Analyse de la variance à un facteur
|
|
|
- Émilien Samson
- il y a 7 ans
- Total affichages :
Transcription
1 Analyse de la variance à un facteur A. Jebrane Université de Bourgogne, Master 1 psychologie 28 septembre 2016
2 Variable indépendante : VI( ou facteur)
3 Variable indépendante : VI( ou facteur) C est une variable dont les valeurs sont manipulables par l expérimentateur.
4 Variable indépendante : VI( ou facteur) C est une variable dont les valeurs sont manipulables par l expérimentateur. Elles peuvent être soit catégorielles avec un nombre fini de modalités permettant quelquefois de répartir les sujets en groupes indépendants, par exemple, la classe socio-professionnelle du sujet,
5 Variable indépendante : VI( ou facteur) C est une variable dont les valeurs sont manipulables par l expérimentateur. Elles peuvent être soit catégorielles avec un nombre fini de modalités permettant quelquefois de répartir les sujets en groupes indépendants, par exemple, la classe socio-professionnelle du sujet, ou alors elles sont quantitatives, par exemple, la durée d un traitement, l âge, etc...
6 Variable indépendante : VI( ou facteur) C est une variable dont les valeurs sont manipulables par l expérimentateur. Elles peuvent être soit catégorielles avec un nombre fini de modalités permettant quelquefois de répartir les sujets en groupes indépendants, par exemple, la classe socio-professionnelle du sujet, ou alors elles sont quantitatives, par exemple, la durée d un traitement, l âge, etc... Ces variables ont vocation à avoir une influence sur les réponses des sujets lors d une procédure expérimentale.
7 Variable indépendante : VI( ou facteur) C est une variable dont les valeurs sont manipulables par l expérimentateur. Elles peuvent être soit catégorielles avec un nombre fini de modalités permettant quelquefois de répartir les sujets en groupes indépendants, par exemple, la classe socio-professionnelle du sujet, ou alors elles sont quantitatives, par exemple, la durée d un traitement, l âge, etc... Ces variables ont vocation à avoir une influence sur les réponses des sujets lors d une procédure expérimentale.
8 Variable dépendante VD (réponse)
9 Variable dépendante VD (réponse) C est la variable réponse du sujet lors d une procédure expérimentale. Les valeurs ne sont pas manipulables par l expérimentateur.
10 Variable dépendante VD (réponse) C est la variable réponse du sujet lors d une procédure expérimentale. Les valeurs ne sont pas manipulables par l expérimentateur. Elles peuvent être qualitatives ou quantitative. par exemple, les temps de réaction d un sujet sous l effet d un stimuli ou alors l issue d une épreuve : succès ou échec.
11 Variable dépendante VD (réponse) C est la variable réponse du sujet lors d une procédure expérimentale. Les valeurs ne sont pas manipulables par l expérimentateur. Elles peuvent être qualitatives ou quantitative. par exemple, les temps de réaction d un sujet sous l effet d un stimuli ou alors l issue d une épreuve : succès ou échec. Ces variables ont vocation à dépendre de certains facteurs ou conditions expérimentales. On parle aussi de variable à expliquer par les VI.
12 Variable dépendante VD (réponse) C est la variable réponse du sujet lors d une procédure expérimentale. Les valeurs ne sont pas manipulables par l expérimentateur. Elles peuvent être qualitatives ou quantitative. par exemple, les temps de réaction d un sujet sous l effet d un stimuli ou alors l issue d une épreuve : succès ou échec. Ces variables ont vocation à dépendre de certains facteurs ou conditions expérimentales. On parle aussi de variable à expliquer par les VI.
13 Variable inter-sujet et variable intra-sujet :
14 Variable inter-sujet et variable intra-sujet : Une variable indépendante catégorielle est dite inter-sujet, si ses modalités permettent de répartir les sujets en groupes indépendants, chaque sujet se trouve dans un et seul groupe. On dit aussi variable d emboîtement. En fait les sujets ne sont observés qu une seule fois chacun dans une seule condition expérimentale qui définit son groupe d appartenance.
15 Une variable indépendante catégorielle est dite intra-sujet (ou variable de croisement) Si chaque sujet voit successivement toutes les modalités de la variable.
16 Une variable indépendante catégorielle est dite intra-sujet (ou variable de croisement) Si chaque sujet voit successivement toutes les modalités de la variable. Imaginons par exemple qu on veuille évaluer l évolution de la vigilence des sujets au cours d une journée, en utilisant un outil de simulation de conduite, le matin, l après midi et le soir. La variable dépendante est par exemple le nombre d erreurs commises pendant une durée de 10mn. Chaque sujet disposera alors de trois scores de vigilence. La variable moment de contrôle admet trois modalités. On l appelle souvent Variable à mesure répétées.
17 Une variable indépendante catégorielle est dite intra-sujet (ou variable de croisement) Si chaque sujet voit successivement toutes les modalités de la variable. Imaginons par exemple qu on veuille évaluer l évolution de la vigilence des sujets au cours d une journée, en utilisant un outil de simulation de conduite, le matin, l après midi et le soir. La variable dépendante est par exemple le nombre d erreurs commises pendant une durée de 10mn. Chaque sujet disposera alors de trois scores de vigilence. La variable moment de contrôle admet trois modalités. On l appelle souvent Variable à mesure répétées.
18 Plans Emboîtés : Toutes les VI sont inter-sujets.
19 Plans Emboîtés : Toutes les VI sont inter-sujets. Si N sujets sont répartis en k groupes selon les modalités d une VI notée A on écrit S ( A k ). Si n 1, n 2,, n k désignent les nombres de sujets dans ces groupes on a N = n n k.
20 Plans Emboîtés : Toutes les VI sont inter-sujets. Si N sujets sont répartis en k groupes selon les modalités d une VI notée A on écrit S ( A k ). Si n 1, n 2,, n k désignent les nombres de sujets dans ces groupes on a N = n n k. Si tous les groupes comportent le même nombre n de sujets, on dira que le plan est équilibré et on notera Dans ce cas on a N = k n. S n ( Ak ).
21 Lors d une planification d expériences, on est amené à manipuler deux facteurs A, B ou plusieurs, A, B, C, etc, dans ce cas on écrira S ( ) A B ou S ( ) A B C, etc.
22 Plans croisés ou à mesures répétées :Toutes les VI sont intra-sujets.
23 Plans croisés ou à mesures répétées :Toutes les VI sont intra-sujets. Si n sujets sont chacun soumis à k conditions expérimentales structurées selon les modalités d une VI notée A on écrit S n A k.
24 Plans croisés ou à mesures répétées :Toutes les VI sont intra-sujets. Si n sujets sont chacun soumis à k conditions expérimentales structurées selon les modalités d une VI notée A on écrit S n A k. Lors d une planification d expérience, on est amené à manipuler plusieurs facteurs à mesures répétées, A, B, C, etc, dans ce cas on écrira S n A B ou S n A B C, etc.
25 Plans mixtes
26 Plans mixtes Si N sujets sont répartis en k groupes selons les modalités d une VI notée A et si chaque sujet est observé t fois selon les modalité d une VI à mesures répétées T on écrit S ( A k ) T t.
27 Plans mixtes Si N sujets sont répartis en k groupes selons les modalités d une VI notée A et si chaque sujet est observé t fois selon les modalité d une VI à mesures répétées T on écrit S ( A k ) T t. On peut généraliser en considérant une ou plusieurs variables d emboîtement ( inter-sujets) et une ou plusieurs variables de croisement (intra-sujets).
28 Plans mixtes Si N sujets sont répartis en k groupes selons les modalités d une VI notée A et si chaque sujet est observé t fois selon les modalité d une VI à mesures répétées T on écrit S ( A k ) T t. On peut généraliser en considérant une ou plusieurs variables d emboîtement ( inter-sujets) et une ou plusieurs variables de croisement (intra-sujets). Par exemple ( ) S 10 A3 B 4 T 3 F 2.
29 exemple
30 exemple Nous avons recruté 5 groupes de goûteurs d une variété de yaourts, répartis selon l âge, des plus âgés aux plus jeunes. Chaque goûteur doit attribuer une note globale qui tient compte de plusieurs critères : sucre, onctuosité, goût,... On a obtenu les résultats suivants :
31 groupes G 1 G 2 G 3 G 4 G
32 groupes G 1 G 2 G 3 G 4 G Les jugements attribués sont-ils dépendants de l âge?
33 C est une généralisation du test t de Student pour comparer les moyennes de k populations pour une variable X représentant l évaluation attribué par un individu choisi au hasard.. Son application nécessite la validation de deux conditions :
34 C est une généralisation du test t de Student pour comparer les moyennes de k populations pour une variable X représentant l évaluation attribué par un individu choisi au hasard.. Son application nécessite la validation de deux conditions : La variable X suit une loi normale sur chacune des k populations.
35 C est une généralisation du test t de Student pour comparer les moyennes de k populations pour une variable X représentant l évaluation attribué par un individu choisi au hasard.. Son application nécessite la validation de deux conditions : La variable X suit une loi normale sur chacune des k populations. Les variances de X sur ces k populations doivent être égales.
36 C est une généralisation du test t de Student pour comparer les moyennes de k populations pour une variable X représentant l évaluation attribué par un individu choisi au hasard.. Son application nécessite la validation de deux conditions : La variable X suit une loi normale sur chacune des k populations. Les variances de X sur ces k populations doivent être égales. On commence d abord par valider ces deux conditions par des tests adéquats. Nous reviendrons sur les tests de validations des deux conditions plus tard.
37 C est une généralisation du test t de Student pour comparer les moyennes de k populations pour une variable X représentant l évaluation attribué par un individu choisi au hasard.. Son application nécessite la validation de deux conditions : La variable X suit une loi normale sur chacune des k populations. Les variances de X sur ces k populations doivent être égales. On commence d abord par valider ces deux conditions par des tests adéquats. Nous reviendrons sur les tests de validations des deux conditions plus tard. Certains utilisateurs de l ANOVA omettent souvent la vérification des conditions et s abritent derrière la notion de robustesse.
38 Hypothèses On désigne par µ 1, µ 2,, µ k les moyennes théoriques associées aux différentes modalités de la variable indépendante. H 0 : µ 1 = = µ k
39 Hypothèses On désigne par µ 1, µ 2,, µ k les moyennes théoriques associées aux différentes modalités de la variable indépendante. H 0 : µ 1 = = µ k H 1 : Il existe i et j tels que µ i µ j
40 Hypothèses On désigne par µ 1, µ 2,, µ k les moyennes théoriques associées aux différentes modalités de la variable indépendante. H 0 : µ 1 = = µ k H 1 : Il existe i et j tels que µ i µ j On dispose de k échantillons prélevés dans ces populations de tailles respectives n 1,, n k. On note n = n n k.
41 Notations x i j désigne la jème observation de ième groupe.
42 Notations x i j désigne la jème observation de ième groupe. T i le score total du ième groupe et C i la somme des carrés des scores de ce même groupe.
43 Notations x i j désigne la jème observation de ième groupe. T i le score total du ième groupe et C i la somme des carrés des scores de ce même groupe. T et C représentent le score total de tous les groupes ainsi que la somme des carrés.
44 Notations x i j désigne la jème observation de ième groupe. T i le score total du ième groupe et C i la somme des carrés des scores de ce même groupe. T et C représentent le score total de tous les groupes ainsi que la somme des carrés. n i T i = xj i, j=1
45 Notations x i j désigne la jème observation de ième groupe. T i le score total du ième groupe et C i la somme des carrés des scores de ce même groupe. T et C représentent le score total de tous les groupes ainsi que la somme des carrés. n i T i = xj i ( ), C i = x i 2, j j=1 n i j=1
46 Notations x i j désigne la jème observation de ième groupe. T i le score total du ième groupe et C i la somme des carrés des scores de ce même groupe. T et C représentent le score total de tous les groupes ainsi que la somme des carrés. n i T i = xj i ( ), C i = x i 2, j T = T1 + +T k, C = C 1 + +C k. j=1 n i j=1
47 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k.
48 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k. s 1 2,, s k 2, les variances et ŝ 1 2,, ŝ k 2, les variances estimées ( corrigées).
49 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k. s 1 2,, s k 2, les variances et ŝ 1 2,, ŝ k 2, les variances estimées ( corrigées). s 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i n i
50 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k. s 1 2,, s k 2, les variances et ŝ 1 2,, ŝ k 2, les variances estimées ( corrigées). s 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i n i T 2 i n i = C i. n i
51 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k. s 1 2,, s k 2, les variances et ŝ 1 2,, ŝ k 2, les variances estimées ( corrigées). s 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i n i T 2 i n i = C i. n i ŝ 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i 1 n i
52 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k. s 1 2,, s k 2, les variances et ŝ 1 2,, ŝ k 2, les variances estimées ( corrigées). s 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i n i T 2 i n i = C i. n i ŝ 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i 1 n i = C i T 2 i n i n i 1
53 Notations m 1, m 2,, m k les moyennes observées des k groupes. m i = T i n i, i = 1, 2,, k. s 1 2,, s k 2, les variances et ŝ 1 2,, ŝ k 2, les variances estimées ( corrigées). s 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i n i T 2 i n i = C i. n i ŝ 2 i = ni j=1 ( ) 2 ni ( ) x i 2 j=1 xi j j n i 1 n i = C i T 2 i n i n i 1 = n i s 2 i n i 1.
54 Notations m la moyenne de l échantillon global et S 2 intra l estimation intra-groupe la variance commune des k populations : m = T n = n 1m n k m k. n
55 Notations m la moyenne de l échantillon global et S 2 intra l estimation intra-groupe la variance commune des k populations : m = T n = n 1m n k m k. n S 2 intra =
56 Notations m la moyenne de l échantillon global et S 2 intra l estimation intra-groupe la variance commune des k populations : m = T n = n 1m n k m k. n S 2 intra = n 1s n k s k 2 n k
57 Notations m la moyenne de l échantillon global et S 2 intra l estimation intra-groupe la variance commune des k populations : m = T n = n 1m n k m k. n S 2 intra = n 1s n k s k 2 n k = (n 1 1)ŝ (n k 1)ŝ 2 k n k
58 Statistiques descriptives de l exemple G 1 G 2 G 3 G 4 G 5 Tous les groupes n i T i C i m i 7 6, , , si 2 3, , , 6 21, 2344 ŝi 2 3, 75 5, , , 2679 Sintra 2 = 11, 4257
59 graphique des moyennes 18 Courbe des moyennes en fonction de l'âge Evaluation G1 G2 G3 G4 G5 groupe selon l'âge
60 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i ( ) 2 Xj i X i=1 j=1
61 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i i=1 j=1 ( ) 2 Xj i T 2 X = C n
62 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i i=1 j=1 ( ) 2 Xj i T 2 X = C n Le degré de liberté de SC T est n 1.
63 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i i=1 j=1 ( ) 2 Xj i T 2 X = C n Le degré de liberté de SC T est n 1. La variation factorielle (inter-groupes) est donnée par : k SC F = n i (X i X ) 2 i=1
64 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i i=1 j=1 ( ) 2 Xj i T 2 X = C n Le degré de liberté de SC T est n 1. La variation factorielle (inter-groupes) est donnée par : SC F = k n i (X i X ) 2 = i=1 k i=1 Ti 2 T 2 n i n
65 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i i=1 j=1 ( ) 2 Xj i T 2 X = C n Le degré de liberté de SC T est n 1. La variation factorielle (inter-groupes) est donnée par : SC F = k n i (X i X ) 2 = i=1 k Ti 2 T 2 k n i n = n i (m i ) 2 n(m 2 ). i=1 i=1
66 Théorème de l analyse de la variance La variation totale est donnée par : SC T = k n i i=1 j=1 ( ) 2 Xj i T 2 X = C n Le degré de liberté de SC T est n 1. La variation factorielle (inter-groupes) est donnée par : SC F = k n i (X i X ) 2 = i=1 k Ti 2 T 2 k n i n = n i (m i ) 2 n(m 2 ). i=1 i=1 Le degré de liberté de SC F est k 1.
67
68 Théorème de l analyse de la variance La variation résiduelle (intra-groupes) est donnée par : k n i SC R = (X ij X i ) 2. i=1 j=1
69 Théorème de l analyse de la variance La variation résiduelle (intra-groupes) est donnée par : k n i SC R = (X ij X i ) 2. i=1 j=1 Le degré de liberté de SC R est n k.
70 Théorème de l analyse de la variance La variation résiduelle (intra-groupes) est donnée par : k n i SC R = (X ij X i ) 2. i=1 j=1 Le degré de liberté de SC R est n k. On a l égalité suivante : SC T = SC F + SC R.
71 Théorème de l analyse de la variance La variation résiduelle (intra-groupes) est donnée par : k n i SC R = (X ij X i ) 2. i=1 j=1 Le degré de liberté de SC R est n k. On a l égalité suivante : SC T = SC F + SC R.
72 Statistique du test Avec l hypothèse de normalité et d égalité des variances, on démontre que, sous H 0, le rapport F (k 1, n k) = S 2 inter S 2 intra suit une loi de Fisher-Snedecor à (k 1, n k) ddl. C est la statistique du test Anova.
73 Statistique du test Avec l hypothèse de normalité et d égalité des variances, on démontre que, sous H 0, le rapport F (k 1, n k) = S 2 inter S 2 intra suit une loi de Fisher-Snedecor à (k 1, n k) ddl. C est la statistique du test Anova. Sous H 0, Sintra 2 et S inter 2 sont proches donc F est proche de 1.
74 Statistique du test Avec l hypothèse de normalité et d égalité des variances, on démontre que, sous H 0, le rapport F (k 1, n k) = S 2 inter S 2 intra suit une loi de Fisher-Snedecor à (k 1, n k) ddl. C est la statistique du test Anova. Sous H 0, Sintra 2 et S inter 2 sont proches donc F est proche de 1. Sous H 1, sinter 2 (variance des moyennes) est grand donc F est grand.
75 Tableau de synthèse de l ANOVA source ddl SC CM F p Inter-groupes 5 1 = , 5 0, 0004 intra-groupes 42 5 = total 42 1 = On dit que le facteur groupe a un effet significatif de p-value p=0,0004.
76 Tableau de synthèse de l ANOVA source ddl SC CM F p Inter-groupes 5 1 = , 5 0, 0004 intra-groupes 42 5 = total 42 1 = On dit que le facteur groupe a un effet significatif de p-value p=0,0004. Intensité de l effet du facteur : c est le pourcentage de variation totale expliqué par le facteur : R 2 = SC F SC T = =
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,
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
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
Bureau : 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/
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
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
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
La 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
TSTI 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
Loi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Microsoft 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.
FONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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
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
RAPPORT SYNTHÈSE. En santé après 50 ans. Évaluation des effets du programme Les médicaments :
S A N T É P U B L I Q U E RAPPORT SYNTHÈSE Évaluation des effets du programme Les médicaments : Oui Non Mais! En santé après 50 ans Depuis janvier 1997, la Direction de santé publique s est associée à
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)
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
Comment suivre l évolution d une transformation chimique? + S 2 O 8 = I 2 + 2 SO 4
Afin d optimiser leurs procédés, les industries chimiques doivent contrôler le bon déroulement de la réaction de synthèse menant aux espèces voulues. Comment suivre l évolution d une transformation chimique?
Lois 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
BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES. EXEMPLE DE SUJET n 2
Exemple de sujet n 2 Page 1/7 BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES EXEMPLE DE SUJET n 2 Ce document comprend : Pour l examinateur : - une fiche descriptive du sujet page 2/7 - une fiche
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
SOCLE 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
Théorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
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.......................................
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
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
DROIT, ÉCONOMIE & GESTION DUT GESTION DES ENTREPRISES ET DES ADMINISTRATIONS (GEA) www.univ-littoral.fr
DROIT, ÉCONOMIE & GESTION DUT GESTION DES ENTREPRISES ET DES ADMINISTRATIONS (GEA) www.univ-littoral.fr OBJECTIFS DE LA FORMATION Dispenser les savoirs théoriques et professionnels de base et proposer
Principes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
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
Indépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
distribution 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
BACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
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
Cours organisés par le CPLN-EPC formations supérieures
Brevet fédéral de spécialiste de la conduite d un groupe Certificats en Leadership & Management Cours organisés par le CPLN-EPC formations supérieures Version 2011-2012 1. PRÉSENTATION DE LA FORMATION
Classe 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
Construction d un cercle tangent à deux cercles donnés.
Préparation au CAPES Strasbourg, octobre 2008 Construction d un cercle tangent à deux cercles donnés. Le problème posé : On se donne deux cercles C et C de centres O et O distincts et de rayons R et R
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
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Développements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
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?
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
Trépier avec règle, ressort à boudin, chronomètre, 5 masses de 50 g.
PHYSQ 130: Hooke 1 LOI DE HOOKE: CAS DU RESSORT 1 Introduction La loi de Hooke est fondamentale dans l étude du mouvement oscillatoire. Elle est utilisée, entre autres, dans les théories décrivant les
Continuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
La Menace du Stéréotype
La Menace du Stéréotype Fabrice GABARROT Bureau M6158 - Uni Mail Université de Genève 40, Bld du Pont d'arve CH-1205 Genève SUISSE Courriel : Fabrice.Gabarrot@pse.unige.ch Les stéréotypes sont, pour simplifier,
La persistance des nombres
regards logique & calcul La persistance des nombres Quand on multiplie les chiffres d un nombre entier, on trouve un autre nombre entier, et l on peut recommencer. Combien de fois? Onze fois au plus...
Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Programmation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
Stock-Options. Mécanisme et Fiscalité QUILVEST FAMILY OFFICE
Mécanisme et Fiscalité QUILVEST FAMILY OFFICE Définition Les stock-options offrent à des salariés ou à des dirigeants la possibilité d acquérir à une échéance déterminée des actions de leur société à un
Chapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Stock-Options. Mécanisme et Fiscalité QUILVEST FAMILY OFFICE
Mécanisme et Fiscalité QUILVEST FAMILY OFFICE Définition Les stock-options offrent à des salariés ou à des dirigeants la possibilité d acquérir à une échéance déterminée des actions de leur société à un
Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Application sur le Dispositif en Blocs Complètement Randomisés
Roger Vumilia. KIZUNGU Directeur de l Expérimentation Agricole à l INERA Professeur Associé Faculté des Sciences Agronomiques Université de Kinshasa Utilisation des Logiciels de base dans la Recherche
Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Estimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Résultats d Etude. L étude de marché. Résultats d Etude N 1889 : Conciergerie privée. Testez la fiabilité de votre projet.
Résultats d Etude L étude de marché Testez la fiabilité de votre projet 1 Sommaire : Introduction... 4 Synthèse... 6 PAGE 1 :... 7 Question 1/13... 7 Vous vivez :... 7 PAGE 2 :...10 Question 2/13...10
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
www.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
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
Durée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
NextStage. Un placement bloqué jusqu au 31/12/2019 (et au 31/12/2022 maximum sur décision de la société de gestion)
NextStage Un placement bloqué jusqu au 31/12/2019 (et au 31/12/2022 maximum sur décision de la société de gestion) FIP éligible à la réduction d ISF ou d IR Code ISIN : FR0011429505 NextStage soutient
Ile-de-France Bourgogne Rhône-Alpes PACA
10.3 Ile-de-France Bourgogne Rhône-Alpes PACA FIP éligible à la réduction et l exonération de l ISF Un placement bloqué sur 6,5 ans, soit jusqu au 31 décembre 2016 (pouvant aller jusqu à 8,5 ans, soit
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
ISFA 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
Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Probabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Commun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Mémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi»
Mémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi» 46, rue de la Tour 75116 Paris tél. (33) 01 73 00 55 00 fax (33) 01 73 00 55 01 www.softcomputing.com Sommaire
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
O, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
1 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
Site : http://www.isnab.com mail : mennier@isnab.fr SUJET ES - session 2003 Page 1 68-(7(6VHVVLRQ
Site : http://www.isnab.com mail : mennier@isnab.fr SUJET ES - session 003 Page 1 68-(7(6VHVVLRQ LE JUS E FRUIT 35(0,Ê5(3$57,(%LRFKLPLHSRLQWV L'analyse d'un jus de fruit révèle la présence d'un composé
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
FICHE 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
Les critères de segmentation Critères Variables retenues Description Exemple Pays, région, ville, Chauffage,
SYNTHÈSE DU CHAPITRE 11 : LA SEGMENTATION DE LA DEMANDE. La segmentation. La segmentation de la demande consiste à définir des groupes de clients (des segments de clientèle) ayant des comportements homogènes
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.*,
(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
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
Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
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
Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
STRICTEMENT CONFIDENTIEL
MOIS / ANNEE ETUDE DE VALORISATION Société «EDIVAL» STRICTEMENT CONFIDENTIEL BUREAUX 31, Rue de Brest 69002 LYON Tél : +33 (0)8 71 55 11 98 SIÈGE SOCIAL 94, Rue Saint Lazare 75009 PARIS Tél : +33 (0)1
Cours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Traiter les appels à la permanence téléphonique d assistance. Résumé. Destinataires. Suivi des modifications
Objectif Nom fichier Lieu de stockage Créateur Résumé Mettre en place une organisation efficace des permanences téléphoniques 110307_TraiterAppelsTelephoniques_v0.0.0.doc S:\OPERATIONNEL\03_COLLEGES\03_2_Colleges_publics\14_E
Peut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Contenu de l action de formation BTS Management des Unités Commerciales
Contenu de l action de formation BTS Management des Unités Commerciales La fonction commerciale a évolué vers une personnalisation de l offre et de la relation client ainsi qu au développement des services
Programmes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Modèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Processus de validation des coûts à l appui de l attestation par l DPF
ASSISTANT DEPUTY MINISTER (FINANCE AND CORPORATE SERVICES) SOUS-MINISTRE ADJOINT (FINANCES ET SERVICES DU MINISTÈRE) Processus de validation des coûts à l appui de l attestation par l DPF Allan Weldon!
Résolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
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
FONDEMENTS MATHÉMATIQUES 12 E ANNÉE. Mathématiques financières
FONDEMENTS MATHÉMATIQUES 12 E ANNÉE Mathématiques financières A1. Résoudre des problèmes comportant des intérêts composés dans la prise de décisions financières. [C, L, RP, T, V] Résultat d apprentissage
Chapitre 7 Les solutions colorées
Chapitre 7 Les solutions colorées Manuel pages 114 à 127 Choix pédagogiques. Ce chapitre a pour objectif d illustrer les points suivants du programme : - dosage de solutions colorées par étalonnage ; -