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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Analyse de données avec Complémentarité des méthodes d analyse factorielle et de classification François Husson & Julie Josse Laboratoire de mathématiques appliquées Agrocampus Rennes

2 Plan Qu est-ce que et pourquoi? Les méthodes classiques et les aides à l interprétation Traitement de données multi-tableaux Complémentarité analyse factorielle - classification Interface graphique

3 Qu est-ce que? Logiciel gratuit de plus en plus utilisé Disponible sous Windows, Mac, Linux Permettant d utiliser et de fabriquer des librairies de fonctions pointues (plus de 2500 librairies) Évolution rapide du logiciel, disponibilité immédiate de nouvelles méthodes ou méthodologies Graphes et sorties facilement exportables Possibilité de modifier / sélectionner les données facilement Possibilité de combiner programmation et utilisation de fonctions pré-définies

4 Pourquoi? Pour pouvoir faire de l analyse de données en utilisant un point de vue géométrique permettant de dessiner des graphes en ayant la possibilité d ajouter de l information supplémentaire sur de nouvelles méthodes (prenant en compte différentes structures sur les données) à l aide d une interface graphique simple d utilisation et orientée vers l utilisateur

5 Les méthodes factorielles Différentes méthodes pour différents formats de données Données Variables quantitatives Table de contingence Variables qualitatives Variables quantitatives et qualitatives Groupes de variables Hiérarchie sur les variables Groupes d individus Méthode An. en Composantes Principales An. des Correspondances An. des Correspondances Multiples An. Factorielle de données mixtes An. Factorielle Multiple An. Factorielle Multiple Hiérarchique An. Factorielle Multiple Duale Fct. PCA CA MCA AFDM MFA HMFA DMFA

6 Les méthodes de classification Méthodes de classification Classification ascendante hiérarchique K-means Fonction HCPC kmeans Méthodes outils Description d une variable quantitative par des variables quantitatives et/ou qualitatives (ex. d une dimension) Description d une variable qualitative par des variables quantitatives et/ou qualitatives (ex. d une classe) Construction d un tableau de données textuel Fonction condes, dimdesc catdes textuel

7 Exemple en ACP Les données : 10 vins blancs (5 Sauvignons, 5 Vouvrays) évalués par des experts selon 27 variables sensorielles Int.av.agitation Int.ap.agitation Expression O.fruit O.passion O.agrume O.fruit.confit S Michaud Sauvignon S Renaudie Sauvignon S Trotignon Sauvignon S Buisse Domaine Sauvignon S Buisse Cristal Sauvignon V Aub Silex Vouvray V Aub Marigny Vouvray V Font Domaine Vouvray V Font Brûlés Vouvray V Font Coteaux Vouvray Astringence Fraicheur Oxydation Finesse Persistance.gustative Persistance.aromatique Appréciation.hédonique Appréciation.olfactive cepage

8 Exemple en ACP Dim 2 (27.64%) V Aub Marigny V Font Coteaux S Renaudie V Font Brûlés S Trotignon S Michaud V Font Domaine S Buisse Cristal S Buisse Domaine V Aub Silex Dim 1 (39.69%) Dim 2 (27.64%) Int.av.agitation Int.ap.agitation Int.attaque Persistance.aromatique Expression amere O.boisee Persistance.gustative acide O.vanille O.alcool Astringence O.fruit.confit Fraicheur O.passion O.champ Oxydation O.agrume Finesse O.florale O.fruit Typicite.olf.chenin O.vegetale sucree Dim 1 (39.69%) > resultat <- PCA(donnees, quali.sup=1, quanti.sup=40:41)

9 Exemple en ACP Introduction d information supplémentaire : Individus supp. Variables qualitatives supp. Dim 2 (27.64%) Sauvignon Vouvray V Aub Marigny V Font Coteaux V Font Brûlés Vouvray V Font Domaine V Aub Silex S Renaudie S Trotignon Sauvignon S Michaud S Buisse Cristal S Buisse Domaine Dim 1 (39.69%) > resultat <- PCA(donnees, quali.sup=1, quanti.sup=40:41)

10 Exemple en ACP Introduction d information supplémentaire : Individus supp. Variables qualitatives supp. Graphes enrichis : en coloriant les individus en fonction d information supplémentaire Dim 2 (27.64%) Sauvignon Vouvray V Aub Marigny V Font Coteaux V Font Brûlés Vouvray V Font Domaine V Aub Silex S Renaudie S Trotignon Sauvignon S Michaud S Buisse Cristal S Buisse Domaine Dim 1 (39.69%) > resultat <- PCA(donnees, quali.sup=1, quanti.sup=40:41) > plot(resultat, habillage=1)

11 Exemple en ACP Introduction d information supplémentaire : Individus supp. Variables qualitatives supp. Graphes enrichis : en coloriant les individus en fonction d information supplémentaire en construisant des ellipses de confiance autour des modalités Dim 2 (27.64%) Sauvignon Vouvray V Aub Marigny V Font Coteaux V Font Brûlés Vouvray V Font Domaine V Aub Silex S Renaudie S Trotignon Sauvignon S Michaud S Buisse Cristal S Buisse Domaine Dim 1 (39.69%)

12 Exemple en ACP Graphes enrichis : variables représentées en fonction de leur qualité de représentation Introduction d information supplémentaire : Variables quantitatives supplémentaires Dim 2 (27.64%) Int.av.agitation Int.ap.agitation Int.attaque Persistance.aromatique Expression amere Persistance.gustative O.boisee acide O.vanille O.alcool Astringence Appréciation.olfactive O.fruit.confit Fraicheur O.passion O.champ O.agrume Oxydation Appréciation.hédonique Finesse O.florale O.fruit Typicite.olf.chenin O.vegetale sucree Dim 1 (39.69%) > resultat <- PCA(donnees, quali.sup=1, quanti.sup=40:41)

13 Exemple en ACP Des indicateurs sont disponibles : Contribution des individus et des variables à la construction des axes Qualité de représentation des individus et des variables > $eig eigenvalue inertia cumulative inertia comp > $ind coord contrib cos2 Dim.1 Dim.2 Dim.1 Dim.2 Dim.1 Dim.2 S Michaud > $var coord contrib cos2 Dim.1 Dim.2 Dim.1 Dim.2 Dim.1 Dim.2 O.agrume > $quanti.sup > $quali.sup coord cos2 v-test Dim.1 Dim.2 Dim.1 Dim.2 Dim.1 Dim.2 Sauvignon > resultat

14 Description des dimensions Par des variables quantitatives : Calcul du coefficient de corrélation entre chaque variable et les coordonnées des individus sur l axe s Tri des coefficients de corrélation Les coefficients significativement différents de 0 sont fournis $Dim.1 $Dim.1$quanti Meilleures variables pour décrire la première dimension > dimdesc(resultat) correlation p.value A.alcool e-04 O.fruit.confit e-04 Typicite.olf.chenin e-03 O.champ e-03 Oxydation e-02 O.vegetale e-03 O.passion e-04 O.florale e-04 Fraicheur e-05

15 Description des dimensions Par les variables qualitatives : Réalisation d une analyse de variance avec les coordonnées des individus sur l axe en fonction de la variable qualitative Réalisation d un test T par modalité $Dim.1$quali R2 p.value cepage e-05 $Dim.1$category Estimate p.value Vouvray e-05 Sauvignon e-05

16 Groupes de variables (AFM) Les groupes de variables peuvent être quantitatifs et/ou qualitatifs Objectifs : un groupe) - équilibrer l influence de chaque groupe de variables - étudier le lien entre groupes de variables - fournir des graphes spécifiques : représentation partielle (individus vus par groupes de variables

17 Exemple d AFM : les données Les données : un panel d experts + 1 panel étudiant + 1 panel conso + données d appréciation + 1 variable qualitative (cépage) Expert (27) Groupes de variables quantitatives Conso (15) Etudiant (15) Appréciation (60) Qlt Cépage (1) Vin 1 Vin 2 Vin 10 > resafm <- MFA(don.comp, group=c(27,15,15,60,1), type=c(rep("s",4),"n"), num.group.sup=c(4:5), name.group=c("expert","conso","etudiant","appréciation","cépage"))

18 Exemple d AFM: représentation des individus Dim 2 (25.1 %) Sauvignon Vouvray S Trotignon S Renaudie Sauvignon S Michaud S Buisse Domaine V Aub Silex S Buisse Cristal Vouvray V Aub Marigny V Font Domaine V Font Brûlés V Font Coteaux Dim 1 (41.44 %)

19 Exemple d AFM : représentation des variables Dim 2 (24.42 %) Expert Conso Int.attaque Etudiant O.Av.Intensite_J2 Expression Int.av.agitation Fraicheur Int.ap.agitation O.passion acide O.Av.Intensite O.Fruitpassion_J2 O.Ap.Intensite_J2 O.Vegetale O.Fruitpassion O.Ap.Intensite Astringent_J2 O.florale Persistance.aromatique O.agrume amere Astringent Amere Equilibre_J2 O.vegetale Persistance.gustative Acide_J2 Finesse Acide G.Intensite O.Champignon_J2 O.Typicite_J2 O.fruit G.Alcool Amere_J2 O.boisee G.Intensite_J2 G.Typicite_J2 O.alcool O.vanille G.Alcool_J2 O.Champignon Equilibre G.Typicite Astringence O.Typicite Int.couleur Nuance.couleur Sucree Impression.surface Sucree_J2 O.fruit.confit Oxydation O.champ sucree O.Vegetale_J2 O.Alcool Typicite.olf.chenin O.Alcool_J Dim 1 (42.52 %)

20 Exemple d AFM : représentation des variables Dim 2 (24.42 %) Expert Conso Etudiant O.Fruitpassion_J2 O.Fruitpassion Sucree Sucree_J2 O.passion sucree acide Astringent_J2 amere Astringent Amere Acide_J2 Acide Amere_J2 Astringence Dim 1 (42.52 %)

21 Exemple d AFM : représentation des groupes Dim 2 (24.42 %) Cépage Expert Appréciation Etudiant Conso Dim 1 (42.52 %)

22 Exemple d AFM : représentation des points partiels Dim 2 (24.42 %) Expert Conso Etudiant S Trotignon S Renaudie S Michaud Sauvignon S Buisse Cristal S Buisse Domaine Vouvray V Font Brûlés V Aub Silex V Aub Marigny V Font Domaine V Font Coteaux Dim 1 (42.52 %)

23 Exemple d AFM : représentation des préférences Dim 2 (24.42 %) > resafm <- MFA(don.comp, group=c(27,15,15,60,1), Dim 1 (42.52 %) type=c(rep("s",4),"n"),num.group.sup=c(4:5), name.group=c("expert","jury 1","Jury 2","Appréciation","Cépage"))

24 Complémentarité analyse factorielle - classification Analyse factorielle comme prétraitement avant classification : transformation des variables qualitative en quantitative (ACM) équilibre de l influence des variables (AFM ou AFMH) suppression des dernières dimensions pour rendre la classification plus robuste Complémentarité graphique : vision continue (axes factoriels) et discontinue (classes) arbre hiérarchique donne une idée de l information portée par les autres dimensions de l analyse factorielle

25 Exemple de classification : arbre hiérarchique Hierarchical Clustering Hierarchical Classification inertia gain CAH sur les coordonnées de l AFM choix du nombre de classes > resclassif <- HCPC(resAFM) V Aub Silex S Trotignon S Renaudie S Michaud S Buisse Domaine S Buisse Cristal V Font Brûlés V Font Domaine V Aub Marigny V Font Coteaux

26 Exemple de classification : arbre hiérarchique Hierarchical Clustering Hierarchical Classification inertia gain CAH sur les coordonnées de l AFM choix du nombre de classes K-Means avec 5 groupes > resclassif <- HCPC(resAFM) V Aub Silex S Trotignon S Renaudie S Michaud S Buisse Domaine S Buisse Cristal V Font Brûlés V Font Domaine V Aub Marigny V Font Coteaux

27 Exemple de classification : arbre en 3D height cluster 1 cluster 2 cluster 3 cluster 4 cluster 5 Hierarchical clustering on the factor map > resclassif <- HCPC(resAFM) S Trotignon S Renaudie V Aub Marigny S Michaud 0 S Buisse Cristal V Font Coteaux -1 S Buisse Domaine V Font Domaine V Font Brûlés V Aub Silex Dim 1 (42.52%) Dim 2 (24.42%)

28 Exemple de classification : partition Dim 2 (24.42%) cluster 1 cluster 2 S Trotignon cluster 3 S Renaudie cluster 4 S Michaud cluster 5 S Buisse Cristal V Aub Marigny V Font Coteaux S Buisse Domaine V Font Domaine V Font Brûlés V Aub Silex > resclassif <- HCPC(resAFM) Dim 1 (42.52%)

29 Exemple : description des classes > $test.chi $test.chi2 p.value df cepage > resclassif <- HCPC(resAFM) > resclassif > $category$classe3 Cla/Mod Mod/Cla Global p.value v.test cepage=sauvignon cepage=vouvray > $quanti$classe5 v.test Mean in Overall sd in Overall p.value category mean category sd O.boisee O.vanille O.Champignon_J G.Intensite_J Amere_J O.Typicite_J G.Typicite_J

30 L interface graphique Menu déroulant de FactoMineR

31 L interface graphique Fenêtre principale de l ACP

32 L interface graphique Options graphiques

33 Les autres packages ade4 : équipe de Lyon; package complet, orienté données écologiques ca : Analyse des correspondances simple et multiple (Greenacre) homals : homogeneity analysis (De Leeuw) MASS : analyse des correspondances cluster : classification hopach : classification hiérarchique dyngraph : graphiques dynamiques missmda : gestion de données manquantes pour ACP ou ACM

34 Conclusion Pour les chercheurs, les utilisateurs et les étudiants : contient des méthodes classiques mais aussi des méthodes avancées FactoMineR est disponible sur le site officiel de R (CRAN) L interface graphique peut être chargée très facilement : source("http://factominer.free.fr/install-facto-fr.r") Un site web est dédié à cette librairie : Jeux de données : Gestion des données manquantes via le package missmda

35 Presses Universitaires de Rennes Conclusion Statistiques avec R (2008, 2010) Cornillon, Guyader, Husson, Jégou, Josse, Kloareg, Matzner-Lober, Rouvière Analyse de données avec R (2009) Husson, Lê, Pagès Nouvelle collection SpringR

36 L équipe de FactoMineR (lors d une évaluation sensorielle ou d une réflexion autour du package?)

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

L'analyse de données avec FactoMineR : les nouveautés

L'analyse de données avec FactoMineR : les nouveautés 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

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

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

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 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

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

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

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

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

Analyse multivariée approfondie

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

Plus en détail

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

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

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

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

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

Module 3 : Introduction à la Modélisation SOUS MODELER

Module 3 : Introduction à la Modélisation SOUS MODELER Module 3 : Introduction à la Modélisation SOUS MODELER 1 Techniques prédictives Passé pour prédire l avenir 2 Concepts de la modélisation Données test / apprentissage Généralement créées par l utilisateur

Plus en détail

Base de données et logiciels

Base de données et logiciels Base de données et logiciels par G. BOUXIN Sommaire Logiciels personnels en ACCESS Basic... 2 La base de données ACCESS «Data analysis2016»... 2 Logiciel «Presence table»... 3 Logiciel Complete disjunctive

Plus en détail

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

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

Plus en détail

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

PSY C3 Eléments de statistique

PSY C3 Eléments de statistique PSY C3 Eléments de statistique Responsables : Amandine Penel & Fabrice Guillaume Maîtres de conférence en Psychologie Cognitive penel@up.univ-mrs.fr guillaume@isc.cnrs.fr semaine du 4 Sept semaine du oct

Plus en détail

La cartographie des préférences. François Husson Laboratoire de mathématiques appliquées Agrocampus ouest

La cartographie des préférences. François Husson Laboratoire de mathématiques appliquées Agrocampus ouest La cartographie des préférences François Husson Laboratoire de mathématiques appliquées Agrocampus ouest husson@agrocampus-ouest.fr 1 Relation données sensorielles données instrumentales Pourquoi relier

Plus en détail

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac

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

Plus en détail

L analyse des données statistiques

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

Plus en détail

Débuter avec R. Maxime Hervé. UMR 1099 INRA Agrocampus Ouest Université Rennes 1 BiO3P. 28 avril 2011

Débuter avec R. Maxime Hervé. UMR 1099 INRA Agrocampus Ouest Université Rennes 1 BiO3P. 28 avril 2011 Débuter avec R Maxime Hervé UMR 1099 INRA Agrocampus Ouest Université Rennes 1 BiO3P 28 avril 2011 Maxime Hervé (UMR BiO3P) Débuter avec R 28 avril 2011 1 / 23 R, c est quoi? Trois caractéristiques importantes

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

Travaux d Études et de Recherche Rapport Intermédiaire. Julien Henry Nicolas Lacourte-Barbadaux Alexandre Masson Léo Rousseau 14 Janvier 2013

Travaux d Études et de Recherche Rapport Intermédiaire. Julien Henry Nicolas Lacourte-Barbadaux Alexandre Masson Léo Rousseau 14 Janvier 2013 Travaux d Études et de Recherche Rapport Intermédiaire Julien Henry Nicolas Lacourte-Barbadaux Alexandre Masson Léo Rousseau 14 Janvier 2013 1 Table des matières 1 Résumé du projet 3 2 Introduction du

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL LINF 2275 Stat. explor. multidim. 1 A.C.P.: Analyse en Composantes Principales Analyse de la structure de la matrice

Plus en détail

DOSSIER PEDAGOGIQUE LABORATOIRE D ETUDES DE MARCHES ET STATISTIQUE APPLIQUEE

DOSSIER PEDAGOGIQUE LABORATOIRE D ETUDES DE MARCHES ET STATISTIQUE APPLIQUEE MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENERALE DE L ENSEIGNEMENT ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE D ENSEIGNEMENT LABORATOIRE D ETUDES DE MARCHES ET

Plus en détail

de la classification Approche pragmatique t Editions TECHNIP 27 rue Cinoux, 75737 PARIS Cedex 15, FRANCE Arbres hiérarchiques Partitionnements

de la classification Approche pragmatique t Editions TECHNIP 27 rue Cinoux, 75737 PARIS Cedex 15, FRANCE Arbres hiérarchiques Partitionnements Jean-Pierre NAKACHE Ingénieur de recherche CNRS détaché à l'inserm Chargé de cours à l'isup Josiane CONFAIS Ingénieur d'études chargée des enseignements pratiques à l'isup Approche pragmatique de la classification

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

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

Innovation dans l évaluation de la ressource : nouvelles techniques de caractérisation Regefor 2015 INRA Champenoux

Innovation dans l évaluation de la ressource : nouvelles techniques de caractérisation Regefor 2015 INRA Champenoux Innovation dans l évaluation de la ressource : nouvelles techniques de caractérisation Regefor 2015 INRA Champenoux Alexandre Piboule, Anne Jolly ONF - Département Recherche, Développement et Innovation

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

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

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

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels D1 RECRUTEMENT DES ASSISTANTS INGÉNIEURS...2 D1.1 Assistant cartographe (nouveau programme)...2 D1.2 Assistant en production et

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

L analyse en composantes principales en pratique

L analyse en composantes principales en pratique L analyse en composantes principales en pratique Après avoir vu sa formalisation mathématique dans le module précédent, on s intéresse ici à l utilisation pratique de l ACP. 1 Objectifs L objectif de l

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

Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2

Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2 Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html 1 R est un langage de programmation. L objet de base est un vecteur de données. C est un «vrai» langage c.-à-d. types

Plus en détail

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

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

Plus en détail

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

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

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

Plus en détail

Data Mining: Activité hospitalière

Data Mining: Activité hospitalière Data Mining: Activité hospitalière DIAGNE Sénéba 1, Huai Yuan WAN 2 1. S2IFA 2. DRM Chapitre 1 Clustering : Activité hospitalière 1.1 Présentation des données Le périmètre des données représente ici un

Plus en détail

ETUDES DE MARCHES ET STATISTIQUE APPLIQUEE

ETUDES DE MARCHES ET STATISTIQUE APPLIQUEE MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENERALE DE L ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE DE FORMATION ETUDES

Plus en détail

Analyses de données avec FactoMineR Statistiques Multidimensionnelles Oct.-Nov. 2013

Analyses de données avec FactoMineR Statistiques Multidimensionnelles Oct.-Nov. 2013 Analyses de données avec FactoMineR Statistiques Multidimensionnelles Oct.-Nov. 2013 FactoMineR est un paquet R qui implémente les principales méthodes d analyse de données. Si le paquet n est pas déjà

Plus en détail

L EVALUATION SENSORIELLE

L EVALUATION SENSORIELLE L EVALUATION SENSORIELLE Tests et interprétations Ce document a été réalisé par Pierre Casamayor pour le compte de l U.Œ.F. Toute reproduction ne peut se faire sans l accord d une des deux parties. Quelques

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

TP 1 : Présentation générale du logiciel, l aide en ligne et les bases du langage

TP 1 : Présentation générale du logiciel, l aide en ligne et les bases du langage TP 1 : Présentation générale du logiciel, l aide en ligne et les bases du langage est distribué gratuitement à partir du site du CRAN (Comprehensive R Archive Network) : http://www.r-project.org/. Je vous

Plus en détail

Introduction à l analyse des correspondances et à la classification

Introduction à l analyse des correspondances et à la classification Introduction à l analyse des correspondances et à la classification Bertrand Iooss Véronique Verrier EDF R&D Département Management des Risques Industriels Cours IUP SID Toulouse - M1-17/10/2011 14/10/2011

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

Module 2: Les échelles

Module 2: Les échelles Module 2: Les échelles Echelles et mesure en sciences sociales - Mesurer des concepts abstraits/complexes (p.ex. attitudes) - Mesures et questionnaires (questions Echelles (tests, indices) - Echelles conceptuelles

Plus en détail

Microcrédit, cause de la défaillance dans le prêt collectif (Une analyse empirique)

Microcrédit, cause de la défaillance dans le prêt collectif (Une analyse empirique) Microcrédit, cause de la défaillance dans le prêt collectif (Une analyse empirique) Mohammed Kaicer* & Rajae Aboulaich* *Laboratoire d étude et de recherche en mathématiques appliquées, Université Mohammed

Plus en détail

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :

Plus en détail

Evaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière

Evaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière Evaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière Ronan SYMONEAUX, Isabelle MAITRE, Frédérique JOURJON UMT VINITERA- Laboratoire GRAPPE

Plus en détail

Enquête.sba Procédure Tableaux croisés

Enquête.sba Procédure Tableaux croisés Enquête.sba Procédure Tableaux croisés Tris croisés p. 27 «Cette procédure est conçue pour le calcul et l édition massive de tableaux croisés. On obtient à partir de cette procédure des tableaux de contingence,

Plus en détail

Evaluation du C2i Niveau 2 Métiers de la Santé. NGUYEN Jean-Michel Université de Nantes Faculté de Médecine, 22 juin 2007

Evaluation du C2i Niveau 2 Métiers de la Santé. NGUYEN Jean-Michel Université de Nantes Faculté de Médecine, 22 juin 2007 Evaluation du C2i Niveau 2 Métiers de la Santé NGUYEN Jean-Michel Université de Nantes Faculté de Médecine, 22 juin 2007 Objectifs de l expérimentation -Faire évoluer le référentiel national en vue de

Plus en détail

WIS 3.0: LOGICIEL EUROPEEN GRATUIT POUR LE CALCUL DES PROPRIETES THERMIQUES ET OPTIQUES DES FENETRES

WIS 3.0: LOGICIEL EUROPEEN GRATUIT POUR LE CALCUL DES PROPRIETES THERMIQUES ET OPTIQUES DES FENETRES WIS 3.0: LOGICIEL EUROPEEN GRATUIT POUR LE CALCUL DES PROPRIETES THERMIQUES ET OPTIQUES DES FENETRES INTRODUCTION WIS 3.0 constitue un logiciel avancé, basé sur des normes européennes et conçu pour assister

Plus en détail

Atelier N 6 : Analyse en composantes principales (ACP) Présentation des méthodes d analyses multivariées

Atelier N 6 : Analyse en composantes principales (ACP) Présentation des méthodes d analyses multivariées Atelier N 6 : Analyse en composantes principales (ACP) Contenu : Présentation des méthodes d analyses multivariées Présentation des méthodes d analyses multivariées Classification des méthodes : Les méthodes

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

Logiciel de reconnaissance vocale Sphinx-4

Logiciel de reconnaissance vocale Sphinx-4 Rapport Travail pratique Logiciel de reconnaissance vocale Sphinx-4 Philippe Galley, Blaise Grand & Samuel Rossier 19 mai 2006 1 Table des matières 1 Introduction 1 2 Informations générales sur Sphinx-4

Plus en détail

Analyse Factorielle Multiple

Analyse Factorielle Multiple Analyse Factorielle Multiple Julie Josse Laboratoire de mathématique appliquées Agrocampus Ouest Rennes 1 / 40 Analyse Factorielle Multiple 1 Données - problématique 2 Une ACP globale 3 Etude des groupes

Plus en détail

Clustering Méthodes et algorithmes avancés Mars - 2006

Clustering Méthodes et algorithmes avancés Mars - 2006 Clustering Méthodes et algorithmes avancés Mars - 2006 Clustering (catégorisation) Objectifs du clustering Mesures de distances habituelles, similarités entre objets Les différents algorithmes Clustering

Plus en détail

Fusion de classifiers visuels et textuels pour un système de recherche d images

Fusion de classifiers visuels et textuels pour un système de recherche d images Fusion de classifiers visuels et textuels pour un système de recherche d images Sabrina Tollari, Hervé Glotin, Jacques Le Maitre Université du Sud Toulon-Var Giens, 16 juin 2004 1 Plan Problématique Du

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

www.i3-technologies.com PRÉSENTER COLLABORER FAITES DES SONDAGES

www.i3-technologies.com PRÉSENTER COLLABORER FAITES DES SONDAGES www.i3-technologies.com PRÉSENTER COLLABORER FAITES DES SONDAGES PRÉSENTER OKTOPUS pour i3 est une collection d'outils interactifs, conçus pour accompagner l'enseignant et contribuer à l'amélioration des

Plus en détail

Le logiciel Éco-Santé Québec

Le logiciel Éco-Santé Québec Le logiciel Éco-Santé Québec Données statistiques sur la santé de la population et sur le système de santé du Québec et de ses 18 régions sociosanitaires Michel Pageau, INSPQ Gilles Pelletier, MSSS 1 DÉROULEMENT

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Guillaume CERUTTI Rémy FANGOUSE Xavier MAIZERAY

Guillaume CERUTTI Rémy FANGOUSE Xavier MAIZERAY Guillaume CERUTTI Rémy FANGOUSE Xavier MAIZERAY EPSI Montpellier CSII 2A Année 2008-2009 Professeur : M. Angelilla Sommaire I. Présentation... 2 A. Mais que sont les fractales?... 2 B. Notre objectif...

Plus en détail

ACP Voitures 1- Méthode

ACP Voitures 1- Méthode acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788

Plus en détail

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

Framework à but pédagogique sous Linux

Framework à but pédagogique sous Linux Travail de diplôme Framework à but pédagogique sous Linux Plan de la présentation Introduction Environnements Techniques développées Implémentation Résultat Conclusion 1 Introduction Framework Outil de

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

Objectif du groupe GT1.1 Fusion de Données

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

Plus en détail

Graphiques et données

Graphiques et données Problème d'analyse des données corrigé Graphiques et données D. Chessel DEA AMSB / 1999 (Stage de 3 jours) Questions Chaque question porte sur une carte de données de la pile Data du logiciel ADE-4. 1

Plus en détail

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*)

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*) Traitement statistique Application avec JMP - 3 jours (*) Référence : STA-N1-SPECHAJMP Durée : 3 jours soit 21 heures (*) : La durée proposée est une durée standard. Elle peut être adaptée selon les besoins,

Plus en détail

Classification de variables qualitatives pour la compréhension de la prise en compte de l'environnement par les agriculteurs

Classification de variables qualitatives pour la compréhension de la prise en compte de l'environnement par les agriculteurs Classification de variables qualitatives pour la compréhension de la prise en compte de l'environnement par les agriculteurs Vanessa KUENTZ-SIMONET, Sandrine LYSER, Jacqueline CANDAU, Philippe DEUFFIC,

Plus en détail

8. Statistique descriptive

8. Statistique descriptive 8. Statistique descriptive MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: statistique descriptive 1/47 Plan 1. Introduction 2. Terminologie 3. Descriptions graphiques des

Plus en détail

Choix de modèle en régression linéaire

Choix de modèle en régression linéaire Master pro Fouille de données Philippe Besse 1 Objectif Choix de modèle en régression linéaire La construction d un score d appétence sur les données bancaires correspond au choix et à l estimation d un

Plus en détail

Création de typologie sous SPSS

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

Plus en détail

Agrégation d un portefeuille de contrats

Agrégation d un portefeuille de contrats Agrégation d un portefeuille de contrats Est-il toujours optimal de rassembler les contrats d assurance vie en fonction de l âge et de l ancienneté? P.O. Goffard 1 1 Axa France - Institut de Mathématiques

Plus en détail

MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE A^-

MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE A^- Le Président de la République, Sur proposition du ministre de l enseignement supérieur et de la recherche scientifique, Vu la loi n 2008-19 du 25 février 2008, relative à l enseignement supérieur, Vu le

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

A la découverte d Excel. Certificat Informatique et Internet

A la découverte d Excel. Certificat Informatique et Internet A la découverte d Excel Certificat Informatique et Internet Plan 1. Qu est-ce qu un tableur 2. Principaux tableurs 3. Présentation de l interface Excel 4. La cellule 1. Définition 2. Coordonnées 3. Valeur

Plus en détail

L hypertexte comme mode d exploitation des résultats d outils et méthodes d analyse de l information scientifique et technique.

L hypertexte comme mode d exploitation des résultats d outils et méthodes d analyse de l information scientifique et technique. L hypertexte comme mode d exploitation des résultats d outils et méthodes d analyse de l information scientifique et technique Luc GRIVEL INIST/CNRS CRRM PLAN DE L EXPOSÉ (1) DE L ANALYSE DE L IST À L

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

PROGRAMME DE MATHEMATIQUE 6 ème SCIENTIFIQUE & TECHNIQUE INDUSTRIELLE

PROGRAMME DE MATHEMATIQUE 6 ème SCIENTIFIQUE & TECHNIQUE INDUSTRIELLE PROGRAMME DE MATHEMATIQUE 6 ème SCIENTIFIQUE & TECHNIQUE INDUSTRIELLE Chaque fois que c est nécessaire, il sera fait usage des moyens modernes de calcul. I. ALGEBRE-ANALYSE OBJECTIFS SPECIFIQUES CONTENUS/MATIERES

Plus en détail

Licence Fondamentale Informatique de Gestion

Licence Fondamentale Informatique de Gestion Licence Fondamentale Informatique de Gestion Domaine : Science et Technologie d Information Mention : Informatique de Gestion Parcours : Informatique de Gestion NB : Parcours National pour tous les niveaux

Plus en détail

MIXMOD R Un ensemble logiciel, pour quelles utilisations et quels utilisateurs?

MIXMOD R Un ensemble logiciel, pour quelles utilisations et quels utilisateurs? MIXMOD R Un ensemble logiciel, pour quelles utilisations et quels utilisateurs? Florent Langrognet F. Langrognet () 4 e rencontre MIXMOD Septembre 2013 1 / 70 PLAN 1 MIXMOD Fiche d identité, fonctionnalités

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

Data Mining : la classification non supervisée

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

Plus en détail

Chapitre 1 Installer MySQL 5 21

Chapitre 1 Installer MySQL 5 21 Chapitre 1 Installer MySQL 5 21 1.1. Les outils nécessaires... 22 1.2. Télécharger et installer le serveur MySQL... 22 Télécharger la dernière version... 22 Lancer l installation sous Windows... 23 Lancer

Plus en détail

Université Paris Descartes

Université Paris Descartes Université Paris Descartes Master Domaine Droit, économie, Gestion Mention Monnaie,banque, finance, assurance Spécialité Risque, Assurance, Décision 2015 / 2016 Z.Trocellier Directeurs Pr Kouroche VAFAÏ

Plus en détail

Analyse multidimensionnelle de données longitudinales

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

Plus en détail

ANALYSE : 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

VISUALISATION DE DONNÉES SPATIALES AVEC R

VISUALISATION DE DONNÉES SPATIALES AVEC R VISUALISATION DE DONNÉES SPATIALES AVEC R Rennes, France Master Statistique Appliquée à l Agronomie et à l Agroalimentaire Les SIG et R Les SIG, Késako? Ensemble de données géographiques, structuré de

Plus en détail