Bureau : 238 Tel :

Dimension: px
Commencer à balayer dès la page:

Download "Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr"

Transcription

1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/

2 Test omnibus et tests de contrastes MA : Err i + β 1 C1 i + β 2 C2 i Dans R : ma<-lm(y~c1+c2,df) summary(ma) Correspond à la comparaison du modèle déclaré et du modèle simple > effet omnibus 2

3 Test omnibus et tests de contrastes MA : MC : Err i + β 1 C1 i + β 2 C2 i Err i L'anova qui nous est donnée correspond à l'effet omnibus (dans Statistica R modèle complet ) La comparaison de modèles sous-jacente, illustre la question traitée ici : Diminue-t-on l'erreur de manière intéressante lorsqu'on prend en compte l'existence des conditions? Ici la réponse est oui mais on ne peut rien dire de plus 3

4 Modèles ANOVA à un facteur (catégoriel) : k > 2 Y i + β 1 C1 i + β 2 C2 i Y i C1 i 1.11C2 i Prédiction pour FBm : Prédiction pour FBnm : Prédiction pour NoFB : Y (2) 1.11(0) Y ( 1) 1.11(1) Y ( 1) 1.11( 1) Ces prédictions sont les moyennes des trois conditions expérimentales Groupe FBm FBnm NoFB Moyenne

5 Tests des contrastes MA : Y i + β 1 C1 i + β 2 C2 i ma<-lm(y~c1+c2,df) confint(ma) 2.5 % 97.5 % (Intercept) c c

6 Tests des contrastes Y i C1 i 1.11C2 i! Interprétation de b : prédiction pour C1 et C2 0, ces deux contrastes étant centrés, cela correspond à une condition moyenne est donc la moyenne 6

7 Tests du contraste 1 Y i C1 i 1.11C2 i -6,26 (FBnm et NoFB) Contraste 1 (FBm) 7

8 Tests des contrastes Y i C1 i 1.11C2 i! Interprétation de b : prédiction pour C1 et C2 0, ces deux contrastes étant centrés, cela correspond à une condition moyenne est donc la moyenne! Interprétation de b : pour toute augmentation d'une unité, notre prédiction diminue de Il y a 3 unités de différence entre FBnm/NoFB et FBm, 6.26 correspond donc à 1/3 de la différence entre la moyenne de FBnm/NoFB et FBm.! Interprétation de b : pour toute augmentation d'une unité, notre prédiction diminue de Il y a 2 unités de différence entre FBnm et NoFB, 1.11 correspond donc à 1/2 de la différence entre la moyenne de FBnm et NoFB. 8

9 Pourquoi une famille de contrastes orthogonaux? Y a-t-il un problème avec le fait d'utiliser des contrastes non orthogonaux? FBm FBnm NoFB C C' Moyenne Y i C1i C '2 i! b 1 devrait être égal à 1/3 de la différence entre et la moyenne de et 54.48, soit Or b , soit 2/3 de la différence entre la moyenne des deux premières conditions et NoFB, soit un contraste 0.5, 0.5, -1! b 2 devrait être égale à 1/2 de la différence entre et 52.26, soit Or b , soit la différence entre FBnm et NoFB, soit un contraste 0, -0.5, 0.5 FBm FBnm NoFB C C.O. Cont. Ortho. FBm FBnm NoFB C.O. Cont. Ortho. C' Oui, il y a un problème, nous ne savons pas ce que nous testons! 9

10 Exemple de codage non orthogonaux : dummy codings FBm FBnm NoFB D D Moyenne Y i + β 1 D1 i + β 2 D2 i Avec un tel codage, la condition codée 0 sur les deux prédicteurs sera opposée à la condition codée 1. Ainsi,! D1 : la condition NoFB est opposée à la condition FBm! D2 : la condition NoFB est opposée à la condition FBnm (NB : R utilise ce type de codage si nous lui donnons une variable catégorielle non-recodée) 10

11 Un codage alternatif : test d'une tendance linéaire Imaginons qu'un chercheur ait comme hypothèse une augmentation linéaire telle que FBm < FBnm < NoFB Nous avons vu que le codage correspondant est 1, 0, 1, donc L 1, 0, 1 Il nous faut également définir un contraste orthogonal à celui-ci pour avoir une famille de contrastes orthogonaux > contraste de tendance quadratique Q -1, 2, -1 FBm FBnm NoFB L Q L teste la tendance linéaire mais c'est aussi le test de la condition FBm contre la condition NoFB Q teste la tendance quadratique mais c'est aussi le test de la condition FBnm contre la moyenne des deux autres conditions Ainsi, pour dire que les données suivent une tendance linéaire, il faudra que le contraste de linéarité soit significatif MAIS pas celui de tendance quadratique 11

12 Modèle à un facteur catégoriel k > 2 : test de linéarité Prédiction pour FBm : Y i + β 1 L i + β 2 Q i Y i L i Q i Y ( 1) ( 1) Prédiction pour FBnm : Y (0) (2) Prédiction pour NoFB : Y (1) ( 1) Ces prédictions sont, là encore, les moyennes des trois conditions expérimentales Groupe FBm FBnm NoFB Moyenne Un arrangement, un découpage, différent pour arriver à une même solution 12

13 Modèle à un facteur catégoriel k > 2 : test de linéarité Groupe FBm FBnm NoFB Moyenne L Q Y i L i Q i 13

14 Test omnibus et tests de contrastes F omnibus identique au découpage précédent Ici encore le contraste qui teste notre hypothèse, la linéarité, est significatif, mais pas celui qui teste la variance résiduelle 14

15 Découpage du SCR (SC effet) total SCR total C2 C1 L Q Y i β β 1.1 C1 i + β 1.2 C2 i Y i β β 2.1 L i + β 2.2 Q i 15

16 Plan Introduction Modèles simples (une VD) Variables continues (une VD et une VI continue) 2 conditions inter-sujets Conditions applications et sujets déviants 2 conditions intra-sujets 3 conditions inter-sujets 3 conditions intra-sujets Inter-sujets k > 3 ANCOVA et Régressions multiples Interaction variable dichotomique et continue (inter-sujets) 2 * 2 Inter-sujets 2 * 2 Intra-sujets 2 * 2 mixtes 2 (intra) * Continue

17 Modèle ANOVA intra à 3 modalités! VI : type d'items positifs (Rien, Compatible et Incompatible)! VD : temps de réaction pour dire si l'item du milieu est positif ou négatif Rien Compatible Incompatible Comme pour les VI inter, pour traiter les VI intra à 3 modalités, utilisation de familles de contrastes orthogonaux Ici deux questions orthogonales : La présence d'un «flanker» augmente-t-elle le temps de réponse? (Q1) Les temps de réponse sont-ils plus lents avec un «flanker» incompatible qu'avec un «flanker» compatible? (Q2)

18 VI intra à 3 modalités : Flanker effect (Fenske et Eastwood, 2003) Première question : La présence d'un «flanker» augmente-t-elle le temps de réponse? Rien Compatible Incompatible Là encore, utilisation d'un contraste pour opposer la première condition aux deux autres Comme nous sommes en intra le contraste renvoie à un calcul sur les trois mesures (trois colonnes) 19

19 VI intra à 3 modalités : première question, premier contraste Modèles pour Q1 : W 1 i + ε 1i Avec : W 1 i ( 2)Rien i + (1)Comp i + (1)Inc i 2Rien i + Comp i + Inc i Tester ce premier contraste revient donc encore une fois à tester la moyenne de W 1 contre 0 (test T pour échantillon unique) 20

20 VI intra à 3 modalités : première question, premier contraste Comparaison de modèles pour Q1 : MC : W 1 i 0 MA : W 1 i 120 SCE C SCE A PRE SCEC SCE SCE C A F SCR SCE ( pa pc) A ( N pa) ( 1 0) ( 6 1) 5.52 Le contraste opposant la condition rien avec les deux autres est donc tendanciel, F(1,5) 5.52, p <.07, PRE.52

21 VI intra à 3 modalités : première question, premier contraste W 1 i + ε1 i Comme pour tous modèles simples, on peut tester b 0 contre 0 en utilisant un test t pour échantillon unique : Le contraste opposant la condition rien avec les deux autres est donc tendanciel, t(5) 2.35, p <.07, PRE.52 Aparté : quand ddl effet 1 > F t PRE F 5.52 ddlerreur F + ddl effet 0.52

22 VI intra à 3 modalités : Flanker effect (Fenske et Eastwood, 2003) Seconde question : Les temps de réponse sont-ils plus lents avec un «flanker» incompatible qu'avec un «flanker» compatible? Rien Compatible Incompatible Là encore, utilisation d'un contraste mais cette fois pour opposer les deux dernières conditions. Soit : W 2 i + ε 2i Avec: W 2 i (0)Rien i + ( 1)Comp i + (1)Inc i Inc i Comp i 23

23 VI intra à 3 modalités : seconde question, second contraste Comparaison de modèles pour Q2 : MC : W 2 i 0 MA : W 2 i 57 SCE C SCE A PRE SCEC SCE SCE C A F SCR SCE ( pa pc) A ( N pa) ( 1 0) ( 6 1) 8.67 Le contraste opposant les conditions Comp et Inc est donc significatif, F(1,5) 8.67, p <.04, PRE.63

24 VI intra à 3 modalités : test omnibus Problème : la formule omnibus W i h δ h h Y hi 2 δ h devait être appliquée pour retrouver le test Recalculons les contrastes, que nous appellerons W1' et W2', mais en utilisant la formule ci-dessus. Ceci nous donne : W1' i ( 2) Rien i ( 2) + (1) Comp 2 + (1) 2 i + (1) + (1) Inc 2 i 2Rien i + Comp 6 i + Inc i W 2' i (0) Rien i + ( 1) Comp (0) 2 + ( 1) 2 i + (1) + (1) Inc 2 i Inc i Comp 2 i Pour le test de W1' : MC : MA : W1' i 0 + ε1 ' c i W1' i + ε1 ' a i SCE C SCE A Pour le test de W2' : MC : W 2' i 0 + ε 2 ' c i MA : W 2' i + ε 2 ' a i SCE C SCE A 5542

25 VI intra à 3 modalités : test omnibus Pour le test omnibus, il nous suffit d'additionner les SC et ddl des 2 contrastes :

26 VI intra à 3 modalités : une raison pour éviter de tester des effets à plus d'1 ddl en intra! " Exemple de comparaison de modèles pour un test à plus d'1 ddl en inter (k 3) MC : Y i MA : Y i + β 1 C1 i + β 2 C2 i Le terme d'erreur utilisé pour le test de l'effet omnibus sera le même que celui que nous aurions utilisé pour les tests à 1 ddl > SCE A " Exemple de test à plus d'1 ddl en intra (k 3) MA : W1' i + ε1 ' a i SCE A1' et MA : W 2' i + ε 2 ' a i SCE A2' 5542 SCE omnibus SCE A1' + SCE A2' Le terme d'erreur utilisé pour le test de l'effet omnibus d'une variable intra est (potentiellement) un composé de deux termes d'erreur totalement différents (ici l'un est plus de deux fois plus grand que l'autre) (note : pas de test vraiment efficace pour voir si cette différence est trop importante)

27 Plan Introduction Modèles simples (une VD) Variables continues (une VD et une VI continue) 2 conditions inter-sujets Conditions applications et sujets déviants 2 conditions intra-sujets 3 conditions inter-sujets 3 conditions intra-sujets Inter-sujets k > 3 ANCOVA et Régressions multiples Interaction variable dichotomique et continue (inter-sujets) 2 * 2 Inter-sujets 2 * 2 Intra-sujets 2 * 2 mixtes 2 (intra) * Continue

28 Test d'un modèle théorique avec facteurs catégoriels k > 3 Y i + β 1 C1 i + β 2 C2 i + β 3 C3 i β k Ck 1 i Nous avons parfois une hypothèse très précise sur ce que nous attendons Exemple de prédiction avec k 4 : 1) Trouver le contraste du modèle théorique 2) Trouver des contrastes pour tester ce qui n'est pas expliqué par le modèle théorique, ce que l'on appelle le résidu ou la variance résiduelle 3) Montrer que le modèle théorique est significatif MAIS pas le(s) résidu(s) 30

29 1) Contraste du modèle théorique Placer des poids correspondant aux «hauteurs» prévues pour chaque condition Prédictions Ensuite, faire de ces poids un code de contraste (centrer) : Pds T Pds TA Pds TV Pds TVA MOY Résultats observés Nous utiliserons donc un contraste appelé «Mod» du type : - 1, 0, 0, 1 31

30 2) Contrastes du résidu Trouver deux contrastes orthogonaux avec le modèle : T TA TV TVA Mod Res k k λmod. k 0 λres1. k 0 Res k λres2. k 0 Vérification de l'orthogonalité deux à deux des contrastes : Mod * Res1 : (-1 * 0) + (0 * 1) + (0 * -1) + (1 * 0) 0 Mod * Res2 : (-1 * -1) + (0 * 1) + (0 * 1) + (1 * -1) 0 Res1 * Res2 : (0 * -1) + (1 * 1) + (-1 * 1) + (0 * -1) 0 Il s'agit donc d'une famille de contrastes orthogonaux, nous pouvons tester le modèle : Chgt i + β 1 Mod i + β 2 Res1 i + β 3 Res2 i (adresse pour trouver des contrastes orthogonaux : 32

31 3a) Test du modèle Test du modèle théorique > simplement le test du contraste lui correspondant : MA : Chgt i + β 1 Mod i + β 2 Res1 i + β 3 Res2 i SCE A MC : Chgt i + β 1 Res1 i + β2res2 i! b est significatif, le changement d'attitude est donc plus fort dans la condition Texte seul (M 34.95) que dans la condition Texte + Audio + Vidéo (M 58.43), t(16) 3.8, p <.002.! Ce contraste seul ne nous en dit pas plus 33

32 3b) Test du résidu 3b) Test du résidu > nous allons mettre ensemble tout ce qui n est pas le modèle théorique : MA : MC : Chgt i + β 1 Mod i + β 2 Res1 i + β 3 Res2 i Chgt i + β 1 Mod i Pour une fois, le logiciel ne fera pas tout seul la comparaison de modèles qui nous intéresse. Comment faire? Nous allons faire les deux modèles (MA et MC), l un après l autre : > SC Erreur SCE A > SC Erreur SCE C 34

33 Trouver la SCE A Chgt i + β 1 Mod i + β 2 Res1 i + β 3 Res2 i Ici, nous faisons «tourner» ce modèle uniquement pour obtenir la SCE > SCE A Note : dans R, après avoir utilisé ma<-lm(chgt~mod+res1+res2,df) La fonction deviance(ma) nous donne directement

34 Trouver la SCE C Chgt i + β 1 Mod i Là encore, nous faisons «tourner» ce modèle uniquement pour obtenir la SCE. ATTENTION : la SCE que nous allons retenir correspond, paradoxalement, à ce que nous appelons habituellement la SCE A > SCE C Dans R, deviance(mc) nous donne directement

35 3b) Test du résidu 3b) Test du résidu > nous allons mettre ensemble tout ce qui n est pas le modèle théorique : MA : Chgt i + β 1 Mod i + β 2 Res1 i + β 3 Res2 i SCE A MC : Chgt i + β 1 Mod i SCE C Test du résidu > SCR SCE C SCE A F SCR SCE ( pa pc) A ( N pa) ( 4 2) ( 20 4) 0.31! Modèle significatif ET résidu non significatif > hypothèse vérifiée! Nous pourrions également être encore plus durs avec nous-mêmes en testant le F du résidu avec un ddl de l effet 1 > dans ce cas F(1,16)

Les variables indépendantes catégorielles

Les variables indépendantes catégorielles Les variables indépendantes catégorielles Jean-François Bickel Statistique II SP08 Jusqu à maintenant, nous avons considéré comme variables indépendantes uniquement des variables intervalles (âge) ou traitées

Plus en détail

Analyses 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 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 détail

RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES

RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux

Plus en détail

FORMULAIRE DE STATISTIQUES

FORMULAIRE 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 détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse 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 détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (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 détail

Quelques rappels concernant la méthode expérimentale

Quelques rappels concernant la méthode expérimentale Quelques rappels concernant la méthode expérimentale 1. La Méthode expérimentale : Définition. Une définition classique de la méthode expérimentale est qu elle «correspond à la méthode d investigation

Plus en détail

Cours 9 : Plans à plusieurs facteurs

Cours 9 : Plans à plusieurs facteurs Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE 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 détail

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques 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 détail

U. E. R SYSTEME DE TESTS AUTOMATIQUES AVEC UN OSCILLOSCOPE NUMERIQUE + PC M. AGERON, A. HRISOHO, C. NGUYEN, K. TRUONG. Bâtiment 200-91405 ORSAY Cedex

U. E. R SYSTEME DE TESTS AUTOMATIQUES AVEC UN OSCILLOSCOPE NUMERIQUE + PC M. AGERON, A. HRISOHO, C. NGUYEN, K. TRUONG. Bâtiment 200-91405 ORSAY Cedex 1 T P-i. oc i LAIVUTS 1 J-13 October SYSTEME DE TESTS AUTOMATIQUES AVEC UN OSCILLOSCOPE NUMERIQUE + PC M. AGERON, A. HRISOHO, C. NGUYEN, K. TRUONG U. E. R de l'université Paris-Sud Institut National de

Plus en détail

SAS ENTERPRISE MINER POUR L'ACTUAIRE

SAS ENTERPRISE MINER POUR L'ACTUAIRE SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation 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 détail

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R

Plus en détail

Analyse 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) 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 détail

Principe d un test statistique

Principe 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 détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 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 détail

Rapport d'expérience final

Rapport d'expérience final Rapport d'expérience final Ricci Arnaud et Garretas Victor 1 juin 2015 Table des matières Introduction Problématique Cadre théorique et résultats précédents Hypothèses générales Méthodologie Participants

Plus en détail

Évaluation de la régression bornée

Évaluation 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 détail

Critère du choix des variables auxiliaires à utiliser dans l'estimateur par calage

Critère du choix des variables auxiliaires à utiliser dans l'estimateur par calage des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Evaluation de la variabilité d'un système de mesure

Evaluation de la variabilité d'un système de mesure Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les

Plus en détail

Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)

Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

LES DÉTERMINANTS DE MATRICES

LES DÉTERMINANTS DE MATRICES LES DÉTERMINANTS DE MATRICES Sommaire Utilité... 1 1 Rappel Définition et composantes d'une matrice... 1 2 Le déterminant d'une matrice... 2 3 Calcul du déterminant pour une matrice... 2 4 Exercice...

Plus en détail

Modèle de calcul des paramètres économiques

Modèle de calcul des paramètres économiques Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé

Plus en détail

DU BINAIRE AU MICROPROCESSEUR - D ANGELIS LOGIQUE COMBINATOIRE. SIMPLIFICATION DES EQUATIONS BOOLEENNES Leçon 07

DU BINAIRE AU MICROPROCESSEUR - D ANGELIS LOGIQUE COMBINATOIRE. SIMPLIFICATION DES EQUATIONS BOOLEENNES Leçon 07 DU BINAIRE AU MICROPROCESSEUR - D ANGELIS 43 SIMPLIFICATION DES EQUATIONS BOOLEENNES Leçon 7 Le rôle de la logique combinatoire est de faciliter la simplification des circuits électriques. La simplification

Plus en détail

Chapitre 1 I:\ Soyez courageux!

Chapitre 1 I:\ Soyez courageux! Chapitre 1 I:\ Soyez courageux! Pour ne rien vous cacher, le langage d'assembleur (souvent désigné sous le terme "Assembleur", bien que ce soit un abus de langage, puisque "Assembleur" désigne le logiciel

Plus en détail

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining

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

Plus en détail

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. 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 détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement 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 détail

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes. Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis

Plus en détail

Organisation de dispositifs pour tous les apprenants : la question de l'évaluation inclusive

Organisation de dispositifs pour tous les apprenants : la question de l'évaluation inclusive Organisation de dispositifs pour tous les apprenants : la question de l'évaluation inclusive Transcription et traduction de la communication de Verity DONNELLY colloque Éducation inclusive, la question

Plus en détail

Formation Inter Entreprises

Formation Inter Entreprises Formation Inter Entreprises Lean Six Sigma - Méthodologie DMAIC Niveau Black Belt 3conseils 10, place Charles Béraudier 69428 LYON CEDEX 03 www.3conseils.com 2015 Objectifs de la formation La formation

Plus en détail

LE PROBLÈME DE RECHERCHE ET LA PROBLÉMATIQUE

LE PROBLÈME DE RECHERCHE ET LA PROBLÉMATIQUE LE PROBLÈME DE RECHERCHE ET LA PROBLÉMATIQUE Un problème de recherche est l écart qui existe entre ce que nous savons et ce que nous voudrions savoir à propos d un phénomène donné. Tout problème de recherche

Plus en détail

Module d'analyse des données

Module d'analyse des données *** Année 2007 *** Module d'analyse des données P.L. Toutain, A. Bousquet-Mélou UMR 181 de Physiopathologie et Toxicologie Expérimentales INRA/ENVT Ecole Nationale Vétérinaire de Toulouse 24/04/2007 Avant

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

La correction des erreurs d'enregistrement et de traitement comptables

La correction des erreurs d'enregistrement et de traitement comptables La correction des erreurs d'enregistrement et de traitement comptables Après l'étude des différents types d'erreurs en comptabilité (Section 1) nous étudierons la cause des erreurs (Section 2) et les techniques

Plus en détail

Mises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.

Mises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger. Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle

Plus en détail

Le Modèle Linéaire par l exemple :

Le Modèle Linéaire par l exemple : Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités

Plus en détail

Introduction à la Statistique Inférentielle

Introduction à la Statistique Inférentielle UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique

Plus en détail

Service formation permanente locale. Cahier des charges : «HABILITATIONS ELECTRIQUES FORMATIONS INTIALES ET RECYCLAGES»

Service formation permanente locale. Cahier des charges : «HABILITATIONS ELECTRIQUES FORMATIONS INTIALES ET RECYCLAGES» Service formation permanente locale Cahier des charges : «HABILITATIONS ELECTRIQUES FORMATIONS INTIALES ET RECYCLAGES» Décembre 2013 1 Contexte A. Le centre L Institut National de la Recherche Agronomique

Plus en détail

Leçon N 4 : Statistiques à deux variables

Leçon N 4 : Statistiques à deux variables Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d

Plus en détail

Introduction à l approche bootstrap

Introduction 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 détail

Validité prédictive des questionnaires Cebir. Etude 1 : validité critérielle dans le secteur du gardiennage

Validité prédictive des questionnaires Cebir. Etude 1 : validité critérielle dans le secteur du gardiennage Validité prédictive des questionnaires Cebir Introduction Dans le domaine de la sélection, il est particulièrement intéressant de déterminer la validité prédictive d un test. Malheureusement, les occasions

Plus en détail

1. Introduction... 2. 2. Création d'une macro autonome... 2. 3. Exécuter la macro pas à pas... 5. 4. Modifier une macro... 5

1. Introduction... 2. 2. Création d'une macro autonome... 2. 3. Exécuter la macro pas à pas... 5. 4. Modifier une macro... 5 1. Introduction... 2 2. Création d'une macro autonome... 2 3. Exécuter la macro pas à pas... 5 4. Modifier une macro... 5 5. Création d'une macro associée à un formulaire... 6 6. Exécuter des actions en

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Statistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier

Statistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

CHAPITRE VIII : Les circuits avec résistances ohmiques

CHAPITRE VIII : Les circuits avec résistances ohmiques CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On

Plus en détail

IUT de Colmar - Département RT 1ière année. Numération

IUT de Colmar - Département RT 1ière année. Numération IUT de Colmar - Département RT 1ière année. Numération 1 Laurent MURA. SOMMAIRE 1. Les différents systèmes 2. Les différentes conversions 3. Quelques systèmes de codage 4. L arithmétique binaire 2 IUT

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction 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 détail

Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9

Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-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 détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Séance 1 : Qu'est- ce qui se déplace? Séance 2 : Comment faire pour le déplacer sans le toucher?

Séance 1 : Qu'est- ce qui se déplace? Séance 2 : Comment faire pour le déplacer sans le toucher? Défi des chercheurs 2012/ 2013 GS/ CP Classe de Soraya NACRY Ecole ROIZY Séance 1 : Qu'est- ce qui se déplace? Je vous mets au défi de construire un engin qui se déplacera sans le toucher et sans électricité

Plus en détail

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences

Plus en détail

CONCOURS 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) 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 détail

BIOSTATISTIQUES AVANCEES PLAN. Quelques références. Master Biologie Intégrative 1 ère année

BIOSTATISTIQUES AVANCEES PLAN. Quelques références. Master Biologie Intégrative 1 ère année Master Biologie Intégrative 1 ère année 1 BIOSTATISTIQUES AVANCEES Yves Desdevises! Observatoire Océanologique de Banyuls-sur-Mer (www.obs-banyuls.fr)! 04 68 88 73 13! desdevises@obs-banyuls.fr! http://desdevises.free.fr

Plus en détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence

Plus en détail

La théorie des mouvements dans les formules Jean-François Nicaud Version initiale de Février 2013 jeanfrancois.nicaud@laposte.net

La théorie des mouvements dans les formules Jean-François Nicaud Version initiale de Février 2013 jeanfrancois.nicaud@laposte.net La théorie des mouvements dans les formules Jean-François Nicaud Version initiale de Février 2013 jeanfrancois.nicaud@laposte.net Article rédigé avec epsilonwriter puis copié dans Word La théorie des mouvements

Plus en détail

TDs Architecture des ordinateurs DUT Informatique - M4104c SUJETS. R. Raffin Aix-Marseille Université romain.raffin-at-univ-amu.fr

TDs Architecture des ordinateurs DUT Informatique - M4104c SUJETS. R. Raffin Aix-Marseille Université romain.raffin-at-univ-amu.fr TDs Architecture des ordinateurs DUT Informatique - M4104c SUJETS R. Raffin Aix-Marseille Université romain.raffin-at-univ-amu.fr 2015 Table des matières 1 TD1 : les bonnes résolutions 2 1.1 Premières

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

IBM SPSS Regression 21

IBM 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 détail

Fiche de présentation

Fiche de présentation 1 / 8 Découvrir le code 1 5P-6P Fiche de présentation Titre de l'activité Sous-titre Degré(s) concerné(s) Durée estimée Résumé Contexte d'utilisation de la calculatrice Contenus et compétences mathématiques

Plus en détail

Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA

Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Auteurs : Abdoulaye DIAGNE et Abdou-Aziz NIANG Introduction Ceci devrait contribuer à réduire l écart entre

Plus en détail

EFFICACITE DE LA RPP DANS LA DÉTECTION DE SUBSTANCES ISSUES DES FAMILLES DU MDMA, DES AMPHETAMINES ET DES HALLUCINOGENES TYPE 2CB RECUEILLIES EN MILIEU FESTIF PRADEILLE J.L.*, CHAKROUN N.**, BELTRAN V.*,

Plus en détail

Comment enregistrer simplement toute musique restituée par votre PC

Comment enregistrer simplement toute musique restituée par votre PC Comment enregistrer simplement toute musique restituée par votre PC Il s'agit, vous l'avez compris d'enregistrer tout ce qui passe par la carte son de votre machine : musique ou paroles, chansons ou commentaires

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours

Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours R.R. Université Lyon 2 1 Fichier de données Prédiction de la consommation de véhicules (1) Prédire la consommation des véhicules à partir de ses

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet 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 détail

Analyse 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 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 détail

Etude et valorisation

Etude et valorisation MAJ 02/01/2010 : 026 332 026 GSM : 0497 301 007 e-mail : info@newdeal-immo.be Photo1 Photo 2 Photo 3 Photo 4 Adresse :.1420 Braine-l'Alleud - A l'attention de Monsieur xxxxxxxxxx Etude et valorisation

Plus en détail

3-La théorie de Vygotsky Lev S. VYGOTSKY (1896-1934)

3-La théorie de Vygotsky Lev S. VYGOTSKY (1896-1934) 3-La théorie de Vygotsky Lev S. VYGOTSKY (1896-1934) Psychologue russe contemporain de Piaget, a également élaboré une théorie interactionniste de l'apprentissage, sage, mais qui insiste sur tout sur la

Plus en détail

Connecter un PC sur une TV.

Connecter un PC sur une TV. Connecter un PC sur une TV. Mode opératoire pour connecter un poste de téléviseur sur un ordinateur. Vous devez posséder une carte graphique avec une sortie TV (TV-Out). Il vous faudra également un cable

Plus en détail

Faille PayPal sous Magento ou comment faire ses achats (presque) gratuitement

Faille PayPal sous Magento ou comment faire ses achats (presque) gratuitement NBS System : Advisory sur la faille Magento / PayPal Le 19/04/2012 par Antonin le Faucheux Versions affectées : EE pré 1.10.1 et CE pré 1.5, site proposants PayPal Faille PayPal sous Magento ou comment

Plus en détail

2.1 Le point mémoire statique Le point mémoire statique est fondé sur le bistable, dessiné de manière différente en Figure 1.

2.1 Le point mémoire statique Le point mémoire statique est fondé sur le bistable, dessiné de manière différente en Figure 1. Mémoires RAM 1. LOGIUE STATIUE ET LOGIUE DYNAMIUE Le point mémoire est l élément de base, capable de mémoriser un bit. Il y a deux approches possibles. L approche statique est fondée sur la l'utilisation

Plus en détail

Installation d'un contrôleur primaire et secondaire sur Windows Serveur. Installation du contrôleur primaire (Active Directory).

Installation d'un contrôleur primaire et secondaire sur Windows Serveur. Installation du contrôleur primaire (Active Directory). Installation du contrôleur primaire (Active Directory). Pour permettre au serveur Windows 2003 de devenir un contrôleur primaire de domaine il suffit de lancer la commande "DCPROMO.EXE". Ceci ouvre un

Plus en détail

T de Student Khi-deux Corrélation

T de Student Khi-deux Corrélation Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

Biostatistiques : Petits effectifs

Biostatistiques : Petits effectifs Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

Initiation à la comptabilité Hellodoc 4.56. Niveau : normal à confirmé

Initiation à la comptabilité Hellodoc 4.56. Niveau : normal à confirmé Initiation à la comptabilité Hellodoc 4.56 Niveau : normal à confirmé Ca y est, vous avez décidé de franchir le grand pas et d'utiliser cette année la comptabilité de Hellodoc. Dans HD5, il s'agit toujours

Plus en détail

Chapitre 4 : Régression linéaire

Chapitre 4 : Régression linéaire Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

Analyse des correspondances avec colonne de référence

Analyse des correspondances avec colonne de référence ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution

Plus en détail

Les arbres de décision

Les arbres de décision Les arbres de décision 25 Septembre 2007 Datamining 1 2007-2008 Plan 1 Le partitionnement récursif 2 C4.5 3 CART 4 Evaluation de performances 5 Bilan Datamining 2 2007-2008 Les données du Titanic Le partitionnement

Plus en détail

UNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************

UNIVERSITÉ 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 détail

Comparer l intérêt simple et l intérêt composé

Comparer l intérêt simple et l intérêt composé Comparer l intérêt simple et l intérêt composé Niveau 11 Dans la présente leçon, les élèves compareront divers instruments d épargne et de placement en calculant l intérêt simple et l intérêt composé.

Plus en détail

FORMULES DE CALCUL. Prix = PV TTC = PV HT x (1 + taux de TVA) TVA = PV HT x taux de TVA PV HT = PV TTC 1 + taux de TVA

FORMULES DE CALCUL. Prix = PV TTC = PV HT x (1 + taux de TVA) TVA = PV HT x taux de TVA PV HT = PV TTC 1 + taux de TVA FORMULES DE CALCUL Le prix : Prix = PV TTC = PV HT x (1 + taux de TVA) TVA = PV HT x taux de TVA PV HT = PV TTC 1 + taux de TVA Ex : PV TTC = 250 x 1,196 = 299. TVA = 250 x 19,6 % = 49. PV HT = 299 = 250.

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail