ANSTO FRENCH EMBASSY (SAFE) PROGRAM 2015-2 APPLICATION FORM
SCHOLARSHIP ANSTO FRENCH EMBASSY (SAFE) PROGRAM 2015-2 APPLICATION FORM APPLICATION FORM / FORMULAIRE DE CANDIDATURE Note: If there is insufficient space to answer a question, please attach additional
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailIntroduction. Préambule. Le contexte
Préambule... INTRODUCTION... BREF HISTORIQUE DE L ACP... 4 DOMAINE D'APPLICATION... 5 INTERPRETATIONS GEOMETRIQUES... 6 a - Pour les n individus... 6 b - Pour les p variables... 7 c - Notion d éléments
Plus en détail"Étude TOPÉO" Le Concept de la voiture low cost en France => Cas concret : la NANO de TATA
"Étude TOPÉO" Le Concept de la voiture low cost en France => Cas concret : la NANO de TATA Étude en Ligne, réalisée par CEGMA TOPO, du 0 au 06 avril 009 Auprès de 360 individus : titulaires du permis de
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailREVUE DE STATISTIQUE APPLIQUÉE
REVUE DE STATISTIQUE APPLIQUÉE H. ABDALLAH G. SAPORTA Mesures de distance entre modalités de variables qualitatives; application à la classification Revue de statistique appliquée, tome 51, n o 2 (2003),
Plus en détail5KNA Productions 2013
Une Histoire de l Automobile 5KNA Productions 2013 1769 Le Fardier de Cugnot Chariot propulsé par une chaudière à vapeur. Vitesse: 4 km/h. Autonomie: 15 minutes 1770 Le premier accident Le Fardier, sans
Plus en détailISFA 2 année 2002-2003. Les questions sont en grande partie indépendantes. Merci d utiliser l espace imparti pour vos réponses.
On considère la matrice de données : ISFA 2 année 22-23 Les questions sont en grande partie indépendantes Merci d utiliser l espace imparti pour vos réponses > ele JCVGE FM1 GM JCRB FM2 JMLP Paris 61 29
Plus en détailI. COORDONNÉES PERSONNELLES / PERSONAL DATA
DOSSIER DE CANDIDATUREAPPLICATION FORM 2012 Please tick the admission session of your choice FévrierFebruary SeptembreSeptember MASTER OF ART (Mention the subject) MASTER OF SCIENCE (Mention the subject)
Plus en détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
Plus en détailLe baromètre BforBank - Vague 5 - Présentation globale des résultats Thème abordé : L automobile
Le baromètre BforBank - Vague 5 - Présentation globale des résultats Thème abordé : L automobile Présentation du 22 juin 2011 N Projet : BJ7418 A : BforBank & L Express De : OpinionWay OpinionWay, 06/07/2011
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailVotation populaire du 23 septembre 2012 sur l'imposition des véhicules routiers
1 Conférence de presse de la Direction de la police et des affaires militaires du 04.09.2012 Votation populaire du 23 septembre 2012 sur l'imposition des véhicules routiers Conférence de Hansulrich Kuhn,
Plus en détailLOW COST TOUT INCLUS FIAT PANDA. Moteur: Essence A/C Radio CD Assurance tous risques sans franchise Réservoir plein PRIX / SEMAINE
LOW COST TOUT INCLUS FIAT PANDA Assurance tous risques sans franchise Réservoir plein 01.01.15-30.06.15 20.09.15 30.06.15 01.07.15-31.07.15 01.08.15-23.08.15 23.08.15-20.09.15 190 240 315 240 LOW COST
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailLa Nissan Leaf 2.0 est élue Grand Prix Auto Environnement
INFORMATION PRESSE Le 22 mai 2013 PRIX AUTO ENVIRONNEMENT MAAF 2013 La Nissan Leaf 2.0 est élue Grand Prix Auto Environnement MAAF Assurances récompense 5 véhicules pour la nouvelle édition du Prix Auto
Plus en détailPour toute information complémentaire, Appeler le 79 82 88 00, le 99 87 09 79 ou écrire à l adresse e mail : ensai_recherche@yahoo.
REPUBLIQUE DU CAMEROUN Paix Travail Patrie UNIVERSITE DE NGAOUNDERE REPUBLIC OF CAMEROON Peace Work Fatherland THE UNIVERSITY OF NGAOUNDERE ECOLE NATIONALE SUPERIEURE DES SCIENCES AGRO INDUSTRIELLES NATIONAL
Plus en détailCOURS DE DATA MINING 4 : MODELISATION NON-SUPERVISEE CLASSIFICATIONS AUTOMATIQUES
COURS DE DATA MINING 4 : MODELISATION NON-SUPERVISEE CLASSIFICATIONS AUTOMATIQUES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 4 : Modélisation non-supervisée
Plus en détailInitiation à l analyse en composantes principales
Fiche TD avec le logiciel : tdr601 Initiation à l analyse en composantes principales A.B. Dufour & J.R. Lobry Une première approche très intuitive et interactive de l ACP. Centrage et réduction des données.
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailAkka Technologies au service de la voiture électrique - Cartech.fr
1 sur 5 30/08/2010 12:40 508 peugeot Accueil News & blogs Produits Shopping Telecharger forum Cartech Inscription CNET France Forums Infotrafic Environnement Technologies embarquées Concept-car Accessoires
Plus en détailMAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Plus en détailF-7a-v3 1 / 5. 7. Bourses de mobilité / Mobility Fellowships Formulaire de demande de bourse / Fellowship Application Form
F-7a-v3 1 / 5 7. Bourses de mobilité / Mobility Fellowships Formulaire de demande de bourse / Fellowship Application Form Nom de famille du candidat Langue de correspondance Français Family name of participant
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailCollège Avril 2015. Mise en service de l infrastructure de recharge de véhicules électriques sur le département des Hautes-Alpes
Collège Avril 2015 Mise en service de l infrastructure de recharge de véhicules électriques sur le département des Hautes-Alpes Contexte et enjeux Les enjeux du véhicule électrique sont multiples : Réduire
Plus en détailL ORIENTATION POST-BAC
L ORIENTATION POST-BAC EN CLASSE DE TERMINALE MERCREDI 8 OCTOBRE 2014 1 Adeline Neumann, David Hammond, Jean-Yves Guarneri Personne ressource information orientation Lycée Français International de Hong
Plus en détailRésumé de l étude réalisée par CO 2 logic pour le compte de la STIB
Comparaison des émissions de CO 2 par mode de transport en Région de Bruxelles-Capitale Résumé de l étude réalisée par CO 2 logic pour le compte de la STIB 100% Papier recyclé Janvier 2008 Résumé Déplacer
Plus en détailScénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
Plus en détailLe No.1 de l économie d énergie pour patinoires.
Le No.1 de l économie d énergie pour patinoires. Partner of REALice system Economie d énergie et une meilleure qualité de glace La 2ème génération améliorée du système REALice bien connu, est livré en
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
Plus en détailUNIVERSITE LYON 3 (JEAN MOULIN) Référence GALAXIE : 4140
UNIVERSITE LYON 3 (JEAN MOULIN) Référence GALAXIE : 4140 Numéro dans le SI local : Référence GESUP : 0202 Corps : Professeur des universités Article : 51 Chaire : Non Section 1 : 01-Droit privé et sciences
Plus en détailINNOVATION. HAUTE PERFORMANCE. SÉCURITÉ. HIER. AUJOURD HUI. DEMAIN. www.textar.com
INNOVATION. HAUTE PERFORMANCE. SÉCURITÉ. HIER. AUJOURD HUI. DEMAIN. www.textar.com TOUT. SAUF DES COMPROMIS. Quand il s agit de technologie de freinage Premium, vous pouvez compter sur Textar. Nous n acceptons
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailChapitre 2 : Caractéristiques du mouvement d un solide
Chapitre 2 : Caractéristiques du mouvement d un solide I Rappels : Référentiel : Le mouvement d un corps est décris par rapport à un corps de référence et dépend du choix de ce corps. Ce corps de référence
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détail8. Cours virtuel Enjeux nordiques / Online Class Northern Issues Formulaire de demande de bourse / Fellowship Application Form
F-8a-v1 1 / 7 8. Cours virtuel Enjeux nordiques / Online Class Northern Issues Formulaire de demande de bourse / Fellowship Application Form Nom de famille du candidat Langue de correspondance Français
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailLycée International - English Section
1 Lycée International - English Section 2 Présentation Généralités Une des 6 sections internationales du Lycée (avec la section allemande, espagnole, italienne, polonaise et russe) Environ 420 élèves Un
Plus en détailCaroline Hurault-Delarue 1, Cécile Chouquet 2, Nicolas Savy 2, Isabelle Lacroix 1, Christine Damase- Michel 1
Trajectoires individuelles d'exposition aux psychotropes au cours de la grossesse et partitionnement en fonction du profil d'exposition : utilisation des K-means pour données longitudinales Caroline Hurault-Delarue
Plus en détailHuiles moteurs pour véhicules légers
Contact: Huiles moteurs pour véhicules légers FUCHS LUBRIFIANT FRANCE DIVISION AUTO MOTO 81, RUE DE L'INDUSTRIE 92500 RUEIL-MALMAISON TEL. : 01.41.37.42.00 FAX : 01.41.37.42.01 www.fuchs-oil.fr Des huiles
Plus en détail1 - PRESENTATION GENERALE...
Contenu PREAMBULE... 2 INTRODUCTION... 2 1 - PRESENTATION GENERALE... 4 Qualité et optimalité... 8 2 - AGREGATION AUTOUR DE CENTRES MOBILES... 9 2.1 LES BASES DE L'ALGORITHME... 10 2.2 TECHNIQUES CONNEXES...
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailMEMORANDUM POUR UNE DEMANDE DE BOURSE DE RECHERCHE DOCTORALE DE LA FONDATION MARTINE AUBLET
MEMORANDUM POUR UNE DEMANDE DE BOURSE DE RECHERCHE DOCTORALE DE LA FONDATION MARTINE AUBLET ATTENTION : Tout formulaire de candidature qui présentera des erreurs ou anomalies dans le remplissage des champs
Plus en détailUNIVERSITE DE YAOUNDE II
UNIVERSITE DE YAOUNDE II The UNIVERSITY OF YAOUNDE II INSTITUT DES RELATIONS INTERNATIONALES DU CAMEROUN INTERNATIONAL RELATIONS INSTITUTE OF CAMEROON B.P. 1637 YAOUNDE -CAMEROUN Tél. 22 31 03 05 Fax (237)
Plus en détailMEMORANDUM POUR UNE DEMANDE DE BOURSE DE RECHERCHE DOCTORALE DE LA FONDATION MARTINE AUBLET
MEMORANDUM POUR UNE DEMANDE DE BOURSE DE RECHERCHE DOCTORALE DE LA FONDATION MARTINE AUBLET ATTENTION : Tout formulaire de candidature qui présentera des erreurs ou anomalies dans le remplissage des champs
Plus en détailMSO MASTER SCIENCES DES ORGANISATIONS GRADUATE SCHOOL OF PARIS- DAUPHINE. Département Master Sciences des Organisations de l'université Paris-Dauphine
MSO MASTER SCIENCES DES ORGANISATIONS GRADUATE SCHOOL OF PARIS- DAUPHINE Département Master Sciences des Organisations de l'université Paris-Dauphine Mot du directeur Le département «Master Sciences des
Plus en détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
Plus en détailConcours International de Dégustation des Clubs Œnologiques des Universités et Grandes Ecoles. Dossier de Presse
Concours International de Dégustation des Clubs Œnologiques des Universités et Grandes Ecoles 2014 Dossier de Presse 1 Janvier- juin 2014 The Left Bank Bordeaux Cup premier concours International des clubs
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailFinanzführerschäin. Maison des jeunes Am Quartier
Finanzführerschäin Maison des jeunes Am Quartier 17 mars 2015 Table des matières 1. Qu est-ce qu une transaction? Les notions de «bien» et «service»... 3 2. Qu est-ce qu une dépense? Les notions de besoins
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailIndustrial Phd Progam
Industrial Phd Progam Catalan Government: Legislation: DOGC ECO/2114/2012 Modification: DOGC ECO/2443/2012 Next: Summary and proposal examples. Main dates March 2013: Call for industrial Phd projects grants.
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détailCURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE
CURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE 1 st Cycle (1 Ciclo) (I livello) DEGREE (Grado) 240 ECTS (European Credit Transfer System) credits* over four years of university study). The equivalent
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailProf. PhD Mathias J. Rossi
Prof. PhD Mathias J. Rossi Contact Professor, PhD Firstname Mathias Jacques Family Name Rossi Adresse School of Business Administration Fribourg Ch. du Musée 4 City 1700 Fribourg Country Switzerland Phone
Plus en détailLA PUISSANCE DES MOTEURS. Avez-vous déjà feuilleté le catalogue d un grand constructeur automobile?
LA PUISSANCE DES MOTEURS Avez-vous déjà feuilleté le catalogue d un grand constructeur automobile? Chaque modèle y est décliné en plusieurs versions, les différences portant essentiellement sur la puissance
Plus en détailCalendrier de recrutement sur les campus de l été 2012
Associé, Crédit aux grandes entreprises Analyste, Services bancaires de placement Associé, Services bancaires de placement Associé, Ventes et négociation Associé, Technologiques Associé, Services de Valeurs
Plus en détailCalendrier de recrutement sur les campus de l été 2011
Associé, Crédit aux grandes entreprises Analyste, Financement des sociétés Associé, Financement des sociétés Associé, Ventes et négociation Associé, Technologiques Associé, Analytique Crédit de trésorerie
Plus en détailLes doutes et les questions des économistes face au système des brevets
Les doutes et les questions des économistes face au système des brevets Dominique Foray Réunion du Groupe français de l AIPPI Octobre 2003 1 Nous nous intéressons. non pas à la PI en soi mais à l innovation
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailCURRICULUM VITAE. CHAMP DE SPÉCIALISATION Économie financière. Économétrie financière. Économétrie.
CURRICULUM VITAE Nom: Bruno Feunou Citoyenneté: Canadien Langues: Bangam, Bandjoun, Français, Anglais Adresse: Duke University Department of Economics 213 Social Sciences Building Durham, NC 27708, US
Plus en détailIndividus et informations supplémentaires
ADE-4 Individus et informations supplémentaires Résumé La fiche décrit l usage des individus supplémentaires dans des circonstances variées. En particulier, cette pratique est étendue aux analyses inter
Plus en détailDOSSIER DE CANDIDATURE APPLICATION FORM
DOSSIER DE CANDIDATURE APPLICATION FORM BACHELOR EN MANAGEMENT INTERNATIONAL EM NORMANDIE N D INSCRIPTION (Réservé à l EM NORMANDIE) (to be filled by EM NORMMANDIE) CHOISISSEZ UNE SEULE OPTION / CHOOSE
Plus en détailAIDE FINANCIÈRE POUR ATHLÈTES FINANCIAL ASSISTANCE FOR ATHLETES
AIDE FINANCIÈRE POUR ATHLÈTES FINANCIAL ASSISTANCE FOR ATHLETES FORMULAIRE DE DEMANDE D AIDE / APPLICATION FORM Espace réservé pour l utilisation de la fondation This space reserved for foundation use
Plus en détail2013-2014 Dr. Prosper Bernard Tel: 514-987-4250 // portable 514-910-2085 Bernard.prosper@uqam.ca prosper@universityconsortium.com
Département de management et technologie École de Sciences de la gestion Université du Québec à Montréal Dr Prosper M Bernard 514-987-4250 MBA 8400 + MBA 8401 STATISTIQUES et THÉORIE DE LA DÉCISION 2013-2014
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailArchived Content. Contenu archivé
ARCHIVED - Archiving Content ARCHIVÉE - Contenu archivé Archived Content Contenu archivé Information identified as archived is provided for reference, research or recordkeeping purposes. It is not subject
Plus en détailMASSEY COLLEGE & UNIVERSITY OF TORONTO
MASSEY COLLEGE & UNIVERSITY OF TORONTO The William Southam Journalism Fellowships Les Bourses d études de Journalisme William Southam Application Form Formule de demande Application deadline March 2 limite
Plus en détail