Analyse des données - Logiciel R

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Analyse des données - Logiciel R"

Transcription

1 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 (ACP) Corrigé AVANT DE COMMENCER : chargement du package FactoMineR Lancer R Installer le package RcmdrPlugin.FactoMineR (Package Installer des packages Choisir un miroir Choisir le package RcmdrPlugin.FactoMineR Lancer Rcmdr : par le menu Package Charger le package ou taper library(rcmdr) Dans le menu Rcmdr : Outil Charger des plug-ins Rcmdr RcmdrPlugin.FactoMineR 1. Une ACP à la main sur un jeu de données à deux variables. L objectif de cet exercice est de retrouver les résultats d une analyse en composantes principales normée (c est-à-dire lorsque les données sont centrées et réduites) en utilisant le formalisme matriciel du logiciel R. 1. Sous Rcmdr, créer le jeu de données suivant (appelé par exemple data) comportant cinq individus et deux variables quantitatives (de type numeric dans le langage R) : Données Nouveau jeu de données. X 1 X Remarque importante. Le logiciel Rcmdr est sensible aux fenêtres mal fermées! Après avoir visualisé ou édité des données, il est vivement conseillé de refermer la fenêtre affichant ces données avant de réaliser d autres analyses (sous peine de planter le logiciel R...) 2. Centrer-réduire les variables à l aide de l outil de gestion des variables : Données Gérer les variables dans le jeu de données actif Standardiser les variables. 3. Visualiser le nuage des cinq individus dans l espace des deux variables centrées réduites. Graphes Nuage de points Choisir Z.X1 et Z.X2. 4. Construire le jeu de données constitué des seules données centrées réduites : > datacr = data[,3:4] 5. Dans Rcmdr, la réduction des données est réalisée en utilisant la formule de l écart type suivant : s = 1 n 1 ni=1 (x i x) 2. Mais pour retrouver les résultats usuels de l ACP, il convient de réduire les données sur la base de l écart type habituel s = 1 n ni=1 (x i x) 2.

2 Quelle transformation doit-on appliquer aux données afin d obtenir des données standardisées selon l écart-type s? Effectuer cette transformation. On multiplie toutes les données par le rapport n n 1 > datacr = sqrt(5/4) * datacr (avec n = 5) : 6. Pour effectuer l ACP à l aide du langage matriciel, il est nécessaire de transformer le jeu de données data (qui correspond au type dataframe dans le langage de R) en une matrice X, grâce la commande : > X = as.matrix(datacr) 7. Calculer la matrice (X X) (où %*% désigne le produit matriciel dans R) : > t(x) %*% X 8. Lorsque les individus sont affectées de masses (ou poids) m i = 1 n, la matrice à diagonaliser est égale à 1 n (X X). Calculer cette nouvelle matrice, que l on notera V. Vérifier que la matrice V coïncide bien avec la matrice des corrélations du jeu de données data. > V = 1/5 * t(x) %*% X > V Z.X1 Z.X2 Z.X Z.X Puis : Statistique Résumé Matrice des corrélations (choisir X1 et X2) On obtient bien : > cor(data[,c("z.x1","z.x2")], use="complete.obs") Z.X1 Z.X2 Z.X Z.X Déterminer les axes factoriels de l ACP en calculant les vecteurs propres de la matrice V : > vecp = eigen(v)$vectors > vecp [,2] [1,] [2,] Vérifier que la norme de chaque vecteur propre est bien égale à un et que les deux vecteurs propres sont bien orthogonaux. > v1 = vecp > sqrt(v1%*%v1) [1,] 1 > v2 = vecp[,2] > sqrt(v2%*%v2) [1,] 1

3 > v1%*%v2 [1,] e Calculer l inertie de chacun des axes factoriels en déterminant les valeurs propres de V : > valp = eigen(v)$values > valp [1] Calculer la somme des inerties des deux axes. Que constate-t-on? > sum(valp) [1] 2 On retrouve le résultat suivant : en ACP normée, l inertie totale (la somme des valeurs propres) est égale au nombre de variables actives. 13. Représenter le nuage de points des données centrées réduites, puis utiliser la commande abline(a,b) (qui trace une droite d ordonnée à l origine a et de pente b) afin d ajouter au graphique les deux premiers axes factoriels. Graphes Nuage de points Choisir Z.X1 et Z.X2. Les coordonnées des deux premiers vecteurs propres étant de la forme (a, a) et ( a, a), les deux premières directions factorielles sont déterminées respectivement par la première et la deuxième bissectrice du plan : > abline(0,1) > abline(0,-1) 14. Calculer (à l aide d un produit scalaire) la coordonnée de l individu 1 le long du premier axe ; puis le long du deuxième axe. Faire de même pour l individu 3. > X[1,]%*%v1 [1,] > X[1,]%*%v2 [1,] > X[3,]%*%v1 [1,] 0 > X[3,]%*%v2 [1,] Refaire l ACP du jeu de données initial (data) à l aide du menu déroulant de Rcmdr : Statistique Analyse multivariée Analyse en composantes principales (Choisir : analyser la matrice des corrélations et ajouter les composantes principales au jeu de données) Identifier, parmi les résultats proposés, ceux obtenus dans les questions précédentes : vecteurs et valeurs propres, composantes principales (à savoir les vecteurs renfermant les coordonnées des individus le long des axes factoriels).

4 > unclass(loadings(.pc)) # component loadings X X >.PC$sd^2 # component variances > summary(.pc) # proportions of variance Importance of components: Standard deviation Proportion of Variance Cumulative Proportion On retrouve au signe près (mais l orientation des axes est arbitraire) les mêmes vecteurs propres ainsi que les mêmes valeurs propres. En visualisant le jeu de données, il est possible de vérifier également que les composantes principales renferment bien les coordonnées des individus obtenues dans la question 14 (là encore, au signe près compte tenu de l orientation différente des axes). Complément à propos de l ACP à deux variables. Lorsqu une ACP normée est réalisée sur un tableau de données ne comportant que deux variables quantitatives x 1 et x 2, des propriétés intéressantes sont observées pour les valeurs propres et vecteurs propres obtenus : Les composantes des vecteurs propres sont toutes égales à ± 1 2 Les valeurs propres sont égales à 1 ± r(x 1, x 2 ), où r(x 1, x 2 ) est le coefficient de corrélation linéaire entre les variables x 1 et x Vérifier que les résultats obtenus satisfont ces deux propriétés. On a déjà vu que les coordonnées des vecteurs propres étaient données par : > unclass(loadings(.pc)) # component loadings X X De plus, comme r(x 1, x 2 ) = on retrouve bien : λ 1 = 1 + r(x 1, x 2 ) = et λ 2 = 1 r(x 1, x 2 ) = Que se passe-t-il lorsque les deux variables étudiées sont de corrélation nulle? totalement corrélées? Lorsque les deux variables sont non corrélées (r(x 1, x 2 ) = 0), l analyse produit deux axes de valeurs égales à 1. Si au contraire les variables sont totalement corrélées (r(x 1, x 2 ) = 1), alors un seul axe (d inertie égale à 2) suffit à résumer parfaitement le jeu de données λ 2 = 1 r(x 1, x 2 ) = > unclass(loadings(.pc)) # component loadings X X

5 2. ACP des données Taille. 1. Importer le jeu de données taille.txt. Ce jeu de données décrit la taille (en mètres) de 87 élèves (garçons) de l école supérieure d agronomie de Rennes ainsi que la taille du père et celle de la mère de l étudiant. 2. Produire les statistiques descriptives (moyenne, écart-type, coefficients de variation, quartiles) pour les 3 variables du fichier. mean sd cv % n TailleEleve TailleMere TaillePere À l aide d une matrice de nuages de points, visualiser les relations 2 à 2 entre les 3 variables. Faire apparaître les histogrammes sur la diagonale puis les graphes quantilesquantiles. Commenter TailleEleve TailleMere TaillePere Z.TailleEleve Z.TaillePere Visuellement, l intensité de la liaison entre la taille de l élève et la taille du père est la plus importante. Les deux autres liaisons sont sans doute positives, mais peu intenses. Les graphes de la diagonales (histogrammes et QQ-plot montrent un écart à la normalité plus important pour la variable élève (même si l on sait que l hypothèse d une taille distribuée normalement est en général acceptable.) 4. Calculer les valeurs des coefficients de corrélation associés à chacune des liaisons précédentes. Ces coefficients sont-ils significativement différents de zéro? TailleEleve TailleMere TaillePere TailleEleve TailleMere

6 TaillePere P TailleEleve TailleMere TaillePere TailleEleve TailleMere TaillePere Le premier tableau confirme les résultats de l analyse graphique. Au seuil de risque de 5%, le second tableau montre une seule liaison non significative : celle entre la taille du père et la taille de la mère. 5. Centrer-réduire (= standardiser) les variables TailleEleve et TaillePere. 6. Un petit détour du côté de la régression... Construire un nuage de points avec les consignes suivantes : en ordonnée : la taille de l élève centrée réduite en abscisse : la taille du père centrée réduite Faire figurer la droite de régression (ligne des moindres carrés) et choisir décalage aléatoire en x et en y. Ajouter dans un second temps la droite d équation y = x. Retrouver au travers de ce graphique, les résultats célèbres de la régression dus au statisticien F. Galton. Z.TailleEleve Z.TaillePere On remarque que la droite de régression permettant de prédire la taille d un fils à partir de celle de son père possède une pente inférieure à 1 (la bissectrice). Par conséquent, un père dont la taille s écarte de la moyenne de deux écarts types par valeur supérieure (respectivement inférieure) doit s attendre à avoir un fils dont la taille sera également supérieure (respectivement inférieure) à la moyenne (des fils), mais de moins de deux écarts types. Schématiquement : un père de grande (respectivement petite) taille s attend à un fils de grande (respectivement petite) taille, mais moins (respectivement plus) grand qu attendu.

7 7. Partant du même graphique qu à la question précédente, choisir l option Identifier les points à la souris et cliquer sur les individus les plus en périphérie du nuage ainsi que les plus proches du centre de gravité. (Attention! Ne pas oublier de faire un clic droit arrêter, afin de sortir du mode identification des points ; sinon : risque important de planter R!). 80 Z.TailleEleve Z.TaillePere 8. Tracer (commande abline) les axes factoriels 1 et 2 de ce nuage de points. On a déjà vu que pour une ACP à deux variables, les axes factoriels peuvent être tracés sur le nuage de points des données centrées-réduites à l aide des deux bissectrices (commandes abline(0,1) et abline(0,-1)) 9. En déduire les observations qui ont les contributions les plus élevées aux axes 1 et 2. Rappel : en ACP, un élément contribue d autant plus à un axe qu il possède une coordonnée élevée (en valeur absolue) le long de cet axe, et que son poids est important. D après le graphique précédent, les individus 2, 80, 86 et 87 (de coordonnées importante le long de la première bissectrice) auront de fortes contributions à l axe 1. Selon un raisonnement similaire, les individus 12, 42, 76 et 83 posséderont une contribution élevée à l axe À l aide de FactoMiner, effectuer une ACP avec le paramétrage suivant : Variables actives : TailleEleve et TaillePere. Scale the variables (= centrer réduire les variables = ACP normée.) Onglet Outputs : cocher valeurs propres et résultats pour les individus. On vérifie à ce niveau les contributions exactes des individus cités plus haut. On peut obtenir les contributions triées à l aide des commandes suivantes : > sort(res$ind$contrib, decreasing=t) > sort(res$ind$contrib[,2], decreasing=t)

8 Construire le nuage de points en 3 dimensions pour les 3 variables centrées - réduites. Quelle sera selon vous la variable la plus liée au premier axe factoriel de ce nuage de points? 12. Effectuer l ACP normée des 3 variables du fichier. Que peut-on dire des individus 74,75 et 51,52? Valider votre conclusion en consultant les valeurs de ces individus dans le tableau de données. Individuals factor map (PCA) Variables factor map (PCA) Dim 2 (29.25%) Dim 2 (29.25%) TailleMere TailleEle TailleP Dim 1 (56.4%) Dim 1 (56.4%) Les trois variables sont corrélées positivement avec l axe 1. Les quatre individus étant situés du côté positif de l axe 1, ceux-ci ont tendance à être plus grand que la moyenne, de même que leurs deux parents. Toutefois, les individus 51 et 52 étant positionnés du côté positif de l axe 2, on peut affirmer que leur mère est plutôt de grande taille, contrairement aux individus 74 et 75 dont la mère est sans doute plus petite que la moyenne. Ce constat est facilement vérifiable en consultant le jeu des données centrées réduites. 13. Découper la variable TailleMère en 4 classes de même effectif avec les étendues comme nom de niveaux ; donner un nom à la nouvelle variable construite (de nature qualitative ou de type facteur selon la terminologie du logiciel R). Le découpage en une variable à quatre modalités fournissant des effectifs très différents (malgré l option même effectif ) on a opté pour un découpage en cinq classes, d effectifs plus équilibrés : Mère4classes Mère5classes [1.49,1.6] :26 [1.49,1.58]:19 (1.6,1.65] :34 (1.58,1.63]:21 (1.65,1.67]: 5 (1.63,1.65]:20 (1.67,1.75]:22 (1.65,1.68]:12 (1.68,1.75]:15

9 14. Réaliser à nouveau l ACP en étudiant cette dernière variable comme facteur supplémentaire. Dans les options graphiques, colorier les individus selon la variable taille de la mère en 4 classes. On obtient la représentation factorielle ci-dessous : Individuals factor map (PCA) Variables factor map (PCA) Dim 2 (29.25%) [1.49,1.58] (1.58,1.63] (1.63,1.65] (1.65,1.68] (1.68,1.75] (1.68,1.75] (1.63,1.65] (1.65,1.68] (1.58,1.63] [1.49,1.58] Dim 2 (29.25%) TailleMere TailleEle TailleP Dim 1 (56.4%) Dim 1 (56.4%) On visualise sur le plan des individus cinq nuages de points bien séparés correspondant à des élèves dont la mère est de plus en plus grande au fur et à mesure que l on s éloigne dans la direction indiquée par la variable TailleMère. 3. Utilisation du package dyngraph Le package dyngraph permet de modifier de façon interactive un plan factoriel issu d une analyse factorielle (ACP, AFC, etc.) Il peut être également employé pour visualiser et analyser la liaison entre n importe quel couple de variables quantitatives du jeu de données. 1. Charger le package dyngraph. 2. Exécuter la commande : dyngraph(res) (res étant l objet dans lequel sont stockés les résultats de l ACP.) 3. Visualiser le premier plan (axes 1 et 2) des individus et des variables, puis le plan des individus et des variables engendrés par les axes 1 et Sur le premier plan, habiller les individus en fonction de leur qualité de représentation ; de leur contribution (essayer les options Nuage ou Bulle). Habiller les individus en fonction de la variable quantitative taille de la mère. 5. À l aide du curseur sur la gauche du plan, ne conserver sur le plan que les individus dont la qualité de représentation est supérieure à Rechercher un individu moyen (dont les valeurs sont proches de la moyenne pour les 3 variables).

TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE

TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE Statistique Numérique et Analyse de Données Ecole des Ponts ParisTech, 2 ème année TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE Analyse des données de peintures de Rembrandt et de Van Gogh On se propose, à titre

Plus en détail

Analyse des données - Logiciel R

Analyse des données - Logiciel R Université de Strasbourg Analyse des données Master de Sciences, Spécialité Statistique 2012/13 Master Actuariat Emmanuel Périnel Analyse des données - Logiciel R TP n 3. L Analyse en Composantes Principales

Plus en détail

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED SEMIN Analyses factorielles avec R Elisabeth MORAND INED SEMIN R du MNHN 10 Décembre 2009 E. Morand 10 Décembre 2009 INED 1 / 42 Part I Analyse en Composantes Principales : ACP 2 / 42 Sommaire 1 Introduction

Plus en détail

Ch2 : Analyse en Composantes Principales (ACP)

Ch2 : Analyse en Composantes Principales (ACP) Ch2 : Analyse en Composantes Principales (ACP) A- Objectifs B- construction d un espace factoriel C- Les étapes d une ACP D- Interprétation E- Limites A- Objectifs On dispose d un tableau de données X.

Plus en détail

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

Devoir de «Logiciels statistiques» à réaliser avec Commander

Devoir de «Logiciels statistiques» à réaliser avec Commander Devoir de «Logiciels statistiques» à réaliser avec Commander et R Pour réaliser cet exercice, commencez par les étapes suivantes. Respectez scrupuleusement les consignes sous peine de perte de données

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

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC L analyse Factorielle des correspondances...2 1/ Préambule descriptif de l AFC...2 Exemples de types de données que l AFC peut aborder:...2 Quelques types de tableaux traités par l AFC...3 2/ Exercice

Plus en détail

1 Droite de régression de y en x

1 Droite de régression de y en x CHU Amiens IFTLM 2ème année, UPJV IUP Santé 2012-2013 Statistique Cours 2 Statistique descriptive à deux variables - Régression Le cours précédent traitait de la statistique descriptive univariée, c est-à-dire

Plus en détail

Quelques éléments d algèbre pour l analyse de

Quelques éléments d algèbre pour l analyse de Fiche TD avec le logiciel : tdr80 Quelques éléments d algèbre pour l analyse de données A.B. Dufour, D. Chessel et M. Royer L algèbre matricielle est fondamentale dans la compréhension de la théorie liée

Plus en détail

L analyse en composantes principales en pratique

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

Plus en détail

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

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

Plus en détail

TP Statistique n o 1

TP Statistique n o 1 Préparation Agrégation Bordeaux Année 0-03 TP Statistique n o L objectif de ce TP est de vous familiariser avec le logiciel Matlab (qui n est pas libre...). Matlab n est pas à la base un langage de calcul

Plus en détail

Analyse en composantes principales (ACP)

Analyse en composantes principales (ACP) Analyse en composantes principales (ACP) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 31 Quel type de données? L ACP s intéresse à des tableaux

Plus en détail

Régression linéaire et corrélation

Régression linéaire et corrélation CHAPITRE 10 Régression linéaire et corrélation 1. Introduction Dans ce chapitre, nous regarderons comment vérifier si une variable à un influence sur une autre variable afin de prédire une des variables

Plus en détail

Formation. Proposée par :

Formation. Proposée par : Formation Exemples Proposée par : ALGIDE Siège : L ACHARD, 38 880 AUTRANS (Grenoble) Tél. : 04.38.49.90.15 Fax : 04.38.49.90.16 Email : info@algide.fr Web : www.algide.fr SOMMAIRE I. Généralités quelque

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 6 : Modélisation non-supervisée

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

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

Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances

Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances A travers ce TD, nous allons apprendre à mettre en oeuvre l analyse factorielle des correspondances.

Plus en détail

Statistiques descriptives Variance et écart type

Statistiques descriptives Variance et écart type Statistiques descriptives Variance et écart type I) Rappel : la moyenne (caractéristique de position ) Définition Soit la série statistique définie dans le tableau suivant : Valeur... Effectif... Fréquences

Plus en détail

Tutoriel ORBIS ANNUAIRE ENTREPRISES

Tutoriel ORBIS ANNUAIRE ENTREPRISES 1 Tutoriel ORBIS ANNUAIRE ENTREPRISES Orbis représente un panorama complet des sociétés cotées et non cotées au niveau mondial. Son interface est d une grande facilité d utilisation. L usage des technologies

Plus en détail

Statistiques I: Séance informatique - Corrections

Statistiques I: Séance informatique - Corrections Haute Ecole de Gestion Automne 2010 Geneva School of Business Administration Mercredi 8h15-10h00 A. Caboussat, STAT I Statistiques I: Séance informatique - Corrections Part I Exercices sur Excel Problème

Plus en détail

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

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

Plus en détail

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

MATHÉMATIQUES ET ENVIRONNEMENT INFORMATIQUE. Michèle GANDIT Christiane SERRET Bernard PARISSE (*)

MATHÉMATIQUES ET ENVIRONNEMENT INFORMATIQUE. Michèle GANDIT Christiane SERRET Bernard PARISSE (*) MATHÉMATIQUES ET ENVIRONNEMENT INFORMATIQUE Michèle GANDIT Christiane SERRET Bernard PARISSE (*) Ces deux ateliers avaient pour objectif d amener les participants à une réflexion sur l utilisation, dans

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 Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie A. Arfaoui PLA Définitions Paramètres marginaux Covariance Coefficient de Corrélation Coefficient

Plus en détail

Leçon N 16 Création d un album de photo avec ALBELLI 2 ème partie

Leçon N 16 Création d un album de photo avec ALBELLI 2 ème partie Leçon N 16 Création d un album de photo avec ALBELLI 2 ème partie 2 Préparation Le travail le plus important pour créer un album de photo c est la préparation. 2.1 Choisir les photos. Dans un premier temps

Plus en détail

IUT Nice-Côte d Azur Informatique appliquée 2005 2006. TP N o 4. Tableur : affichage et impression

IUT Nice-Côte d Azur Informatique appliquée 2005 2006. TP N o 4. Tableur : affichage et impression 1 IUT Nice-Côte d Azur TC-Nice 1 re année Informatique appliquée 2005 2006 TP N o 4 Tableur : affichage et impression I Options d affichage Les options concernant l affichage dans les feuilles de calcul

Plus en détail

R-Commander : Notions du chapitre 1. Statistiques descriptives. 1) Lecture des données. 2. a) Exemple de lecture d un fichier Excel : serpents.xls...

R-Commander : Notions du chapitre 1. Statistiques descriptives. 1) Lecture des données. 2. a) Exemple de lecture d un fichier Excel : serpents.xls... R-Commander : Notions du chapitre 1 Statistiques descriptives 1) Lecture des données. 2 a) Exemple de lecture d un fichier Excel : serpents.xls...2 2) Représentations graphiques.4 a) Données univariées....4

Plus en détail

Séance 2: Modèle Euclidien

Séance 2: Modèle Euclidien Généralités Métrique sur les INDIVIDUS Métrique sur les VARIABLES Inertie Analyse des individus Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Généralités Métrique

Plus en détail

Fiche n 10 : Statistiques et rapports avec Excel

Fiche n 10 : Statistiques et rapports avec Excel PlanningPME Planifiez en toute simplicité Fiche n 10 : Statistiques et rapports avec Excel I. Description... 2 II. Les statistiques depuis le menu Outils -> Statistiques... 2 III. Zoom sur la charge de

Plus en détail

Analyse des données et Data Mining

Analyse des données et Data Mining Analyse des données et Data Mining Analyse en composantes principales utc sy09 1 Objectif des méthodes factorielles Visualiser, traiter des données multidimensionnelles Problème difficile Information apportée

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

Introduction sur l analyse en composantes principales (ACP)

Introduction sur l analyse en composantes principales (ACP) Introduction sur l analyse en composantes principales (CP) ) Introduction sur un exemple à 2 dimensions On veut représenter graphiquement les profils d élèves qui ont été notés sur 2 matières (Français

Plus en détail

1 Premiers pas avec Rstudio

1 Premiers pas avec Rstudio Université Paris Descartes UFR de Mathématiques et Informatique Probabilités et Statistiques pour l informatique- Licence MIA 2e année Travaux Pratiques - 1 ère séance Le but de cette première séance est

Plus en détail

L analyse de la variance avec R commander

L analyse de la variance avec R commander L analyse de la variance avec R commander 19 mars 2014 1 Installer R Pour installer R, il vous suffit d aller sur le site http://www.r-project.org/. Choisissez un miroir pour le téléchargement. Sélectionner

Plus en détail

Fiche n 17 : Gestion des projets

Fiche n 17 : Gestion des projets PlanningPME Planifiez en toute simplicité Fiche n 17 : Gestion des projets I. Description... 2 II. Activation de l option... 2 III. Ajouter un projet... 2 IV. Associer un projet à une tâche... 4 V. Vue

Plus en détail

Tableur OpenOffice : Les Outils

Tableur OpenOffice : Les Outils 1. Environnement de travail Bouton système Nom du document Nom du logiciel Barre de menus Cases système du logiciel Cases système du fichier Zone de nom : elle contient l adresse du champ sélectionné Cellule

Plus en détail

Méthodes de projection

Méthodes de projection Chapitre 11 Méthodes de projection Contenu 11.1 Analyse en composantes principales........ 138 11.1.1 L Analyse en Composantes Principales........ 139 11.1.2 La (grande) famille des ACP............. 151

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

Choix de modèle en régression linéaire

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

Plus en détail

Introduction à Excel

Introduction à Excel Introduction à Excel Commentaires : Cet exercice a pour but de vous apprendre les fonctions rudimentaires du logiciel excel. C est seulement par la pratique que vous connaîtrez parfaitement le logiciel.

Plus en détail

IMPRESSION D UNE FEUILLE DE CALCUL OU D UN GRAPHIQUE

IMPRESSION D UNE FEUILLE DE CALCUL OU D UN GRAPHIQUE IMPRESSION D UNE FEUILLE DE CALCUL OU D UN GRAPHIQUE Pour imprimer une feuille de calcul, vous devez d abord définir la zone à imprimer (cette étape n est pas nécessaire si vous désirez imprimer tout le

Plus en détail

Introduction à GrapheR

Introduction à GrapheR Introduction à GrapheR Maxime Hervé Pour toute question, commentaire ou suggestion : mx.herve@gmail.com Merci à Juan Alberti pour la traduction espagnole de l interface. Merci à Helmut Schlumprecht pour

Plus en détail

20 Choix du plan de travail

20 Choix du plan de travail 20 Choix du plan de travail 20-1 Systèmes de coordonnées : Avant de commencer à dessiner il est nécessaire de faire apparaître les Systèmes de coordonnées Universelles ( SC universelles) et Utilisateur

Plus en détail

Statistiques Appliquées Rôle des femmes dans la société

Statistiques Appliquées Rôle des femmes dans la société Statistiques Appliquées Rôle des femmes dans la société Denis Schelling Semestre d automne 2012 Résumé A partir de données concernant le rôle des femmes dans la société, nous avons effectué une analyse

Plus en détail

Paramétrage -------------------------------------------- Page 3

Paramétrage -------------------------------------------- Page 3 Installation -------------------------------------------- Page 2 Paramétrage -------------------------------------------- Page 3 Connection entre et --------------------------------------------

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

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

TP n 1 : Etude de l incidence oblique : interface entre deux milieux diélectriques

TP n 1 : Etude de l incidence oblique : interface entre deux milieux diélectriques Université Saad Dahleb de Blida Année universitaire : 2013/2014 Département d électronique Module : Champ électromagnétique Licence RT TP n 1 : Etude de l incidence oblique : interface entre deux milieux

Plus en détail

DATA.DREES MANUEL DÉTAILLÉ DES CUBES DE DONNEES

DATA.DREES MANUEL DÉTAILLÉ DES CUBES DE DONNEES DATA.DREES MANUEL DÉTAILLÉ DES CUBES DE DONNEES LES FONCTIONNALITÉS PROPOSÉES CONSULTER, MANIPULER ET CONSERVER DES CUBES DE DONNÉES EN LIGNE Ce document est destiné à vous présenter le fonctionnement

Plus en détail

Devoir de «Logiciels statistiques» à réaliser avec Commander

Devoir de «Logiciels statistiques» à réaliser avec Commander Devoir de «Logiciels statistiques» à réaliser avec Commander et R Pour réaliser cet exercice, commencez par les étapes suivantes. Respectez scrupuleusement les consignes sous peine de perte de données

Plus en détail

INTRODUCTION A LA RECHERCHE QUANTITATIVE

INTRODUCTION A LA RECHERCHE QUANTITATIVE INTRODUCTION A LA RECHERCHE QUANTITATIVE Deuxième partie : de la base de données aux résultats Juin 2010 Julien Gelly, Caroline Huas, Josselin Le Bel Plan 2 1. Introduction 2. Saisie des données : Epi

Plus en détail

Classe de 3ème. Effectif partiel n Effectif total N

Classe de 3ème. Effectif partiel n Effectif total N Classe de 3ème Chapitre 2 Statistiques. 1. Quelques rappels. Une série statistique est composée de valeurs. Le nombre de fois où une valeur est répétée s'appelle l'effectif partiel de cette valeur. La

Plus en détail

Présentation L ÉDITEUR D ÉTAT SUR PÉRICLÈS 5

Présentation L ÉDITEUR D ÉTAT SUR PÉRICLÈS 5 Présentation L ÉDITEUR D ÉTAT SUR PÉRICLÈS 5 Sommaire Questions fréquentes (Cliquez sur la question pour accéder directement à la réponse.) - Introduction... 3 - Présentation de la barre d outils... 4

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

Guide sur la création d un test autocorrigé

Guide sur la création d un test autocorrigé Guide sur la création d un test autocorrigé Une démarche simple et fonctionnelle de création d un test autocorrigé, composé de questions fréquemment utilisées. Mai 2011 Table des matières Page Réalisation

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

M0SE 1003 TP d algèbre sur Scilab : Matrices, test "if-then-else" TP 2

M0SE 1003 TP d algèbre sur Scilab : Matrices, test if-then-else TP 2 M0SE 1003 TP d algèbre sur Scilab : Matrices, test "if-then-else" TP 2 Essayez les commandes, observez les réponses de Scilab, répondez aux questions, puis effectuer les exercices. Création de matrices

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Échantillonnage et estimation Dans ce chapitre, on s intéresse à un caractère dans une population donnée dont la proportion est notée. Cette proportion sera dans quelques cas connue (échantillonnage),

Plus en détail

Utiliser DYNAMIC pour étudier des enregistrements vidéo de mouvements. 1 Relativité du mouvement en classe de Seconde :

Utiliser DYNAMIC pour étudier des enregistrements vidéo de mouvements. 1 Relativité du mouvement en classe de Seconde : Utiliser DYNAMIC pour étudier des enregistrements vidéo de mouvements 1 Relativité du mouvement en classe de Seconde : 1.1 Programme : Exemples d activités Contenus Connaissances et savoir-faire exigibles

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

Etude de la transformation de mouvement «Bielle-Manivelle» 1) FONCTIONS RÉALISÉES PAR LE LOGICIEL...2 2) CRÉATION DU MÉCANISME...2 3) ANALYSE...

Etude de la transformation de mouvement «Bielle-Manivelle» 1) FONCTIONS RÉALISÉES PAR LE LOGICIEL...2 2) CRÉATION DU MÉCANISME...2 3) ANALYSE... Découverte du logiciel Mecaplan pour SolidWorks Page 1/9 Mecaplan pour SolidWorks Bielle Manivelle Piston Bâti Etude de la transformation de mouvement «Bielle-Manivelle» 1) FONCTIONS RÉALISÉES PAR LE LOGICIEL....2

Plus en détail

Quickstart (Guide de référence rapide)

Quickstart (Guide de référence rapide) Qu est GeoGebra? Quickstart (Guide de référence rapide) Un progiciel de Mathématiques Dynamiques facile à utiliser Pour apprendre et enseigner à tous les niveaux d éducation Associant géométrie interactive,

Plus en détail

ÉCOLE POLYTECHNIQUE Promotion 2009. CONTRÔLE DU COURS DE PHYSIQUE PHY311 Lundi 12 juillet 2010, durée : 2 heures

ÉCOLE POLYTECHNIQUE Promotion 2009. CONTRÔLE DU COURS DE PHYSIQUE PHY311 Lundi 12 juillet 2010, durée : 2 heures ÉCOE POYTECHNIQUE Promotion 2009 CONTRÔE DU COURS DE PHYSIQUE PHY311 undi 12 juillet 2010, durée : 2 heures Documents autorisés : cours, recueil de problèmes, copies des diapositives, notes de PC Indiquer

Plus en détail

Application des méthodes de décomposition en composantes principales à la climatologie

Application des méthodes de décomposition en composantes principales à la climatologie Application des méthodes de décomposition en composantes principales à la climatologie Etude d un exemple: les modes de variabilité de la température de surface de la mer dans l océan Atlantique tropical

Plus en détail

Chapitre 7 - Menu Graph : Module et Analyse

Chapitre 7 - Menu Graph : Module et Analyse Chapitre 7 - Menu Graph : Module et Analyse Table des matières Chapitre 7 - Menu Graph : Module et Analyse... 7.1 Module... 7.2 Propriétés du module de graphique... 7.3 La fonction Propriétés du module

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

T.P. 8 - Exercice 1 Khi-Carré d ajustement (Corrigé)

T.P. 8 - Exercice 1 Khi-Carré d ajustement (Corrigé) T.P. 8 - Exercice 1 Khi-Carré d ajustement (Corrigé) Connaissances préalables : Buts spécifiques : Outils nécessaires : Consignes générales : Distribution de fréquences, proportions. Test d ajustement.

Plus en détail

Utilisation d Unix au travers de XWin32

Utilisation d Unix au travers de XWin32 Utilisation d Unix au travers de XWin32 Jean-Yves Didier 19 décembre 2006 Résumé : Le programme XWin32 est un serveur X Window 1 qui permet, grâce à l architecture des systèmes d exploitation de type Unix,

Plus en détail

Pour utiliser les menus statistiques fournis par excel

Pour utiliser les menus statistiques fournis par excel Pour utiliser les menus statistiques fournis par excel Préalable: Dans Outils/Macro complémentaires, cocher si ce n'est pas déjà fait "utilitaires d'analyse": Partie 1 Analyse de variance A] Plan S n

Plus en détail

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h I.U.T de Caen STID 2ème année Département STID Année Universitaire 2002-2003 Responsable de cours : Alain LUCAS Seule la calculatrice type collège est autorisée. Seul le cours est autorisé. On rappelera

Plus en détail

TD de Statistiques - Séance N 2

TD de Statistiques - Séance N 2 TD de Statistiques - Séance N 2 1 Travail sur des variables catégorisées avec Excel 1.1 Quelques commandes d'excel utiles pour la saisie de données Saisie "assistée" ou non : utilisez le menu :Fichier

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

Un petit tutoriel pour utiliser Wordpress (LeRepaire)

Un petit tutoriel pour utiliser Wordpress (LeRepaire) Un petit tutoriel pour utiliser Wordpress (LeRepaire) I. Pour écrire un article : Il faut déjà avoir un compte qui permette de le faire (ce n est pas un compte par défaut, il faut demander un accès à l

Plus en détail

Ce TD se déroule sur 3 heures : vous devez donc consacrer environ 1 heure pour chacune des phases.

Ce TD se déroule sur 3 heures : vous devez donc consacrer environ 1 heure pour chacune des phases. TD Analyse de données pour l évaluation de l exposition Octobre 2014 1 Contexte et objectif du TD Pour réaliser une évaluation de l exposition d une population à un contaminant chimique, plusieurs sources

Plus en détail

TD ANALYSE DES DONNEES

TD ANALYSE DES DONNEES Master 2 TVPS Angers Analyse des données : ACP AFC CAH 1 TD ANALYSE DES DONNEES Exemple d'acp : Etude olfacto-gustative de cidres Plusieurs caractéristiques du cidre ont été mesurées sur 10 cidres différents.

Plus en détail

Fiches méthode SOMMAIRE

Fiches méthode SOMMAIRE Fiches méthode Tableur (LibreOffice) SOMMAIRE 1. Saisir une formule dans une cellule page 2 2. Recopier une formule sur plusieurs cellules page 2 3. Créer une liste de nombres page 5 4. Trier une liste

Plus en détail

Code_Aster Titre : FORMA11 - Travaux pratiques de la formation «Anal[...] Responsable : Emmanuel BOYERE

Code_Aster Titre : FORMA11 - Travaux pratiques de la formation «Anal[...] Responsable : Emmanuel BOYERE Date : 15/05/2013 Page : 1/16 FORMA11 - Travaux pratiques de la formation «Analyse dynamique» : analyse modale Résumé : Ces tests correspondent aux travaux pratiques de la formation dynamique de. Il s

Plus en détail

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

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

Plus en détail

GUIDE D UTILISATION DU LOGICIEL SOFT ECOLES

GUIDE D UTILISATION DU LOGICIEL SOFT ECOLES 1 GUIDE D UTILISATION DU LOGICIEL SOFT ECOLES SOFT ECOLES est un logiciel de gestion scolaire automatisée avec des fonctionnalités qui permettent un suivi des inscriptions, des règlements des différents

Plus en détail

Fonctions. Fonctions linéaires, affines et constantes

Fonctions. Fonctions linéaires, affines et constantes linéaires, affines et constantes 1. linéaires Comme il existe une infinité de fonctions différentes, on les classe par catégories. La première catégorie est constituée par les fonctions linéaires. Une

Plus en détail

Guide pour Structure Ossature Bois

Guide pour Structure Ossature Bois L C C B SARL 93 Grand Rue 67290 WEISLINGEN Tel: 03-88-01-59-83 Email : lccb.lenser@wanadoo.fr Guide pour Structure Ossature Bois Dans ce guide certaines touches sont modélisées par les touches suivantes

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

I. LA VARIABILITE AU SEIN DES POPULATIONS

I. LA VARIABILITE AU SEIN DES POPULATIONS I. LA VARIABILITE AU SEIN DES POPULATIONS La notion de population recouvre un concept difficilement réductible à une définition unique. Au sens de la génétique, une population représente une entité de

Plus en détail

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

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

Plus en détail

FICHE D AIDE GEOGEBRA : PREMIERES MANIPULATIONS MENU : I MANIPULATIONS GENERALES : II CREATION DE VARIABLES DE GRANDEURS

FICHE D AIDE GEOGEBRA : PREMIERES MANIPULATIONS MENU : I MANIPULATIONS GENERALES : II CREATION DE VARIABLES DE GRANDEURS FICHE D AIDE GEOGEBRA : PREMIERES MANIPULATIONS MENU : I MANIPULATIONS GENERALES : II CREATION DE VARIABLES DE GRANDEURS III VISUALISATION D UN LIEU DE POINTS IV REPRESENTATION GRAPHIQUE D UNE FONCTION

Plus en détail

STATISTIQUES A DEUX VARIABLES Console ExAO PRIMO - Logiciel ATELIER SCIENTIFIQUE

STATISTIQUES A DEUX VARIABLES Console ExAO PRIMO - Logiciel ATELIER SCIENTIFIQUE STATISTIQUES A DEUX VARIABLES Console ExAO PRIMO - Logiciel ATELIER SCIENTIFIQUE a) Montage b) Branchement c) Configuration d) Acquisition e) Exploitation f) Compte-rendu OBJECTIFS: Déterminer l équation

Plus en détail

Introduction à Rcommander

Introduction à Rcommander Introduction à Rcommander Pauline Scherdel Septembre 2014 Table des matières 1 Introduction à Rcmdr sous R 2 2 Interagir avec R 3 3 Installer et charger le package Rcmdr sous R 3 4 Importation des données

Plus en détail

par Jean-François Deslandes

par Jean-François Deslandes GUIDE EXCEL POUR LA STATISTIQUE par Jean-François Deslandes Automne 2000 2 Table des matières RAPPORT DE TABLEAU CROISÉ DYNAMIQUE 4 CONSTRUCTION D'UN TABLEAU DE FRÉQUENCE POUR UNE VARIABLE UNIQUE 4 DISTRIBUTION

Plus en détail

Gérer vos photographies avec XnView

Gérer vos photographies avec XnView Gérer vos photographies avec XnView Août 2009 Présentation de XnView, logiciel de gestion documentaire pour vos photographies. UTILISATION DE XNVIEW Téléchargement et installation Rendez vous sur le site

Plus en détail

Mathématiques en Terminale STG. David ROBERT

Mathématiques en Terminale STG. David ROBERT Mathématiques en Terminale STG David ROBERT 2008 2009 Sommaire 1 Optimisation à deux variables 1 1.1 Équations de droites................................................... 1 1.1.1 Activités......................................................

Plus en détail

GEOGEBRA : Les indispensables

GEOGEBRA : Les indispensables Préambule GeoGebra est un logiciel de géométrie dynamique dans le plan qui permet de créer des figures dans lesquelles il sera possible de déplacer des objets afin de vérifier si certaines conjectures

Plus en détail

TP 7 : Manipulation d images.

TP 7 : Manipulation d images. Lycée Masséna TP 7 : Manipulation d images. On va voir deux choses dans ce TP : les tableaux Numpy, qui sont très pratiques pour les opérations terme à terme entre tableaux de nombres à plusieurs dimensions.

Plus en détail

UE Evolution. TP 5 «Evolution Moléculaire» Etude d une famille multigénique : Insulin like protein

UE Evolution. TP 5 «Evolution Moléculaire» Etude d une famille multigénique : Insulin like protein UE Evolution TP 5 «Evolution Moléculaire» Etude d une famille multigénique : Insulin like protein Dominique Mouchiroud, Marc Bailly-Bechet, Céline Brochier, Annabelle Haudry Objectifs : Analyse de deux

Plus en détail

FINESS Internet. Guide Utilisateur. Direction de la Recherche, des Etudes, de l'evaluation et des Statistiques

FINESS Internet. Guide Utilisateur. Direction de la Recherche, des Etudes, de l'evaluation et des Statistiques Direction de la Recherche, des Etudes, de l'evaluation et des Statistiques Département Méthodes et Systèmes d'information FINESS Internet Guide Utilisateur Ministère du travail, de l emploi et de la santé

Plus en détail