Poids de grains de colza
|
|
- Marie-Christine Sauvé
- il y a 5 ans
- Total affichages :
Transcription
1 Poids de grains de colza Présentation du problème : On souhaite étudier l effet des 2 facteurs rotation et fertilisation sur le poids des grains de colza. 1 Données observées > colza<-read.table('colza.txt',header=t) > names(colza) #nom des colonnes [1] "Fertilisation" "Rotation" "PdsGrains" > colza Fertilisation Rotation PdsGrains 1 1 A A A A A A A A A A B B B B B B B B B B C C C C C C C C C C A A A A A A A A A
2 40 2 A B B B B B B B B B B C C C C C C C C C C 25.8 > class(colza$rotation) #verifier les types des variables [1] "factor" > class(colza$pdsgrains) [1] "numeric" > class(colza$fertilisation) [1] "integer" > colza$fertilisa<-as.factor(colza$fertilisation) #changer le type de Fertilisation > class(colza$fertilisa) [1] "factor" > table(colza$rotation,colza$fertilisa) 1 2 A B C Description des données > summary(colza$pdsgrains) Min. 1st Qu. Median Mean 3rd Qu. Max > sd(colza$pdsgrains) [1] > # par rotation > by(colza$pdsgrains,colza$rotation,mean) colza$rotation: A [1] colza$rotation: B [1] colza$rotation: C [1]
3 > # par fertilisation > by(colza$pdsgrains,colza$fertilisa,mean) colza$fertilisa: 1 [1] colza$fertilisa: 2 [1] > # par traitement > colza$ferrot=paste(colza$fertilisa,colza$rotation,sep="") > by(colza$pdsgrains,colza$ferrot,mean) colza$ferrot: 1A [1] colza$ferrot: 1B [1] 24 colza$ferrot: 1C [1] colza$ferrot: 2A [1] colza$ferrot: 2B [1] colza$ferrot: 2C [1] > by(colza$pdsgrains,colza$ferrot,sd) colza$ferrot: 1A [1] colza$ferrot: 1B [1] colza$ferrot: 1C [1] colza$ferrot: 2A [1] colza$ferrot: 2B [1] colza$ferrot: 2C [1] > fertil<-rep(c(1,2),each=3) > rotat<-rep(c('a','b','c'),2) > NBy <- c(by(colza$pdsgrains,colza[,c(2,1)],length)) > MeanBy<- c(by(colza$pdsgrains,colza[,c(2,1)],mean)) > StdDevBy <- c(by(colza$pdsgrains,colza[,c(2,1)],sd)) > rbind(fertil,rotat,round(rbind(nby,meanby,stddevby),2)) [,1] [,2] [,3] [,4] [,5] [,6] fertil "1" "1" "1" "2" "2" "2" rotat "A" "B" "C" "A" "B" "C" NBy "10" "10" "10" "10" "10" "10" MeanBy "24.11" "24" "28.64" "15.81" "19.84" "31.75" StdDevBy "8.62" "7.37" "5.86" "7.44" "8.27" "7.25" 3
4 > boxplot( colza$pdsgrains ~ colza$fertilisa*colza$rotation,ylab="pdsgrains",xlab="traitement") PdsGrains A 2.A 1.B 2.B 1.C 2.C traitement > #graphe d'interaction > interaction.plot(colza$rotation,colza$fertilisa,colza$pdsgrains,fixed=true,col=2:3,leg.bty="o") 4
5 colza$fertilisa mean of colza$pdsgrains A B C colza$rotation 3 Modèle d analyse de la variance à 2 facteurs avec interaction > #si on pose un modele d'anova, vérifier que les variables explicatives sont bien > #consideres comme des facteurs par R!!! > class(colza$fertilisa) [1] "factor" > class(colza$rotation) [1] "factor" > moda2i<-lm(pdsgrains ~ Fertilisa * Rotation, + data=colza) > summary(moda2i) Call: lm(formula = PdsGrains ~ Fertilisa * Rotation, data = colza) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-14 *** Fertilisa * RotationB
6 RotationC Fertilisa2:RotationB Fertilisa2:RotationC * Residual standard error: on 54 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 5 and 54 DF, p-value: > #somme des carres > #definition du modele nul > mod0=lm(pdsgrains ~ 1,data=colza) > anova(mod0,moda2i) Model 1: PdsGrains ~ 1 Model 2: PdsGrains ~ Fertilisa * Rotation Res.Df RSS Df Sum of Sq F Pr(>F) *** SCM = SCR = SCT = > #analyse des effets > #type I > anova(moda2i) Response: PdsGrains Df Sum Sq Mean Sq F value Pr(>F) Fertilisa Rotation *** Fertilisa:Rotation Residuals > #type II > library(car) #package a charger > Anova(modA2I) Anova Table (Type II tests) Response: PdsGrains Sum Sq Df F value Pr(>F) Fertilisa Rotation *** Fertilisa:Rotation Residuals SCM = =
7 > par(mfrow=c(2,2)) > plot(moda2i) Residuals vs Fitted Normal Q Q Residuals Standardized residuals Fitted values Theoretical Quantiles Standardized residuals Scale Location Standardized residuals Constant Leverage: Residuals vs Factor Levels Fertilisa : 2 1 Fitted values Factor Level Combinations > #Comparaison des moyennes de Rotation > library(lsmeans) #package a charger > lsmeans(moda2i,pairwise~rotation,adjust="bonferroni") $`Rotation lsmeans` Rotation lsmean SE df lower.cl upper.cl A B C $`Rotation pairwise differences` estimate SE df t.ratio p.value A - B A - C B - C p values are adjusted using the bonferroni method for 3 tests 4 Modèle d analyse de la variance à 2 facteurs sans interaction > moda2si<-lm(pdsgrains ~ Fertilisa + Rotation, + data=colza) > summary(moda2si) Call: lm(formula = PdsGrains ~ Fertilisa + Rotation, data = colza) 7
8 Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-15 *** Fertilisa RotationB RotationC *** Residual standard error: on 56 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 3 and 56 DF, p-value: > #test global du modele > anova(mod0,moda2si) Model 1: PdsGrains ~ 1 Model 2: PdsGrains ~ Fertilisa + Rotation Res.Df RSS Df Sum of Sq F Pr(>F) *** > #type I > anova(moda2si) Response: PdsGrains Df Sum Sq Mean Sq F value Pr(>F) Fertilisa Rotation *** Residuals > #type II > Anova(modA2sI) Anova Table (Type II tests) Response: PdsGrains Sum Sq Df F value Pr(>F) Fertilisa Rotation *** Residuals SCM = = SCR = SCT =
9 > #moyennes ajustees > lsmeans(moda2si,pairwise~rotation,adjust="bonferroni") $`Rotation lsmeans` Rotation lsmean SE df lower.cl upper.cl A B C $`Rotation pairwise differences` estimate SE df t.ratio p.value A - B A - C B - C p values are adjusted using the bonferroni method for 3 tests > par(mfrow=c(2,2)) > plot(moda2si) Residuals Residuals vs Fitted Standardized residuals Normal Q Q Fitted values Theoretical Quantiles Standardized residuals Scale Location Standardized residuals Constant Leverage: Residuals vs Factor Levels Fertilisa : 2 1 Fitted values Factor Level Combinations 5 Modèles d analyse de la variance à 1 facteur > with(colza,boxplot( PdsGrains ~ Rotation)) 9
10 A B C > modar<-lm(pdsgrains ~ Rotation, + data=colza) > summary(modar) Call: lm(formula = PdsGrains ~ Rotation, data = colza) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-16 *** RotationB RotationC *** Residual standard error: on 57 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 57 DF, p-value: > anova(mod0,modar) Model 1: PdsGrains ~ 1 10
11 Model 2: PdsGrains ~ Rotation Res.Df RSS Df Sum of Sq F Pr(>F) *** > anova(modar) Response: PdsGrains Df Sum Sq Mean Sq F value Pr(>F) Rotation *** Residuals > with(colza,boxplot(pdsgrains ~ Fertilisa)) > modaf<-lm(pdsgrains ~ Fertilisa, + data=colza) > summary(modaf) Call: lm(formula = PdsGrains ~ Fertilisa, data = colza) Residuals: Min 1Q Median 3Q Max 11
12 Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 *** Fertilisa Residual standard error: on 58 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 58 DF, p-value: > anova(mod0,modaf) Model 1: PdsGrains ~ 1 Model 2: PdsGrains ~ Fertilisa Res.Df RSS Df Sum of Sq F Pr(>F) > anova(modaf) Response: PdsGrains Df Sum Sq Mean Sq F value Pr(>F) Fertilisa Residuals
Exercices 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 détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
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 détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailINTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R
INTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R Y. BROSTAUX (1) RÉSUMÉ Cette note constitue une introduction au langage et à l'environnement de programmation 5 dans sa version 1.4.1 pour
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailINTRODUCTION AU LOGICIEL R
INTRODUCTION AU LOGICIEL R Variables et mise en jambe Anne Dubois, Julie Bertrand, Emmanuelle Comets emmanuelle.comets@inserm.fr INSERM UMR738 (UMR738) 1 / 68 Sur le site www.cran.r-project.org : Ou trouver
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
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 détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailIntroduction à R. Florence Yerly. Dept. de mathématiques, Université de Fribourg (CH) SP 2011
Dept. de mathématiques, Université de Fribourg (CH) SP 2011 Qu est ce que R? Un logiciel de statistiques libre et gratuit ; Un logiciel multi-plateforme (UNIX, Windows MacOS X) R permet de faire des calculs
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détailChristophe SANNIER christophe.sannier@sirs-fr.com
Systèmes d Information à Référence Spatiale Utilisation d un Estimateur de Régression avec des Données Landsat pour l Estimation de l Etendu et des Changements du Couvert Forestier du Gabon de 1990 à 2010
Plus en détailExemples d Analyses de Variance avec R
Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détail1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
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 détailNotes de cours Statistique avec le logiciel R
Notes de cours Statistique avec le logiciel R Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction L objectif de ce cours est
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailGestion des données avec R
Gestion des données avec R Christophe Lalanne & Bruno Falissard Table des matières 1 Introduction 1 2 Importation de fichiers CSV 1 2.1 Structure du fichier de données...................................
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailL'évaluation par les pairs dans un MOOC. Quelle fiabilité et quelle légitimité? Rémi Bachelet Ecole Centrale de Lille 24 novembre 2014, Université
L'évaluation par les pairs dans un MOOC. Quelle fiabilité et quelle légitimité? Rémi Bachelet Ecole Centrale de Lille 24 novembre 2014, Université Paris-Est séminaire annuel IDEA Les diapos seront tweetées
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 détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailStatistique de l assurance
Statistique de l assurance Arthur Charpentier To cite this version: Arthur Charpentier. Statistique de l assurance. 3ème cycle. Université de Rennes 1 et Université de Montréal, 2010, pp.133.
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
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 détailTP de Statistiques: Utilisation du logiciel R
TP de Statistiques: Utilisation du logiciel R Année 2006-2007 2 Table des matières Introduction i 1 Premiers pas avec R 1 1.1 R est une calculatrice............................................. 1 1.2 R
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
Plus en détailProjet évaluation : précipitation et
Projet évaluation : précipitation et nuages du Global-Meso Groupe Global-Meso Meso: Stéphane Bélair,, Michel Roch,, Anne- Marie Leduc, Paul Vaillancourt Objectifs du projet d évaluation Développer des
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailExercices sur SQL server 2000
Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailTraits biologiques : variables ou K-tableaux?
Consultations statistiques avec le logiciel Traits biologiques : variables ou K-tableaux? Résumé La fiche donne des indications sur la nature des tableaux de traits biologiques. A partir de plusieurs exemples,
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détail1 Importer et modifier des données avec R Commander
Université de Nantes 2015/2016 UFR des Sciences et Techniques Département de Mathématiques TP1 STATISTIQUE DESCRIPTIVE Frédéric Lavancier Avant propos Ouvrir l application R Saisir dans la console library(rcmdr)
Plus en détailLangage SQL : créer et interroger une base
Langage SQL : créer et interroger une base Dans ce chapitre, nous revenons sur les principales requêtes de création de table et d accès aux données. Nous verrons aussi quelques fonctions d agrégation (MAX,
Plus en détailInitiation au logiciel R
Université Paris Dauphine Année 2005 2006 U.F.R. Mathématiques de la Décision MAT-6-3 : Statistique exploratoire et numérique (NOISE) Initiation au logiciel R Jean-Michel MARIN Ce document a pour objectif
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailInvitation / CTI. CeBIT 2015. «SWISS Pavilion» Research & Innovation Applied Research, Basic Research, Emerging Technologies, Start-ups, Spin-offs
Invitation / CTI «SWISS Pavilion» Research & Innovation Applied Research, Basic Research, Emerging Technologies, Start-ups, Spin-offs CeBIT 2015 Le pivot et la clé de voûte de l économie suisse des TIC
Plus en détailTable des matières. 7 Gérer des ordres 5 Formater des paramètres OptionStation Pro 9
Leçon n 9 Table des matières OptionStation Pro 1 Gérer des positions réelles 5 Créer des positions d options théoriques 3 SpreadMaster 6 Placer une transaction 4 Représenter graphiquement des positions
Plus en détailW i r e l e s s B o d y S c a l e - i B F 5 T h a n k y o u f o r p u r c h a s i n g t h e W i r e l e s s B o d y S c a l e i B F 5. B e f o r e u s i n g t h i s u n i t f o r t h e f i r s t t i m
Plus en détailLa méthode de régression par discontinuité et l évaluation des politiques de l emploi
La méthode de régression par discontinuité et l évaluation des politiques de l emploi Thomas Lemieux University of British Columbia Le 24 novembre 2009 Plan de la présentation La méthode de régression
Plus en détailTests statistiques et régressions logistiques sous R, avec prise en compte des plans d échantillonnage complexes
, avec prise en compte des plans d échantillonnage complexes par Joseph LARMARANGE version du 29 mars 2007 Ce cours a été développé pour une formation niveau M2 et Doctorat des étudiants du laboratoire
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailEtude expérimentale et numérique de la Sédimentation/Consolidation de sols à très forte teneur en eau
Etude expérimentale et numérique de la Sédimentation/Consolidation de sols à très forte teneur en eau Gilbert LE BRAS (IUT de st nazaire, Dépt. Génie Civil) Alain ALEXIS (GeM) 1/42 Introduction Domaine
Plus en détailL export de SAS vers Excel expliqué à ma fille
L export de SAS vers Excel expliqué à ma fille SAS est un logiciel merveilleux, mais tous n y ont pas accès. Pour contenter la soif de données de vos collègues qui n auraient pas d autre outil à disposition,
Plus en détailMétrologie des pollens dans l air : étude intercomparative en région Languedoc- Roussillon
Métrologie des pollens dans l air : étude intercomparative en région Languedoc- Roussillon Rapport final ( Janvier 2005 Cette étude a été réalisée par l'unité de Palynologie de l'ecole Nationale Supérieure
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
Plus en détailApplication des courbes ROC à l analyse des facteurs pronostiques binaires
Application des courbes ROC à l analyse des facteurs pronostiques binaires Combescure C (1), Perneger TV (1), Weber DC (2), Daurès J P (3), Foucher Y (4) (1) Service d épidémiologie clinique et Centre
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailPerformance nette du Capital Investissement en France à fin 2007. Le 16 septembre 2008
Performance nette du Capital Investissement en France à fin 2007 1 Le 1 septembre 2008 Définition du TRI Net Définition du Taux de Rendement Interne (TRI) Le TRI est le taux d actualisation qui annule
Plus en détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailUn laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège
Un laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège Immunofluorescence Dépistage Aspect Titre Cellules Hep 2: Connectivites
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailCGI Business Consulting
ctobre 2014 Pour vos appels d offre CABIETS DE CSEIL E SCM 9 e ÉDITI CGI Business Consulting SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort 1. M DU CABIET CGI Business Consulting,
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détail«Valuation» et gestion du risque dans la biotech. 5 Février 2007
«Valuation» et gestion du risque dans la biotech 5 Février 2007 Points abordés Principes de la «valuation» Concepts clés Paramètres d entrée et calcul d une rnpv Applications «Licensing» Levée de fond/
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 détailAnalyse de données linguistiques
2011-2012 Slides inspirés des cours de S. Evert et M. Baroni Linguistique expérimentale? Traditionnellement en linguistique formelle, refus de l usage de données comme source d information unique: Méthode
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailTD d économétrie appliquée : Introduction à STATA
Ecole normale supérieure (ENS) Département d économie TD d économétrie appliquée : Introduction à STATA Marianne Tenand marianne.tenand@ens.fr OBJECTIFS DU TD Découvrir le logiciel d économétrie STATA,
Plus en détailTitle Text. Gestion de données de mobilité Mobility data management
Title Text Gestion de données de mobilité Mobility data management Contenu de la présentation Content Entrepôt de données de mobilité et exportation Automatisation de la génération d objets dynamiques
Plus en détailRépartition du tourisme de croisière dans la Caraïbe : quels déterminants?
Centre d Etude et de Recherche en Economie, Gestion, Modélisation et Informatique Appliquée www.ceregmia.eu Document de travail 2010-09 Décembre 2010 Répartition du tourisme de croisière dans la Caraïbe
Plus en détailLes opérations à effet de levier - LBO. Isabelle Martinez Master CCA2
Les opérations à effet de levier - LBO Isabelle Martinez Master CCA2 Définition Un LBO ou Leveraged Buy Out est le rachat des actions d'une entreprise par un ou plusieurs fonds d investissement spécialisés.
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 détailAnalyse exploratoire des données
Analyse exploratoire des données Introduction à R pour la recherche biomédicale http://wwwaliquoteorg/cours/2012_biomed Objectifs Au travers de l analyse exploratoire des données, on cherche essentiellement
Plus en détailCahiers de l IMA. Fascicule SPSS
Octobre 2008 Numéro 41 Cahiers de l IMA Fascicule SPSS Ingrid Gilles Eva G. T. Green Paola Ricciardi Joos Régis Scheidegger Chiara Storari Thomas Tuescher Pascal Wagner-Egger Ricciardi-Joos Ricciardi-Joos
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 détail