Statistiques appliquées à la biologie et l environnement. Daniel Petit UMR INRA 1061 Université de Limoges
|
|
- Arlette Bilodeau
- il y a 8 ans
- Total affichages :
Transcription
1 Statistiques appliquées à la biologie et l environnement Daniel Petit UMR INRA 161 Université de Limoges Université de Biskra, janvier 212
2 Plan Techniques de base Régressions multiples Analyses des peuplements Climagrammes Logiciel puissant et cher Logiciel convivial, évolutif et gratuit
3 Techniques de base Catégories de variables Variable qualitative : couleur, catégorie, condition de culture ou d élevage, espèce Variable quantitative : mesure de poids, longueur, concentration, fréquence Variable semi-quantitative : abondance, classe d abondance Nombre de variables à traiter 2-3 variables : statistiques univariées Plus de 5 variables : statistiques multivariées
4 Statistiques univariées 1 variable quantitative + 1 variable qualitative Analyse de variance Régression logistique 2 variables quantitatives Analyse de corrélation Régression n variables quantitatives Régression multiple Statistiques multivariées n variables quantitatives Analyse en Composantes Principales ACP n variables qualitatives Analyse Factorielle des Correspondances AFC Detrended Correspondance DC Multidimensional Scaling MDS
5 Stratégie d analyse 1. Analyses multivariées 2. Analyses univariées Dégrossissage Visualisation des tendances Affinage Statistiques descriptives Statistiques inférencielles
6 AFC : avec données d abondance Pelouse écorchée Pelouse à Fétuque Pelouse à Brachypode Clairière sèche espèces code PE1 PE2 PE3 PE4 PE5 PE6 PE7 PE8 PE9 PE1 PF1 PF2 PF3 PF4 PF5 PF6 PF7 PF8 PF9 PF1 PB1 PB2 PB3 PB4 PB5 PB6 PB7 PB8 PB9 PB1 PS1 PS2 PS3 PS4 PS5 PS6 PS7 PS8 PS9 PS1 Omocestus petraeus Opetr Calliptamus barbarus Cbarb Euchorthipus pulvinatus Epulv Oedipoda caerulea Ocaer Pezotettix giornai Pgior Euchorthipus declivus Edecl Chorthippus biguttulus Cbigu 1 1 Stenobothrus lineatus Sline Gomphocerripus rufus Gomp 2 Tylopsis liliifolia Tlili Platycleis grisea Pgris Platycleis tessellata Ptess 1 Ruspolia nitidula Rnitid Phaneroptera nana Pnana Mantis religiosa Mreli Gryllus campestris Gcamp 1
7 1. Transposer la matrice = intervertir les lignes et les colonnes 2. Marquer les intitulés de lignes par des couleurs = définition des groupes
8 Axis 2 : 15, 8 % AFC simple 4 Gcamp 3.2 Pnana Gomp Edecl Clairières sèches Mreli Cbarb Pelouse écorchée Ocaer Opetr -.8 Tlili Rnitid Pelouse à Brachypode Sline Pgris Enveloppes automatiques Pgior Cbigu Ptess Epulv Pelouse à Fétuque Axis 1 : 18,5 %
9 Axis 2 Axis 2 AFC ou DCA (Detrended Correspondence Analysis) S2F2 S2Ja1 S2Ja2 S1D2 S2F1 S1D1 S1Av1 S2D2 S1M1 S1M2 S1F2 S1F1 S2D1 S1N1 S1Av2 S1Mai1 S1N2 S1Ju1 SIMai2 S1Ju2 SIJut1 S1Jut2 S1Ao1 S1Ao2 S1S1 S2S1 S2Av1 S2M1 S1S2 S2O1 S2S2 S2M2 S2Jut1 S2Ju2 S2Mai2 S2Ju1 S2Jut2 S2Mai1 S2Ao2 S2Ao1 S2Av2 S1O1 S1O2 S2O Axis 1 S1Ja2 S1Ja1 S2N1 S2N2 AFC simple : superposition à cause de points éloignés S1Ao1 SIJut1 S1Jut2 S1Ao2 S1S1 S1S2 S1O1 S1Ju2 S2Ao2 S2Ao1 S2S1 S1O2 S2O1 S2S2 S1N1 S1Ju1 S2Jut1 S2Jut2 S2O2 S2Ju2 S2Av2 S1N2 S2Mai2 S2Mai1 S2Ju1 S2Av1 S1D1 S1D2 SIMai2 S2M1 S2M2 S1Mai1 S1Av2 S1M1 S1M2 S1Av1 S1F2 S2N2 S2N1 S2F2 S2Ja1 S2Ja2 S2F1 S2D1 S2D2 S1F1 S1Ja2 S1Ja Axis 1 L option «detrending» permet de mieux disperser le nuage de points Relevés de l entomofaune associée au Peuplier noir (Z. Djazouli et al., en révision)
10 Classification hiérarchique 1. obtenir les coordonnées des facteurs lignes et colonnes sur les premiers axes Combien d axes fautil considérer?
11 Classification hiérarchique 2. Coordonnées sur 3 axes factoriels Choix de l indice de similarité = distance euclidienne Y A y B y x A A : x A, y A x B B : x B, y B D AB = (x B - x A )² + (y B -y A )² Méthode d agglomération Paired group =UPGMA Ward s method x Paired group =UPGMA Similarity Gomp PB8 PS4 PB9 PS2 Tlili PS1 Edecl PS3 PE7 PE3 PE6 PE4 PE1 Cbarb Opetr PE2 PE1 Ocaer PE5 PE9 PB1 PB5 Sline PB3 PB7 PF1 PF6 PF3 PF2 PF5 Ptess Pgior Cbigu PE8 PF8 PF9 Epulv PF4 PF1 PB4 PF7 PB2 PB6 Pgris PS5 PS9 PB1 PS8 PS1 Mreli PS7 Rnitid Pnana PS6 Gcamp
12 Ward s method : minimisation de la variance intra-groupe Similarity Gcamp PS3 PE4 PF7 PE7 PE1 PE3 PE6 Cbarb PS6 PE5 PE9 Ocaer Opetr PE1 PE2 PS1 Edecl Gomp PB6 Pgris PS5 PS9 PB8 PS4 PB9 PS2 Tlili PB4 PF4 PF1 PE8 PF8 PF9 Epulv Pgior Cbigu PF2 PF3 PF1 PF6 PF5 Ptess PS1 PS7 Pnana Mreli PB1 PS8 PB2 Sline PB1 PB5 PB3 PB7 Rnitid
13 Coordinate 2 Coordinate 2 Coordinate 2 Coordinate 2 Non-metric Multidimensional scaling Les calculs ne se font pas sur les valeurs absolues mais sur les rangs Rho de Spearman Bray-Curtis Augmente le % de représentation sur les 2 premiers axes Coordinate Coordinate 1 Ne permet pas de représenter à la fois les facteurs lignes et colonnes Morisita.16 Chord.4.12 Meilleure mesure de similarité ou distance? Regarder le diagramme de Shepard sur les rangs observés et préservés dans la projection: y = x Coordinate Coordinate 1
14 Coordinate 2 Obtained rank Coordinate 2 Obtained rank Coordinate 2 Obtained rank Coordinate 2 Obtained rank Diagrammes de Shepard Rho de Spearman Coordinate Target rank Stress = Stress = Bray-Curtis Coordinate Target rank Stress = Morisita Coordinate Target rank Chord Stress = Coordinate Target rank
15 ACP : avec variables quantitatives site$ Age haut Rec Gram nbesp_v div_vgt div_ins Dens_ins nbesp_ins Ma Ma Te Ma Ma Ma Pa Pa Pa Pb Pb Te Te Pa Pa Pa Pb Pa Pa Pa Pa Pa Pm Pm Pm Pm Mg Mg Mg Mg Mg Mg Mg Mg
16 ACP
17 Analyse de corrélation P-values, probabilité associée, risque d erreur r de Pearson, coefficient de corrélation linéaire Conforte les observations de l ACP avec indication du risque d erreur
18 Frequency Frequency Frequency Distribution d une variable quantitative Appréciation visuelle de la distribution par histogramme Variable diversité (H ) des insectes : distribution symétrique Variable densité des insectes : distribution dissymétrique Transformation logarithmique y = ln x Pas d amélioration de la symétrie inutile
19 Dens_ins_ Graphe de corrélation Équation de la droite de régression : densité = haut Haut (cm) r = -,49 P =,31
20 Régression multiple Hétérocarpie des Astéraceae du Maroc 45 localités Type biologique Type de dissémination : hétérocarpie ou homocarpie Leontodon taraxacoides subsp. longirostris Hyoseris radiata
21 Bilan des prospections Cardueae Lactuceae nombre de taxa nombre d'espèces hétérocarpes 3 21 nombre hétéroc thérophytes 3 14 nombre hétéroc hémicryptophytes 7 Problème : forte liaison entre hétérocarpie et type biologique thérophyte Nécessité d enlever l effet thérophyte pour tester l influence climatique
22 Comment extraire l information? m C Préc Théro Hétéro Théro Hétéro NonThéro Hétéroc Total Card-lact Essaouira Kenitra Sk-el-arba Casablanca Tanger Arbaoua Tiznite Berrechid Taroudant Ouezzane La variable à expliquer y (hétérocarpie) dépend d une combinaison linéaire de plusieurs variables quantitatives x1, x2, x3, y = a1x1 + a2x2 + a3x3 + a4x4. + b
23 Régressions multiples (SYSTAT 12.) Variable : nombre d espèces hétérocarpes et thérophytes Coefficient p-value Constant THERO m C PREC mm Nb espèces hétérocarpes = THERO m C +.96 PREC Variable : nombre d espèces hétérocarpes et non-thérophytes Coefficient p-value Constant NON-THERO m C PREC mm Nb espèces hétérocarpes =.8387 NON-THERO m C PREC
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailL'analyse des données à l usage des non mathématiciens
Montpellier L'analyse des données à l usage des non mathématiciens 2 ème Partie: L'analyse en composantes principales AGRO.M - INRA - Formation Permanente Janvier 2006 André Bouchier Analyses multivariés.
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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailVersion 1.1 - Mars 2013
Version 1.1 - Mars 2013 Clé des Orthoptères de Poitou-Charentes UNION EUROPEENNE Clé des Orthoptères de Poitou-Charentes Nature Environnement 17 Groupe scolaire, École Descartes Av. de Bourgogne Port Neuf
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 détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection
ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data
Plus en détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailISFA 2 année 2002-2003. Les questions sont en grande partie indépendantes. Merci d utiliser l espace imparti pour vos réponses.
On considère la matrice de données : ISFA 2 année 22-23 Les questions sont en grande partie indépendantes Merci d utiliser l espace imparti pour vos réponses > ele JCVGE FM1 GM JCRB FM2 JMLP Paris 61 29
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailInitiation à l analyse en composantes principales
Fiche TD avec le logiciel : tdr601 Initiation à l analyse en composantes principales A.B. Dufour & J.R. Lobry Une première approche très intuitive et interactive de l ACP. Centrage et réduction des données.
Plus en détailCroissance et vieillissement cellulaires Docteur COSSON Pierre Nb réponses = 81 sur 87. Résultats des questions prédéfinies
Docteur COSSON Pierre Nb réponses = 8 sur 87 A00 8/87 Indicateurs globaux Index global m.= m.=,9 s.=0,. Evaluation générale de cette unité m.=. Sciences médicales de base m.=,. Compétences cliniques m.=,7.
Plus en détailAtelier : L énergie nucléaire en Astrophysique
Atelier : L énergie nucléaire en Astrophysique Elisabeth Vangioni Institut d Astrophysique de Paris Fleurance, 8 Août 2005 Une calculatrice, une règle et du papier quadrillé sont nécessaires au bon fonctionnement
Plus en détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLe suivi de la qualité. Méthode MSP : généralités
Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailSERIE 1 Statistique descriptive - Graphiques
Exercices de math ECG J.P. 2 ème A & B SERIE Statistique descriptive - Graphiques Collecte de l'information, dépouillement de l'information et vocabulaire La collecte de l information peut être : directe:
Plus en détailLa structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)
La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de
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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailIndividus et informations supplémentaires
ADE-4 Individus et informations supplémentaires Résumé La fiche décrit l usage des individus supplémentaires dans des circonstances variées. En particulier, cette pratique est étendue aux analyses inter
Plus en détailChapitre 4 - Spectroscopie rotationnelle
Chapitre 4 - Spectroscopie rotationnelle 5.1 Classification Déterminer à quelle catégorie (sphérique, symétrique, asymétrique) appartiennent ces molécules : a) CH 4, b) CH 3 F, c) CH 3 D, d) SF 6, e) HCN,
Plus en détailACP 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 détailCalcul des pertes de pression et dimensionnement des conduits de ventilation
Calcul des pertes de pression et dimensionnement des conduits de ventilation Applications résidentielles Christophe Delmotte, ir Laboratoire Qualité de l Air et Ventilation CSTC - Centre Scientifique et
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
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 détailLes moyens d observations en astronomie & astrophysique
Les moyens d observations en astronomie & astrophysique Unité d Enseignement Libre Université de Nice- Sophia Antipolis F. Millour PAGE WEB DU COURS : www.oca.eu/fmillour cf le cours de Pierre Léna : «L
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailMémo d utilisation de ADE-4
Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose
Plus en détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
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 détailMAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits
MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits Préambule La performance flux, quel que soit le vocable sous lequel on la désigne ( Juste
Plus en détailRÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3
RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans
Plus en détailEcoles Supérieures de Technologie (EST) Les EST. Les EST sont des établissements supérieurs public. Diplôme préparé : D.U.T
Ecoles Supérieures de Technologie (EST) Les EST sont des établissements supérieurs public Ministère de Tutelle : Ministère de l'éducation Nationale de l'enseignement Supérieur de la Formation des Cadres
Plus en détailEXCEL PERFECTIONNEMENT SERVICE INFORMATIQUE. Version 1.0 30/11/05
EXCEL PERFECTIONNEMENT Version 1.0 30/11/05 SERVICE INFORMATIQUE TABLE DES MATIERES 1RAPPELS...3 1.1RACCOURCIS CLAVIER & SOURIS... 3 1.2NAVIGUER DANS UNE FEUILLE ET UN CLASSEUR... 3 1.3PERSONNALISER LA
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 détailLocalisation des fonctions
MODALISA 7 Localisation des fonctions Vous trouverez dans ce document la position des principales fonctions ventilées selon l organisation de Modalisa en onglets. Sommaire A. Fonctions communes à tous
Plus en détailData mining 1. Exploration Statistique
PUBLICATIONS DU LABORATOIRE DE STATISTIQUE ET PROBABILITÉS Data mining 1 Exploration Statistique ALAIN BACCINI & PHILIPPE BESSE Version septembre 2004 mises à jour : wwwlspups-tlsefr/besse Laboratoire
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailDémonstration d utilisation De NesmaCom
Démonstration d utilisation De NesmaCom Envoi : SMS Marketing - 1 - Démonstration : NesmaCom I. Connexion à NesmaCom Entrer votre Email et votre mot de passe pour accéder à votre compte sur notre solution
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 détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailSoumise à l effet du vent, à la différence
CVC N 871 NOV./DÉC. 2011 13 PROFESSION ÉTUDE Infiltrométrie Vers un résultat d étanchéité à l air des bâtiments La réglementation thermique 2012 impose un niveau élevé d étanchéité à l air des nouveaux
Plus en détailMolécules et Liaison chimique
Molécules et liaison chimique Molécules et Liaison chimique La liaison dans La liaison dans Le point de vue classique: l approche l de deux atomes d hydrogd hydrogènes R -0,9-1 0 0,5 1 1,5,5 3 3,5 4 R
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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailPHYSIQUE-CHIMIE. Partie I - Spectrophotomètre à réseau
PHYSIQUE-CHIMIE L absorption des radiations lumineuses par la matière dans le domaine s étendant du proche ultraviolet au très proche infrarouge a beaucoup d applications en analyse chimique quantitative
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailRégionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique
Régionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique Sylvie Gauthier, Chercheuse scientifique, successions forestières RNCan-SCF-CFL
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailLa question est : dans 450 combien de fois 23. L opération est donc la division. Le diviseur. Le quotient
par un nombre entier I La division euclidienne : le quotient est entier Faire l activité division. Exemple Sur une étagère de 4mm de large, combien peut on ranger de livres de mm d épaisseur? La question
Plus en détailTUTORIAL Microsoft Project 2010 Fonctionalités de base
TUTORIAL Microsoft Project 2010 Fonctionalités de base Microsoft Project est un logiciel de la suite Microsoft Office. Il s agit d un logiciel de gestion de projet et plus précisement de gestion de planning
Plus en détailTransmetteur de pression de haute qualité pour applications industrielles Type S-10
Mesure électronique de pression Transmetteur de pression de haute qualité pour applications industrielles Type S-10 Fiche technique WIKA PE 81.01 pour plus d'agréments, voir page 4 Applications Construction
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailSECTION : BTS MANAGEMENT DE L UNITE COMMERCIALE ( première et deuxième année) MATIERE : MANAGEMENT DE L UNITE COMMERCIALE ENVIRON 200 HEURES
SECTION : BTS MANAGEMENT DE L UNITE COMMERCIALE ( première et deuxième année) MATIERE : MANAGEMENT DE L UNITE COMMERCIALE ENVIRON 200 HEURES Manuel Murgia Page 1 19/08/2006 LES FONDEMENTS DU MANAGEMENT
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailREQUEA. v 1.0.0 PD 20 mars 2008. Mouvements d arrivée / départ de personnels Description produit
v 1.0.0 PD 20 mars 2008 Mouvements d arrivée / départ de personnels Description produit Fonctionnalités L application Gestion des mouvements d arrivée / départ de Requea permet la gestion collaborative
Plus en détailAFFAIBLISSEMENT DÛ AUX NUAGES ET AU BROUILLARD
Rec. UIT-R P.84- RECOMMANDATION UIT-R P.84- AFFAIBLISSEMENT DÛ AUX NUAGES ET AU BROUILLARD (Question UIT-R /3) Rec. UIT-R P.84- (99-994-997) L'Assemblée des radiocommunications de l'uit, considérant a)
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détail1 Définition. 2 Systèmes matériels et solides. 3 Les actions mécaniques. Le système matériel : Il peut être un ensemble.un sous-ensemble..
1 Définition GÉNÉRALITÉS Statique 1 2 Systèmes matériels et solides Le système matériel : Il peut être un ensemble.un sous-ensemble..une pièce mais aussi un liquide ou un gaz Le solide : Il est supposé
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailNotion de fonction. Série 1 : Tableaux de données. Série 2 : Graphiques. Série 3 : Formules. Série 4 : Synthèse
N7 Notion de fonction Série : Tableaux de données Série 2 : Graphiques Série 3 : Formules Série 4 : Synthèse 57 SÉRIE : TABLEAUX DE DONNÉES Le cours avec les aides animées Q. Si f désigne une fonction,
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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailLecteur de badges. Cylindre électronique pkt NG. Propriétés
Propriétés Signal visuel et sonore (LEDs rouge et verte) de confirmation de commandes et d'avertissement de niveau de batterie faible. Durée de vie de la batterie : environ 2 ans à 20 actionnements par
Plus en détail