Choix de modèle en régression linéaire

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Choix de modèle en régression linéaire"

Transcription

1 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 modèle particulier pour la prédiction d une variable binaire. Avant d aborder ce point, les grands principes et les questions fondamentales des problèmes de choix de modèles sont abordés dans le cadre plus pédagogique du modèle gaussien ou de régression classique. Aussi, en vue d un objectif prédictif, ce TP compare les techniques visant à la recherche de modèles de régression linéaire multiple parcimonieux ainsi que celles des techniques de régression biaisée (ridge) ou encore de régression sur des facteurs (régression sur compposantes principales, pls) pour des données présentant un problème de multicolinéarité. 1 Régression linéaire simple Cette première section très élémentaire est optionnelle. Elle sera sautée en première approche et reprise plus tard si nécessaire. 1.1 Les données Pour 47 immeubles d appartements locatifs d une grande ville américaine, les données (Jobson, 1991) fournissent le revenu net en fonction du nombre d appartements. Liste des variables : Revenu : net operating income Nbappart : number of suites 1.2 Étapes préalables Lire les données >suit=read.table( /users/magist/besse/d ata/tp/suitincom.dat ) >names(suit)=c("revenu","nbappt") Afficher le contenu >suit Étude des distributions >hist(suit$revenu) >hist(suit$nbappt) >boxplot(suit$revenu) >boxplot(suit$nbappt) Même chose avec les variables transformées >hist(log(suit$revenu)) >hist(log(suit$nbappt)) >hist(sqrt(suit$revenu)) >hist(sqrt(suit$nbappt)) Estimations non paramétriques de la densité avec noyau gaussien >plot(density(log(suit$revenu))) >plot(density(log(suit$nbappt))) Quelles transformations vous semblent les plus raisonnables? 1.3 Première modélisation Ajuster (fit) le modèle revenu=β 0 + β 1 nbappt. >reg=lm(revenu nbappt,data=suit) >summary(reg) >anova(reg) Nuage des points >plot(suit$nbappt,suit$revenu) Ajouter la droite de régression >abline(reg) Graphique des résidus studentisés >plot(reg$fitted.values,rstudent(reg))

2 Master pro Fouille de données Philippe Besse 2 Détection de points influents par la distance de Cook >plot(reg$fitted.values, cooks.distance(reg)) Que penser de cette modélisation (R 2, résidus, points influents...)? 1.4 Deuxième modélisation Ajuster (fit) le modèle log(revenu)=β 0 + β 1 log(nbappt) >lsuit=data.frame(log(suit$nbappt),log(suit$revenu)) >names(lsuit)=c("lrevenu","lnbappt") >plot(lsuit$lnbappt,lsuit$lrevenu) >lreg=lm(lrevenu Lnbappt,data=lsuit) >summary(lreg) >anova(lreg) Graphe du nuage de points >plot(lsuit$lnbappt,lsuit$lrevenu) Ajouter la droite de régression >abline(lreg) Graphique des résidus studentisés >plot(lreg$fitted.values,rstudent(lreg)) Détection de points influents par la distance de Cook >plot(lreg$fitted.values, cooks.distance(lreg)) Que penser de cette modélisation (R 2, résidus, points influents...)? Laquelle préférer? 1.5 Régression non paramétrique Refaire le graphique de régression simple >plot(lsuit$lnbappt,lsuit$lrevenu) >abline(lreg) Lissage spline avec paramètre optimal >lsuit.spl=smooth.spline(lsuitlnbappt, lsuitlrevenu) Tracé de la courbe de régression non paramétrique >lines(lsuit.spl, col = "blue") Autre courbe présentatn plus de flexibilité >lines(smooth.spline(lsuit$lnbappt,lsuit$lrevenu, df=10), +lty=2, col = "red") 2 Sélection de variables en régression multiple 2.1 Les données Les données (Jobson, 1991) décrivent les résultats comptables de 80 entreprises du Royaume Uni. RETCAP est la variable à prédire. Les entreprises sont réparties aléatoirement en deux groupes de 40 entreprises. Descriptif des 13 variables : RETCAP WCFTDT LOGSALE LOGASST CURRAT QUIKRAT NFATAST FATTOT PAYOUT WCFTCL GEARRAT CAPINT INVTAST Return on capital employed Ratio of working capital flow to total debt Log to base 10 of total sales Log to base 10 of total assets Current ratio Quick ratio Ratio of net fixed assets to total assets Gross sixed assets to total assets Payout ratio Ratio of working capital flow to total current liabilities Gearing ratio (debt-equity ratio) Capital intensity (ratio of total sales to total assets) Ratio of total inventories to total assets Lecture des données

3 Master pro Fouille de données Philippe Besse 3 >ukcomp1=read.table( /users/magist/besse/d ata/tp/ukcomp1.datr, +header=true) >summary(ukcomp1) >boxplot(ukcomp1) Vérifier rapidement sur les graphes précédents l allure raisonnablement symétrique des distributions, la présence de quelques points atypiques. 2.2 Première modélisation Estimer le modèle complet sur le premier fichier expliquant RETCAP avec toutes les autres variables. Calculer et représenter les dignostics (ésidus studentisés, les distances de Cook). Interpréter les diagnostics en terme de colinéarité, de précisions des estimations (écarts-types des b j ) et d influence. Estimation du modèle >lm.uk=lm(retcap.,data=ukcomp1) Résultats numériques >summary(lm.uk) Regroupement des graphiques sur la même page >par(mfrow=c(2,2)) Résiduas et points influents >plot(lm.uk,las=1) 2.3 Choix de modèle à la main par élimination SAS, Splus et R proposent des algorithmes de sélection automatique des variables. Néanmoins il est nécessaire de savoir se débrouiller avec les outils plus limités proposés par d autres logiciels ou encore simplement de comprendre comment fonctionne ces algorithmes. Itérer la procédure suivante : 1. Estimer le modèle et choisir, parmi les variables explicatives, celle X j pour lequel le test de Student (H 0 : b j = 0) est le moins significatif, c est-à-dire avec la plus grande prob value. >lm.uk=lm(retcap WCFTCL+WCFTDT+GEARRAT+LOGSALE+LOGASST +NFATAST+CAPINT+FATTOT+INVTAST+PAYOUT+QUIKRAT+CURRAT,data=ukcomp1) >anova(lm.uk) 2. La retirer du modèle et recalculer l estimation. >lm.uk=lm(retcap WCFTCL+WCFTDT+LOGSALE+LOGASST +NFATAST+CAPINT+FATTOT+INVTAST+PAYOUT+QUIKRAT+CURRAT,data=ukcomp1) >anova(lm.uk) 3. Arrêter le processus lorsque tous les coefficients sont considérés comme significativement (à 5%) différents de 0 sauf celui du terme constant (intercept) qui reste présent. Noter la séquence des modèles ainsi obtenus. Comparer avec la procédure automatique identique descendante : >lm.uk=lm(retcap., data = ukcomp1) >step.uk=step(lm.uk,direction="backward",k=log(40)) >summary(step.uk) >step.uk$anova Ou encore avec la procédure ascendante : >lm.uk=lm(retcap 1, data = ukcomp1) >step.uk=step(lm.uk,direction="forward",k=log(40), scope=list(upper= WCFTCL+WCFTDT+GEARRAT+LOGSALE+LOGASST+ >summary(step.uk) >step.uk$anova Celle-ci fournit une solution différente. Cette stratégie d exploration du graphe ne passe pas par le même chemin que la stratégie descendante. En revanche la procédure mixte explorte plus de solutions : >lm.uk=lm(retcap 1, data = ukcomp1) >step.uk=step(lm.uk,direction="both",k=log(40), scope=list(upper= WCFTCL+WCFTDT+GEARRAT+LOGSALE+LOGASST+NFA >summary(step.uk) >step.uk$anova Remarquer en suivant la trace comment cette procédure débute comme la procédure forward, mais, autorisant la sortie de certaines variables revient finalement à la même solution optimale que celle proposée par la stratégie backward.

4 Master pro Fouille de données Philippe Besse Sélection automatique du modèle Parmi les différents types d algorithmes disponibles dans R et les différents critères de choix, une des façons les plus efficaces est la recherche exhaustive du meilleur modèle parmi tous les sous-modèles possibles selon l algorithme de Furnival et Wilson. Seul le meilleur pour chaque niveau, c est-à-dire pour chaque valeur q du nombre de variables explicatives sont donnés. Il est alors facile de choisir celui minimisant l un des critères globaux (C p, R2 ajusté... ) estimant un risque pénalisé. Cet algorithme est disponible dans le package leaps. Chargement de la librairie >library(leaps) Retour à un graphe par page >par(mfrow=c(1,1)) Extraction des variables explicatives >ukcomp=ukcomp1[,2 :13] Recherche des meilleurs modèles au sens du Cp >uk.choix1=leaps(ukcomp,ukcomp1[,"retcap"],method="cp",nbest=1) Résultats >uk.choix1$cp >plot(uk.choix1$size-1,uk.choix1$cp) Meilleur modèle >t=(uk.choix1$cp==min(uk.choix1$cp)) Liste des variables explicatives >colnames(ukcomp)[uk.choix1$whi[t]] Recherche des meilleurs modèles au sens du R2 ajusté >uk.choix2=leaps(ukcomp,ukcomp1[,"retcap"],method="adjr2",nbest=1) >uk.choix2$adjr2 >plot(uk.choix2$size-1,uk.choix2$adjr2) >t=(uk.choix12$adjr2==max(uk.choix2$adjr2)) Variables explicatives du meilleur modèle au sens du R2 ajusté >colnames(ukcomp)[uk.choix2$whi[t]] Liste des meilleurs modèles pour chaque dimension. >for (i in (1 :12)) cat(uk.choix2adjr2[i], uk.choix1cp[i], +colnames(ukcomp)[uk.choix1$whi[i,]],"\n")} Noter le modèle de C p minimum et celui de R 2 ajusté maximum. 2.5 Dernières estimations Estimer les différents modèles : complet, meilleur C p et meilleur R 2 ajusté. >lm.uk0=lm(retcap WCFTDT+LOGSALE+NFATAST+CURRAT,data=ukcomp1) >lm.uk1=lm(retcap WCFTDT+LOGSALE+NFATAST+CURRAT,data=ukcomp1) >lm.uk2=lm(retcap WCFTDT+LOGSALE+LOGASST+NFATAST+FATTOT+ +INVTAST+QUIKRAT+CURRAT,data=ukcomp1) Vérifer sur ces modèles les valeurs des différents diagnostics d influence, des résidus. >par(mfrow=c(2,2)) >plot(lm.uk0,las=1) >plot(lm.uk1,las=1) >plot(lm.uk2,las=1) Attention, la validité du modèle ainsi obtenu reste conditionnée à celle de l hypothèse de linéarité. Il peut posséder d honnêtes propriétés prédictives sans pour autant avoir des capacités d explication de la variable RETCAP. 3 Comparaison de méthodes sur un échantillon test L objet de cette section est de comparer plusieurs méthodes de modélisation dans le cas d un problème de multicolinéarité : par sélection de variables, par régression biaisée (ridge), par régression sur composantes principales, par régression PLS (partial least square). Nous disposons de deux échantillons. Le premier, dit échantillon d apprentissage, sert à rechercher un meilleur modèle pour chacune des méthodes et à estimer les paramètres de ce modèle. Chacun de ces modèles sont ensuite appliqués au deuxième échantillon, dit échantillon test, pour prédire les valeurs de la variable à expliquer. Une estimation de l erreur de

5 Master pro Fouille de données Philippe Besse 5 prédiction : la somme des carrés des différences entre valeurs prédites et valeurs observées, renseigne sur la qualité d un modèle et permet de les comparer entre eux et donc de comparer les différentes méthodes de régression. 3.1 Lecture des données Lire les données de l échantillon test. >ukcomp.test=read.table( /users/magist/besse/d ata/tp/ukcomp2.datr, +header=true) >summary(ukcomp.test) Réorganisation des colonnes de la base de test >ukcomp.test=data.frame(ukcomp.test[,names(ukcomp1)]) 3.2 Modèles obtenu par sélection de variables Les modèles lm.uk0, lm.uk1 et lm.uk2 ont été calculés ci-dessus. Ils vont être utilisés pour calculer les prédictions de l échantillon test et une estimation de l erreur quadratique. >sum((predict(lm.uk0,newdata=ukcomp.test)-ukcomp.test[,"retcap"])**2) >sum((predict(lm.uk1,newdata=ukcomp.test)-ukcomp.test[,"retcap"])**2) >sum((predict(lm.uk2,newdata=ukcomp.test)-ukcomp.test[,"retcap"])**2) Comparer ces erreurs. Conclusion? 3.3 Régression ridge La sélection de variables permet donc de restreindre les problemes de colinéarité source importante de variance des prédictions. Une autre façon de résoudre ce problème consiste à calculer une estimation sous contrainte sur la norme du vecteur des paramètres ou, c est équivalent, à translater d une valeur k la diagonale de la matrice à inverser afin d améliorer son conditionnement. Cette technique appelée ridge regression est calculée par une fonction de la librairie MASS. Chargement de la librairie >library(mass) Calcul pour différentes valeurs du paramètre de pénalisation >ridge.uk=lm.ridge(retcap.,data=ukcomp1,lambda=seq(0,0.4,0.001)) >par(mfrow=c(1,1)) Comportement des paramètres estimés en fonction de la pénalisation >plot(ridge.uk) Choix de la valeur minimisant l erreur estimée par validation croisée >select(ridge.uk) Estimation des paramètres pour la valeur optimale de pénalisation >ridgeopt.uk=lm.ridge(retcap.,data=cbind(ukcomp1,lambda=0.033) Petit souci pour construire les prédictions à partir de ce modèle car la fonction predict n est pas implémentée! 3.4 Régression PLS Cette dernière approche permet d illustrer l usage de la régression PLS très utilisée dans des situations de multicolinéarité et même lorsque le nombre de variables explicatives excède le nombre d observations comme par exemple en chimiométrie. Cette méthode est disponible dans un package spécifique de R (pls.pcr). >library(pls.pcr) Estimation avec recherche du nombre de composantes par validation croisée >uk.simpls= mvr(ukcomp, ukcomp1[,"retcap"], validation="cv", method="simpls") Résultats : un choix de 4 composantes est suggéré >summary(uk.simpls) graphique >plot(uk.simpls) Calcul des prédictions >pred.uk=predict(uk.simpls,as.matrix(ukcomp.test[,2 :13]),4) >sum((pred.uk-ukcomp.test[,"retcap"])**2)

6 Master pro Fouille de données Philippe Besse Régression sur composantes principales Cette approche peut, dans certaines situations, donner de bons résultats se déroule ; elle se déroule en deux étapes incluse dans une fonction de la librairie pls.pcr. 1. Calcul des variables principales deux à deux orthogonales et engendrant le même espace que les variables explicatives par une analyse en composantes principales, 2. Régression sur ces variables principales après une sélection automatique des variables. Estimation avec recherche du nombre de composantes par validation croisée >uk.pcr = mvr(ukcomp, ukcomp1[,"retcap"], validation="cv") Résultats : un choix de 7 composantes est suggéré >summary(uk.pcr) D autres exécutions peuvent donner d autres résultats car la validation croisée est un procédé aléatoire. Calcul des prédictions >pred.uk=predict(uk.pcr,as.matrix(ukcomp.test[,2 :13]),4) >sum((pred.uk-ukcomp.test[,"retcap"])**2) La variable à expliquer n est pas nécessairement liée aux variables principales de grande variance d où un problème pouvant apparaître dans cette méthode. 4 Conclusion Comparer les erreurs de prédictions de chaque modèle sur l échantillon test. Attention, en fonction de l exemple traité et du jeu de données, une méthode peut apparaître meilleure qu une autre sans généralisation possible.

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

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Régression linéaire simple

Régression linéaire simple Résumé Ce chapitre introduit la notion de modèle linéaire par la version la plus élémentaire : epliquer Y par une fonction affine de X. Après avoir epliciter les hypothèses nécessaires et les termes du

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

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

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

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

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

Catalogue des formations

Catalogue des formations Catalogue des formations Année 2015-2016 Conseil et formation Data Analytics tous droits réservés Formations analyse de données Sommaire Formations analyse de données L approche PLS... 2 Les modèles d

Plus en détail

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie 1 Exercice II II. On dispose de données (fichier «aviation87.xls», section Exemples pour Excel) concernant le transport aérien en 1987, et indiquant pour 50 compagnies occidentales : Q L K PP l offre de

Plus en détail

LEHALLIER Benoît YGUEL Benjamin. Tutorial : Utilisation de R pour une modélisation optimale de phénomènes expérimentaux.

LEHALLIER Benoît YGUEL Benjamin. Tutorial : Utilisation de R pour une modélisation optimale de phénomènes expérimentaux. LEHALLIER Benoît YGUEL Benjamin Tutorial : Utilisation de R pour une modélisation optimale de phénomènes expérimentaux. ECIM Comportement et socialisation Mars 2006 La modélisation est utilisée pour comprendre

Plus en détail

SOL1020- Hiver 2016 INTRODUCTION À LA STATISTIQUE SOCIALE El Hadj Touré, Ph. D. Sociologie

SOL1020- Hiver 2016 INTRODUCTION À LA STATISTIQUE SOCIALE El Hadj Touré, Ph. D. Sociologie Faculté des arts et des sciences Département de sociologie SOL1020- Hiver 2016 INTRODUCTION À LA STATISTIQUE SOCIALE El Hadj Touré, Ph. D. Sociologie Horaire du cours : Théorie :, 13:00-15:00 (B-3325 Pav.

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

Pour un socle de la licence de MATHEMATIQUES

Pour un socle de la licence de MATHEMATIQUES Pour un socle de la licence de MATHEMATIQUES Société Mathématique de France Société de Mathématiques Appliquées et Industrielles Société Française de Statistique Contexte général Afin d éviter de trop

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Installation de la librairie VISP et création du projet

Installation de la librairie VISP et création du projet ESIR3-IN Travaux Pratiques VO 2012-2013 PREAMBULE Copier les données des TPs 1. créez un répertoire VO dans votre homedir cd ~/ mkdir VO cd VO 2. copier le dossier contenant toutes les données pour les

Plus en détail

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Julien JACQUES Polytech Lille - Université Lille 1 Julien JACQUES (Polytech Lille) Statistiques de base 1 / 48 Plan 1 Tests

Plus en détail

REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE

REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE LES DONNEES OBS KW SURFACE PERS PAVILLON AGE VOL SBAINS 1 4805 130 4 1 65 410 1 2 3783 123 4 1 5 307 2 3 2689 98 3 0 18 254 1 4 5683 178 6 1 77 570 3 5 3750

Plus en détail

avec Multivariate Adaptative Regression Splines Bernard CLÉMENT, PhD Copyright Génistat Conseils Inc., 2014, Montréal, Canada

avec Multivariate Adaptative Regression Splines Bernard CLÉMENT, PhD Copyright Génistat Conseils Inc., 2014, Montréal, Canada avec Multivariate Adaptative Regression Splines Bernard CLÉMENT, PhD 1 Data Mining DÉFINITIONS du DATA MINING fouille de données, extraction de connaissances KDD = Knowledge Data Discovery est un nouveau

Plus en détail

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1 Qualité Six Sigma Sylvain ROZÈS 28 mars 2008 Sommaire 1 Introduction 1 2 Étude séparée de quatre échantillons 1 3 Étude sur l ensemble des échantillons 8 4 Étude sur les range 13 1 Introduction Le but

Plus en détail

1. Explorer, organiser et démontrer des propriétés géométriques en termes de longueurs et d angles. Découvrir et étudier des nombres irrationnels.

1. Explorer, organiser et démontrer des propriétés géométriques en termes de longueurs et d angles. Découvrir et étudier des nombres irrationnels. Compétences : math, 2 ème degré (pages 1 à 3) math, 3 ème degré (pages 4 à 8) 3 grands thèmes du cours à 4h sem (pages 9 à 11) 3 grands thèmes du cours à 2h sem (pages 12 à 14) (Seules les définitions

Plus en détail

D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses

D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses LES ABEILLES D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses 1. Présentation de la trame : Recherche et synthèse d infos Notion d optimisation Intérêt et

Plus en détail

Observatoire des DPE

Observatoire des DPE GUIDE UTILISATEUR Version. du 15/06/2010 Page 1/32 Sommaire : 1. PREAMBULE 3 2. INTRODUCTION 3 3. TROUVER UN DPE 6 4. RECHERCHER UN DIAGNOSTIQUEUR 8 5. SIMULER UN DPE 10 5.1. Description générale des types

Plus en détail

1. Qu est-ce que l économétrie? 1. 2. Le modèle de régression simple 15

1. Qu est-ce que l économétrie? 1. 2. Le modèle de régression simple 15 9782100567355-Bourbo-tdm.qxd 14/06/11 10:28 Page V Table des matières Avant-propos XI 1. Qu est-ce que l économétrie? 1 I. La notion de modèle 1 A. Définition 1 B. La construction des modèles en économétrie

Plus en détail

SIMDI - Presse à injecter

SIMDI - Presse à injecter SIMDI PRESSE - Simulateur de Presse à injecter - Document de l animateur SIMDI - Presse à injecter «Les élèves apprennent à réaliser un plan d expériences portant sur de nombreux facteurs» Fonctionnalités

Plus en détail

Didacticiel Études de cas

Didacticiel Études de cas 1 Objectif Déploiement des modèles prédictifs avec R. L industrialisation est l étape ultime du data mining. Dans le cadre prédictif, l objectif est de classer un individu à partir de sa description. Pour

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

Analyse de deux séquences d apprentissage 1

Analyse de deux séquences d apprentissage 1 hs.c om Ce fichier, corrigé du fichier D22, aborde le vaste domaine du traitement de l information, de la gestion de données et des représentations couramment utilisées. Nous vous proposons deux séquences

Plus en détail

OAD PERFBET Guide utilisateur

OAD PERFBET Guide utilisateur OAD PERFBET Guide utilisateur Introduction L outil d aide à la décision Perfbet est composé de 3 modules pouvant s utiliser de façon indépendante ou de façon connectée. Pour utiliser l un ou l autre de

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

1. Description du cours

1. Description du cours 1. Description du cours Ce cours porte sur la généralisation de notions mathématiques par le biais d expériences, d applications et du développement de structures formelles et abstraites. Au moyen de la

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

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES 1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES Si vous lisez ce livre c est que, probablement, vous faites des expériences et que vous cherchez à mieux les organiser. Vous cherchez surtout

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

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

TP 3 : STATISTIQUE PARAMÉTRIQUE

TP 3 : STATISTIQUE PARAMÉTRIQUE Statistique Numérique et Analyse de Données Ecole des Ponts ParisTech, 2 ème année TP 3 : STATISTIQUE PARAMÉTRIQUE La séance de TP se fait sous environnement Windows, sauf si vous avez une nette préférence

Plus en détail

1/12 V 1.0.0 α - Éditée le samedi 6 mars 2010

1/12 V 1.0.0 α - Éditée le samedi 6 mars 2010 1/12 Auteur : Jacques Barzic (contact@jacques.barzic.fr) Sommaire Page Note 2/12 1 - Planifier un projet : suivre un cycle. 3/12 1.1 Présentation d un cycle possible 1.2 Aborder la planification d un projet

Plus en détail

Mathématiques pures 30. Notes à l intention des enseignants : Placements de croissance

Mathématiques pures 30. Notes à l intention des enseignants : Placements de croissance Mathématiques pures 30 Notes à l intention des enseignants : Placements de croissance Septembre 2005 Dans le présent document, le générique masculin est utilisé sans aucune discrimination et uniquement

Plus en détail

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 105 HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 1. Introduction En statistiques il arrive fréquemment que les individus soient décrits par un grand nombre de caractères. : voitures décrites par leur

Plus en détail

Projet de MASTER 2 d'analyse statistique de données réelles

Projet de MASTER 2 d'analyse statistique de données réelles Projet de MASTER 2 d'analyse statistique de données réelles Guillaume SAINT PIERRE IFSTTAR/COSYS/LIVIC Institut français des sciences et technologies des transports, de l'aménagement et des réseaux Département

Plus en détail

Reconnaissance des formes

Reconnaissance des formes Reconnaissance des formes Discrimination A. Belaïd LORIA - Nancy Discrimination linéaire Notion d hyperplan Discrimination linéaire Principe Une forme x R d (vecteur forme) Rôle de la Trouver D : R d x

Plus en détail

Plate-forme semi-automatique : E-quity

Plate-forme semi-automatique : E-quity Plate-forme semi-automatique : E-quity Bringay Sandra 1, Pinlou Alexandre 1, Durand Sylvain 1, Pro Sébastien 1, Séébold Patrice 1 Département MIAp, Université Paul-Valéry, Montpellier 3, Route de Mende,

Plus en détail

La Grille, moyen fondamental de l analyse

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

Plus en détail

BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES

BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES TP EII ExAO Page 1/6 BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES Ce document comprend : - une fiche descriptive du sujet destinée à l examinateur : Page 2 - une fiche

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Contexte pédagogique Objectifs Suites numériques Visualiser les situations exprimées à l aide de suites

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique

Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique Résumé : A partir du problème de la représentation des droites sur un écran d ordinateur,

Plus en détail

Incertitudes expérimentales Étude de cas : logiciel Chute

Incertitudes expérimentales Étude de cas : logiciel Chute Nº 755 BULLETIN DE L UNION DES PHYSICIENS 883 Incertitudes expérimentales Étude de cas : logiciel Chute par Daniel BEAUFILS Institut National de Recherche Pédagogique, 910 Montrouge Juan-Carlos IMBROGNO

Plus en détail

Analyse Microéconomique. Francesco Quatraro L1 AES 2010/2011

Analyse Microéconomique. Francesco Quatraro L1 AES 2010/2011 Francesco Quatraro L1 AES 2010/2011 1 L objectif de la firme est la maximisation du profit Les profits sont définis comme la différence entre les recettes et le coûts Supposons que la firme produise n

Plus en détail

LIVRE BLANC. Pourquoi choisir la qualité d image Sony?

LIVRE BLANC. Pourquoi choisir la qualité d image Sony? LIVRE BLANC Pourquoi choisir la qualité d image Sony? Introduction Pourquoi choisir la qualité d image Sony? L avenir de la surveillance IP sera en Full HD. De nombreuses entreprises ne cessent de parler

Plus en détail

Régression logistique ou modèle binomial

Régression logistique ou modèle binomial Résumé Régression logistique ou modèle binomial Introduction au modèle linéaire et modèle linéaire général : la régression logistique ou modèle binomial Retour au plan du cours 1 Introduction Dans ce chapitre,

Plus en détail

TP TC Eco conception

TP TC Eco conception TP TC Eco conception Pré requis (l élève doit savoir): - Savoir utiliser un ordinateur Programme Support : ordinateur, robot Moway CO1.1 : Justifier les choix des matériaux, des structures d un système

Plus en détail

Système 3COH. Quelques outils de contrôle du logiciel 3COH. 3COH. Outils de contrôle du logiciel. Septembre 2013 1

Système 3COH. Quelques outils de contrôle du logiciel 3COH. 3COH. Outils de contrôle du logiciel. Septembre 2013 1 Système 3COH Quelques outils de contrôle du logiciel 3COH 3COH. Outils de contrôle du logiciel. Septembre 2013 1 Introduction Le système 3COH comporte un certain nombre d outils qui visent à aider l utilisateur

Plus en détail

2 Correspondance des Points de Contrôle Spline - Bézier

2 Correspondance des Points de Contrôle Spline - Bézier COURBES B-SPLINES 1 Introduction Une courbe de Bézier est totalement modifiée dès qu on déplace un point de contrôle : on dit que la méthode de Bézier est une méthode globale. Les courbes B-Splines Uniformes,

Plus en détail

Problème 4: Les diagrammes suivants représentent la distribution de 4 variables discrètes X1, X2, X3 et X4 :

Problème 4: Les diagrammes suivants représentent la distribution de 4 variables discrètes X1, X2, X3 et X4 : Cours 5-62-96 : Traitement et analyse des données Test autodiagnostique PARTIE 1 : Problème 1 : Pour chacune des distributions ci-dessous, identifier la population et la variable étudiée en précisant si

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple 4.3.1 Equation et Estimation 4.3.2 Inférence 4.3.3 Coefficients de détermination 4.3.4 Spécifications Régression linéaire multiple 1 / 50 Chapitre

Plus en détail

Ces activités peuvent nécessiter des adaptations avant d être utilisées auprès des élèves.

Ces activités peuvent nécessiter des adaptations avant d être utilisées auprès des élèves. Description des expériences Remarques : Ces activités peuvent nécessiter des adaptations avant d être utilisées auprès des élèves. Pour chaque expérience, l élève doit suivre un cadre spécifique d analyse.

Plus en détail

Analyse de données M1 Statistique et économétrie - 2012 V. Monbet Exploration des données - Analyse factorielle

Analyse de données M1 Statistique et économétrie - 2012 V. Monbet Exploration des données - Analyse factorielle Analyse de données M1 Statistique et économétrie - 2012 V. Monbet Exploration des données - Analyse factorielle Les objectifs de ce TD sont 1. de revoir le cours de statistique exploratoire, 2. d apprendre

Plus en détail

Concevoir et analyser des tâches mathématiques dans un environnement logiciel : Quels objectifs d apprentissage? Quels choix de conception?

Concevoir et analyser des tâches mathématiques dans un environnement logiciel : Quels objectifs d apprentissage? Quels choix de conception? Concevoir et analyser des tâches mathématiques dans un environnement logiciel : Quels objectifs d apprentissage? Quels choix de conception? Semaine 2, auteurs Maha Abboud-Blanchard (ESPE de Versailles,

Plus en détail

Information spécialisée

Information spécialisée Information spécialisée Information spécialisée Indices des fonds immobiliers 23 octobre 2013 I. Introduction L autorégulation dans l industrie suisse des fonds de placement oblige les directions et les

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Algorithme du simplexe

Algorithme du simplexe Algorithme du simplexe Une solution à la programmation linéaire Hugues Talbot Laboratoire A2SI 18 mars 2008 Plan Algèbre linéaire Algorithme du simplexe Formulation et forme standard Notations Recherche

Plus en détail

Analyse de la complexité algorithmique (1)

Analyse de la complexité algorithmique (1) Analyse de la complexité algorithmique (1) L analyse de la complexité telle que nous l avons vue jusqu à présent nous a essentiellement servi à déterminer si un problème est ou non facile (i.e. soluble

Plus en détail

Méthodes de Résolution de problèmes En Intelligence Artificielle

Méthodes de Résolution de problèmes En Intelligence Artificielle Méthodes de Résolution de problèmes En Intelligence Artificielle Résolution de Problèmes et Intelligence Artificielle Résoudre des puzzles Jouer aux échecs Faire des mathématiques Et même conduire une

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

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Bibliothèque de Traitement d Images en Niveaux de Gris

Bibliothèque de Traitement d Images en Niveaux de Gris TP Bibliothèque de Traitement d Images en Niveaux de Gris Étudiants : Besnier Alexandre Taforeau Julien Version 1.2 Janvier 2008 2008 Rapport TP - Version 1.2 i Table des matières Introduction 1 1 Objectif

Plus en détail

Les Réseaux de Neurones avec

Les Réseaux de Neurones avec Les Réseaux de Neurones avec Au cours des deux dernières décennies, l intérêt pour les réseaux de neurones s est accentué. Cela a commencé par les succès rencontrés par cette puissante technique dans beaucoup

Plus en détail

Tableau comparatif des connaissances et capacités des programmes de CM2 et 6ème

Tableau comparatif des connaissances et capacités des programmes de CM2 et 6ème Lundi Matin - «Comparatif des programmes de CM2 et 6 ème» Page 1 Tableau comparatif des connaissances et capacités des programmes de CM2 et 6ème CM2 6 ème Plus tard... Vocabulaire divers Le vocabulaire

Plus en détail

Comparaison optimisée des coûts - simple et fiable

Comparaison optimisée des coûts - simple et fiable Informations de base concernant le programme d'optimisation Optibat, version 100115 Comparaison optimisée des coûts - simple et fiable Pourquoi Optibat...1 Un exemple...2 Les modèles de maison d'habitation...4

Plus en détail

Ce ratio est mieux connu sous le nom de : Nombre de foi les revenus. Mieux connu sous l appellation Nombre de foi le revenu net

Ce ratio est mieux connu sous le nom de : Nombre de foi les revenus. Mieux connu sous l appellation Nombre de foi le revenu net RATIOS D ANALYSES À COMPRENDRE Un ratio est une simple équation mathématique utilisée pour exprimer une relation entre des chiffres. L utilisation des ratios lors de l analyse de multi-logements est essentielle

Plus en détail

Estimation du coût de développement UML à partir du cahier des charges

Estimation du coût de développement UML à partir du cahier des charges Estimation du coût de développement UML à partir du cahier des charges Philippe Larvet Frédérique Vallée Estimation des projets logiciels - CNAM/CMSL page n 1 Plan de la présentation ❶ Introduction ❷ Choix

Plus en détail

Baccalauréat ES Polynésie juin 2008

Baccalauréat ES Polynésie juin 2008 Baccalauréat ES Polynésie juin 2008 Exercice 1 4 points Le plan est muni d un repère orthonormal. Soient f une fonction définie et dérivable sur l ensemble R des nombres réels et C sa courbe tracée ci-contre.

Plus en détail

peuvent être consultés sous http://www.profilsdexigences.ch; montrent les exigences scolaires minimales à remplir pour commencer une formation

peuvent être consultés sous http://www.profilsdexigences.ch; montrent les exigences scolaires minimales à remplir pour commencer une formation L essentiel en bref Les profils d exigences peuvent être consultés sous http://www.profilsdexigences.ch; montrent les exigences scolaires minimales à remplir pour commencer une formation professionnelle

Plus en détail

Informations sur l utilisation de GEF

Informations sur l utilisation de GEF Informations sur l utilisation de GEF GEF est un gestionnaire électronique d états financiers. Très flexible et évolutif, il permet de traiter de façon efficace vos missions de compilation, d examen et

Plus en détail

PROJET EXCEL. Sujet : Elaboration d un programme complet

PROJET EXCEL. Sujet : Elaboration d un programme complet UNIVERSITE CHOUAIB DOUKKALI Faculté des Lettres et des Sciences Humaines Année universitaire 2013/2014 Matière : Informatique Enseignant : M.RMILI PROJET EXCEL Sujet : Elaboration d un programme complet

Plus en détail

Système de management intégré pour le secteur des services : l expérience d une banque russe

Système de management intégré pour le secteur des services : l expérience d une banque russe Système de management intégré pour le secteur des services : l expérience d une banque russe par Valentin Nikonov Cet article présente un modèle de système de management intégré pour les entreprises de

Plus en détail

Table des matières. Introduction 7

Table des matières. Introduction 7 Table des matières Introduction 7 Chapitre 1 Survol des marchés de valeurs de placement 11 Les valeurs permettant l atteinte de l objectif de la sécurité financière 13 Les assurances sur la personne 13

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra temps de vol, Détection

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

L investissement immobilier

L investissement immobilier Ce guide vous est proposé par : L investissement immobilier Des informations et des conseils pratiques pour comprendre, mieux investir et développer votre patrimoine immobilier. Comprendre pour mieux choisir

Plus en détail

Nom du Document : FAITES LE BILAN A L HEURE DES COMPTES OU COMMENT LIRE SON BILAN ET INTERPRETER SON RESULTAT

Nom du Document : FAITES LE BILAN A L HEURE DES COMPTES OU COMMENT LIRE SON BILAN ET INTERPRETER SON RESULTAT OU COMMENT LIRE SON BILAN ET INTERPRETER SON FICHE CONSEIL Page : 1/9 INTERPRETER SON Vous connaissez chaque année le résultat de votre activité lors de l élaboration de vos comptes annuels. Vous pouvez

Plus en détail

Chapitre 3 Dénombrement et représentation d un caractère continu. Lætitia Perrier Bruslé Cours de statistique descriptive sous Excel

Chapitre 3 Dénombrement et représentation d un caractère continu. Lætitia Perrier Bruslé Cours de statistique descriptive sous Excel Chapitre 3 Dénombrement et représentation d un caractère continu Lætitia Perrier Bruslé Cours de statistique descriptive sous Excel Introduction Un caractère quantitatif est continu si ses modalités possibles

Plus en détail

Sommaire. Les pourcentages. Les suites. Statistiques. Les probabilités. Descriptif de l épreuve... Conseils pour l épreuve...

Sommaire. Les pourcentages. Les suites. Statistiques. Les probabilités. Descriptif de l épreuve... Conseils pour l épreuve... Sommaire Descriptif de l épreuve............................................. Conseils pour l épreuve............................................ Les pourcentages FICHES Pages 1 Pourcentage Proportions....................................7

Plus en détail

Cahier des charges pour la conception des sujets pour l ECE en TS Évaluation des Compétences Expérimentales

Cahier des charges pour la conception des sujets pour l ECE en TS Évaluation des Compétences Expérimentales Cahier des charges pour la conception des sujets pour l ECE en TS Évaluation des Compétences Expérimentales Sommaire Définition et objectifs de l épreuve.. p1 Compétences à évaluer.. p2 Conception du sujet..

Plus en détail

Module 26 : Techniques de modélisation

Module 26 : Techniques de modélisation Module 26 : Techniques de modélisation 26.0 Introduction Ce module enseigne une série de techniques qui constituent une trousse à outils bien pratique quand il s agit de construire des modèles dans Excel

Plus en détail

Exercices de Surfacique

Exercices de Surfacique Exercices de Surfacique Page 1 Exercices de surfacique Exercice 1 : Bouton 3 Exercice 2 : Caméscope 13 Exercice 3 : Surface guidée 30 Exercice 4 : Clé à cliquet 34 Optionnel Exercice complémentaire : Combiné

Plus en détail

Inférence via distribution asymptotique Objective : Construction des intervalles de confiance (approximatifs) c 2 µ 2 m (2) σ 2

Inférence via distribution asymptotique Objective : Construction des intervalles de confiance (approximatifs) c 2 µ 2 m (2) σ 2 Inférence via distribution asymptotique Objective : Construction des intervalles de confiance (approximatifs) Soit h = c n 1/5. Donc, par conséquent d un TCL, pour n : Estimateur localement linéaire :

Plus en détail

septembre 2008 DataLab

septembre 2008 DataLab septembre 2008 DataLab Comment réaliser un score performant en quelques minutes DataLab, Logiciel distribué par AMABIS www.amabis.com Tel 01 45 36 45 00 Solutions d Optimisation du Marketing Un aperçu

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

Outil d aide au dimensionnement de Pompe à chaleur et des systèmes Hybrid Saunier Duval. «Outil PAC et Genia Hybrid v6»

Outil d aide au dimensionnement de Pompe à chaleur et des systèmes Hybrid Saunier Duval. «Outil PAC et Genia Hybrid v6» Outil d aide au dimensionnement de Pompe à chaleur et des systèmes Hybrid Saunier Duval «Outil PAC et Genia Hybrid v6» Notice d emploi version 6 Février 2012 SOMMAIRE 1 PRESENTATION GENERALE DE L OUTIL...

Plus en détail

TP 5 & 6 : Graphique

TP 5 & 6 : Graphique L1-S1-IMP Informatique Année 2010-2011 Semestre 1 TP 5 & 6 : Graphique 1 Bases 1.1 Bibliothèque graphique Pour dessiner des figures géométriques (et autres), Caml offre une bibliothèque de fonctions graphiques.

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

=SOMME.XMY2(B6:B15;C6:C15) =a*a7

=SOMME.XMY2(B6:B15;C6:C15) =a*a7 Cours : Ecel Titre : modélisation dans eel Objectifs : mode d emploi du solveur et des modélisations prédéfinies à l usage des enseignants et des étudiants. 1. Principe de modélisation Niveau : T et TS

Plus en détail

Utiliser un modèle d état prédéfini

Utiliser un modèle d état prédéfini Chapitre 8 Etats rapides Certains boutons sont désactivés, en fonction du type de cellule sélectionné. 4 Répétez les étapes 2 et 3 pour chaque bordure à paramétrer. 5 Cliquez sur le bouton OK pour valider

Plus en détail