LEHALLIER Benoît YGUEL Benjamin. Tutorial : Utilisation de R pour une modélisation optimale de phénomènes expérimentaux.
|
|
- Pierre-Antoine Émond
- il y a 8 ans
- Total affichages :
Transcription
1 LEHALLIER Benoît YGUEL Benjamin Tutorial : Utilisation de R pour une modélisation optimale de phénomènes expérimentaux. ECIM Comportement et socialisation Mars 2006
2 La modélisation est utilisée pour comprendre le lien qui existe entre les capacités individuelles et les performances collectives d une colonie ainsi que pour prédire les comportements des espèces que l on étudie. La modélisation de phénomènes collectifs peut aussi avoir des applications utiles à l Homme. A partir d un jeu de données sur la fourmi linepithema (Fig1), nous nous proposons de modéliser la probabilité de choix de fourmis pour un itinéraire lors d un recrutement de masse. Ce jeu de donnée a été obtenu par expérimentation. Une colonie de fourmi est reliée à une source de nourriture par un pont en losange. Les relevés sont le nombre d aller et retour sur chacune des branches du pont pendant 40 minutes. La modélisation est toujours déduite d observations que nous analyserons et commenterons en premier lieu. Certains paramètres non mesurable par l expérimentation et nécessaire à une bonne modélisation pourront être obtenue grâce à une méthode statistique que nous décrirons par la suite. Fig 1 :Graphiques représentant le pourcentage de fourmis ayant choisie la branche A en fonction du temps, pour chacun des réplicats, tirés de l expérimentation : Description et analyse des graphiques des pourcentages de fourmis ayant choisie A : Réplicat 1 : On observe un choix collectif peu marqué pour l une ou l autre branche, mais qui se dirigerait un peu plus pour la branche B. Un prop.test sur la dernière minute de l expérimentation montre néanmoins un choix significatif pour un seuil α de 5% (X-squared = 5.29, df = 1, p-value = ) Réplicat 2, 5 et 6: Pour ces réplicats, le choix collectif est clairement défini. Il est dirigé vers la branche A pour les réplicats 2 et 5 ; vers B pour le réplicat 6. En effet les fourmis Linepithema ou Tapinoma pratiquent un recrutement de masse, c'est-à-dire qu elles marquent la piste à suivre avec des phéromones. La fréquence de marquage est le moyen utilisé par les fourmis pour faire varier l intensité du recrutement, ainsi plus le nombre de fourmis empruntant une branche est important plus la fréquence de marquage de la piste phéromonale est importante et par conséquent le nombre de fourmis recrutées sera plus 2
3 important. Par la suite, elles se retrouvent prisonnières de leur piste marquée de manière plus intense et empruntent prioritairement la branche la plus fréquentée. Ce comportement se traduit sur la courbe par une stabilisation à un pourcentage nettement supérieur à 50%. Le nombre de fourmis recrutées se stabilise ensuite à un seuil qui correspond au nombre de fourmis recrutables. Le prop.test sur la dernière minute montre un choix significatif d une branche pour un seuil α de 5% pour ces 3 réplicats ( rep3 X-squared = 12.25, df = 1, p-value = , rep5 X-squared = 16.81, df = 1, p-value = 4.132e-05 et rep6 X-squared = 13.69, df = 1, p-value = ) Réplicat 3 et 4 : Pour ces réplicats le choix collectif n est pas nettement marqué, les fourmis empruntent donc autant une branche que l autre. Le prop.test confirme le choix aléatoire des fourmis pour les réplicats 3 et 4 (respectivement X- squared = 1.21, df = 1, p-value = et X-squared = 1.69, df = 1, p-value = pour un α de 5%) Un modèle théorique peut être créer à partir de ces données brutes sous l hypothèse que la probabilité du choix vers une des 2 branches est fonction des quantités de phéromones déposées sur cette branche. Il modélise la probabilité de choix d une fourmi pour une des 2 branches du pont. Description de l équation de la probabilité du choix d une fourmi pour une branche : P A = ( k+a i ) n. = 1-P B ( k+a i ) n + ( k+b i ) n Avec : P A : probabilité de choisir la branche A A i : nombre de fourmis ayant emprunté la branche A B i : nombre de fourmis ayant emprunté la branche B n : niveau d amplification du choix k : attractivité d une branche Cette équation exprime une dynamique de recrutement de type logistique. Elle exprime une probabilité et varie donc de 0 à 1 Comme cité précédemment le recrutement qu utilisent les fourmis pour ce type de ressource est le recrutement de masse, c est pourquoi l équation prend en compte la fréquence de fourmis passées sur les branches A et B pour calculer la probabilité que la prochaine fourmi choisisse la branche A. n et k correspondent à l intervalle de fourmis ayant marquées la piste de phéromones et qui peuvent faire pencher le choix des fourmis pour une branche en particulier. Plus n est grand et k petit, plus le nombre de fourmis nécessaire pour faire basculer le choix d une branche, est faible. n correspond plus précisément au degré de non linéarité d une branche. k correspond à l attractivité d une branche marquée. n et k sont des paramètres non mesurables, nécessaire lors de la modélisation du phénomène, que l on peut estimer à l aide de fonction crée à cet effet. L ajustement des paramètres n et k permet à notre modèle d être le plus fidèle possible à la réalité. A l aide de cette équation nous avons effectué une régression non linéaire sur les graphiques représentant le pourcentage de fourmis ayant choisie la branche A en fonction du temps : Estimation et optimisation des paramètres n et k : Tout comme il existe des droites de régression des moindres carrés ajustant un nuage de N points (X ;Y) dans le cas de deux dimensions, il existe également des méthodes de régression des moindres carrés, ajustant un plan de N points (X1 ; X2 ; X3) d un espace à trois dimensions. Lorsque le nuage de points formé par les données ne peut être correctement représenté dans un plan, il est possible d utiliser des algorithmes de régression non linéaire. 3
4 Dans R, il existe différentes fonctions pouvant effectuer optimiser une régression non linéaire comme par exemple nls(), optim(). Les différentes fonctions ont chacune leurs avantages et leurs inconvénients, optim permet par exemple d appliquer des pénalités. Ces pénalités empêchent d obtenir des valeurs optimisées négative qui n ont pas toujours de sens d un point de vue biologique. Dans le cas d une régression linéaire, il est inutile d avoir une idée relativement précise de la grandeur des paramètres utilisés. En régression non linéaire, il est indispensable de connaître l ordre de grandeur de ces paramètres. Cette particularité est la conséquence du mode de fonctionnement de l algorithme de régression. Si l on regarde pour 1 variable, la somme des moindres carrés peut présenter différents minimums locaux mais un seul minimum global (Fig 2). L algorithme utilisé cherche à minimiser la SCE en faisant varier les valeurs du paramètre A. Lorsque 1 valeur du paramètre A est entourée de 2 valeurs avec des SCE plus grand que la sienne, il se trouve au niveau d un minimum (global ou local). Arrivé à ce minimum l algorithme s arrête, sans forcément être au minimum global. Par conséquent, la recherche du minimum global de la somme des carrés des écarts pour une ou plusieurs variables nécessite de connaître une estimation de la valeur approchée des différents paramètres. Somme des moindres carrés Minimums locaux Minimum global Paramètre A Fig 2 :SCE d un paramètre A Un ordre de grandeur supérieur à 2 (100x plus que la vraie valeur) entraîne forcément des résultats erronés. Le calcul de la somme du carré des écarts des paramètres n et k peut s effectuer facilement dans R par l intermédiaire d une fonction : sce=function(x){ # x est un vecteur de longueur égale # au nombre de paramètres n=x[1] # n est à la 1 ère position de ce # vecteur, k est à la 2 nde. k=max(x[2],0) # si X[2] est négatif,la valeur de # k est fixée à 0 proba.a=k+a.tot.cum^n/ ((k+a.tot.cum)^n+(k+b.tot.cum)^n) sum(((prop.aller.a-proba.a)^2) +(x[2]-k)^2) # modèle simulant la probabilité # d aller vers A # calcul de la SCE # Σ(valeur obs - valeur théo) 2 # +pénalité : si x[2] est négatif, # la fonction soustrait la valeur # de k et le résultat est mis au # carré. Cette opération empêche # d obtenir des valeurs optimisées # de k négatives. } Attention, avant d utiliser cette fonction il faut créer les objet n et k dans R. De plus il est nécessaire de calculer la proportion observée de fourmis qui sont allée vers A 4
5 (prop.aller.a=aller.a/(aller.a+aller.b)) pour pouvoir calculer une somme des moindres carrés. Sans cela la fonction ne marchera pas. La fonction optim peut être utilisée pour minimiser la SCE des paramètres n et k. La modélisation tendra par conséquent à être la plus fidèle possible. optim(par, fn) cette fonction prend en compte 2 arguments : les paramètres estimés et la fonction à appliquer. Ainsi par exemple, si l on souhaite optimiser la somme du carré des écarts pour des valeurs de n et k respectivement de 1 et 10: resultat=optim(c(1,10),sce) L objet «resultat» contient différentes informations sur l optimisation. Les 2 les plus importantes sont données par $par et $convergence $par permet d accéder aux valeurs optimisées des différents paramètres. Il est possible, d extraire ces valeurs et de représenter graphiquement le modèle théorique. Exemple pour le réplicat 1 : n=resultat$par[1];k=resultat$par[2] plot(a.tot.cum[1:40]/(a.tot.cum[1:40]+ B.tot.cum[1:40]),type='l',main="replicat1", ylab="pourcentage fourmis ayant choisies A", ylim=c(0,1),xlab="temps écoulés en min") proba.a=k+a.tot.cum^n/((k+a.tot.cum)^n +(k+b.tot.cum)^n) lines(temps.min[1:40],proba.a[1:40],col="red") # extraction des valeurs optimisées. # réalisation du plot des données # observées pour le premier réplicat. #modèle théorique. # ajout du modèle théorique sur le plot. Voici la représentation du modèle théorique pour les 6 réplicats (Fig3): Fig 3 :Résultats expérimentaux et résultats prédits par la simulation : 5
6 $convergence a aussi son importance. Il renseigne sur la fiabilité de l optimisation. Si sa valeur est égale à 0, un optimum local a été trouvé. Par contre si sa valeur est différente de 0, le résultat est biaisé par une erreur lors de l optimisation. Il ne faut pas tenir en compte de ces résultats et recommencer l optimisation avec d autres estimations de paramètres de n et k. Un plot des valeurs observées en fonction des valeurs théoriques nous montre que les prédictions du modèle sont bonnes. (Fig 4) Des informations complémentaires à propos de la fonction optim() sont accessible dans R en tapant «help(optim)» ou «?optim». Dans notre exemple nous trouvons des valeurs de n= et k= La valeur du n théorique est de 2 pour les fourmis, pour ce paramètre le modèle se rapproche plus des valeurs que l on observe chez les abeilles. Une valeur de n élevée entraîne un basculement rapide du choix pour l une des branches. Un plus grand nombre de réplicats permettrait d obtenir une valeur plus proche de 2. Pour k, la valeur peut dépendre de l espèce. En d autre terme, la qualité de phéromone ainsi que la quantité sont spécifique à chaque espèce. Ici il est très faible donc le choix d une branche est rapide. Les 2 facteurs théoriques tendent à ce que les fourmis se retrouvent enfermées dans leur marquage lorsqu elles ont choisi une branche, fait que nous retrouvons dans les résultats observées. 6
7 References : Jost, 2006, Le traitement des données comportementales un tour d horizon avec des exemples traités par R Lebart, Morineau, Pignon, 2004, Statisque exploratoire multidimensionnelle, Dunod Murray R. Spiegel, 2004, Statistique, Schaum 7
Complexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailL intelligence collective des fourmis
L intelligence collective des fourmis Guy Théraulaz* Les comportements collectifs des fourmis ont toujours fasciné et émerveillé les naturalistes. Tout semble se passer comme si chaque colonie se comportait
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
Plus en détailTests de sensibilité des projections aux hypothèses démographiques et économiques : variantes de chômage et de solde migratoire
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 16 décembre 2014 à 14 h 30 «Actualisation des projections» Document N 5 Document de travail, n engage pas le Conseil Tests de sensibilité des projections
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailMesure de la dépense énergétique
Mesure de la dépense énergétique Bioénergétique L énergie existe sous différentes formes : calorifique, mécanique, électrique, chimique, rayonnante, nucléaire. La bioénergétique est la branche de la biologie
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailInfolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en 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 détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en 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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailPôle de Dakar S IMUL ATIONS. 1 Utiliser un taux d accroissement pour une simulation
FORMULAIRE ATELIER S IMUL ATIONS 1 Utiliser un taux d accroissement pour une simulation La projection de certaines variables se base sur une hypothèse de taux de croissance annuelle régulier et constant.
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées
Plus en détailLA PUISSANCE DES MOTEURS. Avez-vous déjà feuilleté le catalogue d un grand constructeur automobile?
LA PUISSANCE DES MOTEURS Avez-vous déjà feuilleté le catalogue d un grand constructeur automobile? Chaque modèle y est décliné en plusieurs versions, les différences portant essentiellement sur la puissance
Plus en détailCompte rendu de l examen par le BSIF des coefficients du risque d assurance
Compte rendu de l examen par le BSIF des coefficients du risque d assurance Le présent document précise encore davantage les données et la méthodologie utilisées par le BSIF pour calculer les marges pour
Plus en détailPierre Marchand Consultant
Pierre Marchand Consultant 1 Avant-propos Mot de bienvenue Présentation du formateur Logistique Mise en garde Modifications par rapport à 2012-2013 Les exemples présentés proviennent des paramètres de
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailSOMMAIRE. Présentation Générale p. 3. Saisie d une pièce comptable p. 4. Consultation d un compte p. 5. Modules de règlement p. 6
1 SOMMAIRE Présentation Générale p. 3 Saisie d une pièce comptable p. 4 Consultation d un compte p. 5 Modules de règlement p. 6 Règlement clients p. 7 Rapprochement bancaire p. 9 Relances clients p. 10
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailDISCOUNTED CASH-FLOW
DISCOUNTED CASH-FLOW Principes généraux La méthode des flux futurs de trésorerie, également désignée sous le terme de Discounted Cash Flow (DCF), est très largement admise en matière d évaluation d actif
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailApplicable à partir de l année d assurance 2014 Assurance récolte Apiculture Section 13,2 - Admissibilité
Section 13,2 - Admissibilité Page 1 Les normes générales à toutes les protections d assurance concernant l application des normes d admissibilité se retrouvent à la procédure générale. Cependant, les normes
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailwww.biop.ccip.fr Les métiers porteurs Perspectives 2015
Les métiers porteurs Perspectives 2015 2 Rappel Titre Les métiers porteurs Cette présentation est principalement basée sur les résultats d un rapport publié en janvier 2007 par le groupe «Prospective des
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 détailF7n COUP DE BOURSE, NOMBRE DÉRIVÉ
Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés
Plus en détailINTERSYSTEMS CACHÉ COMME ALTERNATIVE AUX BASES DE DONNÉES RÉSIDENTES EN MÉMOIRE
I N T E RS Y S T E M S INTERSYSTEMS CACHÉ COMME ALTERNATIVE AUX BASES DE DONNÉES RÉSIDENTES EN MÉMOIRE David Kaaret InterSystems Corporation INTERSySTEMS CAChé CoMME ALTERNATIvE AUx BASES de données RéSIdENTES
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailLes objets très lointains
Les objets très lointains Lorsque les étoiles sont proches il est possible de mesurer la distance qui nous en sépare par une méthode dite abusivement directe, la trigonométrie, qui permet de déduire les
Plus en détailUn climat des affaires incertain
AVRIL 2015 Un climat des affaires incertain Au premier trimestre, 39 % des TPE-PME rhônalpines ont observé une baisse de chiffre d affaires par rapport à la même période de 2014 et seulement 24 % une hausse.
Plus en détailDécouverte du logiciel ordinateur TI-n spire / TI-n spire CAS
Découverte du logiciel ordinateur TI-n spire / TI-n spire CAS Mémento Ouvrir TI-Nspire CAS. Voici la barre d outils : L insertion d une page, d une activité, d une page où l application est choisie, pourra
Plus en détailIntelligence des essaims (Swarm Intelligence)
Intelligence des essaims (Swarm Intelligence) Présentation Ghislain O Mahony 27 novembre 2006 Réunion Emergence 1 Les auteurs / caractéristiques ouvrage Les auteurs Eric Bonabeau Chef scientifique Icosystem
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailCapteur mécanique universel HF 32/2/B
Capteur mécanique universel HF 32/2/B Instructions matériel conforme aux directives CE d emploi et d entretien MS 32/2/B R 3/3 CONSIGNES PRIORITAIRES 2 INSTALLATION DU CAPTEUR HF 32 3 4-5 INSTALLATION
Plus en détailDécompresser, créer une archive au format «ZIP»
Décompresser, créer une archive au format «ZIP» Qu'est-ce qu'une archive? Une archive est tout simplement une collection de fichiers stockée dans un fichier unique. Rien de plus, rien de moins. Il existe
Plus en détailEnregistrement automatique. des données
Enregistrement automatique des données Chapitre: 6 Page No.: 1 Il n y a que quelques années que l enregistrement manuel de données géotechniques était de coutume. L introduction de l enregistrement automatique
Plus en détailPartie Agir : Défis du XXI ème siècle CHAP 20-ACT EXP Convertisseur Analogique Numérique (CAN)
1/5 Partie Agir : Défis du XXI ème siècle CHAP 20-ACT EXP Convertisseur Analogique Numérique (CAN) Objectifs : Reconnaître des signaux de nature analogique et des signaux de nature numérique Mettre en
Plus en détailSimulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation
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 détailLogistique, Transports
Baccalauréat Professionnel Logistique, Transports 1. France, juin 2006 1 2. Transport, France, juin 2005 2 3. Transport, France, juin 2004 4 4. Transport eploitation, France, juin 2003 6 5. Transport,
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailTP 7 : oscillateur de torsion
TP 7 : oscillateur de torsion Objectif : étude des oscillations libres et forcées d un pendule de torsion 1 Principe général 1.1 Définition Un pendule de torsion est constitué par un fil large (métallique)
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détaildocument proposé sur le site «Sciences Physiques en BTS» : http://nicole.cortial.net BTS AVA 2015
BT V 2015 (envoyé par Frédéric COTTI - Professeur d Electrotechnique au Lycée Régional La Floride Marseille) Document 1 - Etiquette énergie Partie 1 : Voiture à faible consommation - Une étiquette pour
Plus en détailManuel d'utilisation de la maquette
Manuel d'utilisation de la maquette PANNEAU SOLAIRE AUTO-PILOTE Enseignement au lycée Article Code Panneau solaire auto-piloté 14740 Document non contractuel L'énergie solaire L'énergie solaire est l'énergie
Plus en détailLES CLES D UNE BONNE STRATEGIE A L EXPORT
LES CLES D UNE BONNE STRATEGIE A L EXPORT CCI TOURAINE, pour le Colloque Techniloire, le 09/07/2009 Une bonne stratégie à l export ne s improvise pas CCI TOURAINE, pour le Colloque Techniloire, le 09/07/2009
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
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 détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
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 détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailLocalisation des points d accès sans fil non autorisés
Localisation des points d accès sans fil non autorisés Un point d accès non autorisé peut compromettre la sécurité du réseau de l entreprise en l exposant au monde extérieur. Pour remédier à cette menace,
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 à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailLES CHIFFRES CLÉS DE L ARTISANAT. Bilan des immatriculations / radiations d entreprises artisanales. Solde net 1 002 entreprises 74%
n 6 - JANVIER 21 LES CHIFFRES CLÉS DE L ARTISANAT 23 629 c est * le nombre d entreprises 2 inscrites au Répertoire des métiers de l Essonne. dirigeants d entreprise artisanale ont été interrogés à la fin
Plus en détailAudit financier & budgétaire de la Ville de Clamart
Audit financier & budgétaire de la Ville de Clamart Ville de Clamart PARTENAIRES Finances Locales Avril 2015 Ville de Clamart 1 Présentation de PARTENAIRES Finances Locales PARTENAIRES Finances Locales
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 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 détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailRESSOURCES HUMAINES. Yourcegid Ressources Humaines, des solutions pour les entreprises qui s investissent dans leur capital humain.
Yourcegid Ressources Humaines, des solutions pour les entreprises qui s investissent dans leur capital humain. Solutions de gestion RESSOURCES HUMAINES Parce que votre entreprise est unique, parce que
Plus en détailFINANCEMENT OPTIMAL DE LA SOLVABILITE D UN ASSUREUR
FINANCEMENT OPTIMAL DE LA SOLVABILITE D UN ASSUREUR Guillaume PLANTIN GREMAQ Université Toulouse I 1 La détermination d un plan de réassurance optimal est une des applications les plus classiques de la
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailSOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE
SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE 1 Factures de doit p. 9 Processus 1 2 Réductions sur factures de doit p. 11 Processus 1 3 Frais accessoires sur factures p. 13 Processus 1 4 Comptabilisation
Plus en détailANALYSE GLOBALE DES PROGRAMMES DE LA SHQ. SQEP 18 novembre 2011
ANALYSE GLOBALE DES PROGRAMMES DE LA SHQ SQEP 18 novembre 2011 Contexte Problématiques Objectifs Cadre conceptuel Étude comparative des programmes - Modèle matriciel de comparaison (indice ICP) - Grille
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailLa publication, au second
Les entreprises industrielles françaises de plus en plus impliquées dans les NTIC Malgré l adoption accélérée des différents outils des nouvelles technologies de l information et de la communication (NTIC)
Plus en détailComment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain?
DOSSIER SOLUTION Solution CA Virtual Placement and Balancing Comment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain? agility made possible La solution automatisée
Plus en détailassurance collective Assurance médicaments Des solutions intégrées pour une gestion efficace
assurance collective Assurance médicaments Des solutions intégrées pour une gestion efficace Notre vision Desjardins Assurances est un acteur canadien important en assurance collective, reconnu pour son
Plus en détailDossiers méthodologiques DURANTON Consultants. Maîtriser la gestion du parc automobile
Dossiers méthodologiques DURANTON Consultants Maîtriser la gestion du parc automobile Version actualisée le 17 octobre 2013 Adresse du siège social : 190 rue Lecourbe 75015 Paris Adresse de correspondance
Plus en détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailLE MARKETING DIRECT, SUPPORT DU MARKETING CLIENT
11 CHAPITRE PREMIER LE MARKETING DIRECT, SUPPORT DU MARKETING CLIENT En moins d un siècle, le marketing direct a profondément évolué. Passant de la commande traditionnelle par courrier à la multiplication
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
Plus en détail