L'analyse en composantes principales (A.C.P.)

Dimension: px
Commencer à balayer dès la page:

Download "L'analyse en composantes principales (A.C.P.)"

Transcription

1 Montpellier L'analyse des données multivariées à l'aide du logiciel L'analyse en composantes principales (A.C.P.) INRA - Formation Permanente Juillet 2005 André Bouchier p.1/23

2 Copyright 2005 André Bouchier Permission is granted to make and distribute verbatim copies of this manual provided the copyright notice and this permission notice are preserved on all copies. Permission is granted to copy and distribute modified versions of this manual under the conditions for verbatim copying, provided that the entire resulting derived work is distributed under the terms of a permission notice identical to this one. p.2/23

3 1.Avant propos : l Pré-recquis Ce support de cours concerne la mise en oeuvre d'une analyse en composantes principales à l'aide du logiciel de statistiques R. Ce n'est ni un cours de statistique ni une initiation à R. On suppose donc connues les bases de ce logiciel ainsi que quelques notions de statistiques concernant l'analyse en composantes principales. l Les fonctions utilisées : Les fonctions utilisées pour cette analyse sont disponibles dans les bibliothèques standard de R et dans la bibliothèque ade4. Pour aider à la compréhension, l'écriture des «programmes» sera détaillée. Par la suite, vous pourrez condenser cette écriture. Mais n'oubliez pas de les commenter abondamment. p.3/23

4 2.Rappels : l L ACP est une méthode descriptive. l Son objectif est de représenter sous forme graphique l essentiel de l information contenue dans un tableau de données quantitatif. l Dans un tableau de données à j variables, les individus se trouvent dans un espace à j dimensions. l Lorsqu on projette ces données sur un plan, on obtient un graphique déformé de la réalité. l Le rôle de l ACP est de trouver des espaces de dimensions plus petites minimisant ces déformations. l On utilise un espace à 2 dimensions (un plan). Ce plan est appelé le plan principal. p.4/23

5 3.Les données d'exemple : l Le tableau des données d'exemple : Ce tableau de données, contient les données techniques sur 62 véhicules - année modèle Les variables sont : row.names : nom du modèle Puissance : en chevaux fiscaux Cylindree : en cm 3 Longueur : longueur de la voiture Largeur : largeur de la voiture Surface : surface de la voiture Poids : poids total en Kg Vitesse : vitesse maximum en km/h DepArret : Temps, en secondes, pour parcourir 1000 m, départ arrêté. Conso : Consommation moyenne aux 100 Km, en litres (essence ou gazole) p.5/23

6 4.Préparation du tableau des données : l Les données seront dans le tableau «don»: Puissance Cylindree Longueur Largeur Surface Poids Vitesse DepArret Conso Alfa-Romeo ie Alfa-Romeo Alfa-Romeo 155 TD Alfa-Romeo T BMW 316i BMW 325 TD BMW 518i BMW 525 TD NA /... l On élimine les 10 individus ayant des valeurs manquantes don<-na.omit(don) l L'identifiant des individus est row.names(don) Il contient le nom des véhicules p.6/23

7 5.Description des variables, les histogrammes : l Les histogrammes de toutes les variables layout(matrix(c(1:9),3,3)) for(i in 1:9) {hist(don[,i],main=names(don)[i],xlab="")} layout(1) Puissance Largeur Vitesse Frequency Cylindree Frequency Longueur Frequency Frequency Surface Frequency Poids Frequency Frequency DepArret Frequency Conso Frequency p.7/23

8 6.Description des variables, contrôle de la linéarité des relations : l Les relations entre les variables quantitatives : pairs(don,main="données voitures 1994") p.8/23

9 7.L'A.C.P. - fonction dudi.pca () de la bibliothèque ade4 : l On lance l analyse en composantes principale Les résultats de l'analyse sont stockés dans la variable z library(ade4) z<- dudi.pca(don, center = T, scale = T, scannf = F) l Choix du type d'analyse Les options center et scale de la fonction dudi.pca sont utilisées pour centrer et réduire les variables. p.9/23

10 8.Les valeurs propres : l Impression des valeurs propres (variances de chaque composante) : z$eig l Les variances cumulées (Σ des variances = 9, les données sont centrées réduites) : cumsum(z$eig) l Les variances en pourcentages et pourcentages cumulés : z$eig/sum(z$eig)* cumsum(z$eig/sum(z$eig)*100) p.10/23

11 9.L'histogramme des valeurs propres l Une représentation en % de variance expliquée : inertie<-z$eig/sum(z$eig)*100 barplot(inertie,ylab="% d'inertie",names.arg=round(inertie,2)) title("eboulis des valeurs propres en %") Eboulis des valeurs propres en % % d'inertie p.11/23

12 10.Interprétation des composantes : les contributions "relatives" l Contributions des variables à la construction des axes : inertia.dudi(z,col.inertia = T)$col.abs Comp1 Comp2 Puissance Cylindree Longueur Largeur Surface Poids Vitesse DepArret Conso Somme p.12/23

13 11.Présentation des résultats - le plan principal : l Le résultat de l'a.c.p a été stocké dans la variable z. Les coordonnées des lignes et des colonnes se trouvent respectivement dans z$li et z$co l La première composante sera : cl1<-z$li[,1] cc1<-z$co[,1] pour les individus pour les variables l La deuxième sera : cl2<-z$li[,2] cc2<-z$co[,2] pour les individus pour les variables p.13/23

14 12.Présentation des résultats - le plan des individus : l Représentation du graphique du plan des individus : plot(cl1,cl2,type="n",main="les individus",xlim=c(-7,7)) abline(h=0,v=0) text(cl1,cl2,row.names(z$li)) Les individus cp Peugeot 605 Sv24 Citroen AX1.4i Alfa-Romeo ie Fiat UNO 1.4i.e Alfa-Romeo BMW 730i Citroen Renault AX1.0Clio 1.4 Fiat RN TIPO 1.8ie Citroen XM V6 Fiat UNO TD Fiat TEMPRA 1.8ie Citroen Fiat CROMA XANTIA 2.0i Renault Twingo Renault Renault Clio Citroen 1.9D Renault Peugeot 19 ZX RN 405 Prima Citroen SR TS XM 2.0i Peugeot Renault 19 BMW BMW 316i BMW 325 TD 518i Citroen AX14TD Citroen Fiat TIPO Citroen RN Renault ZX1.9TD 19 XTDT XANTIA dt Peugeot 1.8I 605 SLi Peugeot 106 XN Peugeot Peugeot Fiat Alfa-Romeo 405 CROMA STD TD 2.5 T Renault Clio 1.2 RN Fiat 306 TEMPRA XN TD Peugeot 106 XTD Peugeot Alfa-Romeo Renault GL Renault Prima 155 TD TD Safrane2.0i Citroen Citroen ZX1.1 XANTIA 1.6I Citroen XANTIA TD Citroen Renault Renault XM Safrane2.5 TD12 Espace d2.2i Peugeot 605 SLD Renault Espace 2.1dT cp1 p.14/23

15 13.Présentation des résultats - le plan des variables : l La représentation graphique du plan des variables : plot(cc1,cc2,type="n", main="les variables", xlim=c(-1,1), ylim=c(-1,1), asp=1, #rapport entre "Echelle X" et "Echelle Y" ylab= "Comp2 71.7%", xlab= "Comp1 12.6%") abline(h=0,v=0) text(cc1,cc2,row.names(z$co)) l Le cercle des corrélations : symbols(0,0,circles=1,inches=false,add=true) p.15/23

16 14.Graphique du plan des variables : Les variables Comp2 71.7% DepArret Puissance Vitesse Conso Cylindree Longueur Poids Surface Largeur Comp1 12.6% p.16/23

17 15.Les données supplémentaires : l La bibliothèque ade4 propose les fonctions supcol() et suprow() pour calculer les coordonnées des variables et individus supplémentaires. Ces fonctions s'utilisent après le calcul de l'a.c.p. l Le tableau de données donsup contient 10 individus dont les données manquantes ont été remplacées par des valeurs grossièrement estimées. Ces données sont peu fiables et ont été introduites en supplémentaire dans l'analyse. Puissance Cylindree Longueur Largeur Surface Poids Vitesse DepArret Conso BMW 525 TD Fiat Panda 1000i.e Ford Fiesta Ford Fiesta TD Ford Escort Ford Escort 1800 TD Ford MONDEO 1800i Ford MONDEO TD Ford Scorpio 2000i Ford Scorpio 2900i p.17/23

18 16.Les individus supplémentaires : l Les coordonnées des individus supplémentaires sont calculés en tenant compte des options utilisées dans l'acp sur les individus actifs. Ici, ils seront centréréduits. z<- dudi.pca(don, center = T, scale = T, scannf = F) ligsup<-suprow(z,donsup) l Les coordonnées des individus supplémentaires se trouve dans ligsup$lisup Axis1 Axis2 BMW 525 TD Fiat Panda 1000i.e Ford Fiesta Ford Fiesta TD Ford Escort Ford Escort 1800 TD Ford MONDEO 1800i Ford MONDEO TD Ford Scorpio 2000i Ford Scorpio 2900i p.18/23

19 17.Représentation simultanée des individus actifs et supplémentaires: l Représentation simultanée des individus actifs et supplémentaires cl1<-z$li[,1] cl2<-z$li[,2] csup1<-ligsup$lisup[,1] csup2<-ligsup$lisup[,2] plot(cl1,cl2,type="n",main="les individus",xlim=c(-8,8)) abline(h=0,v=0) text(cl1,cl2,row.names(z$li),) text(csup1,csup2,row.names(ligsup$lisup),col="red",cex=1.2) Les individus cl Peugeot 605 Sv24 Citroen AX1.4i Ford Scorpio 2900i Alfa-Romeo ie Fiat UNO 1.4i.eAlfa-Romeo BMW 730i Citroen Renault AX1.0 Clio Fiat 1.4 RN TIPO 1.8ie Citroen XM V6 Fiat UNO TDFiat TEMPRA 1.8ie Citroen Fiat CROMA XANTIA 2.0i Renault Twingo Renault Ford Citroen Peugeot RN Scorpio 2000i ZX1.6 Citroen XM 2.0i Ford Renault Peugeot Renault Clio Renault 1.9D 19 BMW BMW 316i BMW 325 TD 518i Citroen AX14TDCitroen Fiat Citroen TIPO RN Prima SR TS Ford Fiesta Fiesta Renault Ford 1400 TD ZX1.9TD 19 MONDEO XTDT XANTIA Peugeot dt 1.8I 1800i Fiat Panda 1000i.e 605 SLi Peugeot 106 Peugeot XN Peugeot Fiat Alfa-Romeo CROMA T Fiat 306 TEMPRA XN 405 STD Renault Ford Clio 1.2 Escort RN 1800 BMW TD TD 525 TD Peugeot 106 XTD Peugeot Alfa-Romeo Renault Renault GL Prima 155 TD Safrane2.0i TD Ford Citroen Escort Citroen ZX1.1 XANTIA 1.6I Citroen 1400 Ford MONDEO XANTIA TD TD Citroen Renault Renault XM Safrane2.5 TD12 Espace 2.2i d Peugeot 605 SLD Renault Espace 2.1dT cl1 p.19/23

20 18.Représentation séparée des individus principaux et supplémentaires: l Pour plus de lisibilité, dans le cas présent, il est sans doute préférable de représenter séparément les individus supplémentaires plot(cl1,cl2,type="n",main="individus supplém",xlim=c(-8,8)) abline(h=0,v=0) text(csup1,csup2,row.names(ligsup$lisup),col="red",cex=1.1) Individus supplém cl Ford Scorpio 2900i Ford Scorpio 2000i Ford Ford Fiesta Fiesta 1400 TD Ford MONDEO 1800i Fiat Panda 1000i.e Ford Escort 1800 BMW TD 525 TD Ford Escort 1400 Ford MONDEO TD cl1 p.20/23

21 19.L'A.C.P., le programme complet : #lecture et préparation des données don<-na.omit(don) #exploration graphique des données layout(matrix(c(1:9),3,3)) for(i in 1:9) {hist(don[,i],main=names(don)[i],xlab="")} layout(1) pairs(don,main="données voitures 1994") #le calcul de l'acp. Les résultats sont stockés dans la variable z library(ade4) z<- dudi.pca(don, center = T, scale = T, scannf = F) #l'éboulis des valeurs propres en % inertie<-z$eig/sum(z$eig)*100 barplot(inertie,ylab="% d'inertie",names.arg=round(inertie,2)) title("eboulis des valeurs propres en %") #les coordonnées lignes et colonnes cl1<-z$li[,1]; cc1<-z$co[,1]; cl2<-z$li[,2]; cc2<-z$co[,2] #graphique du plan des individus actifs plot(cl1,cl2,type="n",main="les individus",xlim=c(-8,8)) abline(h=0,v=0) text(cl1,cl2,row.names(z$li),) #graphique du plan des variables actives plot(cc1,cc2,type="n",main="les variables",xlim=c(-1,1),ylim=c(-1,1), asp=1,ylab= "Comp2 71.7%",xlab= "Comp1 12.6%") abline(h=0,v=0) text(cc1,cc2,row.names(z$co)) symbols(0,0,circles=1,inches=false,add=true) p.21/23

22 20.Quelques références : l Logiciel R : R Development Core Team (2004). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN , URL l Bibliothèque ade4 : Jean Thioulouse, Anne-Beatrice Dufour and Daniel Chessel (2004). ade4: Analysis of Environmental Data : Exploratory and Euclidean methods in Environmental sciences. R package version Mailing list: p.22/23

23 21.Table des matières 1.Avant propos : Rappels : Les données d'exemple : Préparation du tableau des données : Description des variables, les histogrammes : Description des variables, contrôle de la linéarité des relations : L'A.C.P. - fonction dudi.pca () de la bibliothèque ade4 : Les valeurs propres : L'histogramme des valeurs propres Interprétation des composantes : les contributions "relatives" Présentation des résultats - le plan principal : Présentation des résultats - le plan des individus : Présentation des résultats - le plan des variables : Graphique du plan des variables : Les données supplémentaires : Les individus supplémentaires : Représentation simultanée des individus actifs et supplémentaires: Représentation séparée des individus principaux et supplémentaires: L'A.C.P., le programme complet : Quelques références :...22 p.23/23

L'analyse des données multivariées à l'aide du logiciel

L'analyse des données multivariées à l'aide du logiciel L'analyse des données multivariées à l'aide du logiciel L'analyse factorielle des correspondances simples (A.F.C.s.) INRA - Formation Permanente Juillet 2005 André Bouchier p.1/16 Copyright 2005 André

Plus en détail

L'analyse des données multivariées à l'aide du logiciel

L'analyse des données multivariées à l'aide du logiciel L'analyse des données multivariées à l'aide du logiciel L'analyse factorielle des correspondances multiples (A.F.C.m.) INRA - Formation Permanente Juillet 2005 André Bouchier p.1/25 Copyright 2005 André

Plus en détail

L'analyse des données à l usage des non mathématiciens

L'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 détail

Il y a 24 individus en ligne (les modèles de voitures) et 6 variables en colonnes (paramètres mécaniques). Valeurs propres

Il y a 24 individus en ligne (les modèles de voitures) et 6 variables en colonnes (paramètres mécaniques). Valeurs propres VOITURE: On étudie 6 différents paramètres mécaniques (les variables), exprimées dans des unités différentes, de 24 modèles de voitures (les individus). Modèle Cylindre Puissance Vitesse Poids Longueur

Plus en détail

CITROEN H.T. T.T.C. H.T. T.T.C.

CITROEN H.T. T.T.C. H.T. T.T.C. ATD FRANCE Vente et Reconditionnement de Boîtes de Vitesses Automatiques et Manuelles TARIFS 2010 BOITE DE VITESSE CONSIGNE CITROEN H.T. T.T.C. H.T. T.T.C. Manuelles 4 v 2 CV / DIANE / AK / AMI 6 / AMI

Plus en détail

ACP Voitures 1- Méthode

ACP Voitures 1- Méthode acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788

Plus en détail

GAMME TAPIS CAOUTCHOUC

GAMME TAPIS CAOUTCHOUC 715 rue Albert Einstein Service commande CS 90501 Téléphone: 04.42.39.87.67 13593 AIX EN PROVENCE CEDEX 3 Télécopie: 04.42.39.87.69 GAMME TAPIS CAOUTCHOUC DRIVE 4 pièces Tapis BAC Tapis WINTER GOOD 2 pièces

Plus en détail

Initiation à l analyse en composantes principales

Initiation à l analyse en composantes principales Fiche TD avec le logiciel : tdr1103 Initiation à l analyse en composantes principales A.B. Dufour & D. Clot Une première approche très intuitive et interactive de l ACP. Table des matières 1 Introduction

Plus en détail

TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE

TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE Statistique Numérique et Analyse de Données Ecole des Ponts ParisTech, 2 ème année TP2 : ANALYSE DESCRIPTIVE MULTIVARIÉE Analyse des données de peintures de Rembrandt et de Van Gogh On se propose, à titre

Plus en détail

TD2 Gestion de la relation clientèle

TD2 Gestion de la relation clientèle TD2 Gestion de la relation clientèle Prof. Christophe Sempels Contexte Année 1980 27 modèles de voitures analysés Caractéristiques spécifiées : CV, prix, cylindrée, puissance, vitesse, longueur, prime

Plus en détail

Initiation à l analyse en composantes principales

Initiation 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 détail

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

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

Plus en détail

Représenter graphiquement une série statistique

Représenter graphiquement une série statistique Représenter graphiquement une série statistique Objectifs : - savoir identifier le caractère étudié - représenter une série statistique par une représentation graphique - savoir exploiter des données statistiques

Plus en détail

Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master 2 2005/2006

Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master 2 2005/2006 Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master 2 2005/2006 . Les données NOMS PUISS CYLI Co uple Ma xi LONG LARG H AUT COFFRE RESE POIDS VITE CONS ALF 47,9 JTD Distinctive 5 90 28 4,7,73,44 280

Plus en détail

Prix de vente des voitures neuves dans l Union européenne au 1er novembre 1996 : les plus bas aux Pays-Bas, les plus élevés en Allemagne

Prix de vente des voitures neuves dans l Union européenne au 1er novembre 1996 : les plus bas aux Pays-Bas, les plus élevés en Allemagne IP/97/113 Bruxelles, le 14 février 1997 Prix de vente des voitures neuves dans l Union européenne au 1er novembre 1996 : les plus bas aux Pays-Bas, les plus élevés en Allemagne Au 1er novembre 1996, 23

Plus en détail

CLASSIFICATION. ESIEA 5 ème année

CLASSIFICATION. ESIEA 5 ème année CLASSIFICATION ESIEA 5 ème année 2009/200 Les données Modèle Cylindrée Puissance Vitesse Poids Longueur Largeur Honda Civic 396 90 74 850 369 66 Renault 9 72 92 80 965 45 69 Fiat Tipo 580 83 70 970 395

Plus en détail

Base de données et logiciels

Base de données et logiciels Base de données et logiciels par G. BOUXIN Sommaire Logiciels personnels en ACCESS Basic... 2 La base de données ACCESS «Data analysis2016»... 2 Logiciel «Presence table»... 3 Logiciel Complete disjunctive

Plus en détail

LANIERE EXPERIMENTALE 2~ année 1" cycle

LANIERE EXPERIMENTALE 2~ année 1 cycle LANIERE EXPERIMENTALE 2~ année 1" cycle I J.R BRQSSARD I si CAHIER ;t;;af f ^NlQME * I INTERACTION VEHICULE -ATMMOSPHERE Voir aussi cahiers 2-3 Mécaniquf : JP BROSSARD Voir aussi cahier 4 Construction

Plus en détail

OBSERVATOIRE DU VOTE

OBSERVATOIRE DU VOTE OBSERVATOIRE DU VOTE Conférence de presse du 23 mars 212, Paris. Extraits du rapport sur l' «Incidence du vote électronique en France lors des élections cantonales de 211» et synthèse des études de l'observatoire

Plus en détail

Analyse de données avec R Complémentarité des méthodes d'analyse factorielle et de classification. 2 L'analyse de données avec R

Analyse de données avec R Complémentarité des méthodes d'analyse factorielle et de classification. 2 L'analyse de données avec R Analyse de données avec R Complémentarité des méthodes d'analyse factorielle et de classification François Husson, Julie Josse & Jérôme Pagès Laboratoire de mathématiques appliquées - 65 rue de St-Brieuc

Plus en détail

La Belgique, pays du diesel? Automania.be

La Belgique, pays du diesel? Automania.be Automania.be L'intégration de véhicules hybrides et électriques dans les flottes des entreprises : une formule rentable Publié le 08.05.2014 Une étude sur le point critique entre conduire à l'essence,

Plus en détail

On présente souvent les grandeurs proportionnelles dans un tableau de proportionnalité.

On présente souvent les grandeurs proportionnelles dans un tableau de proportionnalité. 3 ème A Fiche D1 - a proportionnalité 1. Rappels : *Exemples de situation de proportionnalité dans la vie courante : 1 ) le prix des fruits au kilo. + on achète de fruits + c est cher. e prix est proportionnel

Plus en détail

Commentaires sur le 9ème Palmarès / avril 2013

Commentaires sur le 9ème Palmarès / avril 2013 Commentaires sur le 9ème Palmarès / avril 2013 1423 versions de 215 modèles de 42 marques Le classement de la voiture citoyenne établi avec les modèles et les versions disponibles le 1 er décembre 2012

Plus en détail

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h I.U.T de Caen STID 2ème année Département STID Année Universitaire 2002-2003 Responsable de cours : Alain LUCAS Seule la calculatrice type collège est autorisée. Seul le cours est autorisé. On rappelera

Plus en détail

TP 1 : Présentation générale du logiciel, l aide en ligne et les bases du langage

TP 1 : Présentation générale du logiciel, l aide en ligne et les bases du langage TP 1 : Présentation générale du logiciel, l aide en ligne et les bases du langage est distribué gratuitement à partir du site du CRAN (Comprehensive R Archive Network) : http://www.r-project.org/. Je vous

Plus en détail

Didacticiel - Études de cas

Didacticiel - Études de cas 1 Objectif Analyse factorielle des données mixtes Comparaison des logiciels Tanagra et R. Habituellement, on utilise l analyse en composantes principales (ACP) lorsque toutes les variables actives sont

Plus en détail

Utiliser le tableur pour comparer le coût d utilisation de deux véhicules, diesel et essence

Utiliser le tableur pour comparer le coût d utilisation de deux véhicules, diesel et essence Utiliser le tableur pour comparer le coût d utilisation de deux véhicules, diesel et essence Ph. Morin Mai 2014 Table des matières 1 Enoncé 2 2 Données 2 3 Position du problème 2 4 Utilisation du tableur

Plus en détail

WWW.ATD-FRANCE.COM BOÎTES DE VITESSES MANUELLES AUTOMATIQUES FRANCE 05 57 68 17 68 PARIS 0 820 250 200

WWW.ATD-FRANCE.COM BOÎTES DE VITESSES MANUELLES AUTOMATIQUES FRANCE 05 57 68 17 68 PARIS 0 820 250 200 WWW.ATD-FRANCE.COM 2013 BOÎTES DE VITESSES MANUELLES AUTOMATIQUES FRANCE 05 57 68 17 68 PARIS 0 820 250 200 1 CHOISIR LE LEADER DU RECONDITIONNEMENT DE BOÎTES DE VITESSES EN FRANCE C'EST S'ASSURER : LA

Plus en détail

TARIFS 2015. Tous les prix sont toutes taxes comprises

TARIFS 2015. Tous les prix sont toutes taxes comprises GUIDE DES TARIFS 2015 DISTRIBUTION Véhicules essence Ax - saxo 1.0-1.1-1.4 C2 - C3-1.1 C4-2.0 16v - C5-1.8 16v - 2.0 16v - C8-2.0-2.0 16v Evasion - 1.8 Xantia - 1.6i - 1.8i Xantia 1.8i 16v - Xsara - xsara

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L 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 détail

DIPLÔME NATIONAL DU BREVET. Séries Technologique et professionnelle MATHÉMATIQUES À L'ATTENTION DES CANDIDATS :

DIPLÔME NATIONAL DU BREVET. Séries Technologique et professionnelle MATHÉMATIQUES À L'ATTENTION DES CANDIDATS : Session 2009 DIPLÔME NATIONAL DU BREVET Séries Technologique et professionnelle MATHÉMATIQUES À L'ATTENTION DES CANDIDATS : 1. L'usage des calculatrices est autorisé, toutefois, il est strictement interdit

Plus en détail

Relais, Centrales clignotantes, Centrale préchauffage pour moteur diesel et Buzzers

Relais, Centrales clignotantes, Centrale préchauffage pour moteur diesel et Buzzers Relais, Centrales clignotantes, Centrale préchauffage pour moteur diesel et Buzzers 2014 2015 31 Relais Relais inverseur RÉFÉRENCE DESCRIPTION Volt./Amp. CONNEXIONS RR25 RR32 RR36 RR46 RR37 RR91 RR92 Relais

Plus en détail

LOW COST TOUT INCLUS FIAT PANDA. Moteur: Essence A/C Radio CD Assurance tous risques sans franchise Réservoir plein PRIX / SEMAINE

LOW COST TOUT INCLUS FIAT PANDA. Moteur: Essence A/C Radio CD Assurance tous risques sans franchise Réservoir plein PRIX / SEMAINE LOW COST TOUT INCLUS FIAT PANDA Assurance tous risques sans franchise Réservoir plein 01.01.15-30.06.15 20.09.15 30.06.15 01.07.15-31.07.15 01.08.15-23.08.15 23.08.15-20.09.15 190 240 315 240 LOW COST

Plus en détail

Session 1 durée 3 heures

Session 1 durée 3 heures Université de Nantes Mai 27 Master MIM Examen d'analyse de données Session durée 3 heures Les documents sont interdits. Les calculatrices sont autorisées. Exercice : - Etude d un tableau à l aide d une

Plus en détail

Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances

Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances Analyse de données M1 Statistique et économétrie - 2013 V. Monbet Analyse factorielle des correspondances A travers ce TD, nous allons apprendre à mettre en oeuvre l analyse factorielle des correspondances.

Plus en détail

"Étude TOPÉO" Le Concept de la voiture low cost en France => Cas concret : la NANO de TATA

Étude TOPÉO Le Concept de la voiture low cost en France => Cas concret : la NANO de TATA "Étude TOPÉO" Le Concept de la voiture low cost en France => Cas concret : la NANO de TATA Étude en Ligne, réalisée par CEGMA TOPO, du 0 au 06 avril 009 Auprès de 360 individus : titulaires du permis de

Plus en détail

Statistiques bivariées : corrélation et régression linéaire

Statistiques bivariées : corrélation et régression linéaire : corrélation et régression linéaire Activité d'introduction Ce chapitre de statistique est présenté avec l'objectif de promouvoir la réflexion des étudiants et leur faire remarquer que ces notions statistiques

Plus en détail

Etude comparative de la classification ascendante hiérarchique et de la classification floue pour identifier cinq familles de voitures

Etude comparative de la classification ascendante hiérarchique et de la classification floue pour identifier cinq familles de voitures Etude comparative de la classification ascendante hiérarchique et de la classification floue pour identifier cinq familles de voitures Geneviève PAVIOT Maître de Conférences en Gestion 2 RESUME Le marché

Plus en détail

Brevet des collèges, correction 27 juin 2013 Métropole La Réunion Antilles-Guyane

Brevet des collèges, correction 27 juin 2013 Métropole La Réunion Antilles-Guyane Brevet des collèges, correction 27 juin 201 Métropole La Réunion Antilles-Guyane Exercice 1 4 points Avec un logiciel : on a construit un carré ABD, de côté 4 cm. on a placé un point M mobile sur [AB]

Plus en détail

Université Paris IX DAUPHINE DATE : 24/04/06

Université Paris IX DAUPHINE DATE : 24/04/06 Master Informatique Décisionnelle Application des outils de l'informatique Décisionnelle en entreprise ETUDE SUR LES MARQUES ET LES CONTRUCTEUR DES VÉHICULES APPARTENANT AUX CLIENTS D UNE COMPAGNIE D ASSURANCE

Plus en détail

Statistiques descriptives Variance et écart type

Statistiques descriptives Variance et écart type Statistiques descriptives Variance et écart type I) Rappel : la moyenne (caractéristique de position ) Définition Soit la série statistique définie dans le tableau suivant : Valeur... Effectif... Fréquences

Plus en détail

PROPORTIONNALITE VITESSE MOYENNE

PROPORTIONNALITE VITESSE MOYENNE PROPORTIONNALITE VITESSE MOYENNE 1) Remplir un tableau de proportionnalité (Rappels) 3 kg de pommes coûtent 5,40. Combien coûtent 5 kg de pommes? Les grandeurs en jeu sont : la masse des pommes en kg ;

Plus en détail

T. D. n o 2 Statistiques descriptives avec le logiciel R

T. D. n o 2 Statistiques descriptives avec le logiciel R T. D. n o 2 Statistiques descriptives avec le logiciel R Introduction : Ce T.D. a pour but de vous faire assimiler les représentations numériques et graphiques des statistiques descriptives univariée et

Plus en détail

Analyse des données - Logiciel R

Analyse des données - Logiciel R Université de Strasbourg Analyse des données Master de Sciences, Spécialité Statistique 2012/13 Master Actuariat Emmanuel Périnel Analyse des données - Logiciel R TP n 3. L Analyse en Composantes Principales

Plus en détail

TRANSPORT DE MARCHANDISES. technique / moteurs 10/2015. 2 années de garantie d usine, 1 année d extension de la garantie

TRANSPORT DE MARCHANDISES. technique / moteurs 10/2015. 2 années de garantie d usine, 1 année d extension de la garantie FIat panda van TRANSPORT DE MARANDISES technique / moteurs 1/215 2 années de garantie d usine, 1 année d extension de la garantie Garantie total 3 années ou 2 kms Nouveau plan d entretien tous les 3 kms

Plus en détail

An Example on Product Positioning

An Example on Product Positioning Cluster Analysis An Example on Product Positioning Caractéristiques de 24 modèles de voiture (Source : L argus de l automobile, 2004) Modèle Cylindrée Puissance Vitesse Poids Largeur Longueur (cm 3 ) (ch)

Plus en détail

Mois J F M A M J J A S O N D Masse (en kg) 40 25 20 15 24 30 32 28 36 24 35 51

Mois J F M A M J J A S O N D Masse (en kg) 40 25 20 15 24 30 32 28 36 24 35 51 Statistiques e Exercice n : Lors d un stage de basket, on a mesuré les adolescents. Les tailles sont données en cm. On obtient la série suivante : 65 ; 75 ; 87 ; 65 ; 70 ; 8 ; 74 ; 84 ; 7 ; 66 ; 78 ; 77

Plus en détail

PARE-BRISE ATHERMIQUES FICHES CATALOGUE DES MODELES PSA ET RENAULT MUNIS DE PARE-BRISE ATHERMIQUES

PARE-BRISE ATHERMIQUES FICHES CATALOGUE DES MODELES PSA ET RENAULT MUNIS DE PARE-BRISE ATHERMIQUES Projet TIS PARE-BRISE ATHERMIQUES FICHES CATALOGUE DES MODELES PSA ET RENAULT MUNIS DE PARE-BRISE ATHERMIQUES Annexe au rapport EGIS MOBILITÉ n 1A0923D Référence: JMG/1A0923D/A Date mise à jour : 17/11/2008

Plus en détail

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 105 HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 1. Introduction En statistiques il arrive fréquemment que les individus soient décrits par un grand nombre de caractères. : voitures décrites par leur

Plus en détail

STATISTIQUES 2 : MOYENNE, MEDIANE, ECART-TYPE

STATISTIQUES 2 : MOYENNE, MEDIANE, ECART-TYPE Chapitre 4bis STATISTIQUES 2 : MOYENNE, MEDIANE, ECART-TYPE BAC PRO 3 Objectifs (à la fin du chapitre, je dois être capable de ) : - Calculer une moyenne - Calculer une médiane (caractère discret) - Tracer

Plus en détail

EBTtool Guide rapide d utilisation

EBTtool Guide rapide d utilisation EBTtool Guide rapide d utilisation Vincent Le Bourlot David Claessen 5 décembre 2011 Table des matières 1 Introduction 1 2 Utilisation basique 1 2.1 Extraction de l archive................................

Plus en détail

Les fusions classiques

Les fusions classiques Les fusions classiques Publipostage et étiquettes OOo A Les fusions classiques...2 A.1 Le publipostage...2 A.1.1 Enregistrer son fichier d'adresses...2 A.1.2 Créer sa lettre...3 A.1.3 Imprimer!...4 A.2

Plus en détail

Support di cours disponible à l adresse suivante http://sspsd.u-strasbg.fr/mdem22e-statistiques-cours-td.html

Support di cours disponible à l adresse suivante http://sspsd.u-strasbg.fr/mdem22e-statistiques-cours-td.html MDEM22E - Cours et TD de statistiques descriptives à partir de données d enquête Support di cours disponible à l adresse suivante http://sspsd.u-strasbg.fr/mdem22e-statistiques-cours-td.html Objectif du

Plus en détail

document proposé sur le site «Sciences Physiques en BTS» : http://nicole.cortial.net BTS AVA 2015

document proposé sur le site «Sciences Physiques en BTS» : http://nicole.cortial.net BTS AVA 2015 BT V 2015 (envoyé par Frédéric COTTI - Professeur d Electrotechnique au Lycée Régional La Floride Marseille) Document 1 - Etiquette énergie Partie 1 : Voiture à faible consommation - Une étiquette pour

Plus en détail

T. D. n o 3 Analyse de données quantitatives avec le logiciel R

T. D. n o 3 Analyse de données quantitatives avec le logiciel R T. D. n o 3 Analyse de données quantitatives avec le logiciel R 1 Rappel de quelques fonctions statistiques sous R Fonction summary() cumsum() sum() mean() max() min() range() median() var() sd() Description

Plus en détail

Extraction d information des bases de séquences biologiques avec R

Extraction d information des bases de séquences biologiques avec R Extraction d information des bases de séquences biologiques avec R 21 novembre 2006 Résumé Le module seqinr fournit des fonctions pour extraire et manipuler des séquences d intérêt (nucléotidiques et protéiques)

Plus en détail

Les macros SAS. d'analyse des données

Les macros SAS. d'analyse des données INSTITUT NATIONAL DE LA STATISTIQUE ET DES ÉTUDES ÉCONOMIQUES DIRECTION GÉNÉRALE 18, boulevard Adolphe Pinard - 75675 PARIS CEDEX 14 Les macros SAS d'analyse des données Document n F 9405 15 mars 1994

Plus en détail

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

Plus en détail

L Analyse en Composantes Principales. A. Morineau

L Analyse en Composantes Principales. A. Morineau L Analyse en Composantes Principales A. Morineau - 2005 1 L ACP, qu est ce? L ACP, qu est ce? Principe géométrique de l ACP X(n,p) tableau de données A. Morineau - 2005 4 Principe géométrique de l ACP

Plus en détail

Introduction à l analyse des données. Olivier Godechot

Introduction à l analyse des données. Olivier Godechot Introduction à l analyse des données Olivier Godechot Introduction. Les données statistiques : de très nombreuses variables. Aucune n est parfaite La perception d un phénomène appréhendée comme la combinaison

Plus en détail

1 élève. 0 8 12 16 20 Note

1 élève. 0 8 12 16 20 Note L'histogramme est utilisé dans le cas d'une série regroupée en classe. Pour construire un histogramme, on porte les classes en abscisse et sur chacune d'elles pris comme base, on construit un rectangle

Plus en détail

Introduction aux bases de données

Introduction aux bases de données UBO, UFR Sciences, Département Informatique L1, parcours A IMP Introduction à l'informatique TD et TP n 10 Introduction aux bases de données Travaux Dirigés TD & TP 2 (2 + 2 heures) Auteur : Pascal Ballet

Plus en détail

URL analysées. Informations générales

URL analysées. Informations générales VRDCI 10, rue Augereau 75007 Paris - FRANCE Tel : 01 45 35 00 80 Email : vrdci@vrdci.com - Référencement naturel avec paiement aux résultats - Ingénierie et design de sites web, intranet et applicatifs

Plus en détail

Introduction sur l analyse en composantes principales (ACP)

Introduction sur l analyse en composantes principales (ACP) Introduction sur l analyse en composantes principales (CP) ) Introduction sur un exemple à 2 dimensions On veut représenter graphiquement les profils d élèves qui ont été notés sur 2 matières (Français

Plus en détail

Figure 2.1 : fenêtre de travail d'excel v7.0

Figure 2.1 : fenêtre de travail d'excel v7.0 2.1. Excel 2.1.1. Présentation Les tableurs sont des utilitaires parfois intégrés aux éditeurs de texte (Works, Word, Kspread) ou non (Excel) et qui permettent la gestion de données numériques, le graphisme

Plus en détail

MANUEL POUR L'IDENTIFICATION DES CALCULATEURS D'INJECTION

MANUEL POUR L'IDENTIFICATION DES CALCULATEURS D'INJECTION MANUEL POUR L'IDENTIFICATION DES CALCULATEURS D'INJECTION Identification du calculateur Affectations par marques et v hicules Affectations par type et r f rence et correspondances OES Evolution et correspondances

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

1 Complément sur la projection du nuage des individus

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

Plus en détail

COMPONENTES ELÉCTRICOS sondas interruptores resistencias. variadores de velocidad actuadores centralitas control compresores

COMPONENTES ELÉCTRICOS sondas interruptores resistencias. variadores de velocidad actuadores centralitas control compresores R COMPONENTES ELÉCTRICOS sondas interruptores resistencias variadores de velocidad actuadores centralitas control compresores centralitas ECC universales retardadores COMPOSANTS ÉLECTRIQUES sondes interrupteurs

Plus en détail

L analyse des données statistiques

L analyse des données statistiques L analyse des données statistiques Public : Les cadres devant analyser des données quantitatives et qualitatives Objectif : Apprendre, en utilisant principalement Excel : - à traiter des données provenant

Plus en détail

: 01 39 87 63 33 4, rue de l'églantier : 0950025l@ac-versailles.fr 95500 Gonesse www.clg-auguste-gonesse.ac-versailles.fr

: 01 39 87 63 33 4, rue de l'églantier : 0950025l@ac-versailles.fr 95500 Gonesse www.clg-auguste-gonesse.ac-versailles.fr Brevet Blanc n 1 Attention : la page 5 est à joindre à la copie d examen. N'oubliez pas d y indiquer votre numéro de candidat. PARTIE NUMÉRIQUE (12 points) Mathématiques Année scolaire 2011 / 2012 Durée

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Plan du cours Analyse en Composantes Principales Introduction Les données Leurs représentations La méthode Modèle Interprétation statistique Espace principal Composantes Principales Représentations Graphiques

Plus en détail

Analyse en composantes principales (ACP)

Analyse en composantes principales (ACP) Analyse en composantes principales (ACP) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 31 Quel type de données? L ACP s intéresse à des tableaux

Plus en détail

Cours 9 Une variable numérique : distribution et répartition

Cours 9 Une variable numérique : distribution et répartition Cours 9 Une variable numérique : distribution et répartition Lorsqu'une variable est qualitative et l'autre numérique, il est courant que la première identie des sous-populations (sexe, catégories socio-économiques,

Plus en détail

Présentation du Séparateur à graisse SAG AUTO

Présentation du Séparateur à graisse SAG AUTO Présentation du Séparateur à graisse SAG AUTO Ce manuel est une fiche de présentation de nos séparateurs à graisses automatique (SAG AUTO). L appareil est livré avec un manuel technique exhaustif d entretien

Plus en détail

La ligne, la motorisation, les

La ligne, la motorisation, les FIABILITÉ DES VOITURES Espacer les visites à l'atelier P. Louyet et C. Rossini La fiabilité reste l'apanage des marques japonaises. Mazda, Toyota et Honda trustent les premières places. La ligne, la motorisation,

Plus en détail

Performances (3) Vitesse de pointe (km/h) 185 202 202 0 à 80 km/h (s) 7,7 6,5 6,5 0 à 100 km/h (s) 11,9 9,5 9,5

Performances (3) Vitesse de pointe (km/h) 185 202 202 0 à 80 km/h (s) 7,7 6,5 6,5 0 à 100 km/h (s) 11,9 9,5 9,5 1.2 TSI 105 Essence 1.4 16S TSI 140 Double suralimentation 1.4 16S TSI 140 DSG7 Double suralimentation Cylindrée, litres / cm 3 1,2 / 1 197 1,4 / 1 390 1,4 / 1 390 Puissance maximum, ch (kw) à tr/mn 105

Plus en détail

Analyse en Composantes Principales - Base de l analyse des données

Analyse en Composantes Principales - Base de l analyse des données Fiche TD avec le logiciel : tdr610 Analyse en Composantes Principales - Base de l analyse des données A.B. Dufour Présentation de l ACP - niveau intermédiaire. Rappels des bases. Quelques exemples à analyser

Plus en détail

Catalogage : Saisie pas à pas d un site Internet

Catalogage : Saisie pas à pas d un site Internet BCDI v 1.90 - Catalogage : Saisie d un site Internet Modif : 24/09/2008 1 Catalogage : Saisie pas à pas d un site Internet Gestion du fonds, catalogage : Saisie d un site Internet 2 1. Onglet : Description

Plus en détail

Analyse en Composantes Principales

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 détail

On suppose qu au niveau des pompes d une station essence est installé un système informatisé qui permet d avoir

On suppose qu au niveau des pompes d une station essence est installé un système informatisé qui permet d avoir Le 12 décembre Devoir de modélisation 1 Partie 3 On suppose qu au niveau des pompes d une station essence est installé un système informatisé qui permet d avoir accès à des bases de données. En entrant

Plus en détail

Caractéristiques techniques

Caractéristiques techniques Essence 2.0 TSI 235 1.2 TSI 85 BVM5 1.4 TSI 122 2.0 TSI 235 2.0 TSI 270 4M Cylindrée, litres / cm 3 1,2 / 1 197 1,4 / 1 390 2,0 / 1 984 2,0 / 1 984 2,0 / 1 984 Puissance maximum, ch à tr/mn 85 / 4 800

Plus en détail

RAPPORT DE LA COMMISSION AU PARLEMENT EUROPÉEN, AU CONSEIL ET AU COMITÉ ÉCONOMIQUE ET SOCIAL EUROPÉEN

RAPPORT DE LA COMMISSION AU PARLEMENT EUROPÉEN, AU CONSEIL ET AU COMITÉ ÉCONOMIQUE ET SOCIAL EUROPÉEN FR FR FR COMMISSION EUROPÉENNE Bruxelles, le 10.11.2010 COM(2010) 655 final RAPPORT DE LA COMMISSION AU PARLEMENT EUROPÉEN, AU CONSEIL ET AU COMITÉ ÉCONOMIQUE ET SOCIAL EUROPÉEN Surveillance des émissions

Plus en détail

Proportionnalité 240,00 385,00 48,00

Proportionnalité 240,00 385,00 48,00 Proportionnalité 1tr : Pour un achat de 240,00, un commerçant effectue une remise de 48,00. Quelle sera le montant de la remise pour un achat de 385,00? Quel était le montant de l'achat si la remise est

Plus en détail

TD de statistique : introduction à R

TD de statistique : introduction à R TD de statistique : introduction à R Jean-Baptiste Lamy 11 octobre 2007 1 Introduction : pourquoi R? R est un logiciel pour l analyse statistique. C est un logiciel libre; il est disponible gratuitement

Plus en détail

Année 2011-2012. Biostatistiques. Rappels de cours et travaux dirigés. Analyse des données M2. jean-marc.labatte@univ-angers.

Année 2011-2012. Biostatistiques. Rappels de cours et travaux dirigés. Analyse des données M2. jean-marc.labatte@univ-angers. Année 2011-2012 Biostatistiques Rappels de cours et travaux dirigés Analyse des données M2 auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr - 1 - Table des matières SOMMAIRE VIII ANALYSE EN

Plus en détail

Organisation et gestion de données cycle 3

Organisation et gestion de données cycle 3 Organisation et gestion de données cycle 3 Clarifier les enjeux de cet enseignement Formation d enseignants de cycle 3 Circonscription de Grenoble 2 Positionnement de la pratique. En classe, comment travaillez-

Plus en détail

TRAVAUX PRATIQUES : PROGRAMMATION LINEAIRE

TRAVAUX PRATIQUES : PROGRAMMATION LINEAIRE Optimisation TP1 - Programmation linéaire 1 TRAVAUX PRATIQUES : PROGRAMMATION LINEAIRE Programmation linéaire Les problèmes de cette partie sont à traiter à l aide du logiciel MATLAB. La fonction à utiliser

Plus en détail

TP N 9 : VOITURE RADIOCOMMANDÉE (1) ETT 2.1.1

TP N 9 : VOITURE RADIOCOMMANDÉE (1) ETT 2.1.1 Centres d'intérêt abordés Niveau d analyse Énergie Comportemental Objectifs pédagogiques Connaissances Activités (4 H) 2.1.1 Organisation fonctionnelle d une chaîne d énergie Production d énergie électrique

Plus en détail

Spécifications techniques. Zafira. Novembre 2013

Spécifications techniques. Zafira. Novembre 2013 Spécifications techniques OPEL Zafira. Novembre 2013 Zafira. November 2013 Dimensions en mm Longueur 4.467 Largeur avec rétroviseurs / avec rétroviseurs rabattus 2.025 / 1.801 Hauteur (poids à vide) (sans

Plus en détail

Première partie Proportionnalité

Première partie Proportionnalité Première partie Proportionnalité 1 Calculer une distance avec une échelle............ 7 2 Calculer un pourcentage..................... 9 3 Calculer le pourcentage relatif à un caractère d un groupe constitué

Plus en détail

Tableau de compatibilité des véhicules : Thule 968

Tableau de compatibilité des véhicules : Thule 968 Tableau de compatibilité des véhicules : Thule 968 MARQUE MODELE NOMBRE DE PORTES TYPE ANNEE DE DEBUT ANNEE DE FIN ALFA ROMEO 147 3/5 portes Berline avec hayon arrière 01 03 ALFA ROMEO 147 3/5 portes Berline

Plus en détail

VOLT LA NOUVELLE CHEVROLET

VOLT LA NOUVELLE CHEVROLET VOLT LA NOUVELLE CHEVROLET Chevrolet Volt Un nouveau chapitre de l Histoire Chevrolet présente la Volt, voiture électrique à autonomie étendue. Bien plus qu un véhicule hybride ou qu une voiture électrique

Plus en détail