Approche expérimentale en IHM
|
|
- Georgette Lajoie
- il y a 8 ans
- Total affichages :
Transcription
1 Plan Approche expérimentale en IHM Michel Beaudouin-Lafon, LRI Wendy Mackay, INRIA Qu est-ce que l approche expérimentale Concevoir une expérience Un peu de statistiques in situ - Projet commun du PCRI - LRI Université Paris-Sud & INRIA Futurs Qu est-ce que l approche expérimentale? Méthode scientifique d évaluation Fondée sur le test d hypothèse : On compare au moins deux conditions, A et B, sur des échantillons des deux populations Outil : expérimentation contrôlée Isoler la variable d intérêt (A/B) Fixer (ou contrôler) les autres variables Soumettre les sujets aux différentes conditions Observer (mesurer) les réponses Déterminer si A et B sont (statistiquement) différentes Exemple Comparaison des menus linéaires et circulaires Hypothèse : les menus circulaires (A) sont plus rapides que les menus linéaires (B) Expérience : tâche abstraite de sélection on fait varier le nombre d items par menu on mesure le temps de sélection d un item mackay@lri.fr, mbl@lri.fr 1
2 Difficultés de cette approche Fiabilité Peut-on avoir confiance dans les résultats? Peut-on répliquer l expérience? Validité Validité interne : A-t-on observé le bon phénomène? Validité externe : Les résultats sont-ils généralisables? Fiabilité Peut-on avoir confiance dans les résultats de l expérience? L expérience est-elle réplicable? Donnerait-elle les mêmes résultats si on la répétait? => éliminer les biais expérimentaux => utiliser suffisamment de sujets => utiliser des statistiques appropriées Risques d erreurs : faux positifs Risques d erreurs de première espèce (type I) On observe une différence dans l échantillon, alors qu il n y en a pas dans la population => on fixe ce risque a priori : c est le niveau de confiance Plus il est faible, plus on risque de ne pas pouvoir conclure Niveau de confiance : p = 0,05 On est sûr à 95% que les résultats observés sur un échantillon de sujets sont dus à une différence réelle au sein de la population et pas à l effet du hasard p = 0,05 veut donc dire que j ai une chance sur 20 d observer un effet qui n est pas réel! Risques d erreurs : faux négatifs Risques d erreurs de deuxième espèce (type II) On n observe pas de différence dans l échantillon, alors qu il y en a une dans la population Ce risque peut être calculé, il dépend de la puissance du test statistique qui est utilisé. En IHM, on s intéresse peu à quantifier ce risque : ça ne coûte pas cher de refaire l expérience... mackay@lri.fr, mbl@lri.fr 2
3 Validité Validité interne On manipule le facteur F, on observe l effet E Est-ce une causalité, ou une simple corrélation? Ou bien F et E ont-elles une cause commune C? Exemple : Corrélation observée entre le nombre de cigognes et le taux de natalité après la guerre à Strasbourg Est-ce que les cigognes apportent les bébés?!?... non... Cause commune : urbanisation Validité Validité externe Les résultats observés en laboratoire sont-ils pertinents hors du laboratoire? Problème des conditions expérimentales la tâche est-elle réaliste? les sujets se comportent-ils normalement? l environnement physique est-il représentatif? Exemple : la loi de Fitts mesure une performance limite, rarement observée en pratique Mise en œuvre : falsification Problème : on ne peut pas prouver qu une hypothèse est vraie (H => E et E) H!!! on peut seulement prouver qu une hypothèse est fausse! (H => E et non E) => non H Solution : On définit H0, l hypothèse nulle, comme l absence de différence, pour une mesure donnée et une population donnée, entre les conditions A et B Si l on observe un effet, on rejette H0 (c est le but!) Exemple Comparaison : menus linéaires (ML) et circulaires (MC) H0: il n y a pas de différence significative entre le temps de sélection dans un menu circulaire TS(MC) et linéaire TS(ML) On mesure TS pour des ML et MC de tailles différentes On compare les temps de pointage Si la différence est significative (> à une seuil), H0 est rejetée On peut aussi mesurer le taux d erreur TE et formuler une hypothèse nulle relative à cette mesure mackay@lri.fr, mbl@lri.fr 3
4 Que peut-on dire si H0 est rejettée? Seulement ceci : On peut dire, avec un niveau de confiance de 95%, qu il y a une différence entre les conditions A et B En particulier, on ne PEUT PAS DIRE qu on a prouvé que A est mieux que B! Que peut-on dire si H0 n est pas rejettée? RIEN, rien et rien! En particulier, ON NE PEUT PAS DIRE QUE H0 EST VRAIE! On peut simplement dire que l expérience est inconclusive (en fait, on peut dire un peu plus si on sait calculer la puissance du test) Concevoir une expérience 1. Spécifier l'hypothèse Que compare-t-on? 2. Spécifier les variables indépendantes Qu'est-ce qui varie? 3. Spécifier les variables dépendantes Qu'est-ce qu'on mesure? 4. Opérationnaliser le comportement Qu'est-ce qu'on étudie? 5. Spécifier la procédure Quels sont les groupes expérimentaux et de contrôle? 6. Identifier les tests statistiques appropriés Y a-t-il une différence significative? Exemple d'hypothèse Comparer les menus linéaires et circulaires Hypothèse nulle H0 : Il n'y a pas de différence de performance entre les utilisateurs en temps de sélection et taux d'erreur pour la sélection d'un item dans un menu linéaire ou dans un menu circulaire, quelle que soit l'expérience antérieure d'utilisation de la souris ou d'autres types de menus par l'utilisateur. mackay@lri.fr, mbl@lri.fr 4
5 Spécifier les variables indépendantes Les variables indépendantes (ou facteurs) sont celles que l on fait varier ou que l on contrôle Les combinaisons de variables définissent les conditions Dans notre expérience : Type de menu : Taille du menu : Expertise du sujet : linéaire, circulaire 3, 6, 9, 12, 15 items expert, novice, intermittent Note : on traite l expertise du sujet comme facteur => 2 x 5 x 3 = 30 conditions Spécifier les variables dépendantes Les variables dépendantes sont celles que l on mesure On les appelle également mesures Pour faire une analyse statistique fiable, il faut suffisamment de mesures pour chaque condition Typiquement : de l ordre de 30 (car on s approche alors d une distribution normale) Dans notre expérience : Temps pour sélectionner un item Nombre d erreurs Opérationnaliser le comportement La partie la plus délicate de la conception! Simplifier au maximum la tâche pour éliminer les biais et les facteurs extérieurs... sans la dénaturer Exemple : tâche de pointage de Fitts - on passe à une dimension cible = bande verticale - pointage réciproque allers-retours entre deux cibles Opérationnaliser le comportement Dans notre expérience : Mêmes étiquettes pour les items des menus Même position du menu (centre de l écran) Afficher l item à sélectionner au lieu d avoir à le trouver mackay@lri.fr, mbl@lri.fr 5
6 Opérationnaliser le comportement Planifier l expérience : affecter les sujets Menace de validité Si la tâche est trop abstraite, on ne pourra pas généraliser But : Clé : Contrôler la variabilité des sujets Affectation aléatoire à des groupes Menace de fiabilité Si l on a des biais extérieurs, ils peuvent fausser les résultats Recommandations : - Utiliser des plans d expérience éprouvés exemple : le paradigme du pointage de Fitts - Simplifier le plan d expérience (moins de variables) - Faire des expériences pilote (petit nombre de sujets) Reconnaître les classes et en faire une variable indépendante Exemple : degré d'expertise des sujets Minimiser les différences entre groupes Exemple : distribution homogènes des "bons" sujets Utiliser suffisamment de sujets Déterminé par le type de test statistique, le degré de confiance recherché et la variabilité des données Plan expérimental inter-sujets Choisir une population Sélectionner autant de groupes que de conditions Affecter chaque groupe à une condition Suppositions : D'autres variables non contrôlées sont distribuées aléatoirement entre les groupes exemple : droitier/gaucher Les seules différences systématiques entre les groupes sont les variables indépendantes Utiliser des tests statistiques appropriés pour distinguer la variabilité entre groupes Plan expérimental intra-sujets Choisir une population Exposer chaque sujet à toutes les conditions Contrôle automatique de la plupart des autres variables meilleur contrôle de la variabilité inter-sujets Permet d'utiliser un nombre plus faible de sujets Impossible si une variable indépendante est liée aux sujets exemple : niveau d expertise Utiliser des tests statistiques appropriés pour prendre en compte la corrélation entre mesures mackay@lri.fr, mbl@lri.fr 6
7 Effets d apprentissage, interférences Problème principal des plans intra-sujets : apprentissage La performance d un sujet dans la condition B peut être affectée par le fait qu il a d abord été exposé à A Transfert positif : performance améliorée pour B Exemple : tâche de recherche Le sujet se souvient des réponses Transfert négatif : performance dégradée pour B Exemple : tâche de navigation Déplacement de la vue / déplacement du document Contre-balancer les effets d apprentissage Mesurer l effet de l apprentissage Au lieu d un plan A B, faire un plan A B A Comparer les performances de A avant/après B Contre-balancer les effets d apprentissage avec plusieurs groupes (plan expérimental mixte) : Au lieu d un groupe exposé à A puis B, faire deux groupes Un groupe exposé à A puis B Un groupe exposé à B puis A Comparer les performances dans chaque condition A et B pour chaque groupe Plan expérimental mixte Choisir une population Spécifier les variables inter-sujets : - catégories de sujets (ex: le niveau d expertise) - variables sujettes à apprentissage Constituer les groupes un groupe par condition inter-sujets Pour chaque groupe : contrebalancer les effets d apprentissage entre sujets exposer les sujets aux conditions intra-sujets Contre-balancer les effets d ordre L ordre d exposition d un sujet à différentes conditions peut avoir un effet sur les mesures exemple : fatigue qui s accumule, ou apprentissage Si on veut contre-balancer les effets d ordre sur 3 conditions 6 ss-groupes : A B C, A C B, B A C, B C A, C A B, C B A => explosion du nombre de sujets nécessaires! Solution : faire un carré latin 3x3 A B C Chaque ligne correspond à un groupe B C A Les effets d ordre sont neutralisés C A B mackay@lri.fr, mbl@lri.fr 7
8 Contre-balancer les effets de séquence Les effets de séquence sont des effets d apprentissage entre une condition et la suivante On peut aussi neutraliser les effets de séquence à l aide d une série exhaustive A C C B A B B A C A A B C B B C C A A Chaque paire A A / A B / A C etc apparait 2 fois Ordre presque contre-balancé : rangs moyens de A = 10.8, B = 8.7, C = 9.0 Cela devient compliqué avec plus de variables Plan expérimental Dans notre expérience : Variable inter-sujets : niveau d expertise (N=novice, E=expert, I=intermittent) Variables intra-sujets : type de menu (L = linéaire, C = circulaire), nombre d items (3, 6, 9, 12, 15) 3 groupes, un par niveau d expertise Dans chaque groupe, deux-sous groupes pour contre-balancer l effet d apprentissage : L puis C, C puis L Pour chacun de ces 6 sous-groupes, randomiser l ordre du nombre d items Pour chaque condition, chaque sujet fait plusieurs essais Plan expérimental Combien de sujets? 3 groupes x 2 sous-groupes x 5 ordres = 30 sujets Si l on n a accès qu à 15 sujets, on peut randomiser les combinaisons sous-groupe x ordre Combien d essais par condition et par sujet? Pour un menu de n items, il y a n types d essais On veut 30 essais par condition et par item en tout, comme on a 15 sujets, on va faire 2 essais par item pour les menus les plus longs => 30 essais par bloc Dans un bloc, on randomise l ordre des items Durée de l expérience : 2x5x30 = 300 essais 3 secondes par essai => 15 minutes par sujet Conduire l'expérience PRÉDIRE: Ecrire ce que l'on attend comme résultat! Contrôler les facteurs de biais Donner une consigne claire Utiliser des instructions identiques Garder les mêmes conditions d'un sujet à l'autre Expérimentation en "double aveugle" L'expérimentateur ne sait pas de quel groupe il s'agit Minimiser les contacts informels mackay@lri.fr, mbl@lri.fr 8
9 Exemples de sources d'erreurs Sujets Le sujet s'attend à un résultat particulier Le sujet déforme sa réponse en fonction de connaissances préalables Expérimentateurs Le sujet est influencé par l'expérimentateur Situation Mesure d un phénomène différent Désaccord entre observations répétées Conduire l expérience Expliquer et faire signer un consentement informé aux sujets Identifier les sujets et assurer leur anonymat Associer un numéro à chaque sujet En fonction de ce numéro, le programme doit connaitre les conditions pour ce sujet Collecter les données expérimentales S assurer qu elles sont fiables et valides Minimiser les traitements lors de la collecte collecter des données brutes Prédictions Pour notre expérience : Quelle que soit l expertise et la taille du menu, le menu circulaire sera plus rapide que le menu linéaire Autres prédictions : Pour les menus linéaires, la performance décroit lorsque le rang de l item du menu augmente Pour les menus circulaires, la performance ne dépend pas du rang de l item mais décroit avec le nombre total d items dans le menu Collecter les données Enregistrer un fichier facilement analysable par l homme et la machine Start S1 E C-L Jeu 16 Nov :45:54 Condition S1 E C 3 Jeu 16 Nov :46:35 # sujet expertise type taille item hit/miss tps(ms) Trial S1 E C 3 2 Hit 1254 Trial S1 E C 3 1 Miss Condition S1 E C 12 Jeu 16 Nov :54:22 Trial S1 E C 12 5 Hit End S1 E C-L Jeu 16 Nov :23:55 mackay@lri.fr, mbl@lri.fr 9
10 Analyser les résultats Traitement statistique des données recueillies S'assurer que le test statistique choisi est valide Distribution de population (normale) Type de données (ordinale) Procédure d'échantillonage (aléatoire) Taille de l'échantillon (n=30) Déterminer le niveau de confiance des résultats L'hypothèse selon laquelle l'expérience de l'utilisation de la souris ne fait pas de différence est rejetée avec un niveau de confiance de 0.95 Interpréter les résultats : prudence! Evaluer la fiabilité Les tests statistiques mesurent cette fiabilité Tests post-hoc, par exemple pour l apprentissage Evaluer la validité interne Confronter les résultats aux prédictions Y a-t-il des effets inattendus? Evaluer la validité externe Les résultats sont-ils généralisables? Une différence significative mais faible n est pas nécessairement très intéressante Un peu de statistiques Types de variables et Distributions Corrélation et Test de Pearson Test du Chi-2 Note Cette partie du cours est inspirée de Concepts and Applications of Inferential Statistics Richard Lowry disponible en ligne à l adresse Test de Student Analyse de variance mackay@lri.fr, mbl@lri.fr 10
11 Statistiques C'est un domaine TRÈS vaste Il est difficile de faire des suppositions correctes Il est facile de se tromper On peut faire des tests simples Statistiques descriptives Réduire la masse des données, ex : la moyenne Statistiques inférentielles Inférer des propriétés d une population à partir de celles d un échantillon, ex : mesurer la probabilité qu une différence observée soit réelle Types de variables Le type d une variable détermine les propriétés de ses valeurs, et donc les tests statistiques applicables Variable nominale : ensemble de valeurs sans ordre ni relation ex : sexe, type de périphérique d entrée Variable ordinale : ensemble de valeurs ordonnées, mais pas équidistantes ex : degré de préférence (0-5), note (A-F) Variable scalaire : ensemble ordonné avec une échelle si possible : échelle linéaire et absolue (avec un zéro) ex : nombre, température, distance, temps Variables courantes en IHM Variables indépendantes (facteurs) : Souvent nominales Type de technique d interaction testée Expertise du sujet Parfois ordinale ou scalaire Nombre d items dans un menu ID d une tâche de pointage Statistiques descriptives Comment résumer un ensemble de mesures d une variable Distribution des fréquences des valeurs Variables dépendantes (mesures) : Scalaires Temps pour exécuter une opération Ordinales Fréquence de certaines actions Nombre d'erreurs Degré de préférence pour une technique Types de distributions Mesures de tendance centrale Mesures de variabilité Mesure de la corrélation entre deux variables mackay@lri.fr, mbl@lri.fr 11
12 Types de distribution Mesures de tendance centrale S appliquent à des variables scalaires Moyenne : Somme des valeurs divisée par leur nombre Médiane : Valeur milieu des N valeurs triées N impair : valeur d indice (N+1)/2 N pair : moyenne des valeurs d indice N/2 et N/2 + 1 Mode : Valeur la plus fréquente Il peut y avoir plusieurs modes (2 modes = bimodal) Mesures de variabilité Mesurent l étalement de la distribution Intervalle : distance entre valeur minimale et maximale Variance et écart-type : somme des carrés entre chaque valeur et la moyenne variance : s 2 = (X i - M) 2 / N écart-type : s = sqrt ( (X i - M) 2 / N) L écart type peut servir d échelle de la distribution z i = (X i - M) / s Corrélation entre deux variables Mesurer la relation entre deux variables scalaires En général une variable indépendante X et une variable dépendante Y Mesure du coefficient de corrélation linéaire r (-1 r 1) r = (X i - M X )(Y i - M Y ) / sqrt ( (X i - M X ) 2 ( Y i - M Y ) 2 ) r 2 s interprète comme la proportion de la variabilité de Y qui est associée à la variabilité de X 1- r 2 est la variance résiduelle, celle qui n est pas expliquée ATTENTION : corrélation ne veut pas dire cause! mackay@lri.fr, mbl@lri.fr 12
13 Statistiques inférentielles Complexe, plus puissant que les statistiques descriptives Fondé sur la théorie des probabilités Question fondamentale : signification statistique des résultats mesurés par les statistiques descriptives sur des échantillons d une population Exemples sur nos deux expériences : Pointage : la corrélation observée entre ID et TM est-elle le fait du hasard, ou existe-t-elle dans la population? Menus : la différence observée entre menus linéaires et circulaires est-elle généralisable à la population? Un exemple simple On a deux dés, un bleu (X) et un rouge (Y) On jette les dés 10 fois, et on enregistre les valeurs (Xi, Yi) A priori, le coefficient de corrélation devrait être 0. En réalité, la théorie des probabilités nous permet de calculer qu il y a 12% de chances que le coefficient de corrélation soit plus grand que 0.5! MAIS Si on avait jeté les dés 30 fois, cette probabilité serait 0.5% Signification statistique Les tests statistique permettent de déterminer la probabilité qu une corrélation ou une différence observées dans un échantillon se produise par tirage au hasard. On se fixe un niveau de confiance p, p.ex. 5% Si le phénomène observé avait moins de 5% de chances de se produire par hasard, on dit que le résultat est significatif pour ce niveau de confiance. P-value : Critère alpha = 0,05 0,05 = 1/20 S'il n'y a pas de différence et que je fait cette expérience 20 fois, un test donnera un résultat significatif les 19 autres donnera un résultat non-significatif Les tests statistiques font des hypothèse sur la population dont est extrait l échantillon, et ne sont valides que dans la mesures où ces hypothèse sont satisfaites. Ils nécessitent aussi un échantillon de taille suffisante. mackay@lri.fr, mbl@lri.fr 13
14 Directionalité du test Il y a deux types d hypothèses expérimentales : Hypothèse non-directionnelle Il y a une différence entre X et Y Hypothèse directionnelle X est supérieur à Y (ou inférieur, mais pas les deux) Le test est différent selon la directionalité : Dans le premier cas, on considère les deux branches de la distribution, dans le second une seule branche Test de Pearson Evaluer la signification statistique d une corrélation entre deux variables scalaires Si l on suppose un coefficient de corrélation nul dans la population, quelle est la probabilité qu un échantillon de taille N ait une corrélation r? OU Etant donné un échantillon de taille N, quelle valeur doit atteindre le coefficient de corrélation pour être significatif au niveau de confiance 95%? Test du Chi-2 Ce test s applique au cas où l on compte le nombre d occurences dans des catégories nominales. Il peut être utilisé lorsque l on a plusieurs dimensions, correspondant à des variables indépendantes Exemples : le nombre d utilisateurs - qui préfèrent tel type de menus (1D) - qui préfèrent tel type de menus selon leur niveau d expertise (2D) - qui préfèrent tel type de menus selon leur niveau d expertise et le périphérique d entrée utilisé (3D) Le test permet de dire si le résultat observé est statistiquement différent de la répartition attendue. Tests impliquant les moyennes Lorsque l on mesure des variables scalaires, les prédictions sont souvent de la forme : en moyenne, le temps de sélection est plus court pour un menu circulaire que pour un menu linéaire On compare donc des moyennes d échantillons, et la question est de savoir si la différence observée est significative ou simplement le fruit du hasard L hypothèse principale de ces tests est en général que la distribution des mesures de la population suit une loi normale et que l échantillon est aléatoire mackay@lri.fr, mbl@lri.fr 14
15 La loi normale La loi normale se manifeste chaque fois que l on a une variabilité purement probabiliste autour d une valeur moyenne donnée Exemple : on tire des séries de 20 essais à pile ou face et on compte le nombre de fois que pile sort On obtient la courbe en cloche caractéristique de la loi normale Plus le nombre d essais augmente, plus on se rapproche de la distribution théorique Test de Student (t-test) Probablement le test le plus utilisé en stats. inférentielles (en psychologie) - pour les n petits Compare les moyennes de deux échantillons et indique si la différence observée est significative Conditions de validité : la population suit une loi normale, les échantillons sont aléatoires et assez grands, les mesures sont indépendantes Exemple : On compare la moyenne des temps de sélection d un item dans un menu circulaire et dans un menu linéaire Si la différence est significative avec un niveau de confiance de 95%, on peut rejeter l hypothèse nulle Test de Student (t-test) Le test n est pas le même selon que les échantillons sont corrélés ou non corrélés Non corrélés : on a pris deux groupes de sujets différents (plan inter-sujets) Corrélés : on a pris un seul groupe qu on a mesuré dans les deux conditions (plan intra-sujets) Le test est plus sensible dans le cas corrélé car il peut plus facilement éliminer la différence inter-sujets Il faut rester prudent dans l interpétation, car l effet peut précisément être dû à la corrélation! Analyse de variance (ANOVA) L analyse de variance généralise le test de Student à un nombre arbitraire de catégories et de dimensions en comparant plusieurs moyennes entre elles Exemple : on compare 3 types de menus et pas 2 Faire des tests de Student entre paires de catégories ne donne pas des résultats corrects L ANOVA permet de séparer la variabilité interne à chaque échantillon de la variabilité entre échantillons mackay@lri.fr, mbl@lri.fr 15
16 Analyse de variance (ANOVA) Inconvénient de l ANOVA Perte de spécifité : comparaison globale des moyennes Test de Tukey : permet de trouver les paires d échantillons qui ont des différences significatives entre leurs moyennes (après le test) Comme pour le test de Student, l ANOVA est plus puissante lorsque les échantillons sont corrélés (plan intra-sujets) Si l on suit quelques règles (notamment des échantillons de tailles identiques), l ANOVA est robuste : les résultats sont fiables même si les hypothèse (loi normale) ne sont pas bien satisfaites L ANOVA permet également de mesurer les interactions entre facteurs Tests pour notre exemple Vérifier la qualité des données Exemple : distribution normale des temps de sélection Invalider l hypothèse nulle Test de Student sur les moyennes des temps de sélection selon le type de menu ANOVA sur les moyennes des temps de sélection selon le type de menu et l expertise Hypothèses secondaires Corrélations sur les temps de sélection selon le nombre d items et le numéro d item Exemple de résultats An empirical comparison of pie vs linear menus Callahan et al, proc. CHI 88, pp Exemple de résultats Expérience de pointage avec zoom Moyenne et écart-type pour chaque ID Droite de régression Coefficient de corrélation r 2 =.995 mackay@lri.fr, mbl@lri.fr 16
17 Erreurs dans l'interprétation Les erreurs sont très fréquentes! Signification Importance p-value taille de l effet Une petite différence peut être très significative Les suppositions sont souvent fausses : Données qui ne suivent pas une loi normale Critère du test = 0,05 0,05 = 1/20 S il n y a pas d effet et que je fais l expérience 20 fois, l un des tests donnera un résultat significatif Résumé Expérimentations contrôlées : Manipuler des variables indépendantes Observer les effets sur les variables dépendantes Tirer des conclusions à partir de tests statistiques significatifs Permettent un plus grand contrôle mais peuvent ne pas être généralisables à des situations réelles Problèmes Mesure-t-on ce que l'on croit mesurer? Y a-t-il un effet dû aux conditions expérimentales? ex: effet Placebo mackay@lri.fr, mbl@lri.fr 17
Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
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 détailÉvaluations aléatoires : Comment tirer au sort?
Évaluations aléatoires : Comment tirer au sort? William Parienté Université Catholique de Louvain J-PAL Europe povertyactionlab.org Plan de la semaine 1. Pourquoi évaluer? 2. Comment mesurer l impact?
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 détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailAnalyse Combinatoire
Analyse Combinatoire 1) Équipes On dispose d un groupe de cinq personnes. a) Combien d équipes de trois personnes peut-on former? b) Combien d équipes avec un chef, un sous-chef et un adjoint? c) Combien
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
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 détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
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 détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailMATHÉMATIQUES APPLIQUÉES S4 Exercices
Unité D Probabilité Exercice 1 : Chemins 1. Aline habite la maison illustrée ci-dessous. Le diagramme illustre les murs et les portes. a) Combien existe-t-il de chemins possibles entre la pièce A et la
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailOptimiser les performances du mouvement de monte de l Axe Z.
Page/0 - BUT DE LA MANIPULATION : Optimiser les performances du mouvement de monte de l Axe Z. - LES PLANS D EXPERIENCE -LA METHODE DU DOCTEUR TAGUCHI. La mthodologie Taguchi de mise en oeuvre des plans
Plus en détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailDate : 18.11.2013 Tangram en carré page
Date : 18.11.2013 Tangram en carré page Titre : Tangram en carré Numéro de la dernière page : 14 Degrés : 1 e 4 e du Collège Durée : 90 minutes Résumé : Le jeu de Tangram (appelé en chinois les sept planches
Plus en détailCollecter des informations statistiques
Collecter des informations statistiques FICHE MÉTHODE A I Les caractéristiques essentielles d un tableau statistique La statistique a un vocabulaire spécifique. L objet du tableau (la variable) s appelle
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
Plus en détailProbabilités conditionnelles
Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber
Plus en détailCE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT
CE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT Sommaire Comment se fait la recherche sur un nouveau médicament? (page 1) A quoi sert la recherche sur un nouveau médicament? (page
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailLes assurances sociales en Suisse
Dimensions et enjeux / facteurs d influences des assurances sociales Introduction : Alain Berset souhaite bien cerner les perspectives et les enjeux actuels et futurs des assurances sociales, notamment
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailDossier d'étude technique
Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Guide méthodologique Dossier d'étude technique Référence : CNRS/DSI/conduite-projet/developpement/technique/guide-etude-technique
Plus en détailQuelques rappels concernant la méthode expérimentale
Quelques rappels concernant la méthode expérimentale 1. La Méthode expérimentale : Définition. Une définition classique de la méthode expérimentale est qu elle «correspond à la méthode d investigation
Plus en détailÀ l'intention des parents
Septembre 2011 À l'intention des parents Information sur les examens en vue de l'obtention du diplôme Votre fils ou votre fille passera bientôt des examens en vue de l'obtention du diplôme? Voici de l'information
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailAlgorithme. Table des matières
1 Algorithme Table des matières 1 Codage 2 1.1 Système binaire.............................. 2 1.2 La numérotation de position en base décimale............ 2 1.3 La numérotation de position en base binaire..............
Plus en détailLES DIFFERENTS TYPES DE MESURE
LES DIFFERENTS TYPES DE MESURE Licence - Statistiques 2004/2005 REALITE ET DONNEES CHIFFREES Recherche = - mesure. - traduction d une réalité en chiffre - abouti à des tableaux, des calculs 1) Qu est-ce
Plus en détailQualité du logiciel: Méthodes de test
Qualité du logiciel: Méthodes de test Matthieu Amiguet 2004 2005 Analyse statique de code Analyse statique de code Étudier le programme source sans exécution Généralement réalisée avant les tests d exécution
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailRÉSOLUTION DE SYSTÈMES À DEUX INCONNUES
RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux
Plus en détailPARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT CE QU IL FAUT SAVOIR
PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT CE QU IL FAUT SAVOIR SOMMAIRE COMMENT SE FAIT LA RECHERCHE SUR UN NOUVEAU MÉDICAMENT?...p. 3 À QUOI SERT LA RECHERCHE?...p. 4 QUELLES SONT LES GARANTIES?...p.
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailFAQ Conditions de candidature... 2 Procédure de candidature et remise de prix... 2 Le dossier de candidature... 3
FAQ Conditions de candidature... 2 Peut-on poser sa candidature si on a achevé ses études entre le 01/09/2014 et le 31/08/2015 et si la remise du diplôme a lieu seulement après la clôture des dépôts de
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailChapitre 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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
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 détailDérivés Financiers Contrats à terme
Dérivés Financiers Contrats à terme Mécanique des marchés à terme 1) Supposons que vous prenez une position courte sur un contrat à terme, pour vendre de l argent en juillet à 10,20 par once, sur le New
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
Plus en détailCompilateur Hyperlink. Données extraites et rapports d'erreurs
G. Michaels Consulting Ltd. pour votre système ABB Harmony INFI 90 est le compagnon essentiel de votre système Harmony INFI 90 outils et améliore la productivité et l'efficacité.. Il complète vos Apprenez-en
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détail1. Introduction...2. 2. Création d'une requête...2
1. Introduction...2 2. Création d'une requête...2 3. Définition des critères de sélection...5 3.1 Opérateurs...5 3.2 Les Fonctions...6 3.3 Plusieurs critères portant sur des champs différents...7 3.4 Requête
Plus en détailCRÉER UN COURS EN LIGNE
Anne DELABY CRÉER UN COURS EN LIGNE Deuxième édition, 2006, 2008 ISBN : 978-2-212-54153-3 2 Que recouvre le concept d interactivité? Dans une perspective de cours en ligne, une activité interactive est
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailJeux mathématiques en maternelle. Activités clés. Jeu des maisons et des jardins (Yvette Denny PEMF)
Activités clés NIVEAU : PS/MS Jeu des maisons et des jardins (Yvette Denny PEMF) Compétences Construire les premiers nombres dans leur aspect cardinal Construire des collections équipotentes Situation
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailMerci beaucoup de votre collaboration
QUESTIONNAIRE ENSEIGNANTS ASSOCIÉS Ce questionnaire permettra de recueillir des informations sur l intégration des technologies de l information et de la communication (TIC) chez les futurs enseignants
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailclef primaire ; clef étrangère ; projection ; restriction ; jointure ; SQL ; SELECT ; FROM ; WHERE
Cas Neptune hôtel Base de données et langage SQL Propriété Intitulé long Formation concernée Matière Notions Transversalité Présentation Description Neptune Hôtel. L interrogation d une base de données
Plus en détailRetraite. Date de la retraite
Retraite A quelle date vais-je prendre ma retraite? Vaut-il mieux percevoir une rente ou un capital? Dois-je annoncer mon départ à la retraite? A la fin de la vie professionnelle, tout le monde est confronté
Plus en détailQu est-ce que le ehealthcheck?
Plus la dépendance d une compagnie envers ses systèmes informatiques est grande, plus le risque qu une erreur dans les processus métiers puisse trouver ses origines dans l informatique est élevé, d où
Plus en détailInterface PC Vivago Ultra. Pro. Guide d'utilisation
Interface PC Vivago Ultra Pro Guide d'utilisation Version 1.03 Configuration de l'interface PC Vivago Ultra Configuration requise Avant d'installer Vivago Ultra sur votre ordinateur assurez-vous que celui-ci
Plus en détail