Data Mining: Activité hospitalière

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Data Mining: Activité hospitalière"

Transcription

1 Data Mining: Activité hospitalière DIAGNE Sénéba 1, Huai Yuan WAN 2 1. S2IFA 2. DRM

2 Chapitre 1 Clustering : Activité hospitalière 1.1 Présentation des données Le périmètre des données représente ici un fichier unique de données individuelles qui contient des informations relatives à chaque centre hospitalier. Chaque individu représente un centre hospitalier de type : CH1 centre hospitalier 1 CH2 centre hospitalier 2 CH3 centre hospitalier 3 CH4 centre hospitalier 4 CHU centre hospitalier universitaire CLC centre de lutte contre le cancer HL hôpital local PR Établissement privé PSP Établissement participant au service public Les autres variables disponibles pour chaque individu sont les pôles d activité suivants : AA - Digestif AB - Orthopédie, Rhumatologie AC - Uro-néphrologie AD - Système nerveux AE - Cardiologie AF - Vasculaire périphérique AG - Pneumologie AH - ORL, Stomatologie AI - Ophtalmologie AJ - Gynécologie AK - Obstétrique AL - Nouveau-nés AM - Hématologie AN - Chimiothérapie, radiothérapie, transfusion AO - Endocrinologie

3 1.2 Objectif de la classification 3 AP - Tissu cutané et tissu sous-cutané (dont chirurgie obésité) AQ - Brulures AR - Maladies infectieuses (hors VIH) AS - Maladie VIH AU - Traumatismes multiples ou complexes graves AV - Psychiatrie, Toxicologie, Intoxications, Alcool AX - Autres prises en charge AZ - Vasculaire interventionnel 1.2 Objectif de la classification Il s agit de regrouper n individus en k classes de telle sorte que les individus d une même classe soient le plus semblables possible et que les classes soient bien séparées. 1.3 Retraitement des données Il est souhaitable de réaliser des tests de cohérence sur les données avant traitement. Pour cela, nous allons faire une analyse des composantes principales pour ensuite, repérer et éliminer les outliers. Le plugin FactomineR du package Rcmdr de R est utilisé pour faire l ACP. Sur le vecteur de sortie dist qui donne les distances entre chaque individu et l origine du repère, on centre la série de données. Après cela, l origine du repère et le centre de gravité du nuage de points seront confondus. Lorsque cette modification est faite, on aura non plus la distance entre les observations et le point repère (0, 0) mais celle entre chaque individu et le centre de gravité du nuage de points même. On travaille désormais avec le vecteur des distances centré.

4 1.3 Retraitement des données 4 Figure 1.1 Représentation des individus On remarque par exemple que l individu 504 est complètement démarqué du groupe. Par ce procédé, on va essayer donc de repérer les individus qui pourraient fausser les résultats de par leurs caractères spéciaux. Le tableau suivant contient quelques quantiles du vecteur représentant les distances. Quantile 0% 10% 30% 65% 95% 96% 97% 98% 99% 100% Valeur Table 1.1 Quantile des distances Après le quantile à 97%, on remarque une forte croissance ce qui traduit la présence d individu particulier. Arbitrairement, on décide d éliminer tout les individus qui sont après le quantile à 98% c est à dire les individus dont la distance par rapport au centre de gravité du nuage de points est supérieur à Ils sont résumés dans le tableau suivant et sont constitués de 80% de CHU : Type d etablissement CH1 CH2 CH3 CH4 CHU CLC HL pr PSP Nombre Table 1.2 les Outliers Le graphe suivant représente la distribution finale des individus où on observe toujours que les CHU et les CH4 sont démarqués des autres individus.

5 1.4 Nombre de Clusters 5 Figure 1.2 Représentation des individus Vu la particularité des CHU, on décide de les éliminer en totalité du jeu de données. 1.4 Nombre de Clusters Pour déterminer le nombre optimal de clusters qu on va prendre en compte dans notre étude on va étudier plusieurs techniques de calculs Distance intra-classe Le graphe suivant résume la variation de la distance intra-classe pour différents nombre de clusters calculé par k-means.

6 1.4 Nombre de Clusters 6 Figure 1.3 Variation intra-classe Il apparait bien que, quand on prend tout les individus dans la même classe, la variance intra-classe est forte car elle résume tout simplement la variance totale du nuage de point. Les critères de variances inter-classe et intra-classe sont utilisés en classification pour étudier l homogénéité des clusters. La première doit est le plus petit possible afin de s assurer que les individus dans une même classe se ressemblent le plus possible et la seconde le plus grand possible pour garantir une nette séparation entre deux classes différentes. Dans notre premier analyse, ce graphe nous suggère donc de choisir entre 4 et 5 clusters Dendogramme On utilise ici une méthode issue de la classification hiérarchique. Il s agit de de mettre ensemble une suite de partition emboitée les unes dans les autres en regroupant à chaque étape les groupes d individus les plus proches ce qui va constituer une arbre de classification. Connaissant l arbre de classification on pourra en déduire des partitions. Il suffit pour cela de couper l arbre à un certain niveau et de regarder les "branches" qui tombent. La méthode des dendogrammes nous suggère d utiliser 3 à 4 clusters. Les graphes suivants montrent respectivement les regroupements avec 3 et 4 classes.

7 1.4 Nombre de Clusters 7 Figure 1.4 Dendogramme à 4 classes Figure 1.5 Dendogramme à 3 classes Sur le dendogramme à 4 classes, on a une classe (la première) qui est particulière et est composée essentiellement de CH4.Pour rappel, les CH4 étaient le deuxième groupe d individu démarqué des autres dans le graphe de représentation des individus. Pour cela, on choisie donc de regrouper nos individus en 3 classes ce qui nous assure plus de stabilité et un modèle moins sensible à de petites variations.

8 1.5 Classification Conclusion D après ces deux analyses sur le variances intra-classe et les dendogrammes, on décide alors de retenir une partition entre 3 et 4 classes en espérant que cela va nous garantir des clusters optimaux qui vont regrouper des individus semblables. 1.5 Classification Une petite analyse factorielle des correspondances Nous allons construire le tableau de contingence croisant les deux variables qui sont les types d établissement et les pôles d activités. On aura ainsi les effectifs pour chaque couple de variables et cela servira à faire une analyse factorielle des correspondance. Figure 1.6 Analyse factorielle des correspondance plan 1-2

9 1.5 Classification 9 Figure 1.7 Analyse factorielle des correspondance plan 2-3 Le premier fait marquant est que ce sont les centres de lutte contre le cancer qui font plus de Chimiothérapie, radiothérapie, transfusion et sont complètement démarqués des autres pôles d activité. S en suit les établissements privés qui font plus de l ophtalmologie, de la gynécologie, du vasculaire périphérique et interventionnel,... Le premier axe oppose les CLC et CH4 contre les autres et le deuxième axe oppose les CLC et les établissements privés à tout les autres. Dans tout les cas donc, les CLC constituent donc des individus particuliers.

10 1.6 Conclusion Table de classification Comparaison des classifications à 3 et 4 classes Type cluster 1.3 cluster 2.3 cluster 3.3 cluster 1.4 cluster 2.4 cluster 3.4 cluster 4.4 CH CH CH CH CLC HL PR PSP Table 1.3 comparaison partition Comme on pouvait s y attendre (d après l AFC), les CLC sont classés à part dans un cluster (les clusters et 3.4 ) indépendamment de tout les autres types d établissement vu leur particularité de traitement du cancer. S en suit les CH4 qui sont dans les classes 2.3 et 4.4 et qu on retrouve des fois avec un faible effectif d établissement privé. Ceci peut être du par leur proximité dans la représentation des individus dans l AFC sur le plan 2-3. A part ces deux profils particuliers, tout les autres types d établissement se retrouve dans une seule classe. 1.6 Conclusion Dans le cadre de ces travaux sur la classification des type d établissement sur les hôpitaux, on peut retenir donc une partition à 3 classes qui diffère principalement : Les centres de lutte contre le cancer qui s occupent principalement de l activité Chimiothérapie, radiothérapie, transfusion Les centres hospitaliers de type 4 qui s occupent principalement l hématologie Les autres types d établissement qui s occupent en gros des autres types d activités 1. Lire le premier cluster de la partition à 3 classes

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

Plus en détail

L E N I VE AU D E S L OYERS PAR C OM M U N E D E L AG GLOMÉRAT I ON PAR I S I E N N E. D é b u t 2 0 0 9

L E N I VE AU D E S L OYERS PAR C OM M U N E D E L AG GLOMÉRAT I ON PAR I S I E N N E. D é b u t 2 0 0 9 L E N I VE AU D E S L OYERS PAR C OM M U N E D E L AG GLOMÉRAT I ON PAR I S I E N N E D é b u t 2 0 0 9 69 70 Dossier n 24 Introduction L OLAP présente ici la synthèse d une étude réalisée en 2010 pour

Plus en détail

Vers une approche managériale des tarifs T2A

Vers une approche managériale des tarifs T2A Vers une approche managériale des tarifs T2A Contribution de CAHPP Consultant Juin 2013 Page 1 sur 35 SOMMAIRE SOMMAIRE... Page 2 PRÉAMBULE... Page 3 PARTIE I : MÉTHODOLOGIE... Page 5 PARTIE II : IMPACT

Plus en détail

Analyse des données - Logiciel R

Analyse des données - Logiciel R Université de Strasbourg Analyse des données Master de Sciences, Spécialité Statistique 2012/13 Master Actuariat Emmanuel Périnel Analyse des données - Logiciel R TP n 2. L Analyse en Composantes Principales

Plus en détail

Classification. Pr Roch Giorgi. roch.giorgi@univ-amu.fr

Classification. Pr Roch Giorgi. roch.giorgi@univ-amu.fr Classification Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr Objectif Rechercher

Plus en détail

L art de recevoir depuis 1988

L art de recevoir depuis 1988 L art de recevoir depuis 1988 E X P L O R E Z L E S M I L L E E T U N E F AC E T T E S D E L A G AS T R O N O M I E E N D É C O U V R AN T M AÎ T R E & C H E F T R AI T E U R S, S Y N O N Y M E D E R AF

Plus en détail

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h I.U.T de Caen STID 2ème année Département STID Année Universitaire 2002-2003 Responsable de cours : Alain LUCAS Seule la calculatrice type collège est autorisée. Seul le cours est autorisé. On rappelera

Plus en détail

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac La classification 2012-2013 Fabien Chevalier Jérôme Le Bellac Introduction : Classification : méthode d analyse de données Objectif : Obtenir une représentation schématique simple d'un tableau de données

Plus en détail

SPECIFICATION DES ECHANGES DE DONNEES INFORMATISES (E.D.I.)

SPECIFICATION DES ECHANGES DE DONNEES INFORMATISES (E.D.I.) SPECIFICATION DES ECHANGES DE DONNEES INFORMATISES (E.D.I.) Dernière mise à jour : octobre 2013 Ce document a pour objectif de décrire ce que l OPCA (OPCA 3+) attend du fichier à transmettre par l adhérent.

Plus en détail

CRITERES DE REMPLACEMENT

CRITERES DE REMPLACEMENT ANATOMIE ET CYTOLOGIE PATHOLOGIQUES - 7 semestres dans des services agréés pour le DES d anatomie et cytologie pathologiques, dont au moins 5 doivent être accomplis dans des services hospitalouniversitaires

Plus en détail

TP R de Statistiques sur l analyse multivariée: AFC, ACP, CAH, k-means et AFCM

TP R de Statistiques sur l analyse multivariée: AFC, ACP, CAH, k-means et AFCM TP R de Statistiques sur l analyse multivariée: AFC, ACP, CAH, k-means et AFCM Emmanuel Rachelson and Matthieu Vignes 9 octobre 2013, SupAero - ISAE 1 Présidentielles 2008 - AFC Récupérer les données,

Plus en détail

Campagne tarifaire MCO 2015 et écarts TIC / Tarifs

Campagne tarifaire MCO 2015 et écarts TIC / Tarifs Campagne tarifaire MCO 2015 et écarts TIC / Tarifs Nicolas FERRAFIAT, Observatoire économique, social et financier Observatoire économique, social et financier 1 Campagne tarifaire MCO 2015 Rappels construction

Plus en détail

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

L analyse des correspondances et ses applications en recherche marketing. MONSUG mai 2015

L analyse des correspondances et ses applications en recherche marketing. MONSUG mai 2015 L analyse des correspondances et ses applications en recherche marketing MONSUG mai 2015 Contenu Mise en contexte et exemple d application L analyse des correspondances multiples (ACM) L ACM et la segmentation

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC L analyse Factorielle des correspondances...2 1/ Préambule descriptif de l AFC...2 Exemples de types de données que l AFC peut aborder:...2 Quelques types de tableaux traités par l AFC...3 2/ Exercice

Plus en détail

Thomas André Manuel Brisville. Data Mining. Compte-rendu de l activité d évaluation 11/02/2015 UTFPR

Thomas André Manuel Brisville. Data Mining. Compte-rendu de l activité d évaluation 11/02/2015 UTFPR Thomas André Manuel Brisville Data Mining Compte-rendu de l activité d évaluation 11/02/2015 UTFPR 1 Table des matières 2 Introduction... 2 3 La base de données utilisée... 3 3.1 Origine de la base...

Plus en détail

La classification automatique de données quantitatives

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 détail

Géométrie vectorielle et analytique dans l'espace, cours, terminale S

Géométrie vectorielle et analytique dans l'espace, cours, terminale S Géométrie vectorielle et analytique dans l'espace, cours, terminale S F.Gaudon 21 mars 2013 Table des matières 1 Vecteurs de l'espace 2 1.1 Extension de la notion de vecteur à l'espace.........................

Plus en détail

Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances

Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances A travers ce TD, nous allons apprendre à mettre en oeuvre l analyse factorielle des correspondances.

Plus en détail

GUIDE DU DATA MINER. Classification - Typologies. Data Management, Data Mining, Text Mining

GUIDE DU DATA MINER. Classification - Typologies. Data Management, Data Mining, Text Mining GUIDE DU DATA MINER Classification - Typologies Data Management, Data Mining, Text Mining 1 Guide du Data Miner Classification - Typologies Le logiciel décrit dans le manuel est diffusé dans le cadre d

Plus en détail

Exercer le rôle de coordonnateur local de DES ou DESC

Exercer le rôle de coordonnateur local de DES ou DESC Exercer le rôle de coordonnateur local de DES ou DESC Les missions du coordonnateur local du 3 ème cycle se sont diversifiées au cours de ces dernières années, de sorte qu il est apparu nécessaire de clarifier

Plus en détail

Objectif du groupe GT1.1 Fusion de Données

Objectif du groupe GT1.1 Fusion de Données Objectif du groupe GT1.1 Fusion de Données Le groupe travaille dans trois directions Le vocabulaire (piloté par ADVITAM et l aide de SITE) L état de l art (piloté par SYROKKO) Deux applications illustratives

Plus en détail

ACP Voitures 1- Méthode

ACP 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 détail

Niveau 6 : Mathématiques

Niveau 6 : Mathématiques Niveau 6 : Mathématiques Les pourcentages de réussite affichés pour chaque item correspondent à une mise à l'essai dans 4 classes au Burkina Faso et 4 classes en Côte d'ivoire, au mois de mai 1998, (élèves

Plus en détail

Services, consultations, examens : les numéros de téléphone à portée de main! MEMO PHONE. www.ch-toulon.fr

Services, consultations, examens : les numéros de téléphone à portée de main! MEMO PHONE. www.ch-toulon.fr Services, consultations, examens : les numéros de téléphone à portée de main! MEMO PHONE www.ch-toulon.fr Sommaire 2 Hôpital Sainte Musse L essentiel... 4 Services de soins... 5 Services médico-techniques...

Plus en détail

MoneyTalk - Personal Finance Day du 27 septembre 2008

MoneyTalk - Personal Finance Day du 27 septembre 2008 21/09/2008 Existe-t-il un niveau de chiffre d'affaires à partir duquel il est intéressant de passer en société? Mise en garde : cette note a servi de support à la présentation d un exposé lors de la journée

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Partie 1 : Étude des caractéristiques d un ensemble d hôtels

Partie 1 : Étude des caractéristiques d un ensemble d hôtels Analyse de données M1 Statistique et économétrie - 2012 V. Monbet Classification Partie 1 : Étude des caractéristiques d un ensemble d hôtels Le fichier hotels.csv contient des caractéristiques liées au

Plus en détail

Niveau 3 : Mathématiques

Niveau 3 : Mathématiques Niveau 3 : Mathématiques Les pourcentages de réussite affichés pour chaque item correspondent à la campagne de collecte de données 1996/1997. Le test a été administré à des élèves de fin de troisième année

Plus en détail

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED SEMIN Analyses factorielles avec R Elisabeth MORAND INED SEMIN R du MNHN 10 Décembre 2009 E. Morand 10 Décembre 2009 INED 1 / 42 Part I Analyse en Composantes Principales : ACP 2 / 42 Sommaire 1 Introduction

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 6. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 6. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 6 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

Angles orientés et fonctions circulaires ( En première S )

Angles orientés et fonctions circulaires ( En première S ) Angles orientés et fonctions circulaires ( En première S ) Dernière mise à jour : Jeudi 01 Septembre 010 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble (Année 006-007) Lycée Stendhal, Grenoble

Plus en détail

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 6 : Modélisation non-supervisée

Plus en détail

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

Plus en détail

Introduction à l analyse des données. Olivier Godechot

Introduction à l analyse des données. Olivier Godechot Introduction à l analyse des données Olivier Godechot Introduction. Les données statistiques : de très nombreuses variables. Aucune n est parfaite La perception d un phénomène appréhendée comme la combinaison

Plus en détail

Introduction sur l analyse en composantes principales (ACP)

Introduction sur l analyse en composantes principales (ACP) Introduction sur l analyse en composantes principales (CP) ) Introduction sur un exemple à 2 dimensions On veut représenter graphiquement les profils d élèves qui ont été notés sur 2 matières (Français

Plus en détail

Les variations tarifaires T2A 2012/2013 :

Les variations tarifaires T2A 2012/2013 : Les variations tarifaires T2A : Contribution de CAHPP Consultant Avril 2013 Page 1 sur 89 SOMMAIRE SOMMAIRE... Page 2 PRÉAMBULE... Page 3 PARTIE I : MÉTHODOLOGIE... Page 5 PARTIE II : IMPACT DES VARIATIONS

Plus en détail

Analyse factorielle des correspondances de Benzécri

Analyse factorielle des correspondances de Benzécri Analyse factorielle des correspondances de Benzécri One Pager Décembre 2013 Vol. 8 Num. 011 Copyright Laréq 2013 http://www.lareq.com Analyse Factorielle des Correspondances de Benzécri Une illustration

Plus en détail

Clustering. Christine Decaestecker, ULB Marco Saerens, UCL. LINF2275 Clustering 1

Clustering. Christine Decaestecker, ULB Marco Saerens, UCL. LINF2275 Clustering 1 Clustering Christine Decaestecker, ULB Marco Saerens, UCL LINF75 Clustering 1 Classification non-supervisée (automatique) Méthodes de regroupement ("Clustering") Objectif : Sur base - soit d'un tableau

Plus en détail

(2011) FRAIS MIXTES DETAIL DIVERS A REINTEGRER

(2011) FRAIS MIXTES DETAIL DIVERS A REINTEGRER (2011) FRAIS MIXTES DETAIL DIVERS A REINTEGRER OG24 Nature de la charge Salaires nets et charges sociales Autres impôts Loyers et charges ou Ch.de copropriété Location de matériel et mobilier Entretien

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse 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 détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Analyse de données M1 Statistique et économétrie - 2011 C. Herzet, V. Monbet Analyse Factorielle des Correspondances Multiples

Analyse de données M1 Statistique et économétrie - 2011 C. Herzet, V. Monbet Analyse Factorielle des Correspondances Multiples Analyse de données M1 Statistique et économétrie - 2011 C. Herzet, V. Monbet Analyse Factorielle des Correspondances Multiples 1 ACM avec R Plusieurs packages fournissent des outils permettant de réaliser

Plus en détail

RENSEIGNEMENTS COMPLEMENTAIRES OG exercice 2014

RENSEIGNEMENTS COMPLEMENTAIRES OG exercice 2014 RENSEIGNEMENTS COMPLEMENTAIRES OG exercice 2014 RENSEIGNEMENTS GENERAUX Votre activité BNC est-elle exercée à titre : principal secondaire Votre conjoint travaille-t-il dans l entreprise? oui non Si oui,

Plus en détail

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

Plus en détail

Nouvelles spécifications des fichiers de données éco 2 mix version 4

Nouvelles spécifications des fichiers de données éco 2 mix version 4 Nouvelles spécifications des fichiers de données éco 2 mix version 4 Mise en service prévue début décembre 2014. Pour être prévenu, abonnez-vous à notre newsletter ici 1. Généralités 1.1 Nature des informations

Plus en détail

Services, consultations, examens : les numéros de téléphone à portée de main! MEMO PHONE. www.ch-toulon.fr

Services, consultations, examens : les numéros de téléphone à portée de main! MEMO PHONE. www.ch-toulon.fr Services, consultations, examens : les numéros de téléphone à portée de main! MEMO PHONE www.ch-toulon.fr Sommaire Hôpital Sainte Musse L essentiel... 4 Services de soins... 5 Services médico-techniques...

Plus en détail

Analyse en composantes principales (ACP)

Analyse en composantes principales (ACP) Analyse en composantes principales (ACP) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 31 Quel type de données? L ACP s intéresse à des tableaux

Plus en détail

Créez vous-même votre déco personnalisée!

Créez vous-même votre déco personnalisée! Gamme Déco Déco Nouveau concept Créez vous-même votre déco personnalisée! Étape 1 Choisissez votre objet déco Made in ITALY Plaques de porte Nombreux modèles et couleurs disponibles Porte manteaux Étape

Plus en détail

Conseil national de l Ordre des médecins. Conditions de niveau d'études à remplir pour obtenir une licence de remplacement en spécialité.

Conseil national de l Ordre des médecins. Conditions de niveau d'études à remplir pour obtenir une licence de remplacement en spécialité. Conditions de niveau d'études à remplir pr obtenir une licence de remplacement en spécialité. ACTIVITÉ DU MÉDECIN REMPLACÉ Anatomie et cytologie pathologiques humaines anatomie et cytologie pathologiques.

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Didacticiel - Etudes de cas

Didacticiel - Etudes de cas Objectif Montrer la complémentarité des méthodes de fouille de données (clustering) et de visualisation (analyse en composantes principales). Fichier Nous traitons le fichier CARS.XLS. Il est composé de

Plus en détail

Analyse multidimensionnelle de données longitudinales

Analyse multidimensionnelle de données longitudinales Analyse multidimensionnelle de données longitudinales Ndèye Niang Conservatoire National des Arts et Métiers Plan Introduction Terminologie-Notations Méthodes directes Coefficient d association vectorielle

Plus en détail

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

DEMANDE D ATTESTATION ET SES ANNEXES

DEMANDE D ATTESTATION ET SES ANNEXES DEMANDE D ATTESTATION ET SES ANNEXES MODELE CABINET D EXPERTISE COMPTABLE DOCUMENTS A NOUS ADRESSER OBLIGATOIREMENT SUR SUPPORT PAPIER OU EN DEMATERIALISATION EDI-TDFC Demande d attestation et renseignements

Plus en détail

Fiche produit octobre 2013

Fiche produit octobre 2013 FICHE PRODUIT Offre de suivis et d alertes 1 SOMMAIRE OFFRE DE SUIVIS ET D ALERTES 3 Introduction 3 Généralités 3 LES SUIVIS : PRINCIPES 4 Les «plus» de l offre de suivi 4 Gestion des suivis 5 LES SUIVIS

Plus en détail

DEMANDE D ATTESTATION ET SES ANNEXES

DEMANDE D ATTESTATION ET SES ANNEXES DEMANDE D ATTESTATION ET SES ANNEXES DOCUMENTS A NOUS ADRESSER OBLIGATOIREMENT SUR SUPPORT PAPIER OU EN DEMATERIALISATION EDI-TDFC Demande d attestation et renseignements complémentaires obligatoirement

Plus en détail

GUIDE D UTILISATION «MECA PRO» Etude de l équilibre d un solide soumis à trois forces

GUIDE D UTILISATION «MECA PRO» Etude de l équilibre d un solide soumis à trois forces GUIDE D UTILISATION «MECA PRO» Etude de l équilibre d un solide soumis à trois forces Etude de l équilibre d un solide soumis à trois forces non parallèles Si un solide soumis à l'action de 3 forces A

Plus en détail

Secteur Elections. Elections : municipales, conseils communautaires LES NOUVELLES RÉGLES

Secteur Elections. Elections : municipales, conseils communautaires LES NOUVELLES RÉGLES Elections : municipales, conseils communautaires LES NOUVELLES RÉGLES Communes de moins 100 habitants Le nombre de conseillers municipaux dans les communes de moins de 100 habitants est réduit de deux,

Plus en détail

Analyse de données multidimensionnelles

Analyse de données multidimensionnelles Analyse de données multidimensionnelles M1 Statistique et économétrie, 2014 Projet - V. Monbet Le projet est composé de deux parties indépendantes. Les données sont disponibles sur la page web du cours.

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

Sujet 3: Programmation Stochastique Mésures

Sujet 3: Programmation Stochastique Mésures Sujet 3: Programmation Stochastique Mésures d efficacité MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 12, 2011 Dans ce sujet... 1 Mésures d efficacité Valeur du modèle

Plus en détail

Data Mining : la classification non supervisée

Data Mining : la classification non supervisée Data Mining : la classification non supervisée Clustering : une affaire de distance. Etude préliminaire. Valeurs discrètes. Soient les deux individus suivants correspondant à des séquences ADN : X = AGGGTGGC

Plus en détail

Exercice 1 : sur 2,5 points 1) Lire graphiquement les équations des droites D 1, D 2 et D 3 tracées dans le repère ci-dessous

Exercice 1 : sur 2,5 points 1) Lire graphiquement les équations des droites D 1, D 2 et D 3 tracées dans le repère ci-dessous NOM : Seconde A B C H J Mardi 19 janvier 010 Exercice 1 : sur,5 points 1) Lire graphiquement les équations des droites D 1, D et D tracées dans le repère ci-dessous ) Dans le même repère, tracer la droites

Plus en détail

Analyse multivariée approfondie

Analyse multivariée approfondie Analyse multivariée approfondie Enseignants: NIANG N. et RUSSOLILLIO G. Maître de conférences Statistique Appliquée Laboratoire CEDRIC CNAM http://www.cnam.fr et d autres intervenants extérieurs au Cnam

Plus en détail

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option (Public2014-B1) Résumé : On présente un exemple de système de deux espèces en compétition dans un environnement périodique.

Plus en détail

ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN

ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN Pôle Informatique de Recherche et d Enseignement en Histoire ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN A. PREMIER PAS 1. INTEGRATION DU TABLEAU

Plus en détail

PRODUIT SCALAIRE EXERCICES CORRIGES

PRODUIT SCALAIRE EXERCICES CORRIGES Exercice n. (correction) Répondre par VRAI (V) ou FAUX (F) : Question Soient A, B et C trois points distincts du plan. PRODUIT SCALAIRE EXERCICES CORRIGES a) A, B et C sont alignés si et seulement si :

Plus en détail

L analyse des données statistiques

L analyse des données statistiques L analyse des données statistiques Public : Les cadres devant analyser des données quantitatives et qualitatives Objectif : Apprendre, en utilisant principalement Excel : - à traiter des données provenant

Plus en détail

IUT STID, 1 ère année Découverte de logiciels statistiques Prise en main du logiciel SPAD

IUT STID, 1 ère année Découverte de logiciels statistiques Prise en main du logiciel SPAD Université de Perpignan - IUT de Carcassonne Vivien ROSSI Année 2006/2007 IUT STID, 1 ère année Découverte de logiciels statistiques Prise en main du logiciel SPAD Ce document est tiré du site : http ://www.stat.ucl.ac.be/ispersonnel/lecoutre/stats/spad/

Plus en détail

SPHINX Logiciel de dépouillement d enquêtes

SPHINX Logiciel de dépouillement d enquêtes SPHINX Logiciel de dépouillement d enquêtes sphinx50frversion4.doc 1 Les trois stades du SPHINX sont ceux que comporte habituellement toute enquête d opinion: Elaboration du questionnaire (fiche outil

Plus en détail

LA DÉMOGRAPHIE MÉDICALE EN RÉGION ILE-DE-FRANCE Situation en 2013

LA DÉMOGRAPHIE MÉDICALE EN RÉGION ILE-DE-FRANCE Situation en 2013 LA DÉMOGRAPHIE MÉDICALE EN RÉGION ILE-DE-FRANCE Situation en 2013 Sous la direction du Dr Jean-François RAULT, Président de la Section Santé Publique et Démographie Médicale. Réalisé par Gwénaëlle LE BRETON-LEROUVILLOIS,

Plus en détail

Dropbox par un nul et pour des nuls

Dropbox par un nul et pour des nuls Dropbox par un nul et pour des nuls Dropbox que je traduirai (à voir) par Boite de Dépôt est une boite dans laquelle on va déposer des fichiers ou des dossiers. Pour faire quoi? - mettre mes dossiers à

Plus en détail

Analyse des Données. Travaux Pratiques 3

Analyse des Données. Travaux Pratiques 3 Analyse des Données Travaux Pratiques 3 1 Introduction Ce TP sera consacré aux analyses factorielles. La première partie présentera un exemple réel (et poussé) d une analyse factorielle des correspondances

Plus en détail

Université Cadi Ayyad Faculté de Médecine & de Pharmacie Marrakech 1999-2013. JEFAC-SENEGAL-2013 Mr. EL HOUDAIGUI Azzeddine

Université Cadi Ayyad Faculté de Médecine & de Pharmacie Marrakech 1999-2013. JEFAC-SENEGAL-2013 Mr. EL HOUDAIGUI Azzeddine Université Cadi Ayyad Faculté de Médecine & de Pharmacie Marrakech 1999-2013 Création de la Faculté Créée en 1994, Décret n 2-94-130 du 13 Hijja 1414 (24 Mai 1994) modifiant et complétant le décret n 2-90-554

Plus en détail

STATISTIQUES 2 : MOYENNE, MEDIANE, ECART-TYPE

STATISTIQUES 2 : MOYENNE, MEDIANE, ECART-TYPE Chapitre 4bis STATISTIQUES 2 : MOYENNE, MEDIANE, ECART-TYPE BAC PRO 3 Objectifs (à la fin du chapitre, je dois être capable de ) : - Calculer une moyenne - Calculer une médiane (caractère discret) - Tracer

Plus en détail

CHAPITRE III VECTEURS

CHAPITRE III VECTEURS CHAPITRE III VECTEURS EXERCICES 1) Recopiez le point A et le vecteur u sur le quadrillage de votre feuille : 4 e Chapitre III Vecteurs a) Construisez le point B tel que AB = u. b) Construisez le point

Plus en détail

Session 1 durée 3 heures

Session 1 durée 3 heures Université de Nantes Mai 27 Master MIM Examen d'analyse de données Session durée 3 heures Les documents sont interdits. Les calculatrices sont autorisées. Exercice : - Etude d un tableau à l aide d une

Plus en détail

RENSEIGNEMENTS COMPLEMENTAIRES OG exercice 2013

RENSEIGNEMENTS COMPLEMENTAIRES OG exercice 2013 RENSEIGNEMENTS COMPLEMENTAIRES OG exercice 2013 RENSEIGNEMENTS GENERAUX Votre activité BNC est elle exercée à titre principal? Votre conjoint travaille-t-il dans l entreprise? si oui, quel est son statut?

Plus en détail

Factorisation matricielle non-négative pour la classification des instruments de musique

Factorisation matricielle non-négative pour la classification des instruments de musique Factorisation matricielle non-négative pour la classification des instruments de musique Objectif Ce projet a pour but d appliquer la NMF à l analyse des instruments de musique. Supposons que l on possède

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L 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 détail

DÉMOGRAPHIE MÉDICALE DE LA VILLE DE PARIS (Situation au 1 er janvier 2009)

DÉMOGRAPHIE MÉDICALE DE LA VILLE DE PARIS (Situation au 1 er janvier 2009) DÉMOGRAPHIE MÉDICALE DE LA VILLE DE PARIS (Situation au 1 er janvier 2009) I LES MEDECINS INSCRITS AU TABLEAU DE L ORDRE Au 1 er janvier 2009, la ville de Paris recense 22 958 médecins inscrits à son Tableau

Plus en détail

Exercice 2. Population de Bruxelles de 18 à 65 ans selon le sexe et le statut d occupation - 2010

Exercice 2. Population de Bruxelles de 18 à 65 ans selon le sexe et le statut d occupation - 2010 Chapitre 1. Tableau à double entrée Exercices : solutions Texte provisoire. Merci pour les remarques, commentaires, suggestions Exercice 1 1.a. Population de Bruxelles selon le sexe et la nationalité Hommes

Plus en détail

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES M. C. WEISS Variations pédagogiques sur le thème des échantillons systématiques Mathématiques et sciences humaines, tome 102 (1988), p. 39-45.

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

Descriptif du fichier d'importation EDI des réceptions Fastmag

Descriptif du fichier d'importation EDI des réceptions Fastmag Descriptif du fichier d'importation EDI des réceptions Fastmag Vous trouverez ci-dessous la description du fichier à nous remettre pour l importation dans Fastmag des réceptions de marchandises. Si les

Plus en détail

6GEI540 Interfaces et instrumentation. Laboratoire #2

6GEI540 Interfaces et instrumentation. Laboratoire #2 6GEI540 Interfaces et instrumentation Laboratoire #2 Représentations MATLAB et Échantillonnage Hiver 2007 1. Objectifs Approfondir les connaissances de l échantillonnage Voir la correspondance entre le

Plus en détail

Visite test de certification V2014 Retour du CHU de Rennes GCS CAPPS Vendredi 12 juin 2015

Visite test de certification V2014 Retour du CHU de Rennes GCS CAPPS Vendredi 12 juin 2015 Visite test de certification V2014 Retour du CHU de Rennes GCS CAPPS Vendredi 12 juin 2015 CENTRE HOSPITALIER UNIVERSITAIRE DE RENNES Le CHU de Rennes Etablissement MCO, SSR, SLD de 1860 lits et places

Plus en détail

SUJET : REMPLACEMENT DE L ARBRE INTERMEDIAIRE SUR UN REDUCTEUR PROBLEMATIQUE de MAINTENANCE.

SUJET : REMPLACEMENT DE L ARBRE INTERMEDIAIRE SUR UN REDUCTEUR PROBLEMATIQUE de MAINTENANCE. SUJET : REMPLACEMENT DE L ARBRE INTERMEDIAIRE SUR UN REDUCTEUR PROBLEMATIQUE de MAINTENANCE. La cimenterie de Martres-Tolosane possède trois broyeurs à boulets. L entraînement en rotation de ces broyeurs

Plus en détail

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES STATISTIQUES I. Séries statistiques simples... 1 A. Définitions... 1 1. Population... 1 2. Caractère statistique... 1 B. Séries classées / représentations graphiques.... 2 1. Séries classées... 2 2. Représentations

Plus en détail

Equite_echelles_regression_simple_20131128_DEMO.xls DESCRIPTION DE L ENTREPRISE ET DU MANDAT DU CONSULTANT

Equite_echelles_regression_simple_20131128_DEMO.xls DESCRIPTION DE L ENTREPRISE ET DU MANDAT DU CONSULTANT Equite_echelles_regression_simple DEMO.xls DESCRIPTION DE L ENTREPRISE ET DU MANDAT DU CONSULTANT La majorité des employés effectuent des travaux de nature manuelle, sauf deux personnes. La direction quotidienne

Plus en détail

Exercices corrigés sur les rappels de logique du premier ordre

Exercices corrigés sur les rappels de logique du premier ordre Exercices corrigés sur les rappels de logique du premier ordre 1- Analyser les formules suivantes (dire si ce sont des formules, donner arbres, occurrences libres, occurrences liées, identifier la portée

Plus en détail

interne générale (anamnèse, examen médical, diagnostic, traitement, consultation et prévention).

interne générale (anamnèse, examen médical, diagnostic, traitement, consultation et prévention). Instructions pour les organisateurs de sessions de formation continue essentielle spécifique crédits de formation continue SSMI/SSMG pour les manifestations 1. Base légale A compter du 1er janvier 2014

Plus en détail

INITIATION AUX SIMULATIONS DES CONTRAINTES ET DEFORMATIONS D UNE STRUCTURE

INITIATION AUX SIMULATIONS DES CONTRAINTES ET DEFORMATIONS D UNE STRUCTURE DOSSIER : CHARIOT PORTE PALAN INITIATION AUX SIMULATIONS DES CONTRAINTES ET DEFORMATIONS D UNE STRUCTURE ATELIER CATIA V5: GENERATIVE STRUCTURAL ANALYSIS OBJECTIFS : L objectif de cette étude consiste

Plus en détail

Création de typologie sous SPSS

Création de typologie sous SPSS Création de typologie sous SPSS À Propos de ce document... 1 Introduction... 1 La démarche à suivre sous SPSS... 2 1. «Iterate»... 2 2. «Save»... 2 3. «Options»... 3 Analyse des résultats... 3 1. Historique

Plus en détail

Data Mining & Data Warehousing

Data Mining & Data Warehousing Data Mining & Data Warehousing Jef Wijsen juin 2006 Nom + Prénom: Orientation + Année: Instructions Examen à cahier ouvert. Durée: 2 heures et 30 minutes. Répondez dans les cadres prévus. 2 Questions Question

Plus en détail