Syllabus du cours. Cours VETE Partim «Biostatistique» Organisation du cours. Site web du cours 10/10/2016
|
|
- Noël Charpentier
- il y a 7 ans
- Total affichages :
Transcription
1 1/1/216 Cours VETE432-1 Partim «Biostatistique» F. Farnir L. Massart E. Moyse Organisation du cours Cours théorique: Partim I: [ Début χ² ] Séances d'exercices (en amphi): Séances de TP (salle info): 28 h 1 h 1 h Site web du cours Syllabus du cours 1
2 1/1/216 Objectifs du cours (Partim I) Statistique descriptive Calculs de probabilités Distributions théoriques Introduction aux tests d hypothèses Le test de χ² Cours VETE432-1 Partim I Démarche scientifique? Statistique? Ensemble de méthodes mathématiques qui, à partir du recueilet de l analyse de données réelles, permettent l élaboration de modèles probabilistes autorisant les prévisions. 2
3 1/1/216 Ou, dans la démarche scientifique? Biostatistique? La «biostatistique» est l utilisation de la statistique dans le domaine du vivant. Pourquoi chez les vétérinaires? Acteurs du vivant Description de la variabilité importante des phénomènes liés au vivant. Outil d investigation de la complexité liée au vivant. Élaboration et interprétation de tests d hypothèses in vivo Des exemples vétérinaires? Comment s assurer («tester») de l efficacité d un nouveau médicament (par exemple, un nouveau vaccin)? 3
4 1/1/216 Des exemples vétérinaires? Comment comparer des régimes permettant de combattre l obésité chez le chien? Des exemples vétérinaires? Comment comparer des protocoles d administration de médicaments contre l incontinence urinaire chez le chien? Des exemples vétérinaires? Comment évaluer les meilleurs reproducteurs dans une espèce utilisée pour la production? Des exemples vétérinaires? Comment évaluer les performances chez les chevaux trotteurs? 4
5 1/1/216 Des exemples vétérinaires? Des exemples vétérinaires? Quels sont les facteurs d environnement qui influent sur les performances de reproduction chez la brebis? Comment évaluer l évolution de la taille de la population d une espèce en danger? Recueil de données et Biostatistique Biostatistique: Ensemble de méthodes mathématiques qui, à partir du recueil et de l analyse de données réelles, permettent l élaboration de modèles probabilistes autorisant les prévisions. Le premier problème est donc celui de la récolte des données Par où commencer? Statistique descriptive Description des données qu on souhaite étudier Type de données Quantité de données Résumé des données Graphiques Paramètres descriptifs (position, dispersion, ) 5
6 1/1/216 On veut effectuer une série de "mesures" Ex1: Poids des labradors de 3 ans Ex2: Etat sanitaire des individus (Sain Malade) Ex3: Couleur de la robe de bovins Ex4: Production quantitative (kgs lait...) ou qualitative (vitesse de traite...) Ex5: Comptages de lymphocytes... Question: combien de mesures faut-il faire? en général, il n est pas possible de récolter toutes les mesures L ensemble de toutes les données constitue "la population" de mesures Ex: population des poids de labradors de 3 ans L ensemble de toutes les données récoltées constitue "l échantillon". C est (en général) un sous-ensemble de la population. Echantillonnage L échantillon doit être représentatif de la population visée Dans le cas contraire, l échantillon sera «biaisé» Exemple (de biais): comparaison de deux régimes alimentaires chez des moutons. Ech. 1: régime A Différence due au régime? au sexe? aux deux? Ech. 2: régime B 6
7 1/1/216 Ech. 1: régime A Différence due au régime Ech. 2: régime B Echantillonnage L échantillon doit être représentatif de la population visée Exemples de questions: Les deux sexes sont ils représentés dans l échantillon? L âge des individus sélectionnés couvre-t-il la plage d âge visée dans l expérience? N y a-t-il pas des facteurs extérieurs qui peuvent invalider les conclusions futures de l expérience? Echantillonnage L échantillonnage devrait être planifié Que veut-on voir (objectifs)? Quelle est la «population» visée? Quels sont les biais potentiels, et comment les éviter? On parle alors de design expérimental Planification de l échantillonnage: Exemples de planifications: Échantillonnage aléatoire Échantillonnage stratifié Exemple: Il faut des individus des deux sexes testés avec chaque régime Échantillonnage en grappes Exemple: sélection de fermes, puis de quelques vaches dans ces fermes 7
8 1/1/216 Echantillonnage planifié: un exemple. 3 poissons, pris au hasard dans la population, doivent être répartis dans 5 groupes qui recevront des traitements différents. On souhaite que les groupes soient homogènes en termes de poids car le poids a une influence potentielle sur le caractère étudié => méthode des chapeaux Méthode des chapeaux Trier les 3 poissons selon leur poids: P 1, P 2,..., P 3. Répartir les 3 poissons dans 3/5 = 6 chapeaux P 1 P 4 P 2 P 5 P 3 P 29 P 27 P 3 P 26 P 28 Méthode des chapeaux (suite) Pour chaque groupe, tirer un poisson de chaque chapeau Exemple: En médecine (vétérinaire) Etudes planifiées Exemple: tests pharmaceutiques Etudes prospectives («cohorts») Exemple: effet d un agent chimique sur l apparition de tumeurs Etudes rétrospectives («case-controls») Exemple: études «cliniques» Etudes transversales («cross-sectional») Exemple: enquêtes 8
9 1/1/216 Quelles données récolter? Quelles données récolter? Cela dépend des objectifs de l analyse Types de données Discrètes, Nominales (classification) Exemples: Sexe Traitement Race Région d origine... Types de données Discrètes, Ordinales (classement) Exemples: Année de naissance Mois Sévérité de la pathologie (--, -, +, ++) Quelles données récolter? Types de données Continues Exemples: Poids, Taille, Pression artérielle, Taux de lipides, Age Nombre de bactéries Durée de survie Quelles données récolter? Quantité de données Coûts Objectifs de la récolte Taille des effets à mettre en évidence Exemple Le régime X augmente-t-il le poids moyen adulte de 1ou de 5kilo(s) dans cette race de porcs? Voir Chebyshev pour la relation N(effet) 9
10 1/1/216 Un exemple de récolte Un responsable d'élevage aimerait tester certaines hypothèses sur un élevage de bovins à viande. Le contexte est le suivant: Région: Belgique. Races: BBB, Charolais, Croisés BBB x Ch. Âges: tous âges. Sexe: tous sexes. Un exemple de récolte (suite) Les questions posées sont les suivantes (entre autres questions possibles...): Y a-t-il des différences de croissance entre races? Y a-t-il un effet du sexe sur la conformation? Les croisés ont-ils une croissance intermédiaire entre les deux lignées pures (BBB, Charolais)?... Quelles données récolter? Exemple de récolte On a récolté dans différentes fermes les données relatives à 2 bovins destinés à la production de viande (voir un aperçu des données). Comment représenter les données? Dans chaque «colonne» de données, on a Une mesure de même type (discret, continu), La valeur est variable de ligne en ligne, Les valeurs de chaque ligne ne peuvent pas être prévues de manière exacte (déterministe), mais bien de manière probabiliste: elles sont aléatoires. On représentera dès lors une colonne du tableau par une variable aléatoire, discrète ou continue. 1
11 1/1/216 Comment représenter les données? Numéro Race Age (Mois) Sexe Taille Poids Confor mation 1 BBB 19 Mâle 133,5 721,8 + 2 Croisé 8 Femelle 148,3 282,6 + 3 BBB 1 Femelle 19,7 32,9 - R A S T P C Comment caractériser les variables aléatoires? 1) Par le type (discretou continu) des valeurs qu elles peuvent prendre: Discrètes: Race, Sexe, Conformation Continues: Taille, Poids, Age On décrit donc cet ensemble de données via 6 variables aléatoires Comment caractériser les variables aléatoires? 2) Par le type (qualitatif ou quantitatif) des valeurs qu elles peuvent prendre Qualitatif: Race, Sexe, Conformation Quantitatif: Taille, Poids, Age Comment caractériser les variables aléatoires? 3) Par le type (nominal ou ordinal) des valeurs qu elles peuvent prendre Nominal: Race, Sexe Ordinal: Conformation, Taille, Poids, Age 11
12 1/1/216 Comment caractériser les variables aléatoires? Pourquoi caractériser les variables aléatoires? 4) Par l ensemble Ω (finiou infini) des valeurs qu elles peuvent prendre Les procédures à mettre en place pour manipuler les variables aléatoires varient en fonction du type de variable => nécessité d'identifier les variables aléatoires du problème et leur type. Exemple: représentation des «distributions» de variables aléatoires Age: Ω = R + Race: Ω = (BBB, Charolais, Croisé) Sexe: Ω = (Male, Femelle) Conformation: Ω = (- -, -, +, ++) Taille: Ω = R + Poids: Ω = R + (voir dias suivantes) «Distributions»? Une distribution est une description complète des variables aléatoires (cfr plus loin). On donne une description complète d une variable aléatoire en spécifiant une fonction (distribution) qui associe à chacune de ses valeurs dans Ω une (densité de) probabilité (voir plus loin) d: Ω R: X Proba(X) Des exemples de distributions Exemple de distribution Dans la population humaine, il y a environ 5,5 % de femmes pour 49,5 % d hommes Proba(Sexe),5 Sexe 12
13 1/1/216 Des exemples de distributions Des exemples de distributions Autre exemple de distribution Nombre de cas de dystocies lors de 1 vêlages. Autre exemple de distribution Poids des chiens d une race donnée à un âge fixé,5,4,3,2,1 Probabilité de dystocies ,3,25,2,15,1,5 P < 8 8 P < 1 1 P < 12 Distribution du poids 12 P < P < P < P < 2 2 P < P < P < P < P < 3 3 P < 32 Comment représenter les variables aléatoires (données)? Représentation synthétique Tables de fréquences Représentation graphique Diagrammes de fréquences Paramètres descriptifs Position Dispersion Aplatissement, asymétrie, Qu est-ce qu une table de fréquences? Table à N entrées, dont les cases contiennent les effectifs correspondants. N est le nombre de variables utilisées Exemple: Table de fréquences de la race (table à 1 entrée) BBB Croisé Charolais
14 1/1/216 Comment obtenir la table de fréquences? # # Répertoire de travail # setwd("d:/docsusers/cours/ /bmv1/stats") # # Lecture des données # t<-read.table(file="exploitation.txt", head=t,sep="\t",dec=",") names(t) # # Table de fréquences de la race # table(t$race) Exemple: Table de fréquences de la race X sexe (table à 2 entrées) Qu est-ce qu une table de fréquences? BBB Croisé Charolais BBB Charolais Croisé Comment obtenir la table de fréquences? # # Table de fréquences de la race X sexe # table(t$race,t$sexe) Femelle Mâle BBB Charolais 24 2 Croisé Exemple: Table de fréquences de la race X sexe X conformation (table à 3 entrées) Qu est-ce qu une table de fréquences? BBB Croisé Charolais BBB Croisé Charolais
15 1/1/216 Qu est-ce qu une table de fréquences cumulées? Exemple: Table de fréquences (simples et cumulées) de la conformation (table à 1 entrée) Simples Cumulées Comment faire une représentation graphique? Exemple: Diagrammes à bâtons de la fréquence des différentes races plot(t$race, main=«races dans l exploitation») 2 Existe-t-il d autres représentations graphiques? Oui, beaucoup d autres (voir notes). Exemples: Diagramme en tarte (Pie chart) pie(table(t$race), main=«races dans l exploitation») Existe-t-il d autres représentations graphiques? Exemples: Diagrammes en tuyaux d orgue Conformation % 86.5 % 45.5 % 9.5 % 15
16 1/1/216 Comment procéder avec des variables continues? Discrétisation Exemple I: l âge exprimé en mois est une discrétisation de l âge. Exemple II: création de classes de poids Classe I: Poids entre et 1 kilos Classe II: Poids entre 1 et 2 kilos Classe III: Poids entre 2 et 3 kilos Classe VIII: Poids entre 7 et 8 kilos Comment procéder avec des variables continues? Exemple II(suite): représentation graphique Histogramme hist(exp$poids, main=«poids», xlab=«classes», ylab=«fréquence», col=«lightblue») D autres représentations de variables continues? Exemple III: Polygone des effectifs Fréquences (absolues) Polygone des effectifs I II III IV V VI VII VIII Classes de poids D autres représentations de variables continues? Exemple IV : Polygone des effectifs cumulés Fréquences (relatives) 1,8,6,4,2 Polygone des effectifs cumulés I II III IV V VI VII VIII Classes de poids 16
17 1/1/216 D autres représentations de variables continues? Exemple V : Diagramme «stem-leaves» Stem Leaves Le même diagramme, avec > stem(t$poids) The decimal point is 2 digit(s) to the right of the Des représentations avec plusieurs variables continues? Exemple VI: Diagramme de dispersion (scatter plot) Poids (Kg) Evolution des poids par race Age (Mois) Poids BBB Poids BBBxCH Poids CH En résumé Les statistiques servent à interpréter les données récoltées dans une expérience. Les données sont représentées par des variables aléatoires Une description des données débute très souvent par une représentation de l échantillon récolté, sous forme de graphiques ou de tables de fréquences 17
Statistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailCommission des Recherches Bovines
Commission des Recherches Bovines Bilan des activités 2002-2006 Composition de la commission Représentants des depts GA (4), PHASE(4+2), SA(3) CEPIA (1), SAE2(1), SAD(1) Représentants des Ecoles Sup Agronomiques
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
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 détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
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 détailTuberculose bovine. Situation actuelle
Tuberculose bovine Situation actuelle 21 mai 2013 Dr G. Peduto Vétérinaire cantonal Service de la consommation et des affaires vétérinaires 1 Tuberculose bovine La Suisse est indemne depuis 1959 Dernier
Plus en détailMETHODOLOGIE GENERALE DE LA RECHERCHE EPIDEMIOLOGIQUE : LES ENQUETES EPIDEMIOLOGIQUES
Enseignement du Deuxième Cycle des Etudes Médicales Faculté de Médecine de Toulouse Purpan et Toulouse Rangueil Module I «Apprentissage de l exercice médical» Coordonnateurs Pr Alain Grand Pr Daniel Rougé
Plus en détailObjet : Critères microbiologiques applicables aux auto-contrôles sur les carcasses d'animaux de boucherie. Destinataires d'exécution
Ordre de méthode Direction générale de l'alimentation Sous-direction de la sécurité sanitaire des aliments Bureau des établissements d'abattage et de découpe 251 rue de Vaugirard 75 732 PARIS CEDEX 15
Plus en détailEpidémiologie appliquée aux sciences vétérinaires DES DAOA DES - DEA
Epidémiologie appliquée aux sciences vétérinaires DES DAOA DES - DEA Claude SAEGERMAN Département des maladies infectieuses et parasitaires, Service d épidémiologie et analyse de risques appliquées aux
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailDECiDE, un outil pour évaluer les émissions de gaz à effet de serre (GES) et les consommations énergétiques des exploitations agricoles wallonnes
DECiDE, un outil pour évaluer les émissions de gaz à effet de serre (GES) et les consommations énergétiques des exploitations agricoles wallonnes 14 ème journée d étude des productions porcines et avicoles,
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailIntroduction à la statistique descriptive
Chapitre chapitre 1 Introduction à la statistique descriptive Les méthodes de la statistique descriptive (statistique déductive) permettent de mener des études à partir de données exhaustives, c est-à-dire
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailLES DIFFERENTS TYPES DE MESURE
LES DIFFERENTS TYPES DE MESURE Licence - Statistiques 2004/2005 REALITE ET DONNEES CHIFFREES Recherche = - mesure. - traduction d une réalité en chiffre - abouti à des tableaux, des calculs 1) Qu est-ce
Plus en détailCalcul de la marge brute en production laitière
Mode d emploi : Calcul de la marge brute en production laitière Calculez la marge brute en production laitière sur votre exploitation et comparez-la avec celle d autres exploitations du même type. Utilisation
Plus en détailCONSERVATION DU PATRIMOINE VIVANT DU MARAIS POITEVIN ENJEUX ET PERSPECTIVES. CREGENE: 2 rue de l église 79510 COULON 05 49 35 15 40 cregene@gmail.
CONSERVATION DU PATRIMOINE VIVANT DU MARAIS POITEVIN ENJEUX ET PERSPECTIVES CREGENE: 2 rue de l église 79510 COULON 05 49 35 15 40 cregene@gmail.com Espèces locales et territoire, un destin commun? Pâturage
Plus en détailCENTRE DE RECHERCHE EN SCIENCES ANIMALES DE DESCHAMBAULT. Plan HACCP bœuf qualité plus pour les bovins de boucherie
CENTRE DE RECHERCHE EN SCIENCES ANIMALES DE DESCHAMBAULT Plan HACCP bœuf qualité plus pour les bovins de boucherie Voici le Programme de salubrité des aliments à la ferme pour le bœuf- Bœuf Qualité Plus-
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 détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en 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 détailHistoire et Sociologie de la Santé Publique Vétérinaire INRA - Ritme. Décembre 2009
Histoire et Sociologie de la Santé Publique Vétérinaire INRA - Ritme. Décembre 2009 Entre médecine humaine et médecine vétérinaire: l usage et l abandon de la vaccination dans la prophylaxie de la tuberculose
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailTrajectoires laitières
Trajectoires laitières Yannick PECHUZAL Lot Conseil Elevage 13 mars 2014 Cantal 2100 producteurs de lait 1000 élevages mixtes 420 ML 5 AOP fromagères Filière Collecte : 360 Ml 60% SODIAAL et assimilés
Plus en détailFEN FICHE EMPLOIS NUISANCES
Version 4.8.2 Date mise à jour : 19 Février 2013 Auteur : LAFUMA Gilles Email : glfm02@orange.fr Web : www.procarla.fr/soft Présentation : FEN FICHE EMPLOIS NUISANCES Le Logiciel FEN Fiche emploi nuisance
Plus en détailL intérêt technico-économique. avec simulations à l'appui
L intérêt technico-économique Titre de du l'engraissement diaporama des mâles avec simulations à l'appui Christèle PINEAU Institut de l'elevage Christele.Pineau@idele.fr Matthieu COUFFIGNAL ARVALIS, Institut
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
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 détailTests 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 détailLa cohabitation des races ovines Ouled Jellal (OJ) et Beni Guil (BG) et développement de l'élevage ovin dans le système pastoral du Maroc Oriental
Mediterranean biodiversity as a tool for the sustainable development of the small ruminant sector: From traditional knowledge to innovation Institut Agronomique et Vétérinaire Hassan II Rabat, 16 décembre
Plus en détailT 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 détail2.0 Interprétation des cotes d évaluation des risques relatifs aux produits
2.0 Interprétation des cotes d évaluation des risques relatifs aux produits L interprétation des cotes attribuées dans le cadre des évaluations des risques relatifs aux produits décrite plus loin repose
Plus en détailLa nouvelle réglementation européenne relative à l hygiène des aliments: «Paquet Hygiène»
La nouvelle réglementation européenne relative à l hygiène des aliments: «Paquet Hygiène» Direction Départementale des Services Vétérinaires de Meurthe-et-Moselle Plan 1. Objectifs de la réforme 2. Quels
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
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 détailLa filière de l élevage du cheval de trait dans son. contexte français et européen. Evolution et attentes
1 La filière de l élevage du cheval de trait dans son contexte français et européen. Evolution et attentes Septembre 2011 I. Contexte et structuration de la filière du cheval de trait en France a. Quelques
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailEXCEL et base de données
EXCEL et base de données 1. Variables et données 2. Saisie de données: quelques règles 3. EXCEL et saisie des données 4. Exemple de tableau EXCEL 5. Éviter d éventuels problèmes 1 1.1 Variables et données
Plus en détailÉtiquettes approuvées pour les porcs
Étiquettes approuvées pour les porcs Programme d identification et de traçabilité des animaux d élevage VERSION 1 1 er juillet 2014 Les étiquettes approuvées sous le programme national d'identification
Plus en détailSTATISTIQUES DESCRIPTIVES
STATISTIQUES DESCRIPTIVES ORGANISATION DES DONNÉES Etude de population 53 784 56 28 4 13 674 8375 9974 60 Consommation annuelle du lait Dossier n 1 Juin 2005 Tous droits réservés au réseau AGRIMÉDIA Conçu
Plus en détailUNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand
UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)
Plus en détailMarc VARCHAVSKY Conseil National CER FRANCE Olivier BOUCHONNEAU Président de CER FRANCE 49
Impact de la variabilité des prix des produits agricoles et des intrants sur les exploitations en France Marc VARCHAVSKY Conseil National CER FRANCE Olivier BOUCHONNEAU Président de CER FRANCE 49 Colloque
Plus en détailÉtiquettes approuvées pour les bisons
Étiquettes approuvées pour les bisons Programme d identification et de traçabilité des animaux d élevage VERSION 4 2014/03/31 Les étiquettes approuvées sous le programme national d'identification et de
Plus en détailSOCLE COMMUN: LA CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE. alain salvadori IA IPR Sciences de la vie et de la Terre 2009-2010 ALAIN SALVADORI IA-IPR SVT
SOCLE COMMUN: LA CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE alain salvadori IA IPR Sciences de la vie et de la Terre 2009-2010 ALAIN SALVADORI IA-IPR SVT SOCLE COMMUN ET PROGRAMMES La référence pour la rédaction
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détail22/12/11. Plan de la présentation
http://www.dda.ulg.ac.be L appréciation quantitative du risque microbiologique et la microbiologie prévisionnelle pour les entreprises. La microbiologie prévisionnelle Deux exemples simples L appréciation
Plus en détailConventions de calcul pour la réalisation des cas types en agriculture biologique
Conventions de calcul pour la réalisation des cas types en agriculture biologique Conjoncture retenue pour la construction des cas-types Prix de la viande bovine Conjoncture 1 er trimestre 2012 Prix des
Plus en détailAgence fédérale pour la Sécurité de la Chaîne alimentaire
Agence fédérale pour la Sécurité de la Chaîne alimentaire Circulaire relative à la mise en œuvre du protocole régissant les échanges transfrontaliers d animaux de boucherie et volailles d abattage entre
Plus en détailDossier de presse. L Anses lance son nouveau site Internet
Dossier de presse L Anses lance son nouveau site Internet Diffuser-Expliquer-Partager www.anses.fr Contact presse : Elena Séité 01 49 77 27 80 elena.seite@anses.fr www.anses.fr Sommaire : L Anses lance
Plus en détailSERIE 1 Statistique descriptive - Graphiques
Exercices de math ECG J.P. 2 ème A & B SERIE Statistique descriptive - Graphiques Collecte de l'information, dépouillement de l'information et vocabulaire La collecte de l information peut être : directe:
Plus en détailREPUBLIQUE TOGOLAISE. Travail Liberate Patria MINISTERE DE L AGRICULTURE, DE L ELEVAGE ET DE LA PECHE -PNIASA - PLAN D ACTION DU VOLET NUTRITION
REPUBLIQUE TOGOLAISE Travail Liberate Patria MINISTERE DE L AGRICULTURE, DE L ELEVAGE ET DE LA PECHE PROGRAMME NATIONAL D INVESTISSEMENT AGRICOLE ET DE SECURITE ALIMENTAIRE -PNIASA - PLAN D ACTION DU VOLET
Plus en détailQualité. Sécurité Alimentaire
Le service Qualité Présentation du Service Démarche Qualité Qualité Réalisation des dossiers d agrément sanitaire pour les cuisines centrales >60 affermés API Réalisation des dossiers d accréditation en
Plus en détailSOMMAIRE I. INTRODUCTION 4 II. SOURCES D INFORMATION 5
SOMMAIRE I. INTRODUCTION 4 II. SOURCES D INFORMATION 5 2.1. ETUDES REALISEES PAR LES SERVICES DES CAISSES D ASSURANCE MALADIE 5 2.2. ANALYSE DE LA LITTERATURE 5 2.3. ANALYSE DES VENTES 6 2.4. COMPARAISONS
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailAVIS. Complément d étude. Objet : Réf. : CWEDD/06/AV.1565. Liège, le 23 octobre 2006
AVIS Réf. : CWEDD/06/AV.1565 Liège, le 23 octobre 2006 Objet : Demande de permis unique relative à la régularisation d une porcherie d engraissement de 3.500 porcs et d une étable de 30 bovins à Kettenis
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailBovins viande. Effectifs troupeaux et animaux par région en 2013. Total élevages. Nbre de veaux pesés en VA0. Nbre de veaux pesés en VA4
Bovins viande Effectifs troupeaux et animaux par région en 2013 Chif Régions Nbre de Nbre de Nbre de troupeaux troupeaux troupeaux adhérents adhérents suivis en en VA4 en VA0 engraissement Nbre de troupeaux
Plus en détailMONITORING 100% CONNECTÉ : MEDRIA LANCE LE FEEDPHONE
MEDRIA 2014 DOSSIER DE PRESSE Alimentation-Reproduction-Santé MONITORING 100% CONNECTÉ : MEDRIA LANCE LE FEEDPHONE 1/18 COMMUNIQUÉ DE PRESSE MEDRIA lance au SPACE 2014 sa dernière innovation, le FeedPhone
Plus en détailLes escaliers. Intégrer la prévention : Fiche technique n 5. Les types d escaliers Identifier les risques Apporter des solutions Qui contacter?
Santé - Sécurité au Travail RISQUES EN SALLE DE TRAITE Fiche technique n 5 Intégrer la prévention : Les escaliers Les types d escaliers Identifier les risques Apporter des solutions Qui contacter? D après
Plus en détailRéintroductions alimentaires chez l enfant. M. Hofer - J.Wassenberg Immuno-allergologie Service de pédiatrie - CHUV
Réintroductions alimentaires chez l enfant M. Hofer - J.Wassenberg Immuno-allergologie Service de pédiatrie - CHUV Réintroductions alimentaires en 2004 Age: 12 mois 10 ans Nombre total: 30 Tests réussis:
Plus en détailObservatoire Economique et Statistique d Afrique Subsaharienne
Observatoire Economique et Statistique d Afrique Subsaharienne Termes de référence pour le recrutement de quatre (4) consultants dans le cadre du Projet «Modules d initiation à la statistique à l attention
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailPOURQUOI VISIOLYS? SOMMAIRE VOUS PROPOSE : Un monde qui bouge COMPRENDRE. Analyses et adaptations SE REPÉRER SE PROJETER ET CHOISIR
POURQUOI VISIOLYS? EXPERTISE STRATÉGIE ÉCONOMIE Visiolys est né de la volonté commune des deux entreprises de conseil en élevage Clasel et Eilyps de se projeter dans un monde en pleine mutation, de permettre
Plus en détailTP N 3 La composition chimique du vivant
Thème 1 : La Terre dans l'univers, la vie et l'évolution du vivant : une planète habitée Chapitre II : La nature du vivant TP N 3 La composition chimique du vivant Les conditions qui règnent sur terre
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailOrganisation des bâtiments dans les grands troupeaux 5 exemples d organisation spatiale en Europe
Organisation des bâtiments dans les grands troupeaux 5 exemples d organisation spatiale en Europe Avril 2009 FICHES TECHNIQUES Auteur : Jacques CHARLERY Pôle Herbivores Chambres d agriculture de Bretagne
Plus en détailProduire avec de l'herbe Du sol à l'animal
GUIDE PRATIQUE DE L'ÉLEVEUR Produire avec de l'herbe Du sol à l'animal avril 2011 BRETAGNE PAYS DE LA LOIRE SOMMAIRE Paroles d éleveurs 4 Quelle place donner à l herbe Le choix d un système fourrager 8
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailFiches techniques : Filière Porc Fleuri
Fiches techniques : Filière Porc Fleuri FICHE TECHNIQUE 1 LE PORC FLEURI SAVOUREUX Méthode de production : RACE ET TYPE DE PORC : La viande doit provenir d un animal de type Piétrain. On entend par «type
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailEn zones herbagères, un système spécialisé lait, tout herbe
Cas type HL 1 En zones herbagères, un système spécialisé lait, tout herbe Rouen Évreux Amiens Beauvais Arras Lille Laon Culture à faible densité d'élevage Herbagère à forte densité d'élevage Mixte à moyenne
Plus en détailCE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT
CE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT Sommaire Comment se fait la recherche sur un nouveau médicament? (page 1) A quoi sert la recherche sur un nouveau médicament? (page
Plus en détailSTATISTIQUES DESCRIPTIVES
1 sur 7 STATISTIQUES DESCRIPTIVES En italien, «stato» désigne l état. Ce mot à donné «statista» pour «homme d état». En 1670, le mot est devenu en latin «statisticus» pour signifier ce qui est relatif
Plus en détailSensibilisation des opérateurs à l hygiène des aliments
Sensibilisation des opérateurs à l hygiène des aliments Le respect des bonnes pratiques d hygiène de fabrication, par chaque opérateur, constitue le préalable à toute démarche de maîtrise de la sécurité
Plus en détail2 e partie de la composante majeure (8 points) Les questions prennent appui sur six documents A, B, C, D, E, F (voir pages suivantes).
SUJET DE CONCOURS Sujet Exploitation d une documentation scientifique sur le thème de l énergie 2 e partie de la composante majeure (8 points) Les questions prennent appui sur six documents A, B, C, D,
Plus en détailMicrosoft Excel : tables de données
UNIVERSITE DE LA SORBONNE NOUVELLE - PARIS 3 Année universitaire 2000-2001 2ème SESSION SLMD2 Informatique Les explications sur la réalisation des exercices seront fournies sous forme de fichiers informatiques.
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailBACCALAURÉAT PROFESSIONNEL EPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES SUJET A.1
TP A.1 Page 1/5 BACCALAURÉAT PROFESSIONNEL EPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES SUJET A.1 Ce document comprend : - une fiche descriptive du sujet destinée à l examinateur : Page 2/5 - une
Plus en détailOUTILS DE FINANCEMENT DE L INNOVATION TECHNOLOGIQUE ET DE LA VALORISATION DE LA RECHERCHE
OUTILS DE FINANCEMENT DE L INNOVATION TECHNOLOGIQUE ET DE LA VALORISATION DE LA RECHERCHE Un exemple de Projet PNRI Pr. Ahmed Noureddine HELAL 11 Mars 2015, Hôtel Monastir Center, Monastir Notre Projet
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détail& Que choisir. favoriser le bien-être
Label Rouge & Agriculture Biologique Que choisir pour favoriser le bien-être des animaux? Un guide des tiné au consommateur Protection mondiale des animaux de ferme Ce petit guide a pour objectif d aider
Plus en détailBonus Bon Client 10 % Pack Modulis Agriculture Des garanties exclusives pour vous, vos activités et votre famille!
Bonus Bon Client 10 % Pack Modulis Agriculture Des garanties exclusives pour vous, vos activités et votre famille! Modulis, pour une vision globale et une gestion simplifiée de vos assurances! L agriculture
Plus en détailFICHE 1 Fiche à destination des enseignants
FICHE 1 Fiche à destination des enseignants 1S 8 (b) Un entretien d embauche autour de l eau de Dakin Type d'activité Activité expérimentale avec démarche d investigation Dans cette version, l élève est
Plus en détailAnnexe 7. Fiche standardisée pour l enquête auprès des responsables des différents systèmes.
Annexe 7. Fiche standardisée pour l enquête auprès des responsables des différents systèmes. Cher expert, Le Comité scientifique de l AFSCA a pris l initiative d évaluer le caractère organisationnel de
Plus en détailHepatex CR. Le panneau à flux laminaire de référence
Hepatex CR Le panneau à flux laminaire de référence Hepatex CR Le panneau à flux laminaire de référence APPLICATIONS Conditionnement de l'air Energie Salle Propre Industriel Données clés u Efficacité de
Plus en détailY a t il une demande de sécurité sanitaire des consommateurs européens?
Y a t il une demande de sécurité sanitaire des consommateurs européens? Eric Giraud Héraud INRA ALISS et Ecole Polytechnique, France Coll: Magda Aguiar Fontes (CIISA, Portugal), Pierre Combris (INRA ALISS),Alexandra
Plus en détailFirst Line and Maintenance in Nonsquamous NSCLC: What Do the Data Tell Us?
Dr Jean-Charles Soria : Bonjour et bienvenue dans ce programme. Je suis Jean Charles Soria, Professeur de Médecine et Directeur du programme de développement précoce des médicaments à l université Paris
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailAide à l Utilisation du site «Mon Monitoring»
Aide à l Utilisation du site «Mon Monitoring» Mise à jour Aout 2013 Identifiant :... Mot de passe :.. Lorsque vous mettez les colliers aux animaux prenez garde à la petite flèche gravée (colorée en noir
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailRéférentiel Diversification 2007
Référentiel Diversification 2007 E L E V A G E D E CHAMBRES D'AGRICULTURE C H E V A U X D E T R A I T LORRAINE A R D E N N A I S CONDITION DE RÉUSSITE DU PROJET DONNÉES GÉNÉRALES Temps de travail Investissement
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détail