Analyse Factorielle Multiple
|
|
- Nadine Bonnet
- il y a 7 ans
- Total affichages :
Transcription
1 Analyse Factorielle Multiple Julie Josse Laboratoire de mathématique appliquées Agrocampus Ouest Rennes 1 / 40
2 Analyse Factorielle Multiple 1 Données - problématique 2 Une ACP globale 3 Etude des groupes 4 Nuages partiels 5 Analyses séparées 6 Compléments 7 Conclusion - pour aller plus loin 2 / 40
3 Grou varia quan or qu Groups Tableaux of multiples variables (MFA) Objectives: - study the link between the sets of variables genomique -: balance ADN, protéines the influence of each group of variables analyse sensorielle - give the : sensorielles, classical graphs physico-chimiques but also specific graphs: groups of variables - partial representation Examples avec des variables continues et/ou qualitatives : questionnaires : santé des étudiants (consommations de produits, conditions psychologiques, sommeil, signalétique) Examples: - Genomic: DNA, protein - Sensory analysis: sensorial, physico-chemical economie : indicateurs économiques chaque année 3 / 40
4 Données vins - Experts 10 individus (lignes) : vins blancs du Val de Loire 30 variables (colonnes) : 27 variables quantitatives : descripteurs sensoriels 2 variables quantitatives : appréciation de l'odeur et générale 1 variable qualitative : label (Vouvray - Sauvignon) O.fruity O.passion O.citrus Sweetness S Michaud Sauvignon S Renaudie Sauvignon S Trotignon Sauvignon S Buisse Domaine Sauvignon S Buisse Cristal Sauvignon V Aub Silex Vouvray V Aub Marigny Vouvray V Font Domaine Vouvray V Font Brûlés Vouvray V Font Coteaux Vouvray Acidity Bitterness Astringency Aroma.intensity Aroma.persistency Visual.intensity Odor.preferene Overall.preference Label 4 / 40
5 Données vins wine 1 wine 2 wine 10 Expert (27) Consu mer (15) Continuous variables Student (15) Preference (60) Categorical Label (1) Comment est-ce que les vins sont décrits? Est-ce que les vins sont décrits de la même façon par les diérents panels? Y-a t'il des spécicités par panel? 5 / 40
6 Objectifs Equilibrer l'inuence de chaque groupe (prendre en compte la structure des données) Etudier les ressemblances entre individus et les liaisons entre variables Etudier globalement les ressemblances et les diérences entre groupes (voir les spécicités de chaque groupe) Etudier les ressemblances et les diérences entre groupes du point de vue individuel Comparer les typologies issues des analyses séparées 6 / 40
7 Equilibrer l'inuence des groupes de variables L'AFM est une ACP pondérée : calculer λ j 1 pour chaque groupe de variables réaliser l'acp globale sur le tableau pondéré : X 1 ; λ 1 1 X 2 ;...; λ 2 1 X J Même idée que pour l'acp standardisée : les variables sont pondérées dans le calcul des distances entre les individus i et i λ J 1 i i 8 variables highly correlated 2 var 7 / 40
8 Equilibrer l'inuence des groupes de variables Expert Consommateur Etudiant λ λ λ Même poids pour toutes les variables d'un même groupe : la structure du groupe est préservée Pour chaque groupe, la variance de la principale dimension de variabilité (première valeur propre) est égale à 1 Aucun groupe ne peut générer à lui seul la première dimension Un groupe multidimensionnel contribue à plus de dimensions qu'un groupe uni-dimensionnel 8 / 40
9 Equilibrer l'inuence des groupes de variables Le coeur de l'afm est une ACP pondérée Mêmes représentations qu'en ACP Etudier les ressemblances entre individus du point de vue de l'ensemble des variables Etudier les relations entre variables Décrire les indidus à partir des variables Mêmes sorties (coordonnées, cosinus, contributions) Ajouter des individus et variables (quantitatives et qualitatives) en supplémentaire 9 / 40
10 Représentation des individus Dim 2 (24.42 %) Sauvignon Vouvray S Trotignon S Renaudie S Michaud Sauvignon S Buisse Domaine V Aub Silex S Buisse Cristal Vouvray Dim 1 (42.52 %) V Aub Marigny V Font Domaine V Font Brûlés V Font Coteaux Les deux labels sont bien séparés Les Vouvray sont plus diérents du point de vue sensoriel Plusieurs groupes de vins, / 40
11 Représentation des variables Dim 2 (24.42 %) Expert Consumer O.Intensity.before.shaking_S Student Attack.intensity Expression O.Intensity.before.shaking Freshness Acidity O.passion O.Intensity.after.shaking O.Intensity.before.shaking_C O.Intensity.after.shaking_S O.plante_C O.Intensity.after.shaking_C O.passion_S O.passion_CO.flower A.persistency Astringency_S O.citrus Bitterness Balance_S A.intensity Astringency_CBitterness_C O.plante Smoothness Acidity_S Acidity_C A.intensity_C O.fruity A.alcohol_C O.mushroom_S Bitterness_S O.Typicity_S A.intensity_S O.vanilla Typical_S O.wooded O.mushroom_C A.alcohol_S Balance_C Typical_C O.alcohol Astringency O.Typicity_C Visual.intensity Grade Sweetness_C Surface.feeling Sweetness_S O.candied.fruit O.mushroom Sweetness Oxidation Typicity O.alcohol_C O.plante_S O.alcohol_S Dim 1 (42.52 %) 11 / 40
12 Représentation des variables Dim 2 (24.42 %) Expert Consumer Student O.passion O.passion_S O.passion_C Sweetness_C Sweetness_S Sweetness Acidity Acidity_S Acidity_C Dim 1 (42.52 %) 12 / 40
13 Etudes des groupes Comparaison synthétique des groupes Est-ce que la position relative des individus est similaire d'un groupe à l'autre? Est-ce que les nuages partiels sont similaires? 13 / 40
14 Mesures de similarité entre groupes X j(i Kj ) et X m (I Km) ne sont pas directement comparables W j(i I ) = X j X j et W m(i I ) = X m X m sont comparables Matrice de produits scalaires = position relative des individus Covariance entre deux groupes : < W j, W m >= cov 2 (x.k, x.l ) k Kj l K m Corrélation entre deux groupes : RV (K j, K m ) = < W j, W m > W j W m 0 RV 1 RV = 0 : toutes les variables sont orthogonales RV = 1 : les deux nuages de points sont homothétiques 14 / 40
15 Mesures de similarité entre groupes Le coecient RV : corrélation entre matrices Le coecient L g : L g (K j, K m ) = cov 2 k Kj l K m x.k, λ k 1 x.l λ l 1 Le coecient L g pour un groupe : un indice de dimensionalité L g (K j, K j ) = Kj Kj k=1 (λj k )2 k=2 = 1 + (λj k )2 (λ j 1 )2 (λ j 1 )2 15 / 40
16 Mesures de similarité entre groupes > res.mfa$group$lg Expert Consumer Student Preference Label MFA Expert Consumer Student Preference Label MFA > res.mfa$group$rv Expert Consumer Student Preference Label MFA Expert Consumer Student Preference Label MFA Les Experts donnent une description plus riches (L g supérieur) Les groupes Student et Expert sont liés (RV = 0.85) 16 / 40
17 Première composante de l'afm La première composante principale de l'afm maximise : J cov 2 x J.k, v 1 = L g (K j, v 1 ) j=1 k K j λ j 1 j=1 Inerties des K j projectées sur v 1 17 / 40
18 Représentation des groupes Le groupe j a une coordonnée (L g (v 1, K j ), L g (v 2, K j )) 2 groupes sont proches quand ils induisent la Expert même structure Dim 2 (24.42 %) Label Preference Student Consumer Première dimension commune à tous les groupes Deuxième dimension due au groupe Expert Les préférences sont liées Dim 1 (42.52 %) aux descriptions sensorielles 0 L g (v 1, K j ) = 1 cov 2 (x λ j.k, v 1 ) 1 1 k K j }{{} λ j 1 18 / 40
19 Autre exemple de représentation des groupes 50 vins mousseux (dont 26 champagnes) décrits par 25 amateurs et 7 oenologues Les données individuelles sont juxtaposées en ligne : tableau produits juges-descripteurs 1 juge = 1 groupe Les amateurs et les oenologues sont ils mélangés? 19 / 40
20 Points partiels Comparaison des groupes au travers des individus Est-ce qu'il y a des individus très particuliers pour un certain groupe de variables? 20 / 40
21 Projection des points partiels Data i G1 G2 G3 xxxxxxxx xxxxx xxxxxxxx xxxxx xxxxxxxx xxxxx xxxxxxxx xxxxx xxxxxxxx xxxxx xxxxxxxx xxxxx xxxxxxxx xxxxx xxxxx xxxxx xxxxx xxxxx xxxxx xxxxx xxxxx MFA individuals configuration i R K = R Kj Projection of group 1 xxxxxxxx xxxxxxxx xxxxxxxx xxxxxxxx i 1 xxxxxxxx xxxxxxxx xxxxxxxx 000 xxxxx 000 xxxxx i xxxxx xxxxx 000 xxxxx 000 xxxxx Projection of group xxxxx Projection of group 3 xxxxx xxxxx xxxxx xxxxx Partial point 1 Partial point 2 Mean point Partial point 3 i xxxxx xxxxx xxxxx 21 / 40
22 Points partiels opinion attitude individuals F 2 What you think individual i behavioral conflict What you do F 1 22 / 40
23 Points partiels Tutorial participants What you expected for the tutorial What you have learned during the tutorial F 2 What you expected for the tutorial What you have learned during the tutorial What you expected for the tutorial What you have learned during the tutorial F 1 23 / 40
24 Points partiels Tutorial participants What you expected for the tutorial What you have learned during the tutorial F 2 What you expected for the tutorial What you have learned during the tutorial What you expected for the tutorial Happy learner Disappointed learner What you have learned during the tutorial F 1 23 / 40
25 Reprsentation des points partiels Expert Consumer Student Dim 2 (24.42 %) S Trotignon S Renaudie S Michaud Sauvignon S Buisse Cristal V Aub Marigny V Font Coteaux S Buisse Domaine Vouvray V Font Domaine V Font Brûlés V Aub Silex Dim 1 (42.52 %) Un individu est au barycentre de ses points partiels Un individu est d'autant plus "homogène" que sont "étoile" est petite 24 / 40
26 Optimalité Tous les nuages de points doivent être bien représentés Maximiser l'inertie projetée globale Les J points representant le même individus doivent être proche les un des autres Minimiser l'inertie projetée intra Huygens theorem: inertie totale = inertie inter + inertia intra I J (F i q) 2 = j I J (F iq ) 2 + I J (F i j q F iq ) 2 i=1 j=1 i=1 j=1 i=1 j=1 Maximiser l'inertie inter : réaliser une ACP globale sur le tableau de données concaténé 25 / 40
27 Ratio d'inertie I J (F i q) 2 = j I J (F iq ) 2 + I J (F i j q F iq ) 2 i=1 j=1 i=1 j=1 i=1 j=1 inertie totale = inertie inter individus + inertia intra individu > res.mfa$inertia.ratio Dim.1 Dim.2 Dim.3 Dim.4 Dim Sur la première dimension, les coordonnées des points partiels sont proches (0.93 proche de 1) L'inertie intra mesure la ressemblance entre les nuages partiels dimension par dimension L'inertie intra peut être décomposée par individus 26 / 40
28 Analyse procrustéenne / AFM Les relations de transitions s'appliquent toujours pour les points partiels La représentation superposée peut être interprétée dans un cadre unique 27 / 40
29 Analyses séparées Comparison des typologies obtenues pour chaque groupe dans un espace commun Comparaison des ACP séparées 28 / 40
30 Représentation des composantes principales Est-ce que les analyses séparées donnent les mêmes résultats que ceux de l'afm? 1 q Q PCA 1 q Q 1 i I 29 / 40
31 Représentation des composantes principales Dim 2 (24.42 %) Expert Dim2.Student Consumer Student Dim2.Consumer Dim2.Expert Preference Label Dim1.Label Dim1.Consumer Dim1.Student Dim1.Expert Dim1.Preference Dim2.Preference Les deux premières dimensions de chaque groupe sont bien projetées Les étudiants ont les mêmes dimensions que l'afm Dim 1 (42.52 %) Les composantes principales des analyses séparées sont projetées en supplémentaires 30 / 40
32 Représentation des variables supplémentaires Dim 2 (24.42 %) Dim 1 (42.52 %) Les préférences sont liées aux descriptions sensorielles Le vin préféré est le Vouvray Aubussière Silex 31 / 40
33 Par des variables quantitatives : Description des dimensions corrélation entre chaque variable et la composante principale de rang q est calculée les coecients de corrélations sont triés et les signicatifs sont donnés > dimdesc(res.pca) $Dim.1$quanti $Dim.2$quanti corr p.value corr p.value O.candied.fruit e-05 Odor.Intensity.before.shaking e-06 Grade e-04 Odor.Intensity.after.shaking e-05 Surface.feeling e-04 Attack.intensity e-03 Typicity e-03 Expression e-03 O.mushroom e-03 Aroma.persistency e-02 Visual.intensity e-03 Bitterness e Aroma.intensity e-02 O.plante e-03 O.flower e-04 O.passion e-04 Freshness e-04 Sweetness e / 40
34 Description des dimensions Par des variables qualitatives : réalise une analyse de variance avec les coordonées des individus (F.q ) expliquées par la variable qualitative un F-test par variable pour chaque categorie, un test de Student t-test > dimdesc(res.pca) Dim.1$quali R2 p.value Label e-05 Dim.1$category Estimate p.value Vouvray e-05 Sauvignon e / 40
35 Données qualitatives Un seul groupe de variables : méthode de référence = ACM Même problématique que pour les variables quantitatives : Equilibrer les groupes de variables dans une analyse globale Représentation superposée des J nuages partiels Représentation globale des groupes de variables Relations entre l'analyse globale et les analyses séparées Même démarche en remplaçant ACP par ACM Lorsque chaque groupe est réduit à une variable qualitative : AFM = ACM 34 / 40
36 Données mixtes Groupes composés de variables quantitatives et groupes composés de variables qualitatives La pondération de l'afm permet d'analyser les deux types de variables ensemble L'AFM fonctionne 'localement' comme : une ACP pour les variables quantitatives une ACM pour les variables qualitatives Lorsque chaque groupe est composé d'une seule variable, quantitative ou qualitative, AFM = Analyse Factorielle pour Données Mixtes (AFDM) 35 / 40
37 Conclusion AFM : une méthode multi-tableaux pour les variables quantitatives et qualitatives Le coeur de l'afm est une ACP pondérée Equivalence AFM-ACP ou AFM-ACM quand chaque groupe est composé d'une seule variable Sorties classiques (individus, variables) Sorties spéciques (groupes, points partiels) AFM est disponible dans de nombreux logiciels : R (FactoMineR), SPAD, Statgraphics, XLSTAT (Microsoft Excel), SAS (macro B. Gelein) 36 / 40
38 Menu déroulant de FactoMineR source(" 37 / 40
39 Mise en uvre d'une AFM 1 Denir les groupes actifs et les éléments supplémentaires 2 Réduire ou non les variables? 3 Réaliser une AFM 4 Choisir le nombre de dimensions à interpréter 5 Interprétation simultanée du graphe des individus et des variables 6 Etudes des groupes 7 Analyses partielles 8 Utilisation d'indicateurs pour enrichir l'interprétation 38 / 40
40 Pour aller plus loin AFM utilisée dans un but méthodologique : comparaison de codage (quantitative ou qualitative?) comparaison entre preprocessing (ACP standardisée et ACP non standardisée) comparaison de résultats de diérentes analyses Analyse Factorielle Multiple Hierarchique prendre en compte une hierarchie sur les variables : les variables sont structurées en groupes et en sous-groupes questionnaires avec des thèmes et des sous-thèmes beaucoup d'applications en analyse sensorielle : exemple de la comparaison entre jury et entre juges au sein des jurys Gestion des données manquantes 39 / 40
41 Bibliographie Escoer, B. & Pagès, J. (2008). Analyses Factorielles Simples et Multiples : Objectifs, Méthodes et Interprétation. Dunod, 4th edn. Husson, F., Lê, S. & Pages, J. (2009). Analyse de données aves R. Presse Universitaires de Rennes. Pagès, J. (1996). Quelques apports de l'afm à l'analyse de données sensorielles. J. int. Sci. Vigne Vin. 30, (4). Pagès, J. & Husson, F. (2001) Inter-laboratory comparison of sensory proles. Methodology and results. Food quality and preference (12) Pagès J., Bertrand, C., Ali, R., Husson, F. Lê, S. (2007). Compared sensory analysis of eight biscuits by French and Pakistani panels. Journal of Sensory Studies. (22) / 40
Analyse 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 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 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 détailLogiciel 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 détailL'analyse de données. Polycopié de cours ENSIETA - Réf. : 1463. Arnaud MARTIN
L'analyse de données Polycopié de cours ENSIETA - Réf : 1463 Arnaud MARTIN Septembre 2004 Table des matières 1 Introduction 1 11 Domaines d'application 2 12 Les données 2 13 Les objectifs 3 14 Les méthodes
Plus en détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en détailIntroduction. Préambule. Le contexte
Préambule... INTRODUCTION... BREF HISTORIQUE DE L ACP... 4 DOMAINE D'APPLICATION... 5 INTERPRETATIONS GEOMETRIQUES... 6 a - Pour les n individus... 6 b - Pour les p variables... 7 c - Notion d éléments
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
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 détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
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 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 détailEvaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière
Evaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière Ronan SYMONEAUX, Isabelle MAITRE, Frédérique JOURJON UMT VINITERA- Laboratoire GRAPPE
Plus en détailIntroduction à l'analyse multivariée (factorielle) sous R. Stéphane CHAMPELY
Introduction à l'analyse multivariée (factorielle) sous R Stéphane CHAMPELY 7 septembre 2005 2 Table des matières 1 Introduction 5 1.1 Les données multivariées....................... 5 1.2 L'approche factorielle
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailAnalyse 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 détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
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 détailLa structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)
La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de
Plus en détailPLAN. Ricco Rakotomalala Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 2
Apprentissage non-supervisé ou apprentissage multi-supervisé? Ricco RAKOTOMALALA Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ PLAN. Classification automatique, typologie, etc.. Interprétation
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 détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 04/04/2008 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailPascal Schlich, INRA
Pascal Schlich, INRA 1. Les limites du profil sensoriel classique 2. La Dominance Temporelle des Sensation (DTS) 3. Un questionnaire de mesure de la complexité perçue 4. Quatre applications aux boissons
Plus en détailSCHOLARSHIP ANSTO FRENCH EMBASSY (SAFE) PROGRAM 2015-2 APPLICATION FORM
SCHOLARSHIP ANSTO FRENCH EMBASSY (SAFE) PROGRAM 2015-2 APPLICATION FORM APPLICATION FORM / FORMULAIRE DE CANDIDATURE Note: If there is insufficient space to answer a question, please attach additional
Plus en détailTable des matières. Avant-propos...
Table des matières Avant-propos................................................. XI Chapitre 1 Découvrir Project 2013.......................... 1 1.1 Introduction.............................................
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailFilière «Économie et Entreprise» 2015/2016
Filière «Économie et Entreprise» 2015/2016 1. Présentation de la filière Économie et Entreprise La filière «Economie et entreprises» de quatrième année de SciencesPo Strasbourg donne aux étudiants, dans
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailPRÉSENTATION DE L OFFRE
PRÉSENTATION DE L OFFRE CMS 5.x CONTRÔLE DE LA MASSE SALARIALE Les informations contenues dans ce document font partie intégrante de la solution CMS et sont protégées en France par le code de la propriété
Plus en détailAnalyse de corrélation Étude des dépendances - Variables quantitatives
Ricco Rakotomalala Analyse de corrélation Étude des dépendances - Variables quantitatives Version 1.1 Université Lumière Lyon 2 Page: 1 job: Analyse_de_Correlation macro: svmono.cls date/time: 8-Mar-2015/7:21
Plus en détailSolutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision
Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous
Plus en détailSONDAGE OMNIBUS TÉLÉPHONIQUE - OPINION AU SUJET DU PROJET ÉNERGIE EST -
MONTRÉAL 1180, rue Drummond Bureau 620 Montréal (Québec) H3G 2S1 T 514 878-9825 QUÉBEC 3340, rue de La Pérade 3 e étage Québec (Québec) G1X 2L7 T 418 687-8025 SONDAGE OMNIBUS TÉLÉPHONIQUE - OPINION AU
Plus en détailMode d'emploi du plugin Grayscale_Granulometry
Mode d'emploi du plugin Grayscale_Granulometry D. Legland 27 mars 2013 Mode d'emploi rapide du plugin Grayscale Granulometry pour ImageJ. Le plugin permet de calculer des courbes de granulométrie en niveaux
Plus en détailL'analyse des données à l usage des non mathématiciens
Montpellier L'analyse des données à l usage des non mathématiciens 2 ème Partie: L'analyse en composantes principales AGRO.M - INRA - Formation Permanente Janvier 2006 André Bouchier Analyses multivariés.
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailMATHÉMATIQUES ET SCIENCES HUMAINES
MATHÉMATIQUES ET SCIENCES HUMAINES LOUISANDRÉ VALLET TRAITENQ. Logiciel de dépouillement et de traitement d enquêtes sur microordinateur compatible Mathématiques et sciences humaines, tome 104 (1988),
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailMONIWEB Analyse de l image sur le Web 2.0
MONIWEB Analyse de l image sur le Web 2.0 Eikon Strategic Consulting. L'utilisation ou reproduction partielle ou totale de ce document ne peut être effectuée sans autorisation écrite. SOMMAIRE Qu'est-ce
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détail1 - PRESENTATION GENERALE...
Contenu PREAMBULE... 2 INTRODUCTION... 2 1 - PRESENTATION GENERALE... 4 Qualité et optimalité... 8 2 - AGREGATION AUTOUR DE CENTRES MOBILES... 9 2.1 LES BASES DE L'ALGORITHME... 10 2.2 TECHNIQUES CONNEXES...
Plus en détailISFA 2 année 2002-2003. Les questions sont en grande partie indépendantes. Merci d utiliser l espace imparti pour vos réponses.
On considère la matrice de données : ISFA 2 année 22-23 Les questions sont en grande partie indépendantes Merci d utiliser l espace imparti pour vos réponses > ele JCVGE FM1 GM JCRB FM2 JMLP Paris 61 29
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 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 détailMémo d utilisation de ADE-4
Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailL indice de SEN, outil de mesure de l équité des systèmes éducatifs. Une comparaison à l échelle européenne
L indice de SEN, outil de mesure de l équité des systèmes éducatifs. Une comparaison à l échelle européenne Sophie Morlaix To cite this version: Sophie Morlaix. L indice de SEN, outil de mesure de l équité
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailEquation LIDAR : exp 2 Equation RADAR :
Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailÉvolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses
Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Thèse présentée par Cécile FAVRE pour obtenir le titre de Docteur en Informatique
Plus en détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailTD d économétrie appliquée : Introduction à STATA
Ecole normale supérieure (ENS) Département d économie TD d économétrie appliquée : Introduction à STATA Marianne Tenand marianne.tenand@ens.fr OBJECTIFS DU TD Découvrir le logiciel d économétrie STATA,
Plus en détailL ANALYSE DU «PARC SOCIAL DE FAIT» PARISIEN EN 2003 : UNE ANALYSE TERRITORIALISÉE DES PROFILS D OCCUPATION DES PARCS ET DES QUARTIERS
ATELIER PARISIEN D URBANISME - 17, BD MORLAND 75004 PARIS TÉL : 01 42 71 28 14 FAX : 01 42 76 24 05 http://www.apur.org Observatoire de l'habitat de Paris L ANALYSE DU «PARC SOCIAL DE FAIT» PARISIEN EN
Plus en détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
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 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 détailCaroline Hurault-Delarue 1, Cécile Chouquet 2, Nicolas Savy 2, Isabelle Lacroix 1, Christine Damase- Michel 1
Trajectoires individuelles d'exposition aux psychotropes au cours de la grossesse et partitionnement en fonction du profil d'exposition : utilisation des K-means pour données longitudinales Caroline Hurault-Delarue
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailStatistiques 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 détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailScénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en détaila) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :
a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN
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 détailUtilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition
09-0749 1 WHO/EMP/MAR/2009.3 Utilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition Synthèse des résultats des études publiées entre 1990 et 2006 Organisation
Plus en détailLe Data Excellence Management Gouverner par la valeur. Dr. Walid el Abed Founder & CEO Global Data Excellence Ltd
Le Data Excellence Management Gouverner par la valeur Dr. Walid el Abed Founder & CEO Global Data Excellence Ltd GDE : Nous sommes la société de Data Excellence * Créée en 2007 by par des spécialistes
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailGUIDE D UTILISATION DE L ISU SEPTEMBRE 2013 GUIDE D UTILISATION DU NAVIGATEUR UIS.STAT (VERSION BÊTA)
GUIDE D UTILISATION DE L ISU SEPTEMBRE 2013 GUIDE D UTILISATION DU NAVIGATEUR UIS.STAT (VERSION BÊTA) Publié en 2013 par : Institut de statistiques de l UNESCO C.P. 6128, Succursale Centre-Ville Montréal,
Plus en détailREQUEA. v 1.0.0 PD 20 mars 2008. Mouvements d arrivée / départ de personnels Description produit
v 1.0.0 PD 20 mars 2008 Mouvements d arrivée / départ de personnels Description produit Fonctionnalités L application Gestion des mouvements d arrivée / départ de Requea permet la gestion collaborative
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailConduite et Gestion de Projet - Cahier des charges
Conduite et Gestion de Projet - Cahier des charges 1 Introduction Sophie Toulouse LIPN - Université Paris 13 +33.1.49.40.40.73 99 av. Jean-Baptiste Clément toulouse@lipn.univ-paris13.fr 93430 Villetaneuse
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 détailObjectifs : piloter l organisation à travers des indicateurs (regroupés dans un tableau de bord), et informer des résultats la hiérarchie.
C HAPI TRE 8 Tableau de bord et reporting Objectifs : piloter l organisation à travers des indicateurs (regroupés dans un tableau de bord), et informer des résultats la hiérarchie. 1 Principes A Le tableau
Plus en détailDOSSIER DE CANDIDATURE PEDAGOGIQUE En seconde Année du MASTER «Sciences de l Ingénieur» (SDI) Année universitaire 2008-2009
DOSSIER DE CANDIDATURE PEDAGOGIQUE En seconde Année du MASTER «Sciences de l Ingénieur» (SDI) En seconde année de la composante Mécanique du master SDI, il est possible de candidater dans l une ou l autre
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailaffichage en français Nom de l'employeur *: Lions Village of Greater Edmonton Society
LIONS VILLAGE of Greater Edmonton Society affichage en français Informations sur l'employeur Nom de l'employeur *: Lions Village of Greater Edmonton Society Secteur d'activité de l'employeur *: Développement
Plus en détailDimensionnement d une roue autonome pour une implantation sur un fauteuil roulant
Dimensionnement d une roue autonome pour une implantation sur un fauteuil roulant I Présentation I.1 La roue autonome Ez-Wheel SAS est une entreprise française de technologie innovante fondée en 2009.
Plus en détailTHOT - Extraction de données et de schémas d un SGBD
THOT - Extraction de données et de schémas d un SGBD Pierre-Jean DOUSSET (France), Benoît ALBAREIL (France) pj@miningdb.com, benoit@miningdb.com Mots clefs : Fouille d information, base de données, système
Plus en détailImporter un fichier CSV
Importer un fichier CSV Importer un fichier CSV - page 1 1 Qu'est ce que l'import d'un fichier CSV L'import d'un fichier CSV vous permet d'ajouter dans OBM les contacts et sociétés présents dans un fichier
Plus en détailLa Clé informatique. Formation Excel XP Aide-mémoire
La Clé informatique Formation Excel XP Aide-mémoire Septembre 2005 Table des matières Qu est-ce que le logiciel Microsoft Excel?... 3 Classeur... 4 Cellule... 5 Barre d outil dans Excel...6 Fonctions habituelles
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailConcurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
Plus en détailSummer School * Campus d été *
Agri-Cultures 2013 Summer School * Campus d été * French intensive courses and discovery of French culture and agriculture Français Langue Étrangère découverte de la culture et du monde agricole français
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en 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 détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailInitiation à l analyse en composantes principales
Fiche TD avec le logiciel : tdr601 Initiation à l analyse en composantes principales A.B. Dufour & J.R. Lobry Une première approche très intuitive et interactive de l ACP. Centrage et réduction des données.
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 détailVISUALISATION DE NUAGES DE POINTS
ARNAUD BLETTERER MULTI-RÉSOLUTION 1/16 VISUALISATION DE NUAGES DE POINTS MULTI-RÉSOLUTION AU TRAVERS DE CARTES DE PROFONDEUR Arnaud Bletterer Université de Nice Sophia Antipolis Laboratoire I3S - Cintoo
Plus en détailL EQUIPE ÉTUDES ENQUÊTES: Georgeta BOARESCU psychologue coordonateur études enquêtes Florin CIOTEA sociologue
L EQUIPE ÉTUDES ENQUÊTES: Georgeta BOARESCU psychologue coordonateur études enquêtes Florin CIOTEA sociologue EuPA EDUCATION EUROPÉENNE EN ADMINISTRATION PUBLIQUE EuPA EDUCATION EUROPÉENNE EN ADMINISTRATION
Plus en détailPlan du cours 2014-2015. Cours théoriques. 29 septembre 2014
numériques et Institut d Astrophysique et de Géophysique (Bât. B5c) Bureau 0/13 email:.@ulg.ac.be Tél.: 04-3669771 29 septembre 2014 Plan du cours 2014-2015 Cours théoriques 16-09-2014 numériques pour
Plus en détailSemestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments»
Master In silico Drug Design Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments» 30NU01IS INITIATION A LA PROGRAMMATION (6 ECTS) Responsables : D. MESTIVIER,
Plus en détail