Séminaire d Epidémiologie Animale Analyse de données en présence de clusters
|
|
- Jean-Marc Pothier
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance La prise en compte des clusters Le modèle Subject Specific Le modèle Population Averaged Différences entre les modèles Subject Specific et Population Averaged Un modèle marginal particulier, le modèle G.E.E /09/2011 Service Biométrie (CL)
2 Analyse de données en présence de clusters Le modèle G.E.E., application à l étude FCO Le modèle G.E.E. : Étude FCO, les résultats Qualités du modèle G.E.E /09/2011 Service Biométrie (CL)
3 Séminaire d Epidémiologie Animale Notion de clusters Environnement commun aux individus statistiques Animaux dans des élevages, élevages dans des petites régions agricoles, animaux notés par des pointeurs Succession d observations sur un même individu Pesées successives sur un même animal pendant la période d engraissement, suivi des performances de reproduction sur une cohorte d élevages plusieurs années de suite Une structure hiérarchique des données Régions > Élevages > Animaux > mesures successives Spatial Conduite génétique (milieu) 28-30/09/2011 Service Biométrie (CL) 3
4 Notion de clusters Notion de clusters synonyme de données corrélées Ce que certaines données ont en commun se traduit par une structure de corrélation sur ces données. Les élevages d une région données se ressemblent car ils sont soumis à un même environnement. Les animaux d un même élevage sont tous soumis à des caractéristiques spécifiques à l élevage dans lequel ils se trouvent (conduite ). Les mesures successives sur un même animal sont naturellement corrélées (autocorrélations) 28-30/09/2011 Service Biométrie (CL) 4
5 Séminaire d Epidémiologie Animale Notion de clusters Le contexte Une variable privilégiée Y à décrire en fonction de variables explicatives X (facteurs de risque, de confusion ) Exemple Dans l étude FCO on dispose pour chaque élevage de deux années de suivi sur la mortalité des veaux pendant la période juillet à décembre. On dispose également pour chaque élevage de variables X sur les caractéristiques des élevages (variable taille retenue dans l analyse). Les variables X peuvent varier d une année à l autre ou changer d une année à l autre (variables «temps dépendantes»). Elles peuvent caractériser l élevage ou les animaux (hiérarchie sur les variables explicatives) /09/2011 Service Biométrie (CL) 5
6 Conséquences de la non prise en compte des clusters La non prise en compte de la structure en clusters biaise les effets. Les variances des paramètres β qui mesurent les effets des variables explicatives X sur la réponse sont sous-estimées si on néglige la structure en clusters. Les degrés de liberté des tests sont majorés à tort. Au final les tests sont faux!! Dans le cas de réponses discrètes (binaires, dénombrement ) les estimations des paramètres β sont biaisées /09/2011 Service Biométrie (CL) 6
7 Exemple : une structure hiérarchique Élevage > Animal K Élevages n animaux(élevage) Y, variable mesurée sur les n * K animaux, = moyenne des n * K animaux La variance d une donnée individuelle y est composée de deux variances : y variance(y) =? σ = variance 'Elevage' ; σ = variance animal(elevage) 2 2 E ( ) variance Y = σ = σ + σ T E 28-30/09/2011 Service Biométrie (CL) 7
8 Exemple : une structure hiérarchique Élevage > Animal K Élevages n animaux(élevage) σ σ + σ σ σ variance (y) = = ; variance(y) = + N T E E n* K n* K K n* K La première expression (variance naïve ) est celle que l on calcule lorsque l on néglige l effet cluster (=Élevage). Elle sous-estime la vraie variance (seconde formule) /09/2011 Service Biométrie (CL) 8
9 Exemple : une structure hiérarchique Élevage > Animal On a le résultat suivant : ( ) où ρ est le coefficient de corrélation intra-classe : 2 2 ( σe + σ ) * ( * ) variance y = 1 + ρ (n 1) ρ = σ n* K σ 2 E 2 2 E + σ ρ mesure la part de la variabilité des données individuelles y imputable à un effet Elevage. Cette quantité est comprise entre 0 (pas d effet Elevage) et 1 (pas de variabilité entre animaux intra élevage). Elle s interprète aussi comme une mesure de la corrélation entre les animaux d un même élevage (supposée ici ne pas dépendre des élevages...) /09/2011 Service Biométrie (CL) 9
10 Exemple : une structure hiérarchique Élevage > Animal ( ) 2 2 ( σe + σ ) * ( * ) var y = 1 + ρ (n 1) n* K La quantité (1 + ρ * (n-1)) est appelé le facteur d inflation de la variance ( Variance inflation factor ). Elle mesure l accroissement de l imprécision sur la moyenne des données y dû à l existence d une corrélation des données intra élevage (effet Elevage). Elle devrait être utilisée dans le calcul du nombre de données nécessaires en préalable aux tests statistiques. Ainsi dans cet exemple le nombre de n animaux par élevage amène autant d information que n* = n/ (1 + ρ * (n-1)) données indépendantes /09/2011 Service Biométrie (CL) 10
11 Le facteur d inflation de la variance n = 20 animaux(élevage) ρ= 0,20 Facteur multiplicateur = 4,8 20 données corrélées (ρ= 0,20) équivalent à 4 données indépendantes. n ρ ,0 1,0 1,0 1,0 1,0 1,0 0,05 1,5 2,0 2,5 3,5 6,0 11,0 0,10 1,9 2,9 3,9 5,9 10,9 20,9 0,15 2,4 3,9 5,4 8,4 15,9 30,9 0,20 2,8 4,8 6,8 10,8 20,8 40,8 0,25 3,3 5,8 8,3 13,3 25,8 50,8 0,30 3,7 6,7 9,7 15,7 30,7 60,7 0,35 4,2 7,7 11,2 18,2 35,7 70,7 0,40 4,6 8,6 12,6 20,6 40,6 80,6 0,45 5,1 9,6 14,1 23,1 45,6 90,6 0,50 5,5 10,5 15,5 25,5 50,5 100,5 0,55 6,0 11,5 17,0 28,0 55,5 110,5 0,60 6,4 12,4 18,4 30,4 60,4 120,4 0,65 6,9 13,4 19,9 32,9 65,4 130,4 0,70 7,3 14,3 21,3 35,3 70,3 140,3 0,75 7,8 15,3 22,8 37,8 75,3 150,3 0,80 8,2 16,2 24,2 40,2 80,2 160,2 0,85 8,7 17,2 25,7 42,7 85,2 170,2 0,90 9,1 18,1 27,1 45,1 90,1 180,1 0,95 9,6 19,1 28,6 47,6 95,1 190,1 0,99 9,9 19,8 29,7 49,5 99,0 198, /09/2011 Service Biométrie (CL) 11
12 Séminaire d Epidémiologie Animale Prise en compte des clusters On prend en compte les clusters dans les modèles en introduisant une variable codant les différents clusters parmi les variables explicatives de la réponse Y ou en modélisant la structure de corrélation intra cluster. Particularité, on ne dispose que d une partie des clusters. Une partie des élevages, des animaux, des mesures intra-animal La variable Cluster est un facteur à effets aléatoires ( Random effects ) Condition nécessaire : les niveaux (modalités) du facteur Clusters sont représentatifs de la totalité des niveaux. Représentativité des élevages, des animaux de l enquête Deux types de modèles possibles 28-30/09/2011 Service Biométrie (CL) 12
13 Prise en compte des clusters : le modèle initial Le modèle initial(sans prise en compte de l effet Élevage ) ( ) ( ij ) E Y x = β + β x ij 0 1 * ij var Y x Le modèle a deux composantes: = 2 εij N 0 ; σ i=1,... K ; j=1,... n (nanimauxparélevage (j); Kélevages(i)) - La partie déterministe (prédicteur), E(Yij x) = β0 + β1 * xij, qui décrit le lien entre la moyenne de la variable-réponse Y et les variables explicatives X (ici une seule) - Les écarts εij sont normalement distribués autour d une moyenne nulle avec une variance σ 2 quantifiant les écarts des données aux prédictions du modèle. (écarts εij = écarts résiduels, erreurs ) 28-30/09/2011 Service Biométrie (CL) 13
14 Le modèle Subject Specific Le modèle Subject Specific On rajoute un effet élevage représenté par des écarts γi à la moyenne générale des yij ( ) E y x, γ = β + β ij i 0 1 * ij i x + γ 2 ε ij N 0 ; σ i=1,... K ; j=1,... n Les écarts γi sont supposés être normalement distribués autour d une moyenne nulle avec une variance σ 2 E quantifiant la variance des élevages (1). Si σ 2 E est nul les écarts γi sont tous nuls. L effet Elevage est nul. On revient sur le modèle initial. (1) Ilfautaussisupposerl indépendanceentreles γietles εij γ i 2 N 0 ; σ E i=1,... K 28-30/09/2011 Service Biométrie (CL) 14
15 Le modèle Population Averaged Le modèle Population Averaged L effet Elevage n apparaît pas explicitement dans le modèle mais on en tient compte en supposant les écarts résiduels εij corrélés et en posant un modèle de corrélation sur les εij. ( ) ij [ ] E Y x = β + β x ij 0 1 * ij ε N 0 ; R La matrice R, de dimension égale au nombre total de données, contient l information modélisant les corrélations entre les écarts résiduels. Les modèles Populations Averaged sont des modèles marginaux dans la mesure où les paramètres β quantifient des effets moyens sur l ensemble des clusters de la population des clusters /09/2011 Service Biométrie (CL) 15
16 Séminaire d Epidémiologie Animale Le modèle Population Averaged Le modèle Population Averaged On dispose de nombreux modèle de corrélation des données intra cluster. Détails cf. Laird, Ware(1982), Verbeke, Molenbergh(2000) entre autres On peut citer deux types de structures de corrélation importants 1. Le modèle de symétrie«composée» ( Compound Symmetry ) CS 2. Le modèle autorégressif LemodèleCS Ce modèle suppose que la corrélation est la même entre tous les couples d individus au sein d un même cluster. Le modèle de corrélation dépend de deux paramètres, la variance cluster σ 2 c et la variance individuelle intra cluster σ /09/2011 Service Biométrie (CL) 16
17 Le modèle Population Averaged Le modèle Population Averaged Le modèle CS(suite) La corrélation est alors quantifiée par la corrélation intra classe : ρ = σ 2 σ c 2 2 c + σ Ce modèle est particulièrement adapté dans le cas de structures hiérarchiques : {Elevages > Animaux(Elevage]} σ 2 c est alors la variance Élevage, σ 2 est la variance intra élevage /09/2011 Service Biométrie (CL) 17
18 Le modèle Population Averaged Le modèle Population Averaged Le modèle autorégressif Ce modèle de corrélation s applique particulièrement lorsque la structure hiérarchique est temporelle (mesures successives sur un même individu). Il dépend également de deux paramètres : 1. La corrélation entre deux mesures successives : ρ 2. La variance individuelle à un temps t : σ 2 La corrélation entre deux mesures y effectuées à des temps t1 et t2 (t1 < t2) est alors : (t2 t 1) ρ 28-30/09/2011 Service Biométrie (CL) 18
19 Différence entre les modèles Subject- Specific et Population Averaged Le modèle Subject Specific est posé lorsque l on s intéresse principalement aux clusters. L étude des effets des variables X est relativement secondaire. C est le cas par exemple lorsque les clusters sont des animaux sur lesquels on dispose de mesures répétées au cours du temps (pesées). On s intéresse plus aux trajectoires individuelles des animaux qu aux trajectoires moyennes conditionnellement aux variables X. A contrario le modèle Population averaged est posé lorsque l objet de l étude est l estimation et le test des effets des variables X. Les effets des clusters sont estimés afin d obtenir des estimations sans biais et des tests corrects des effets étudiés /09/2011 Service Biométrie (CL) 19
20 Différence entre les modèles Subject Specific et Population Averaged Une différence importante lorsque la variable-réponse Y est discrète Lorsque la variable-réponse Y est continue avec une distribution Normale. Les paramètres β mesurant les effets des variables X du modèle Subject-Specific (β SS ) sont des estimations sans biais des effets fixes X sur Y. On peut donc utiliser un modèle Subject-pecific à la fois pour étudier les effets aléatoires (le cluster ici) et les effets fixes des variables X. Ce n est plus le cas lorsque la variable-réponse Y est discrète. Le modèle Subject Specific fournit alors des estimations des effets fixes pour les clusters particuliers de l étude et pour eux seuls!! Seuls les paramètres β du modèle Population Averaged (β PA ) fournissent des estimations sans biais des effets fixes des variables X pour l ensemble des tous les clusters, ceux qui sont présents dans l étude mais aussi les autres 28-30/09/2011 Service Biométrie (CL) 20
21 Différence entre les modèles Subject Specific et Population Averaged Les estimations du modèle Population Averaged sont bornées supérieurement par les estimations du modèle Subject Specific. 0 PA SS < β < β On dispose d une formule approchée dans le cas où la réponse Y est une variable binaire (modèle Logistique). β β ,346 * σc PA SS * où σ 2 c est alors la variance Cluster /09/2011 Service Biométrie (CL) 21
22 Un modèle marginal particulier : le modèle G.E.E. Une méthode particulièrement intéressante a été proposée, Liang et Zeger (1986), qui permet de poser des modèles marginaux sur des données binaires corrélées. La méthode, Generalized Estimating Equations (G.E.E.) estime les moyennes marginales conditionnelles aux effets fixes X posés dans le modèle en utilisant une matrice de corrélation sur les données intra cluster dite matrice de corrélation de travail ( Working correlation matrix ). Cette matrice dépend de la structure hiérarchique des données. Un type de structure très utilisé dans le cas de hiérarchies du genre : {Elevages > Animaux(Elevage]} est le type Compound Symmetry (aussi appelé Exchangeable ). D autres matrices sont possibles (cf. Liang et Zeger (1986)) 28-30/09/2011 Service Biométrie (CL) 22
23 le modèle G.E.E., application à l étude FCO LemodèleG.E.E.aétéutilisédanslecasdel étudefco. Les données de mortalité des veaux étaient disponibles en 2006 et 2007 pour les élevages de l enquête. Un modèle de régression a été posé sur le nombre de veaux de moins de un mois morts dans chaque élevage en fonction de l année, de la taille de l élevage et de la caractérisation de l élevage en cas ou témoin selon qu au moins un cas de FCO a été détecté dans l élevage entre juillet et décembre Le nombre de veaux * jours à risque a été utilisé comme OFFSET. Les trois effets principaux, taille, année et FCO, les trois interactions d ordre un et l interaction d ordre deux ont été introduits dans le modèle (modèle complet). Une distribution Binomiale Négative a été posée sur les données conditionnellement aux effets fixes. Une corrélation de type CS a été posée supposée la même dans tous les élevages. La corrélation entre années intra élevage est estimée à 0, /09/2011 Service Biométrie (CL) 23
24 le modèle G.E.E. : Étude FCO, les résultats Elevages témoins Estimation des taux d incidence 1. Avec correction de la sur-dispersion 2. Avec prise en compte d un effet Elevage par un modèle marginal (méthode G.E.E.) témoins Taille n λ(année 1) λ(année 2) IR(An 2/1) ,174 0,120 0,687 [0,094; 0,324] [0,062; 0,231] [0,279; 1,695] ,145 0,125 0,862 [0,114; 0,184] [0,098; 0,160] [0,613; 1,212] ,098 0,109 1,111 [0,087; 0,110] [0,098; 0,122] [0,945; 1,306] Total ,135 0,118 0,870 [0,108; 0,170] [0,093; 0,149] [0,628; 1,205] témoins Taille n λ(année 1) λ(année 2) IR(An 2/1) ,169 0,122 0,720 [0,089; 0,322] [0,067; 0,221] [0,308; 1,681] ,141 0,123 0,871 [0,114; 0,175] [0,101; 0,149] [0,659; 1,152] ,098 0,109 1,112 [0,089; 0,107] [0,100; 0,119] [0,994; 1,243] Total ,133 0,118 0,887 [0,106; 0,167] [0,095; 0,145] [0,657; 1,197] 28-30/09/2011 Service Biométrie (CL) 24
25 le modèle G.E.E. : Étude FCO, les résultats Elevages cas Estimation des taux d incidence 1. Avec correction de la sur-dispersion 2. Avec prise en compte d un effet Elevage par un modèle marginal (méthode G.E.E.) Cas Taille n λ(année 1) λ(année 2) IR(An 2/1) ,277 0,188 0,678 [0,101; 0,760] [0,069; 0,515] [0,163; 2,825] ,115 0,225 1,955 [0,086; 0,154] [0,178; 0,285] [1,350; 2,833] ,073 0,125 1,713 [0,067; 0,080] [0,116; 0,136] [1,512; 1,940] Total ,133 0,174 1,315 [0,093; 0,189] [0,123; 0,247] [0,803; 2,152] Cas Taille n λ(année 1) λ(année 2) IR(An 2/1) ,251 0,173 0,687 [0,082; 0,770] [0,080; 0,371] [0,160; 2,950] ,113 0,222 1,971 [0,090; 0,141] [0,185; 0,266] [1,507; 2,577] ,073 0,125 1,709 [0,068; 0,079] [0,117; 0,133] [1,562; 1,869] Total ,127 0,169 1,323 [0,087; 0,187] [0,130; 0,219] [0,807; 2,169] 28-30/09/2011 Service Biométrie (CL) 25
26 Séminaire d Epidémiologie Animale le modèle G.E.E. : Étude FCO, les résultats Les résultats des modèles (i) Avec correction de la sur-dispersion (ii) Avec prise en compte d une corrélation intra élevage par une G. E. E. Sont comparables /09/2011 Service Biométrie (CL) 26
27 Qualités du modèle G.E.E. Le modèle G.E.E. est relativement robuste par rapport au choix de la matrice de travail. Les estimations des effets β sont asymptotiquement sans biais. Dans le cas d une réponse Y binaire (modèle logistique) une méthode alternative à la modélisation d une structure de corrélation sur les données consiste à définir l association entre les couples de données intra cluster par le log du odds ratio entre les deux résultats du couple, Carey, V. etal. (1993). C est l Alternating Logistic Regression (ALR) Dans le cas de l étude FCO si au lieu de modéliser le nombre de veaux morts on modélise la probabilité d avoir au moins un veau mort on peut poser un modèle ALR en utilisant comme mesure d association intra élevage : ψ odds(y ) odds(y ) ( ) i2 i = Loge loge ORi = i1 où yi1, yi2 désigne l indicatrice d au moins un mort les années 1 et 2 dans l élevage i /09/2011 Service Biométrie (CL) 27
28 Séminaire d Epidémiologie Animale Éléments de bibliographie Carey, V., Zeger, S. L., and Diggle, P. (1993), Modelling Multivariate Binary Data with Alternating Logistic Regressions, Biometrika, 80, Diggle, P. J., Liang, K. Y., and Zeger, S. L. (1994), Analysis of Longitudinal Data, Oxford: Clarendon Press. Dohoo, I., Martin, W., Stryhn, H. : Veterinary Epidemiologic Research 2003 AVC Inc. Laird, N. M. and Ware, J. H. (1982), "Random-Effects Models for Longitudinal Data," Biometrics, 38, Liang, K.Y. and Zeger, S.L. (1986), "Longitudinal Data Analysis Using Generalized Linear Models," Biometrika, 73, Verbeke, G. and Molenberghs, G. (2000), Linear Mixed Models for Longitudinal Data, Berlin- Heidelberg-New York: Springer-Verlag /09/2011 Service Biométrie (CL) 28
Une introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
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 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 détailLE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.
LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches
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 détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailPROJET DE GESTION PORTEFEUILLE. Evaluation d une Stratégie de Trading
PROJET DE GESTION PORTEFEUILLE Evaluation d une Stratégie de Trading Encadré par M. Philippe Bernard Master 1 Economie Appliquée-Ingénierie Economique et Financière Taylan Kunal 2011-2012 Sommaire 1) Introduction
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailDocteur José LABARERE
UE7 - Santé Société Humanité Risques sanitaires Chapitre 3 : Epidémiologie étiologique Docteur José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailUNIVERSITÉ PARIS VI PIERRE ET MARIE CURIE
UNIVERSITÉ PARIS VI PIERRE ET MARIE CURIE ECOLE DOCTORALE : SANTÉ PUBLIQUE ET SCIENCES DE L INFORMATION BIOMÉDICALE THÈSE pour l obtention du titre de DOCTEUR DE L UNIVERSITÉ PARIS VI Présentée par : Basile
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en 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 détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailLes conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident?
Les conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident? Nathalie LEPINE GREMAQ, Université de Toulouse1, 31042 Toulouse, France GRAPE, Université Montesquieu-Bordeaux
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 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailQuelles sont les entreprises qui ont recours au commerce électronique?
Nicolas POUSSING Anne-Sophie GENEVOIS octobre 2003 Quelles sont les entreprises qui ont recours au commerce électronique? Dans le cadre du projet «eeurope 2002», une enquête communautaire intitulée «E-commerce
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en 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 détailModélisation des carrières salariales. dans Destinie
INSTITUT NATIONAL DE LA STATISTIQUE ET DES ÉTUDES ÉCONOMIQUES Série des documents de travail de la Direction des Etudes et Synthèses Économiques G 990 Modélisation des carrières salariales dans Destinie
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en 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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
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 détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailL impact de la sinistralité passée sur la sinistralité future : Approche empirique en assurance automobile
ARTICLES ACADÉMIQUES ACADEMIC ARTICLES Assurances et gestion des risques, vol. 78(1-2), avril-juillet 2010, 71-91 Insurance and Risk Management, vol. 78(1-2), April-July 2010, 71-91 L impact de la sinistralité
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 détailAvant-après, amont-aval : les couples de tableaux totalement appariés
ADE-4 Avant-après, amont-aval : les couples de tableaux totalement appariés Résumé La fiche décrit les méthodes d analyse des couples de tableaux complètement appariés (mêmes individus, mêmes variables).
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en 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 détailTSTT ACC OUTILS DE GESTION COMMERCIALE FICHE 1 : LES MARGES
TSTT ACC OUTILS DE GESTION COMMERCIALE FICHE 1 : LES MARGES Coût de revient du produit + Marge du fabricant = Prix de vente HT au distributeur Prix d'achat HT du distributeur + Marge du distributeur =
Plus en détailExercices & cours de Gestion en vidéo - BTS MUC. Liste des formules. (Consultez également «Liste des tableaux»)
Liste des formules (Consultez également «Liste des tableaux») Table des matières LES CALCULS COMMERCIAUX... 4 Le coefficient multiplicateur... 4 Montant de TVA... 4 TVA collectée... 4 TVA déductible...
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailAnalyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)
Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailEvaluer l ampleur des économies d agglomération
Pierre-Philippe Combes GREQAM - Université d Aix-Marseille Ecole d Economie de Paris CEPR Janvier 2008 Supports de la présentation Combes, P.-P., T. Mayer et J.-T. Thisse, 2006, chap. 11. Economie Géographique,
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCOMPLEMENT D AVIS de l Agence nationale de sécurité sanitaire de l alimentation, de l environnement et du travail
Saisine n 2010-SA-0215 Le directeur général Maisons-Alfort, le 11 août 2011 COMPLEMENT D AVIS de l Agence nationale de sécurité sanitaire de l alimentation, de l environnement et du travail relatif à la
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailComment bien régresser: La statistique peut-elle se passer d artefacts?
Comment bien régresser: La statistique peut-elle se passer d artefacts? Jean-Bernard Chatelain To cite this version: Jean-Bernard Chatelain. Comment bien régresser: La statistique peut-elle se passer d
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 détailValorisation d es des options Novembre 2007
Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailLes Notes de l Institut d émission
Les Notes de l Institut d émission Établissement public Dotation - SIRET 78 APE 65 A Siège social : 5 rue Roland Barthes 75598 Paris cedex Tél. : + 5 Fax : + 87 99 6 Croissance de la masse monétaire et
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
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 détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
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 détail(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailÉconométrie, causalité et analyse des politiques
Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de
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 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 détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
Plus en détailAlgebra & Trigonometry High School Level Glossary English / French
Algebra & Trigonometry High School Level Glossary / Algebra 2 and Trigonometry Problem Solving algebraically alternate approach collaborate constraint critique equivalent evaluate explain formulate generalization
Plus en détail