Méthodes statistiques pour l analyse de puce à ADN. Tristan Mary-Huard Institut National Agronomique Paris-Grignon
|
|
- Colette Clément
- il y a 8 ans
- Total affichages :
Transcription
1 Méthodes statistiques pour l analyse de puce à ADN Tristan Mary-Huard Institut National Agronomique Paris-Grignon
2 4 questions Comment récupérer un signal utilisable pour chaque gène? Normalisation Comment utiliser ce signal pour trouver les gènes différentiellement exprimés, ou des groupes fonctionnels? Analyse différentielle et clustering Comment organiser l expérience pour répondre efficacement aux questions précédentes? Plan d expérience
3 Préambule Sur quelles données travaille-t-on?
4 Résultat MicroArray Grille Fichier «.gpr»
5 Quelques bonnes pratiques... Signal : log en base 2 de l intensité médiane du spot Sont retirés de l étude : Spots considérés inexploitables par le biologiste Spots où rien n a été déposé Le bruit de fond n est pas soustrait
6 Normalisation
7 Décomposition du signal Qu est-ce qui influe sur l intensité mesurée en un spot donné? X glft = m + a + b + g + d g + ( ag ) + ( ad gf ) gt l f t + E glft g = gène l = lame f = fluorochrome t = traitement
8 Décomposition de la différence En vert (f 1 ) le traitement t 1, en rouge (f 2 ) le traitement t 2 : X glf - X = ( g f -g ) ( 1 f + d 2 t -d 1 2 1t1 glf2t2 t + ( ag gf -ag ) ( 1 gf + ad 2 gt -ad 1 gt 2 + E - E ) ( glf1t1 glf2t2 ) ) D gl = m * + a * g * * ( f ) + b g ( t) + Egl
9 Le terme d interaction D gl = m * + a * g * * ( f ) + b g ( t) + Egl Différence due aux fluorochromes 2 origines : Optique : V brille plus que R Biologique : V et R accrochent différemment sur certains gènes La LOESS va corriger le biais optique
10 Normalisation LOESS En ordonnée : différence d expression M=log(V)- log(r) En abscisse : expression moyenne A=(log(V)+ log(r))/2 M A Martin-Magniette,URGV
11 Normalisation LOESS Graphe MA: données brutes Graphe MA : après loess
12 Après normalisation LOESS Le signal corrigé : D gl = a ** ( f ) + b * ( t) + E ** g g gl Où les artefacts restants sont dus à la partie biologique de l interaction. Existe-t-il d autres artefacts à inclure?
13 Prise en compte d autres facteurs Effet «Bloc» ou «Aiguille»
14 Visualisation de l effet aiguille par box-plots
15 Prise en compte de l effet aiguille Il suffit de l ajouter au modèle : X glftb = m + a + b + g + d + q g + ( ag ) + aq + (abgq ) l gf + ( ad ) gt ( ) gb glfb + E glfkbt f t b La différence s écrit : D gbl = m * + a * * * * g ( f ) + b g ( t) + q gbl ( f ) + Egbl
16 Boxplot par aiguille après correction
17 Contre-exemple Effet «Spotting» Mary-Huard & al, 2003
18 Contre-exemple L effet identifié est dû aux plaques. Deux possibilités : Différences de préparation entre les plaques Différences dues aux gènes présents dans les plaques Pas de correction possible pour les puces bactéries ou végétale L effet reste!!!
19 Conclusions sur la normalisation Plusieurs difficultés : Le protocole expérimental diffère suivants les laboratoires Les biais à corriger changent avec la nature des données Biais universels : adapter la méthode de correction aux données (Bloc : LOESS ou médiane) Effets à corriger «contestés» (Background)
20 Conclusions sur la normalisation Commencer par des lames jaunes! Garantir les mêmes conditions techniques pour toute les lames d une expérience Même expérimentateur, même scanner... Pas de changement de PMT Contrôle qualité (Lames jaunes) Enlever les biais techniques sans enlever le signal
21 Bibliographie (normalisation) Normalization for cdna microarray data, Yang et al., 2002 Microarray data normalization and transformation, Quackenbush, Nat. Genet., 32, 2002
22 Analyse différentielle
23 Analyse différentielle But : Déterminer les gènes s exprimant différemment suivant le traitement. Méthodologie statistique : Théorie des tests H 0 = {Il n y a pas de différence d expression} H 1 = {Il y a une différence d expression} Construction d une statistique de test Détermination du seuil
24 Statistique de test Indicateur, calculé à partir des données, qui renseigne sur la question posée. On observe : D gl = log(v) gl - log(r) gl La statistique de test utilisée est : T Ecart-type des différences g = sˆ g D / g n g Moyenne des différences Nbre de répétitions
25 Modélisation de la variance Une variance pour chaque gène : sˆ 2 g = 1 n g  ng -1 l= 1 ( D gl - D g ) 2 Peu de répétitions par gène variance mal estimée En général, on trouve alors peu de gènes différentiellement exprimés.
26 Modélisation de la variance Une variance commune à tous les gènes : G 2 1 sˆ = sˆ Â G g= 1 Suppose que tous les gènes ont la même variabilité! 2 g
27 Modélisation de la variance Compromis : il existe des classes de variance 2 sˆ1 2 sˆ 2 2 sˆ3 2 sˆ 4 Difficulté : choisir le nombre de groupes et les seuils. Delmar & al, 2004
28 Comment fixer le seuil? (1 gène) T g grand : on rejette l hypothèse H 0 Que peut-on garantir? Le gène est déclaré différentiellement exprimé Le gène est déclaré non différentiellement exprimé Le gène est différentiellement exprimé Bonne décision Erreur de type II (FNeg) Le gène n'est pas différentiellement exprimé Erreur de type I (FPos) Bonne décision
29 Comment fixer le seuil? Minimiser l erreur de type I : Seuil Seuil Minimiser l erreur de type II : Seuil Seuil Choix : garantir le risque de faux positif P(FPos) < 5%
30 Comment fixer le seuil? T g grand : on rejette l hypothèse H 0 Seuil fixé par le biologiste : T g = n g D sˆ g g > 2 Ne dépend pas : de la quantité d information (n g ) de la garantie fixée ( P(FPos) < 5% )
31 Comment fixer le seuil? Seuil fixé par le statisticien : D g Tg = ng > sˆ g Seuil Observations Garantie % 12,71 2,776 2,262 1% 63,66 4,604 3,25 0,10% 636,6 8,61 4,781
32 Combien de répétitions? T g = n g D sˆ g g On déclare le gène différentiellement exprimé lorsque T g est grande. Deux cas : Différence réelle entre traitements grande (en Ecart Type) La différence observée rend T g grande Différence réelle entre les traitements est petite T g sera grande si n g est grand
33 Combien de répétitions? a = 5%
34 Tests pour plusieurs gènes 1 gène 5% d erreur gènes 500 erreurs (FP) en moyenne Nécessité de prendre en compte le nombre de gènes testés. Procédures d ajustement pour tests multiples : Bonferroni FDR
35 Ajustement de Bonferroni Pour un gène : P( 1 FP) < 5% P( le gène est déclaré P mais ne l est pas) < 5% Pour N gènes : P( 1 FP parmi les gènes testés) < 5% P({gène 1 est FP} ou {gène 2 est FP} ou N Â i= 1 ou {gène N est FP}) < 5% P(gène i est FP) < 5% P(gène i est FP) < 5/N %
36 Conclusions sur l analyse différentielle La méthodologie garantit le contrôle du nombre de faux positifs La méthode doit prendre en compte le nombre de gènes, le nombre de répétitions, et le niveau de garantie fixé La puissance dépendra essentiellement: du nombre de répétitions de la méthode d ajustement de la modélisation de la variance
37 Classification non supervisée (Clustering)
38 Objectif Etablir une typographie des gènes qui rende compte de leur(s) fonction(s) En pratique, recherche de groupes de gènes ou de tissus ayant des profils d expression similaires. On cherche à constituer des groupes homogènes et distincts.
39 Difficulté combinatoire Il y a manières de répartir 100 gènes en 3 groupes. Pas d étude exhaustive possible! Méthodes heuristiques : A nombre de groupes inconnu (CAH) A nombre de groupes connu a priori (K-means) Méthodes statistiques : Modèles de mélange
40 Exemple : cinétique On réalise une expérience pour observer l expression des gènes aux temps 1,,t,,T. On souhaite regrouper les gènes ayant le même profil au cours du temps. On dispose pour chaque gène de son profil : g = (x g1,, x gt,, x gt )
41 Classification hiérarchique ascendante (CAH)
42 Classification hiérarchique ascendante (CAH) Les groupes sont construits itérativement en regroupant les deux gènes ou les deux groupes les plus proches. On construit ainsi un «arbre» de classification. Il faut définir : Une distance (ou une similarité) entre gènes d(g,g ) Une distance (ou une similarité) entre classes D(C,C )
43 Distance entre gènes La définition de la distance doit prendre en compte notre idée de la ressemblance : Distance euclidienne Coefficient de corrélation 2 ' ) ( '), (  - = t t x gt x g g g d    = t g t g t g gt t g t g g gt x x x x x x x x g g s 2 ' ' 2 ' ' ) ( ) ( ) )( ( '), (
44 Distance entre classes Même problème de définition : Lien simple : D( C, C') = min gœc, g ' ŒC ' d( g, g') Lien moyen : D( C, C') = 1 C C' Â Â gœc g ' ŒC ' d( g, g') Centroïde : D ( C, C') = d( g, g')
45 Impact des distances
46 Classification hiérarchique ascendante (CAH) Interprétation du biologiste Eisen & al. 1996
47 Alizadeh 2000 Objectif : Distinguer différents types de lymphomes (DLBCL, FL, CLL) et les caractériser à partir des profils d expression de gènes
48 Alizadeh 2000 Sur l arbre : 2 sous-groupes du lymphome DLBLC En orange les gènes sous-exprimés dans le sous-groupe 1 En bleu les gènes sur-exprimés dans le sous groupe 1
49 Les K-means (nuées dynamiques) On suppose le nombre de classes K connu. Initialisation : choix de K points parmi g 1,,g G qui sont les moyennes m 10,,m K 0 des K classes. Etape n : chaque gène g i est affecté à une classe C k n : n n d ( gi, mk ) = min d( gi, mk ') on recalcule les moyennes de chaque classe m n + 1 k = k ' 1 C k  g i ŒC k g i
50 Exemple : 3 populations
51 Exemple : 3 populations
52 K-means Inconvénients des K-means : l algorithme peut ne pas converger une classe peut être vide très sensible aux points de départ En pratique : Utilisation des K-means lorsque l on sait choisir des points de départs en essayant beaucoup de points de départ différents
53 Conclusions sur le clustering Importance du choix des paramètres : Distances entre gènes et entre classes Distances entre gènes et nombre de classes Comparaison K-means / CAH La CAH est stable (donne les mêmes résultats sur les mêmes données) La CAH est plus adaptée aux données de biopuces En pratique, K-means peu utilisés
54 Conclusions sur le clustering Comparaison méthodes heuristiques / statistiques Tester le nombre de groupes Proposer plusieurs classements pour un gène N est pas censée être utilisée pour : L analyse différentielle La prédiction fonctionnelle Le clustering est généralement la première étape (descriptive) d une analyse plus approfondie
55 Bibliographie (classification) Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling, Alizadeh et al., Nature, 403, 2000 Cluster analysis and display of genome-wide expression patterns, Eisen et al., PNAS, 97, 2000
56 Plans d expériences
57 Les objectifs Rendre l analyse des données et leur interprétation aussi simple et efficace que possible, compte tenu de la question posée et des contraintes expérimentales et matérielles.
58 Quelques conventions... A B Interprétation : 2 lames Ind du groupe de traitement A, marqué en V Ind du groupe de traitement B, marqué en R
59 Comparaison de deux traitements A 1 B 1 A 1 B 1 I II A 1 B 1 A 1 B 1 A 2 B 2 A 2 B 2 III IV A 1 Ref B 1 A 2 Ref B 2 V
60 Les trois types de variabilité Churchill 2002
61 Spot 2 Erreurs de mesure Spot 1 Bonne réplicabilité Peu de duplicats
62 Quelle variabilité prendre en compte? Variabilité technique Variabilité biologique Permet l observation et la quantification des biais Affine la mesure pour un individu Les conclusions ne sont valables que pour l individu Permet l observation de la variabilité interindividus Prend en compte cette variabilité Les conclusions sont généralisables aux populations étudiées
63 Exemple Lignée cellulaire TRT 1 TRT 2 Lame 1 Lame 2 Lame 3 Lame 4 4 lames, 4 répétitions techniques, pas de répétition biologique Conclusions valables pour la lignée seulement
64 Comparaison de deux traitements A 1 B 1 A 1 B 1 I II A 1 B 1 A 1 B 1 A 2 B 2 A 2 B 2 III IV A 1 Ref B 1 A 2 Ref B 2 V
65 Théorique Importance du dye swap Le dye-swap permet d annuler en grande partie le biais d accrochage des fluorochromes Expérimental CATMA (URGV) HIV (CEA) Nbre Gènes Nbre FPos ~ à 60 ~ à 700 Martin-Magniette et al (2005).
66 Remarque... A 1 B 1 A 1 A 2 A 2 B 2 B 1 B 2 Dans le cas n 2, confusion entre le changement de lame et le changement de traitement Un bon plan d expérience évite le plus possible les confusions d effets
67 Comparaison de deux traitements A 1 B 1 A 1 B 1 I II A 1 B 1 A 1 B 1 A 2 B 2 A 2 B 2 III IV A 1 Ref B 1 A 2 Ref B 2 V
68 Comparaisons directes et indirectes A 1 B 1 A 1 Ref B 1 Chaque différence d AB = log( A) - 2 une variance de s. log( B) estimée avec Cas indirect : d + A, B = d A, Ref d Ref, B d A, B ) = V ( d A, Ref ) + V ( d Ref, B ) = 2 V ( s 1 d = ( d + d Cas direct : A, B A, B A, B 1 2 V ( d ) V ( d ) + V ( d ) / 4 = A, B 2 ) / 2 ( ) = A, B A, B 2 s 2 2
69 Comparaison de deux traitements A 1 B 1 A 1 B 1 I II A 1 B 1 A 1 B 1 A 2 B 2 A 2 B 2 III IV A 1 Ref B 1 A 2 Ref B 2 V
70 Conclusion Choix du plan d expérience : Question posée Privilégier les répétitions biologiques Variabilité technique Éviter la confusion d effets Efficacité de la comparaison Comparaison directe
71 Comparaison de plusieurs traitements T 1 T 2 T 1 T 2 T 1 T 3 T 3 T 4 T 1 T 4 T 2 T 3... Combiner comparaisons directes et indirectes
72 Comparaison indirecte Deux traitements ne peuvent être comparés que s ils sont «connectés» : T 1 T 2 T 3 T 4 La précision de la comparaison des deux traitements dépend du nombre et de la taille de leurs connections. Hiérarchiser les comparaisons
73 Plan en étoile Point de vue technique T 1 T 2 Ref T 4 T 3 Choix de la référence Beaucoup d information collectée sur la référence Si k répétitions par comparaison et N traitements, Nk lames Possibilité de rajouter un traitement
74 Plan en étoile Point de vue analyse T 1 T 2 Ref T 4 T 3 Aucune comparaison directe entre traitements Même précision pour tous les traitements Adapté pour les comparaisons type mutants vs sauvage...
75 Plan en boucle Point de vue technique T 1 T 2 T 4 T 3 Si k répétitions et N traitements, Nk lames Collecte d information équilibrée Difficile de rajouter un traitement
76 Plan en boucle Point de vue analyse T 1 T 2 T 4 T 3 Comparaisons directes et indirectes Précision variable suivant les comparaisons et suivant la taille de la boucle (N) Adapté pour les études de cinétiques...
77 Précision des comparaisons Speed 2002
78 Conclusions Choix du plan (plusieurs traitements) : Dépend du nombre de traitements Nécessite de hiérarchiser les questions Dépend de la normalisation Fluorochromes Nbre gènes différentiellement exprimés Il n existe pas toujours de plans optimaux, mais il existe toujours des plans plus mauvais que les autres!
79 Bibliographie (plans d expériences) Fundamentals of experimental design for cdna microarrays, Churchill, Nat. Genet. Suppl., 32 (2002) Design issues for cdna microarray experiments, Speed, Nat. Genet., 8 (2002) Analysis of variance for gene expression microarray data, Kerr & all, JCB,7 (2000)
80 Bibliographie (statistiques) Probabilités, analyse des données et statistiques Saporta, Editions Technip Statistique inférentielle, idées, démarches, exemples Daudin, Robin et Vuillet, Presses Universitaires de Rennes Méthodes statistiques Tassi, Economica
81 Logiciels d analyse statistique Pour la classification : Genesis Pour l analyse différentielle : Anapuce Bioconductor
82
83 Annexes
84 ANALYSE DYE SWAP Log 2 (Ratio lame1 ) + Log 2 (Ratio lame2 ) Log 2 (Ratio lame1 ) + Log 2 (Ratio lame2 ) 2 Log 2 (I Cy3* I Cy5 ) lame1 + Log 2 (I Cy3* I Cy5 ) lame2 Log 2 (I Cy3* I Cy5 ) lame1 + Log 2 (I Cy3* I Cy5 ) lame2 2
85 Effet bloc - Pelouse
86
87 Modélisation de la variance Une variance par gène : T g = n g D sˆ g g Méthodes alternatives : Une variance commune à tous les gènes (approximation normale) Regrouper les gènes en populations de variances homogènes Les résultats changent beaucoup!!!
88 Ajustement de Bonferroni On veut garantir : P( Il existe un FP parmi les N gènes) < 5% P({gène 1 est FP} ou {gène 2 est FP} ou ou {gène N est FP}) < 5% N Â i= 1 P(gène i est FP) < 5% Il suffit de fixer P(gène i est FP) < 5/N %
89 Obtenu à partir des données
90 Calcul de la p-value On connaît la distribution de T g sous l hypothèse H 0. On peut donc calculer : p g = P Ho ( T > T g ) Cette probabilité mesure la cohérence entre l hypothèse nulle et les observations : une valeur faible entraîne un rejet de H 0
91 Comment fixer le seuil? (1 gène) p g < 0,05 : on rejette l hypothèse H 0 Remarques : la p-value dépend de la quantité d information (n g ) le seuil dépend de l erreur de type I que l on tolère le seuil ne dépend pas de l erreur de type II Il peut y avoir beaucoup de FP.
92 LAMES TORONTO Lame Cy5/Cy3 Lame Cy3/Cy5 Intensités brutes Log 2 (I Cy5 /I Cy3 ) Log 2 (I Cy3* I Cy5 ) Log 2 (I Cy3 /I Cy5 ) Log 2 (I Cy3* I Cy5 ) Intensités soustraites par le bruit de fond Log 2 (I Cy5 /I Cy3 ) Log 2 (I Cy3* I Cy5 ) Log 2 (I Cy3 /I Cy5 ) Log 2 (I Cy3* I Cy5 ) Cabannes
BASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailDérivés Financiers Contrats à terme
Dérivés Financiers Contrats à terme Mécanique des marchés à terme 1) Supposons que vous prenez une position courte sur un contrat à terme, pour vendre de l argent en juillet à 10,20 par once, sur le New
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
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 détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
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 détailDossier justificatif des travaux de R&D déclarés au titre du CIR
Dossier justificatif des travaux de R&D déclarés au titre du CIR I PRÉSENTATION DE LA SOCIETE Présenter l activité de la société en quelques lignes ou au moyen d une plaquette publicitaire et replacer
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailL 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 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 détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailMAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Plus en détailPlateforme. DArT (Diversity Array Technology) Pierre Mournet
Plateforme DArT (Diversity Array Technology) Pierre Mournet Lundi 8 avril 203 Pourquoi des DArT? Développement rapide et peu onéreux de marqueurs : Pas d information de séquence nécessaire. Pas de pré-requis
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 détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
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 détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
Plus en détailCalculs financiers (1) : intérêts simples, composés.
Calculs financiers (1) : intérêts simples, composés. 1. Intérêts simples Paul doit 10 000 à son fournisseur. Celui-ci lui accorde un crédit au taux annuel de 5% à intérêts simples (capitalisation annuelle).
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailMonitoring d un Datacenter du concept à la réalisation
Monitoring d un Datacenter du concept à la réalisation Par Norbert Andrey Tél: ++41(0)21 316 26 00 - Fax: ++41(0)21 316 27 26 Page 1 Objectifs - Détecter les défauts de fonctionnement et les notifier -
Plus en détailAnnales du Contrôle National de Qualité des Analyses de Biologie Médicale
Annales du Contrôle National de Qualité des Analyses de Biologie Médicale ARN du virus de l hépatite C : ARN-VHC ARN-VHC 03VHC1 Novembre 2003 Edité : mars 2006 Annales ARN-VHC 03VHC1 1 / 8 ARN-VHC 03VHC1
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailUn laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège
Un laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège Immunofluorescence Dépistage Aspect Titre Cellules Hep 2: Connectivites
Plus en détailMODE OPERATOIRE NORMALISE : Date d application :
1 / 14 Prénom / Nom Date, signature Rédacteur : Tony Jamault Vérificateur : Anthony Loussouarn Approbation : Isabelle Calard Table des matières 1 OBJECTIF DU MODE OPERATOIRE ET DOMAINE D APPLICATION...
Plus en détailTS 31 ATTAQUE DE FOURMIS!
FICHE 1 Fiche à destination des enseignants TS 31 ATTAQUE DE FOURMIS! Type d'activité ECE Notions et contenus du programme de Terminale S Compétences exigibles du programme de Terminale S TYPE ECE Evaluation
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailInterpréter correctement l évolution de la part salariale.
Interpréter correctement l évolution de la part salariale. Gilles Saint-Paul Université de Toulouse I et Ministère de l Ecologie En, la part des salaires dans la valeur ajoutée (ou dans le PIB) est un
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
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 détailEvaluation 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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détail2D-Differential Differential Gel Electrophoresis & Applications en neurosciences
2D-Differential Differential Gel Electrophoresis & Applications en neurosciences Jean-Etienne Poirrier Centre de Neurobiologie Cellulaire et Moléculaire Centre de Recherches du Cyclotron Université de
Plus en détailAssociations Dossiers pratiques
Associations Dossiers pratiques Le tableau de bord, outil de pilotage de l association (Dossier réalisé par Laurent Simo, In Extenso Rhône-Alpes) Difficile d imaginer la conduite d un bateau sans boussole
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
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 détailSpectrophotométrie - Dilution 1 Dilution et facteur de dilution. 1.1 Mode opératoire :
Spectrophotométrie - Dilution 1 Dilution et facteur de dilution. 1.1 Mode opératoire : 1. Prélever ml de la solution mère à la pipette jaugée. Est-ce que je sais : Mettre une propipette sur une pipette
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailCours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Plus en détailLe 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 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 détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailAnalyse Combinatoire
Analyse Combinatoire 1) Équipes On dispose d un groupe de cinq personnes. a) Combien d équipes de trois personnes peut-on former? b) Combien d équipes avec un chef, un sous-chef et un adjoint? c) Combien
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailBase de données opérationnelle pour les phénomènes PAN Commission SIGMA 2 - AAAF
Le groupe 3AF (SIGMA 2) : - approfondir les cas intéressants exploitable (en aval du GEIPAN) - rechercher de nouveaux cas (bases de données, publications référencées) - constituer un réseau scientifique
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailLes atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris buvat@imed.jussieu.fr http://www.guillemet.org/irene
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailLes exploitations de grandes cultures face à la variabilité de leurs revenus : quels outils de gestion des risques pour pérenniser les structures?
Les exploitations de grandes cultures face à la variabilité de leurs revenus : quels outils de gestion des risques pour pérenniser les structures? Benoît Pagès 1, Valérie Leveau 1 1 ARVALIS Institut du
Plus en détailComment utiliser les générateurs de mots clés?
Comment utiliser les générateurs de mots clés? Une seconde méthode complémentaire à la méthode de réflexion consiste à utiliser les générateurs de mots clés. (Google Adwords) https://adwords.google.fr/select/keywordtoolexternal
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 détailRapport de Stage. Titre : Clustering à l aide d une représentation supervisée
Nicolas Creff Du 1er février au 31 juillet 2011 Promotion 2011 Majeure SCIA Rapport de Stage Titre : Clustering à l aide d une représentation supervisée Sujet : Personnalisation de scores à l aide de la
Plus en détailLa comptabilité de gestion : Fiche pourquoi?
La comptabilité de gestion : Fiche pourquoi? 1 Définition Selon le plan comptable général, la comptabilité de gestion fait apparaître deux aspects : Connaître les coûts et les résultats par produit. Agir
Plus en détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détail