L'analyse de données avec FactoMineR : les nouveautés

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "L'analyse de données avec FactoMineR : les nouveautés"

Transcription

1 L'analyse de données avec FactoMineR : les nouveautés Gestion des données manquantes - module graphique - aides François Husson & Julie Josse Laboratoire de mathématiques appliquées, Agrocampus Rennes Rencontres R, Lyon, juin / 20

2 FactoMineR en quelques mots propose des méthodes d'analyses factorielles et de classication de nombreux indicateurs (qualité de représentation, contribution, description automatique des axes,...) possibilité d'ajouter des éléments supplémentaires interface graphique (en français et en anglais) gestion des données manquantes (avec le package missmda) module graphique aides à l'utilisateur (site internet, vidéos, livres) 2 / 20

3 FactoMineR en quelques mots Diérentes méthodes pour diérents formats de données : Données Méthodes Fonction Variables quantitatives An. en composantes principales PCA Table de contingence An. des correspondances CA Variables qualitatives An. des correspondances multiples MCA Données mixtes An. factorielle de données mixtes FAMD Groupes de variables An. factorielle multiple MFA Hiérarchie sur les variables An. factorielle multiple hiérarchique HMFA Groupes d'individus An. factorielle multiple duale DMFA Méthodes de classication et méthodes outils complémentaires : Méthodes Fonction Classication ascendante hiérarchique HCPC Description d'une variable qualitative (ex. var. de classe) catdes Description d'une variable quantitative (ex. d'une dimension) Construction d'un tableau de données textuel textual condes, dimdesc 3 / 20

4 Gestion des données manquantes avec le package missmda 1 Imputation des données manquantes par ACP itérative 2 ACP sur le tableau complété = Fournit les axes et composantes principales (mieux que Nipals) = Fournit une imputation du jeu de données = Possible pour l'acm, l'afdm et l'afm 4 / 20

5 Gestion des données manquantes : exemple en ACP > library(missmda) > data(orange) > nb <- estim_ncppca(orange,ncp.max=5) ## Estime le nb de dimensions > comp <- imputepca(orange,ncp=nb,scale=true) ## Complète le tableau > res.pca <- PCA(comp$completeObs) ## Effectue l'acp > orange Sweet Acid Bitter Pulp Typicity NA NA 2.83 NA NA NA NA NA NA > comp$completeobs Sweet Acid Bitter Pulp Typicity / 20

6 Imputation multiple en ACP ACP itérative : une méthode d'imputation simple (ˆFÛ ) ik Une valeur unique ne peut pas reéter la variabilité de prédiction 6 / 20

7 Imputation multiple en ACP ACP itérative : une méthode d'imputation simple (ˆFÛ ) ik Une valeur unique ne peut pas reéter la variabilité de prédiction Imputation multiple : générer plusieurs valeurs plausibles pour chaque valeur manquantes 6 / 20

8 Visualisation de l'incertitude liée aux données manquantes > library(missmda) > mi <- MIPCA(orange, scale = TRUE, ncp=2) > mi$res.mi ## sortie pour les tableaux imputés > plot(mi) Variable representation Dim 2 (17.17%) Supplementary projection Dim 2 (17.17%) Typicity Sweet Pulp Odor.intensity Color.intensity Bitter Attack.intensity Acid Dim 1 (71.33%) Dim 1 (71.33%) 7 / 20

9 Gestion des données manquantes : exemple en ACM > library(missmda) > data(vnf) > nb <- estim_ncpmca(vnf,ncp.max=5) ## Estime le nb de dimensions > imp <- imputemca(vnf, ncp=nb) ## Complète le tableau disjonctif > res <- MCA(vnf,tab.disj=imp$tab.disj) ## ACM utilisant tab disj complété V1 V2 V3 V14 V1_a V1_b V1_c V2_e V2_f V3_g V3_h ind 1 a NA g u ind ind 2 NA f g u ind ind 3 a e h v ind ind 4 a e h v ind ind 5 b f h u ind ind 6 c f h u ind ind 7 c f NA v ind ind 1232 c f h v ind Regularized iterative MCA: categories Dim 1 (14.58%) Dim 2 (11.21%) Q1.1 Q1.2 Q1.3 Q2.1 Q2.2 Q2.3 Q3.1 Q3.2 Q3.3 Q4.1 Q4.2 Q5.1 Q5.2 Q6.1 Q6.2 Q7.1 Q7.2 Q8.1 Q8.2 Q9.1 Q9.2 Q9.3 Q10.1 Q10.2 Q11.1 Q11.2 Q12.1 Q12.2 Q12.3 Q13.1 Q13.2 Q13.3 Q14.1 Q14.2 Q Regularized iterative MCA: subjects Dim 1 (14.58%) Dim 2 (11.21%) iterative MCA: categories.44%) Q2.1 Q4.2 Q5.2 Q6.2 Q7.1 Q8.1 Q9.1 Q10.1 Q11.1 Q12.1 Q13.1 Q iterative MCA: subjects.44%) = Même principe avec FAMD et MFA 8 / 20

10 Nouveautés dans le module graphique > library(factominer) > data(decathlon) > res.pca <- PCA(decathlon, quanti.sup = 11:12, quali.sup=13) > summary(res.pca, nbelements=2, ncp=3) ## fonction summary.pca Call: PCA(decathlon, quanti.sup = 11:12, quali.sup = 13) Eigenvalues Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7 Dim.8 Dim.9 Dim.10 Variance % of var Cumulative % of var Individuals (the 2 first) Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2 SEBRLE CLAY Variables (the 2 first) Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2 100m Long.jump Supplementary continuous variables Dim.1 cos2 Dim.2 cos2 Dim.3 cos2 Rank Points Supplementary categories Dist Dim.1 cos2 v.test Dim.2 cos2 v.test Dim.3 cos2 v.test Decastar OlympicG / 20

11 Graphe des individus : AVANT > plot(res.pca, autolab="no") Avant Dim 2 (17.37%) Casarsa Parkhomenko Korkizoglou YURKOV Zsivoczky Smith Macey Pogorelov SEBRLE MARTINEAU HERNUTerek KARPOV CLAY Turi Barras BOURGUIGNONUldal McMULLEN Decastar Schoenbeck OlympicG Bernard Karlivans BARRAS Qi Hernu BERNARD Ojaniemi Smirnov Gomez ZSIVOCZKY Schwarzl Lorenzo WARNERS Averyanov Nool Warners NOOL Drews Sebrle Clay Karpov Dim 1 (32.72%) 10 / 20

12 Graphe des individus : APRES > plot(res.pca, autolab="auto") ## si <50 éléments = yes, sinon no Après Dim 2 (17.37%) Casarsa YURKOV KorkizoglouParkhomenko Zsivoczky Smith Pogorelov SEBRLE Macey MARTINEAU Terek CLAY KARPOV Turi Uldal HERNU Barras McMULLEN BOURGUIGNON Schoenbeck BARRAS Decastar OlympicG Bernard Karlivans Qi Hernu BERNARD Ojaniemi Smirnov ZSIVOCZKY Gomez Schwarzl Nool Lorenzo Averyanov WARNERS Warners NOOL Drews Sebrle Clay Karpov Dim 1 (32.72%) 10 / 20

13 Nouveau module graphique Concerne toutes les fonctions graphiques plot.pca, plot.mca, plot.ca, plot.famd, plot.mfa La fonction autolab positionne les libellés de façon optimale placement des libellés sur l'extérieur du graphique calcul du taux de recouvrement des libellés algorithme itératif minimisant le taux de recouvrement Quelques astuces complémentaires : sélectionner des éléments réduire la taille des caractères (cex = 0.7) agrandir la fenêtre graphique mettre une ombre sous les libellés relancer la fonction = graphe légèrement diérent 11 / 20

14 Sélection des individus par leur qualité de représentation > plot(res.pca, habillage="competition", select="cos2 0.6") Individuals factor map (PCA) Dim 2 (17.37%) Decastar OlympicG Casarsa Lorenzo NOOL Parkhomenko BOURGUIGNON Decastar OlympicG Drews Sebrle Clay Karpov Warners Dim 1 (32.72%) 12 / 20

15 Sélection des modalités par leur qualité de représentation > plot(res.mca, invisible="ind", selectmod="cos2 MCA factor map 8") tea shop Dim 2 (8.10%) unpackaged p_upscale Not.friendliness M +2/day Not.tearoom friendliness 1/day F student tea bag chain store tearoom chain store+tea shop Dim 1 (9.88%) 13 / 20

16 Sélection des éléments par leur contribution > plot(res.mca,select="contrib 10",selectMod="contrib MCA factor map 10",shadow=TRUE) tea shop Dim 2 (8.10%) Not.friends chain store tea bag unpackaged p_upscale tearoom chain store+tea shop tea bag+unpackaged 273 resto Dim 1 (9.88%) 14 / 20

17 Sélection des éléments par une liste > liste <- c("1vau","2ing","t2") > plot(res.mfa, select=liste, partial="all", Individual factor maphabillage="group") Dim 2 (19.49%) olf vis olfag gust 1VAU 2ING T Dim 1 (49.38%) 15 / 20

18 Sélection des variables par leur contribution > plot(res,choix="var", select="contrib 8", habillage="group", unselect=0, shadow=true) Correlation circle Dim 2 (19.49%) olf vis olfag gust ens Spice.before.shaking Odor.Intensity.before.shaking Nuance Visual.intensity Surface.feeling Aroma.quality.before.shaking Fruity.before.shaking Aroma.quality Dim 1 (49.38%) 16 / 20

19 Principaux arguments : Nouveau module graphique autolab = "auto" ## position optimale des libellés si nb éléments <50 shadowtext = TRUE ## ombre sous le libellé invisible=c("ind","ind.sup") ## rend invisibles certains éléments Sélection des éléments par : select = 1:4 ## 4 premiers indiv select = c("i1","i3") ## liste d'indiv select = "cos2 5" ## 5 indiv les mieux représentés select = "cos2 0.6" ## indiv avec cos2 > 0.6 select = "coord 3" ## 3 indiv avec coordonnées les + grandes selectmod = "contrib 8" ## 8 modalités avec contributions les + grandes unselect = 0.5 ## transparence des éléments non sélectionnés unselect = 0 ## éléments non sélectionnés de même couleur unselect = 1 ## éléments non sélectionnés non dessinés unselect = "grey30" ## éléments non sélectionnés en gris 17 / 20

20 Aides à l'utilisateur Un menu déroulant en français > source("http://factominer.free.fr/install-facto-fr.r") Un site internet : Un Google group pour poser des questions https://groups.google.com/group/factominer-users/ Des jeux de données avec les lignes de code (cliquer ici) Des livres : Statistique avec R (3 e ed.) Analyse de données avec R 18 / 20

21 Aides à l'utilisateur : des vidéos sur Youtube https://www.youtube.com/hussonfrancois une playlist de 14 vidéos en français une playlist de 10 vidéos en anglais 19 / 20

22 Merci de votre attention 20 / 20

23 On aurait pu parler / 20

24 ... du menu déroulant en français... > source("http://factominer.free.fr/install-facto-fr.r") 22 / 20

25 ... du site internet en français / 20

26 ... de classication hiérarchique... Arbre hiérarchique Cluster Dendrogram inertia gain V Font Domaine V Font Brules V Aub Marigny V Font Coteaux S Michaud S Renaudie S Trotignon V Aub Silex S Buisse Domaine S Buisse Cristal > res.hcpc <- HCPC(res.pca) > plot(res.hcpc, choice="tree") 24 / 20

27 ... de représentation Représentation factorielle et arbre ethiérarchique d'arbre vu de vu dessus de dessus... Dim 2 (25.14%) cluster 1 cluster 2 cluster 3 cluster 4 cluster S Renaudie 5 cluster 3 S Michaud S Trotignon cluster 5 S Buisse Domaine S Buisse Cristal cluster 4 V Aub Silex V Aub Marigny cluster 2 V Font Coteaux V Font Brules cluster 1 V Font Domaine Dim 1 (43.48%) > plot(res.hcpc, choice="map") 25 / 20

28 ... de représentation Représentation factorielle et arbre hiérarchique et d'arbre en 3D en 3D... cluster 1 cluster 2 cluster 3 cluster 4 cluster 5 height S Renaudie S Trotignon Michaud S Buisse Domaine S Buisse Cristal V Aub Silex V Aub Marigny V Font Coteaux 0 V Font Brules V Font Domaine Dim 2 (25.14%) Dim 1 (43.48%) > plot(res.hcpc) 26 / 20

29 ... de sélection en ACP... Représentation des 10 individus qui contribuent le plus au plan 1 2 Dim 2 (17.37%) Decastar OlympicG Casarsa BOURGUIGNON Lorenzo NOOL Uldal Decastar OlympicG Drews Warners Sebrle Clay Karpov Dim 1 (32.72%) > data(decathlon) > res.pca <- PCA(decathlon, quanti.sup = 11:12, quali.sup=13) > plot(res.pca, select="contrib 10", shadow = TRUE, habillage = "Competition") 27 / 20

30 ... de sélectionreprésentation d'individus des individus contribuant "bien" projetés sur le au plan 3 4 plan Decastar OlympicG BERNARD Nool Dim 4 (10.57%) Barras ZSIVOCZKY OlympicG Decastar Korkizoglou KARPOV Dim 3 (14.05%) > plot(res.pca, select="cos2 0.5", shadow = TRUE, habillage = "Competition", axes = 3:4) 28 / 20

31 ... de sélection Variables actives de variables et supplémentaires bien les mieux projetées... Dim 2 (17.37%) m Rank Discus Shot.put Points Dim 1 (32.72%) > plot(res.pca, choix="var",select="cos2 3", shadow=true) 29 / 20

32 ... d'ellipses de Confidence conance ellipses around the autour categories of de Competition modalités... Decastar OlympicG Dim 2 (17.37%) Casarsa Korkizoglou YURKOV Parkhomenko Zsivoczky Macey SEBRLE Smith MARTINEAU HERNU CLAY KARPOV Pogorelov Terek Barras Turi BOURGUIGNON Uldal OlympicG McMULLEN Karlivans Decastar Qi Schoenbeck Bernard BARRAS Hernu Ojaniemi BERNARD Gomez ZSIVOCZKY Smirnov Nool Schwarzl Lorenzo Averyanov WARNERS Warners NOOL Drews Sebrle Clay Karpov Dim 1 (32.72%) > plotellipses(res.pca, keepvar="competition") 30 / 20

33 ... d'afm... Représentation des points moyens en AFM T2 Dim 2 (19.49%) ING 1VAU 1CHA 1TUR 1FON 3EL DOM1 2BOU 1ING 1ROC 1BEN T1 2EL 4EL PER1 1DAM 1BOI 1POY 2DAM 2BEA Dim 1 (49.38%) > res <- MFA(wine, group=c(2,5,3,10,9,2), type=c("n",rep("s",5)), + ncp=5, name.group=c("orig","olf","vis","olfag","gust","ens"), + num.group.sup=c(1,6)) > plot(res, invisible="quali",habillage="none") 31 / 20

34 ... de représentation Graphe des groupes groupes en AFM en AFM... Dim 2 (19.49%) orig ens olf vis olfag gust Dim 1 (49.38%) > plot(res, choix="group",habillage="group") 32 / 20

35 ... de représentation Représentation des des modalités moyennes et partielleset partielles... Dim 2 (19.49%) olf vis olfag gust Env4 Env2 Saumur Env1 Chinon Bourgueuil Reference Dim 1 (49.38%) > plot(res, invisible="ind", partial="all", habillage="group") 33 / 20

36 ... de sélection de variables en AFM... Représentation des variables qui ont le plus contribué à la construction du plan Dim 2 (19.49%) olf vis olfag gust ens Spice.before.shaking Odor.Intensity.before.shaking Nuance Visual.intensity Surface.feeling Aroma.quality.before.shaking Fruity.before.shaking Aroma.quality Dim 1 (49.38%) > plot(res,choix="var",hab="group",select="contrib 8") 34 / 20

37 ... etc. 35 / 20

Prise en compte des données manquantes en ACP - imputation simple et multiple

Prise en compte des données manquantes en ACP - imputation simple et multiple Prise en compte des données manquantes en ACP - imputation simple et multiple Julie Josse Laboratoire de mathématiques appliquées, Agrocampus Ouest Jouy-en-Josas, 7 mars 2011 1 / 38 Laboratoire de mathématiques

Plus en détail

Analyse de données avec Complémentarité des méthodes d analyse factorielle et de classification

Analyse de données avec Complémentarité des méthodes d analyse factorielle et de classification Analyse de données avec Complémentarité des méthodes d analyse factorielle et de classification François Husson & Julie Josse Laboratoire de mathématiques appliquées Agrocampus Rennes husson@agrocampus-ouest.fr

Plus en détail

Prise en compte des données manquantes en analyse factorielle

Prise en compte des données manquantes en analyse factorielle Prise en compte des données manquantes en analyse factorielle J. Josse & F. Husson Laboratoire de mathématiques appliquées 1 / 38 Plan 1 Introduction 2 ACP avec données manquantes : estimation des axes

Plus en détail

Analyse de données avec R Complémentarité des méthodes d'analyse factorielle et de classification. 2 L'analyse de données avec R

Analyse de données avec R Complémentarité des méthodes d'analyse factorielle et de classification. 2 L'analyse de données avec R Analyse de données avec R Complémentarité des méthodes d'analyse factorielle et de classification François Husson, Julie Josse & Jérôme Pagès Laboratoire de mathématiques appliquées - 65 rue de St-Brieuc

Plus en détail

Analyses factorielles avec R

Analyses factorielles avec R Analyses factorielles avec R Principes généraux Méthodes multivariées : permettent d analyser les relations entre un grand nombre de variables (par opposition aux statistiques univariées et bivariées)

Plus en détail

Classification ascendante hiérarchique (CAH)

Classification ascendante hiérarchique (CAH) Classification ascendante hiérarchique (CAH) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 40 Classification ascendante hiérarchique (CAH) 1

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

Gestion des données manquantes en Analyse en Composantes Principales

Gestion des données manquantes en Analyse en Composantes Principales Gestion des données manquantes en Analyse en Composantes Principales François Husson & Julie Josse Laboratoire de mathématiques appliquées, Agrocampus Rennes Bordeaux, 11 mars 2010 1 / 37 L'équipe d'agrocampus

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 3. L Analyse en Composantes Principales

Plus en détail

TD ANALYSE DES DONNEES

TD ANALYSE DES DONNEES Master 2 TVPS Angers Analyse des données : ACP AFC CAH 1 TD ANALYSE DES DONNEES Exemple d'acp : Etude olfacto-gustative de cidres Plusieurs caractéristiques du cidre ont été mesurées sur 10 cidres différents.

Plus en détail

Analyse Factorielle Multiple (AFM) avec FactoMineR sur la description sensorielle de 10 vins par 3 jurys François Husson

Analyse Factorielle Multiple (AFM) avec FactoMineR sur la description sensorielle de 10 vins par 3 jurys François Husson Analyse Factorielle Multiple (AFM) avec FactoMineR sur la description sensorielle de 10 vins par 3 jurys François Husson Importation du jeu de données vins

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

Analyse simultanée de variables quantitatives et qualitatives. à l aide de l analyse factorielle multiple

Analyse simultanée de variables quantitatives et qualitatives. à l aide de l analyse factorielle multiple Analyse simultanée de variables quantitatives et qualitatives à l aide de l analyse factorielle multiple Jérôme Pagès Laboratoire de mathématiques appliquées Agrocampus France Analyse Factorielle Multiple

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

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

Classification non supervisée

Classification non supervisée Classification non supervisée 13 décembre 2012 Table des matières 1 Présentation du problème 1 2 Visualisation des données 2 3 Algorithme des k-means 3 4 Classification Ascendante Hiérarchique - CAH 4

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

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

ANALYSE FACTORIELLE MULTIPLE PROCRUSTEENNE

ANALYSE FACTORIELLE MULTIPLE PROCRUSTEENNE ANALYSE FACTORIELLE MULTIPLE PROCRUSTEENNE Elisabeth Morand & Jérôme Pagès Agrocampus Rennes Laboratoire de mathématiques appliquées CS 425 3542 Rennes cedex Résumé Pour comparer deux nuages de points

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 4. 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 4 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

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

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

Aide à l utilisation du logiciel IziSpot.Mobi

Aide à l utilisation du logiciel IziSpot.Mobi 1 Sommaire 1. Description logiciel (explication des menus)... 3 1.1. Description de la barre de menu... 3 2. Onglet configuration... 4 2.1. Gestion du logo... 4 2.1.1. Affichage du zoom... 4 2.1.2. Disposition

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

Analyse en Composantes Principales avec XLSTAT

Analyse en Composantes Principales avec XLSTAT Analyse en Composantes Principales avec XLSTAT Une feuille Excel contenant à la fois les données et les résultats peut-être téléchargée en cliquant ici. Les données proviennent du US Census Bureau (le

Plus en détail

Analyse des Correspondances Multiples (ACM) avec FactoMineR François Husson

Analyse des Correspondances Multiples (ACM) avec FactoMineR François Husson Analyse des Correspondances Multiples (ACM) avec FactoMineR François Husson Script et sorties R de la vidéo du didacticiel sur les données de consommation du thé. Le jeu de données the.csv est disponible

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

MESSAGERIE INTERNE. Paramétrages

MESSAGERIE INTERNE. Paramétrages MESSAGERIE INTERNE Paramétrages Maintenance des Employés : La première étape est de créer autant d employé dans le logiciel que nécessaire afin d avoir une messagerie par code employé. Allez dans le menu

Plus en détail

Quelques analyses simples avec R en écologie des communautés

Quelques analyses simples avec R en écologie des communautés Jérôme Mathieu janvier 2007 Quelques analyses simples avec R en écologie des communautés 1 Visualisation des données... 2 Aperçu rapide d'un tableau de données... 3 Visualiser les corrélations entre des

Plus en détail

TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE

TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE Statistique Numérique et Analyse de Données Ecole des Ponts ParisTech, 2 ème année TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE Analyse des données de peintures de Rembrandt et de Van Gogh On se propose, à titre

Plus en détail

ACM DE L EXEMPLE «TASTE»

ACM DE L EXEMPLE «TASTE» ACM DE L EXEMPLE «TASTE» AVEC SPAD (VERSION 7.4) BRIGITTE LE ROUX 1 ET PHILIPPE BONNET 2 UNIVERSITE PARIS DESCARTES 1 INTRODUCTION... 2 2 POUR DÉMARRER... 2 2.1 Ouverture du projet archivé TasteMCA_fr...

Plus en détail

Fiche n 8 : Création de champs supplémentaires

Fiche n 8 : Création de champs supplémentaires PlanningPME Planifiez en toute simplicité Fiche n 8 : Création de champs supplémentaires I. Description... 2 II. Paramétrage des champs supplémentaires... 2 III. Les différents types de champs... 7 IV.

Plus en détail

Les macros SAS. d'analyse des données

Les macros SAS. d'analyse des données INSTITUT NATIONAL DE LA STATISTIQUE ET DES ÉTUDES ÉCONOMIQUES DIRECTION GÉNÉRALE 18, boulevard Adolphe Pinard - 75675 PARIS CEDEX 14 Les macros SAS d'analyse des données Document n F 9405 15 mars 1994

Plus en détail

ANALYSE FACTORIELLE DE DONNÉES MIXTES : PRINCIPE ET

ANALYSE FACTORIELLE DE DONNÉES MIXTES : PRINCIPE ET ANALYSE FACTORIELLE DE DONNÉES MIXTES : PRINCIPE ET EXEMPLE D APPLICATION Jérôme Pagès Laboratoire de mathématiques appliquées Agrocampus, 35042 Rennes cedex email : pages@agrorennes.educagri.fr Résumé

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

Sites web propriétaires

Sites web propriétaires Ce document est disponible à : C:\Users\pc_samba\Documents\Doc sites prop.docx Sommaire 1 Introduction... 3 2 Création du mini-site... 4 2.1 Autorisation de création... 4 2.2 Création de votre site Web...

Plus en détail

Classification avec FactoMineR sur les données du cours François Husson

Classification avec FactoMineR sur les données du cours François Husson Classification avec FactoMineR sur les données du cours François Husson Script et sorties R permettant de retrouver les graphes et sorties du cours. Le jeu de données doit être téléchargé et sauvegardé

Plus en détail

L import /export @GoogleDocs : Mise à jour rapide de votre catalogue

L import /export @GoogleDocs : Mise à jour rapide de votre catalogue L import /export @GoogleDocs : Mise à jour rapide de votre catalogue L export @GoogleDocs se situe au dessus du résultat de la recherche, qu elle soit simple ou avancée. En cliquant sur le texte «Export

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction 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 détail

Analyse de données avec R - M1 - Livret pédagogique

Analyse de données avec R - M1 - Livret pédagogique Analyse de données avec R - M1 - Livret pédagogique Laurent Beauguitte, CNRS, UMR IDEES laurent.beauguitte@univ-rouen.fr 11 septembre 2015 Ceci est une version provisoire qui sera complétée au fur et à

Plus en détail

BOITE À OUTILS : SAGE 100 Gestion Commerciale

BOITE À OUTILS : SAGE 100 Gestion Commerciale BOITE À OUTILS : SAGE 100 Gestion Commerciale Créer un fichier commercial Le fichier créé sera un fichier Sage 100 Gestion commercial Créer les utilisateurs Bien observer que les commandes inactives sont

Plus en détail

PROCEDURES TAKE FIVE SOMMAIRE. 1. Paramétrage. 2. Page d accueil. 3. Clients. 4. Catalogue. 5. Ventes. 6. Statistiques. 7. Agenda. 8.

PROCEDURES TAKE FIVE SOMMAIRE. 1. Paramétrage. 2. Page d accueil. 3. Clients. 4. Catalogue. 5. Ventes. 6. Statistiques. 7. Agenda. 8. PROCEDURES TAKE FIVE SOMMAIRE 1. Paramétrage 2. Page d accueil 3. Clients 4. Catalogue 5. Ventes 6. Statistiques 7. Agenda 8. Taches 9. Bloc-notes 10. Procédure(s) automatisée(s) 11. Sauvegarde 1. Paramétrage

Plus en détail

INTRODUCTION A L UTILISATION DE SYSTAT

INTRODUCTION A L UTILISATION DE SYSTAT 1 INTRODUCTION A L UTILISATION DE SYSTAT F. Lyazrhi D. Concordet 2 Systat est un logiciel statistique qui permet de préparer les graphiques et de faire des calculs nécessaires à l analyse des données.

Plus en détail

On peut faire des ajustements avec le bouton «Baseline». Pour cela, utiliser la boîte de dialogue suivante

On peut faire des ajustements avec le bouton «Baseline». Pour cela, utiliser la boîte de dialogue suivante Coupe 3D : Montre un graphique en 3D des différentes valeurs de pixels sur une image en niveaux de gris ou en fausses couleurs. Cela crée une pile de points lorsque la source est une pile d images. Certains

Plus en détail

Un Site Internet à votre mesure. www.votrecommune.fr. Un site internet gratuit sur mesure en toute indépendance

Un Site Internet à votre mesure. www.votrecommune.fr. Un site internet gratuit sur mesure en toute indépendance www.votrecommune.fr Un site internet gratuit sur mesure en toute indépendance Quelques exemples www.jouesurerdre.fr Quelques exemples www.mouzeil.fr Quelques exemples www.riaille.fr Quelques exemples www.saintherblon.fr

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

3. ACM Analyse des Correspondances Multiples

3. ACM Analyse des Correspondances Multiples 3. ACM Analyse des Correspondances Multiples Analyse des Correspondances Multiples - ACM 1 Plan 1. Exemples, problématique 2. Le tableau de données étudié 3. Principe d une ACM 4. L ajustement des deux

Plus en détail

ACE Advanced Cost Estimator for steel structures

ACE Advanced Cost Estimator for steel structures Introduction Dans ce document, les principales étapes pour effectuer un calcul ACE concernent le cas d un bâtiment à plusieurs étages. L'accent est mis sur la séquence de commandes. Il n'est pas destiné

Plus en détail

FACTURATION. Menu. Fonctionnement. Allez dans le menu «Gestion» puis «Facturation» 1 Descriptif du dossier (onglet Facturation)

FACTURATION. Menu. Fonctionnement. Allez dans le menu «Gestion» puis «Facturation» 1 Descriptif du dossier (onglet Facturation) FACTURATION Menu Allez dans le menu «Gestion» puis «Facturation» Fonctionnement 1 Descriptif du dossier (onglet Facturation) 2 Maintenance des articles 3 Edition des articles 4 Saisie des factures 5 Validation

Plus en détail

Mémo d utilisation de ADE-4

Mémo d utilisation de ADE-4 Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose

Plus en détail

La Cartographie participative: Tutoriel Google Map Engine lite

La Cartographie participative: Tutoriel Google Map Engine lite La Cartographie participative: Tutoriel Google Map Engine lite Le logiciel Map Engine Lite est une option gratuite de création de carte, proposé par Google map. Il permet d'une part un échange rapide d'informations

Plus en détail

Sommaire. OLF SERVICE CLIENTS 0848 653 653 de 9h00 à 17h30 du lundi au vendredi serviceclients@olf.ch www.olf.ch

Sommaire. OLF SERVICE CLIENTS 0848 653 653 de 9h00 à 17h30 du lundi au vendredi serviceclients@olf.ch www.olf.ch Nouveau site OLF Sommaire 1. Introduction... 3 2. Nouveau design responsive... 3 3. Fonctionnalités spécifiques... 3 3.1 Accès espace login... 3 3.2 Accès fonctionnalités spécifiques... 4 4. Métiers et

Plus en détail

Une extension de l analyse factorielle multiple pour des groupes de variables mixtes : MFAmix

Une extension de l analyse factorielle multiple pour des groupes de variables mixtes : MFAmix Une extension de l analyse factorielle multiple pour des groupes de variables mixtes : MFAmix Amaury Labenne 1,2, Marie Chavent 2,3, Vanessa Kuentz-Simonet 1, Tina Rambonilaza 1 & Jérôme Saracco 2,3 1

Plus en détail

Voir en dernière page de ce document comment est structurée une fiche produit.

Voir en dernière page de ce document comment est structurée une fiche produit. CREER UN PRODUIT SUR VOTRE SITE UGAL Un catalogue produits se compose de fiches produit. Chaque fiche correspond à un «modèle», qui peut avoir plusieurs déclinaisons et prix (variantes, tailles, couleurs,

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

Manuel d utilisation DeveryLoc

Manuel d utilisation DeveryLoc Manuel d utilisation DeveryLoc Page 1/37 Version Numéro de la version Date de modification Modification apporté Version v.1 Le 1 juillet 2004 Version v.2 Le 1 Juin 2006 Page 2/37 SOMMAIRE 1. SE CONNECTER

Plus en détail

1.1 Exemple introductif d un cube de données... 2

1.1 Exemple introductif d un cube de données... 2 1.1 Exemple introductif d un cube de données............... 2 2.1 Pré-traitement des données avec les outils OLAP [MHW00]...... 14 2.2 Architecture d un système intégrant SGBD, OLAP et MOLAP [Fu05] 16

Plus en détail

GEOLOCALISATION DES PRODUITS PANORAMA DES ENVIRONS

GEOLOCALISATION DES PRODUITS PANORAMA DES ENVIRONS GEOLOCALISATION DES PRODUITS PANORAMA DES ENVIRONS Cette extension du programme «VisualQie Entreprise» vous permet des visualisations graphiques immédiates de la situation géographique de tous vos produits

Plus en détail

Le Sphinx Millenium Modes opératoires d'analyse de données Traitements et analyses avec Le Sphinx Plus²

Le Sphinx Millenium Modes opératoires d'analyse de données Traitements et analyses avec Le Sphinx Plus² Le Sphinx Millenium Modes opératoires d'analyse de données Traitements et analyses avec Le Sphinx Plus² Le Sphinx Développement Parc Altaïs 74650 CHAVANOD Tél : 33 / 4.50.69.82.98. Fax : 33 / 4.50.69.82.78.

Plus en détail

1- Modification de l environnement 2- Comptabilité 3- Mode Création. Aide Andromède Page 1 sur 7

1- Modification de l environnement 2- Comptabilité 3- Mode Création. Aide Andromède Page 1 sur 7 1- Modification de l environnement 2- Comptabilité 3- Mode Création Aide Andromède Page 1 sur 7 Aide Andromède Page 2 sur 7 Modification de l environnement 1- Pour accéder au formulaire de modification

Plus en détail

INITIATION A POWERPOINT

INITIATION A POWERPOINT INITIATION A POWERPOINT P. BESSON OCTOBRE 2000 SOMMAIRE Chap. 1 Découverte de POWERPOINT I. Démarrer Powerpoint 1. Lancement de l application 2. Boite de dialogue de démarrage de Powerpoint II. Structure

Plus en détail

RESUME DES FONCTIONS DE BASE DU LOGICIEL

RESUME DES FONCTIONS DE BASE DU LOGICIEL CIEL Comptabilité - RESUME DES FONCTIONS DE BASE DU LOGICIEL (pour une saisie, sans imputation analytique, sans gestion budgétaire, sans gestion des échéances, sans gestion de la TVA sur encaissements/décaissements)

Plus en détail

CONNECT. Mode d emploi. Android

CONNECT. Mode d emploi. Android CONNECT Mode d emploi Android fr Table des matières 1 Qu est-ce que JURA Connect?... 3 2 Premiers pas...4 3 Assistant de configuration... 5 Bienvenue dans l assistant de configuration!... 6 Insérer Smart

Plus en détail

Créer des tableaux. Définir un style de tableau PRATIQUE. AutoCAD 2005

Créer des tableaux. Définir un style de tableau PRATIQUE. AutoCAD 2005 AutoCAD 2005 Créer des tableaux Un tableau est un cadre dans lequel des données texte peuvent être disposées en colonnes et en rangées. Ses propriétés, mémorisées dans un style, lui permettent de pouvoir

Plus en détail

Les différentes étapes à suivre pour la création d un feuillet

Les différentes étapes à suivre pour la création d un feuillet Les différentes étapes à suivre pour la création d un feuillet Bonjour, L outil de gestion des feuillets permet de manière simple et rapide de gérer à moindre coût votre communication et vos impressions

Plus en détail

Illustration sur un exemple de diverses procédures graphiques et quantitatives.

Illustration sur un exemple de diverses procédures graphiques et quantitatives. Au-delà de l'analyse des correspondances multiples : Illustration sur un exemple de diverses procédures graphiques et quantitatives Yannick Savina Jean-Marc Bernard Laboratoire de Psychologie Environnementale

Plus en détail

Scénario: Exploration, classification des encours boursiers parisiens

Scénario: Exploration, classification des encours boursiers parisiens Scénario: Exploration, classification des encours boursiers parisiens Résumé Scénario d analyse d un jeu de données : l ensemble des séries des encours boursier à Paris. Description, lissage et classification

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

La Grille, moyen fondamental de l analyse

La Grille, moyen fondamental de l analyse Fiche méthodologie #1 La Grille, moyen fondamental de l analyse Cette rubrique présente des notes et documents publiés par Philippe Latour, enseignant au Master Géomarketing et stratégies territoriales

Plus en détail

Hotellerie. Guide de l'utilisateur

Hotellerie. Guide de l'utilisateur Hotellerie Guide de l'utilisateur Table des matières Hotellerie... 4 Bienvenue... 5 Demarrage... 6 Sélection de dossier... 7 Fichier exemple... 8 Paramétrage... 9 Général... 10 Création de société... 11

Plus en détail

PENALITES DE RETARD DE PAIEMENT

PENALITES DE RETARD DE PAIEMENT PENLITES DE RETRD DE PIEMENT Menu llez dans le menu «Gestion» puis «Pénalités pour retard de paiement» Fonctionnement 1 Paramétrage des pénalités 2 Calcul des pénalités de retard 3 Visualiser/Modifier

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

Outils méthodologiques et astuces pour la thèse de médecine Les statistiques, comment faire?

Outils méthodologiques et astuces pour la thèse de médecine Les statistiques, comment faire? Outils méthodologiques et astuces pour la thèse de médecine Les statistiques, comment faire? Cyril Ferdynus, USM, CHU RECUEIL DE DONNEES Recueil hors ligne Epidata (http://www.epiconcept.fr/html/epidata.html)

Plus en détail

Analyse factorielle de données de catégorisation

Analyse factorielle de données de catégorisation Analyse factorielle de données de catégorisation Application aux données sensorielles Soutenance de thèse de Marine Cadoret Préparée au Laboratoire de mathématiques appliquées Agrocampus Ouest 30 août

Plus en détail

Ch2 : Analyse en Composantes Principales (ACP)

Ch2 : Analyse en Composantes Principales (ACP) Ch2 : Analyse en Composantes Principales (ACP) A- Objectifs B- construction d un espace factoriel C- Les étapes d une ACP D- Interprétation E- Limites A- Objectifs On dispose d un tableau de données X.

Plus en détail

RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3

RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans

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

STAGE. «Offre modulaire - Recueillir et analyser les besoins et attentes des usagers - Module 4 - L'analyse experte des données statistiques»

STAGE. «Offre modulaire - Recueillir et analyser les besoins et attentes des usagers - Module 4 - L'analyse experte des données statistiques» STAGE «Offre modulaire - Recueillir et analyser les besoins et attentes des usagers - Module 4 - L'analyse experte des données statistiques» PROGRAMME DETAILLE Intervenant : PARIS nicolas Cabinet : OPTIMA

Plus en détail

Facturation / Trains de facture INTRODUCTION. On peut accéder à la gestion des trains de facture de deux manières : Via les menus classiques

Facturation / Trains de facture INTRODUCTION. On peut accéder à la gestion des trains de facture de deux manières : Via les menus classiques INTRODUCTION On peut accéder à la gestion des trains de facture de deux manières : Via les menus classiques Via le bouton de raccourci Contrairement aux rôles, aux secteurs ou aux tournées, qui regroupent

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

Studio. HERITIER Emmanuelle PERSYN Elodie. SCHMUTZ Amandine SCHWEITZER Guillaume

Studio. HERITIER Emmanuelle PERSYN Elodie. SCHMUTZ Amandine SCHWEITZER Guillaume Studio HERITIER Emmanuelle PERSYN Elodie SCHMUTZ Amandine SCHWEITZER Guillaume Cours R Présentation projet 10/10/2013 Introduction RStudio est une interface créé par JJ Allaire Elle est sortie le 11 Février

Plus en détail

Tri et Sélection des Photos dans Lightroom

Tri et Sélection des Photos dans Lightroom Tri et Sélection des Photos dans Lightroom Maintenant que les photos sont importées dans le catalogue, il va falloir procéder au tri de vos photos. C est une opération délicate car il faudra faire le choix

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

Présentation du logiciel Excel

Présentation du logiciel Excel Présentation du logiciel Excel Christophe Coupé Laboratoire Dynamique du Langage (CNRS Université Lyon 2) Ecole d été sur les savoirs ethnobiologiques 2013 22 juillet 3 août 2013 Libreville & La Lopé Organisation

Plus en détail

EXERCICE N 4. Base Centrale de pilotage. Notions abordées : 0Grouper des valeurs. 1Transformer une formule en variable. 2Transformer en tableau croisé

EXERCICE N 4. Base Centrale de pilotage. Notions abordées : 0Grouper des valeurs. 1Transformer une formule en variable. 2Transformer en tableau croisé Base Centrale de pilotage EXERCICE N 4 Notions abordées : 0Grouper des valeurs 1Transformer une formule en variable 2Transformer en tableau croisé 3Format de nombre 4Poser un tri personnalisé sur une variable

Plus en détail

S INSCRIRE DANS L ANNUAIRE EQUITANET GUIDE DE SOUSCRIPTION

S INSCRIRE DANS L ANNUAIRE EQUITANET GUIDE DE SOUSCRIPTION S INSCRIRE DANS L ANNUAIRE EQUITANET GUIDE DE SOUSCRIPTION Où s inscrire? Pour commencer il vous faut cliquer sur le bouton «Soumettre un site» dans la barre de menu tout en haut. L inscription à l annuaire

Plus en détail

Mode d emploi. Retrouvez nous sur www.calloffice.fr. Documentation Call Office Page 1 sur 39 Version 061114ht/vs-2

Mode d emploi. Retrouvez nous sur www.calloffice.fr. Documentation Call Office Page 1 sur 39 Version 061114ht/vs-2 Mode d emploi Call office 3D pour le secrétariat Identification :... 2 Prendre un RDV... 3 Réserver une ressource... 6 Modifier un RDV... 7 Déplacer un RDV... 7 Pour supprimer une RDV... 8 Astuces... 9

Plus en détail

Collège Lionel-Groulx Service du soutien à l enseignement. PowerPoint 2007. Note de formation

Collège Lionel-Groulx Service du soutien à l enseignement. PowerPoint 2007. Note de formation Collège Lionel-Groulx Service du soutien à l enseignement PowerPoint 2007 Note de formation Johanne Raymond Automne 2009 Table des matières Interface... 1 Éléments de l interface graphique... 2 Bouton

Plus en détail

Réaliser un atlas cartographique

Réaliser un atlas cartographique Réaliser un atlas cartographique Salle de classe SIG 2011 Exercice : Création d un atlas cartographique Temps estimé: 30 minutes La mise en page des cartes est un élément essentiel des SIG, la version

Plus en détail

Manuel d utilisation de l application «Virtual Glass 2.0»

Manuel d utilisation de l application «Virtual Glass 2.0» Manuel d utilisation de l application «Virtual Glass 2.0» Table des matières 1. Identification... 2 2. Choix du produit... 3 2.1 Capacité & Famille de produit... 3 2.2 La teinte du produit... 4 2.3 Le

Plus en détail

Administration de votre site web

Administration de votre site web Administration de votre site web WordPress Date de révision : 11/12/2012 1 Mestres All Dev, tous droits réservés, reproduction interdite. Sommaire Connexion... 3 Gestion des articles... 4 Créer un article...

Plus en détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel 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 détail

LANDPARK SNMP LANDPARK SNMP : INVENTORIER RAPIDEMENT TOUS LES ÉLÉMENTS ACTIFS DE VOS RÉSEAUX

LANDPARK SNMP LANDPARK SNMP : INVENTORIER RAPIDEMENT TOUS LES ÉLÉMENTS ACTIFS DE VOS RÉSEAUX LANDPARK SNMP Solutions complètes d'inventaire, de gestion de parc et de helpdesk ITIL Avril 2014 LANDPARK SNMP : INVENTORIER RAPIDEMENT TOUS LES ÉLÉMENTS ACTIFS DE VOS RÉSEAUX «Avec Landpark Snmp, réalisez

Plus en détail

Sélectionner les cellules à copier Cliquer sur copier Cliquer dans la première cellule de destination Menu Edition / Collage spécial

Sélectionner les cellules à copier Cliquer sur copier Cliquer dans la première cellule de destination Menu Edition / Collage spécial Collage spécial Sélectionner les cellules à copier Cliquer sur copier Cliquer dans la première cellule de destination Menu Edition / Collage spécial Définir le type de collage à réaliser Transposé : inverse

Plus en détail

INTERFACE UTILISATEUR v1.1

INTERFACE UTILISATEUR v1.1 INTERFACE UTILISATEUR v1.1 Page 1/12 Bureau Le bureau est composé de différents éléments (listés ci-après) aux propriétés dédiées. Chaque administrateur peut personnaliser son bureau selon ses besoins

Plus en détail

ISFA 2 année 2002-2003. Les questions sont en grande partie indépendantes. Merci d utiliser l espace imparti pour vos réponses.

ISFA 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 détail

Cas d'usage C050 - Créer un tableau croisé

Cas d'usage C050 - Créer un tableau croisé Cas d'usage C050 - Créer un tableau croisé Page 1 / 11 1. Cas d'usage 3 1.1. C050 - Créer un tableau croisé 3 1.2. Etape 3 2. Etape 5 2.1. Liste des tableaux croisés 5 2.2. Définition du tableau croisé

Plus en détail

COFIM site internet Validation de la proposition définitive

COFIM site internet Validation de la proposition définitive 3/03/2010 COFIM site internet Validation de la proposition définitive Frédéric HOPITAL 847 Route de Saint-Vincent 69440 Saint-Laurent-d Agny tél. 04 26 01 71 30 / 06 78 82 46 74 fh@hopitalcom.com siren

Plus en détail

LR3 Module Bibliothèque

LR3 Module Bibliothèque Panneau gauche Concernant la Gestion des Catalogues,les Préférences,les fonctions d Importation, voir les documents dédiés Barre de progression : Lors d une opération effectuée par le logiciel, une barre

Plus en détail

Initiation à LabView : Les exemples d applications :

Initiation à LabView : Les exemples d applications : Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple

Plus en détail