L analyse des correspondances multiples - Version simple: - - sans pondération des lignes - Sandrine Pavoine
|
|
- Ghislaine Bénard
- il y a 6 ans
- Total affichages :
Transcription
1 L analyse des correspondances multiples - Version simple: - - sans pondération des lignes - Sandrine Pavoine Cours MNHN 22 octobre
2 Introduction 2
3 Introduction Cette analyse s apparente à la fois à l analyse d un tableau et à l analyse de plusieurs tableaux. On s intéresse à un ensemble de variables qualitatives et à des individus. Exemple: Couleur des yeux Couleur des cheveux Genre Individu 1 bleu brun Femme Individu 2 vert blond Femme Individu 3 marron blond Homme Individu 4 marron brun Homme Etc. 3
4 Introduction Objectif: Décrire les individus grâce aux variables. On discrimine donc les individus par leurs caractéristiques. Cela permet aussi de trouver des associations (correspondances) entre les variables qualitatives. Des variables qualitatives associées (ou qui se correspondent) discriminent les individus de la même façon. Pour information: En français, on parle souvent de variables qualitatives (ou nominales ou catégorielles) et de leurs modalités (ou attributs ou classes) En anglais: Qualitative (nominal or categorial) variables and their attributes (or levels) 4
5 Introduction Deux façons d écrire le tableau: altit deniv cloiso altit.1 altit.2 altit.3 deniv.1 deniv.2 deniv.3 cloiso.1 cloiso.2 cloiso altit: importance of the altitudinal area inhabited by bears, a factor with levels: 1 less than 50% of the area between 800 and 2000 meters; 2 between 50 and 70%; 3 more than 70% deniv: importance of the average variation in level by square of 50 km2, a factor with levels: 1 less than 700m; 2 between 700 and 900 m; 3 more than 900 m cloiso: partitioning of the massif, a factor with levels: 1 a great valley or a ridge isolates at least a quarter of the massif; 2 less than a quarter of the massif is isolated; 3 the massif has no split 5
6 Introduction Tableau disjonctif complet: altit.1 altit.2 altit.3 deniv.1 deniv.2 deniv.3 cloiso.1 cloiso.2 cloiso En anglais: dummy variables 6
7 7
8 Un critère de maximisation: On cherche des axes qui soient orthogonaux et qui, successivement, maximisent la somme des rapports de corrélation (variance inter-classes/variance totale) pour l ensemble des variables Le rapport de corrélation: y=(y 1,,y i,,y I ) est un vecteur qui contient les coordonnées des individus Chaque variable qualitative sépare les individus dans des classes. On calcule la moyenne des coordonnées par classe. La variance pondérée de ces moyennes est la variance inter-classe. Pondération uniforme poids d une classe= nombre d individus présents dans la classe / (nombre total d individus). La variance totale est simplement la variance de toutes les coordonnées (sans considération des classes). 8
9 Exemple library(ade4) data(aviurba)?aviurba dat <- aviurba$traits row.names(dat) <- aviurba$species.names.fr T <- acm.disjonctif(dat) colsums(t) poidsclasses <- colsums(t)/nrow(t) feed.hab.insect feed.hab.grani feed.hab.omni feed.strat.ground feed.strat.aerial feed.strat.foliage breeding.ground breeding.building breeding.scrub breeding.foliage migratory.resident migratory.migrant
10 coa1 <- dudi.coa(t) acm1 <- dudi.acm(dat) # On n interprète pas les valeurs propres!! scatter(coa1) scatter(acm1) 10
11 Exemple s.label(acm1$li) s.label(acm1$co) 11
12 scatter(acm1) 12
13 acm1 Duality diagramm class: acm dudi $call: dudi.acm(df = dat) $nf: 8 axis-components saved $rank: 8 eigen values: vector length mode content 1 $cw 12 numeric column weights 2 $lw 40 numeric row weights 3 $eig 8 numeric eigen values data.frame nrow ncol content 1 $tab modified array 2 $li 40 8 row coordinates 3 $l row normed scores 4 $co 12 8 column coordinates 5 $c column normed scores other elements: cr 13
14 Analyse du premier axe: Rapport de corrélation pour la première variable: dat[,1] [1] omni omni omni grani grani grani insect insect insect insect [11] insect insect omni insect insect insect insect insect omni insect [21] insect insect insect insect insect insect grani grani grani grani [31] grani grani grani grani grani insect omni omni omni omni Levels: insect grani omni table(dat[,1]) insect grani omni nrow(dat) [1] 40 Coordonnée moyenne par classe: moy <- tapply(acm1$l1[,1], dat[,1], mean) Moyenne pondérée de ces moyennes: moy[1]*19/40+moy[2]*12/40+moy[3]*9/40 0! Variance pondérée de ces moyennes: VARINTER <- moy[1]^2*19/40+moy[2]^2*12/40+moy[3]^2*9/40 Variance totale: VARTOTALE <- var(acm1$l1[,1])*39/40 1! 14
15 Rapport de corrélation pour le premier axe de l ACM et la première variable qualitative: VARINTER/VARTOTALE acm1$cr RS1 RS2 RS3 RS4 feed.hab feed.strat breeding migratory RS5 RS6 RS7 RS8 feed.hab feed.strat breeding migratory
16 table(dat$feed.hab, dat$migratory) resident migrant insect 6 13 grani 12 0 omni 5 4 inertia.dudi(acm1, col=true)$col.abs[,1:2] Comp1 Comp2 feed.hab.insect feed.hab.grani feed.hab.omni feed.strat.ground feed.strat.aerial feed.strat.foliage breeding.ground breeding.building breeding.scrub breeding.foliage migratory.resident migratory.migrant
17 inertia.dudi(acm1, row=true)$row.abs[,1:2] Axis1 Axis2 Busard cendre Faucon crecerelle Mouette rieuse Pigeon domestique Tourterelle des bois Tourterelle turque Coucou gris Martinet noir Alouette des champs Hirondelle de cheminee Hirondelle de fenetre Bergeronnette printaniere Troglodyte Traquet tarier Traquet patre Rougequeue noir Rougequeue a front blanc Rossignol philomele Merle noir Hypolais polyglote Fauvette des jardins Fauvette a tete noire Pouillot fitis Pouillot veloce Mesange bleue Mesange charbonniere Bruant proyer Bruand zizi Moineau domestique Moineau friquet Pinson des arbres Verdier Chardonneret elegant Linotte melodieuse Serin cini Etourneau sansonnet Loriot jaune Pie bavarde Chouca des tours Corneille noire
18 Dans l ACM on interprète plus les axes que les valeurs propres. Exercice : Regarder tous les rapports de corrélations pour savoir quelles variables contribuent à quels axes. Représenter plus d axes si nécessaire pour voir les structures portées par chaque variable. En déduire des associations entre variables. 18
19 Les mathématiques (pour information): X est le tableau disjonctif complet. D m =diag(poids des classes, pour toutes les variables) Pondération uniforme poids d une classe= nombre d individus présents dans la classe / (nombre total d individus). Exemple: Couleur des yeux Couleur des cheveux Genre Individu 1 bleu brun Femme Individu 2 vert blond Femme Individu 3 marron blond Homme Individu 4 marron brun Homme Poids de la classe «yeux bleus» = ¼; «yeux marron» = 2/4= ½. Rq. Dans l acm les poids des colonnes ($cw) sont en fait égaux au poids des classes / nombre de variables. Dans l exemple ci-dessus il y a 3 19 variables.
20 Les mathématiques (pour information): Le tableau central de l analyse combine X et D m : Z XD 1 1 m nm z ij = n/n j -1 si l individu i appartient à la classe j et =-1 sinon. m : le nombre de modalités; v : le nombre de variables n : le nombre de variables; n j : nombre d individus dans la classe j D Z D ZD 1 1/2 t 1/2 t v m n m UΛU Λ contient les valeurs propres (matrice diagonale) Les coordonnées des lignes sont données par 1 v XD 1/2 m U celles des colonnes par vd U 1/2 1/2 m 20
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 détailISFA 2 année 2002-2003. Les questions sont en grande partie indépendantes. Merci d utiliser l espace imparti pour vos réponses.
On considère la matrice de données : ISFA 2 année 22-23 Les questions sont en grande partie indépendantes Merci d utiliser l espace imparti pour vos réponses > ele JCVGE FM1 GM JCRB FM2 JMLP Paris 61 29
Plus en détailTraits biologiques : variables ou K-tableaux?
Consultations statistiques avec le logiciel Traits biologiques : variables ou K-tableaux? Résumé La fiche donne des indications sur la nature des tableaux de traits biologiques. A partir de plusieurs exemples,
Plus en détailLe carnaval des oiseaux
Le carnaval des oiseaux Marie-Jane Pinettes et Jacques Laban Juillet 2001 1 Le carnaval des oiseaux A Camille, Margot et Théo 2 LE CARNAVAL DES OISEAUX Il y a longtemps, mais très, très longtemps, tous
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailAnalyse 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 détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailTESTS 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
Plus en détailAlarme domestique- Présentation
STI2D PROJET SIN Alarme domestique- Présentation Document réponses Séquence découverte Le fonctionnement du système d alarme domestique: (Démarche d investigation) Après avoir fait une présentation de
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailEcran : Processeur : OS : Caméra : Communication : Mémoire : Connectique : Audio : Batterie : Autonomie : Dimensions : Poids : DAS :
SMARTPHONE - DUAL-CORE - NOIR 3483072425242 SMARTPHONE - DUAL-CORE - BLEU XXXX SMARTPHONE - DUAL-CORE - BLANC 3483072485246 SMARTPHONE - DUAL-CORE - ROSE 3483073704131 SMARTPHONE - DUAL-CORE - ROUGE XXXX
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailCette Leçon va remplir ces attentes spécifiques du curriculum :
Dev4Plan1 Le Plan De Leçon 1. Information : Course : Français Cadre Niveau : Septième Année Unité : Mes Relations Interpersonnelles Thème du Leçon : Les Adjectifs Descriptifs Date : Temps : 55 minutes
Plus en détailJe me présente UNITÉ 1. Regarde les filles et lis les prénoms. Qui parle? Écoute et montre. Lis les fiches d Emma, Alexandra, Kilima et Lucie.
UNITÉ Je me présente Regarde les filles et lis les prénoms. Emma Alexandra Kilima Lucie Prénom : Kilima Âge : 8 ans Pays : Kenya Ville : Nairobi Prénom : Alexandra Âge : 0 ans Pays : Russie Ville : Moscou
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailStatistiques 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 détailExercices sur SQL server 2000
Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table
Plus en détail8. Gestionnaire de budgets
8. Gestionnaire de budgets 8.1 Introduction Le Gestionnaire de budgets (Budget Workbench) permet aux utilisateurs de travailler sur les données budgétaires qu ils ont importées sur leur station de travail
Plus en détailexpo itinérante dossier didactique
expo itinérante dossier didactique Table des matières Le Centre Bruxellois de l Education à la Nature p.3 Zone 1 : Des œufs, des nids et des nichoirs p.5 1.1 Introduction Bloc notes : Qu est-ce qu un œuf?
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailDOCUMENTATION - FRANCAIS... 2
DOCUMENTATION MODULE CATEGORIESTOPMENU MODULE CREE PAR PRESTACREA INDEX : DOCUMENTATION - FRANCAIS... 2 INSTALLATION... 2 CONFIGURATION... 2 LICENCE ET COPYRIGHT... 3 SUPPORT TECHNIQUE ET MISES A JOUR...
Plus en détailIntroduction à R. Florence Yerly. Dept. de mathématiques, Université de Fribourg (CH) SP 2011
Dept. de mathématiques, Université de Fribourg (CH) SP 2011 Qu est ce que R? Un logiciel de statistiques libre et gratuit ; Un logiciel multi-plateforme (UNIX, Windows MacOS X) R permet de faire des calculs
Plus en détailCalcul 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
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailCompléments de documentation Scilab : affichage de texte et formatage de nombres
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Agrégation externe Année 2002-2003 Compléments de documentation Scilab : affichage de texte et formatage de
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailACP 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 détailCHAPITRE 2 : DEMANDE DE DÉROGATION RELATIVE AU DÉPLACEMENT D OPHIOGLOSSE COMMUN (OPHIOGLOSSUM VULGATUM)
CHAPITRE 2 : DEMANDE DE DÉROGATION RELATIE AU DÉPLACEMENT D OPHIOGLOSSE COMMUN (OPHIOGLOSSUM ULGATUM) AMÉLIORATION DES ACCÈS AU PONT DE TANCARILLE 1. PRÉSENTATION DE L OPHIOGLOSSUM COMMUN (OPHIOGLOSSUM
Plus en détailEXERCICIOS AUTOAVALIABLES. 1.- Écris le nom des parties du corps que les flèches indiquent :
EXERCICIOS AUTOAVALIABLES 1.- Écris le nom des parties du corps que les flèches indiquent : 2.- Regarde les deux dessins et ensuite choisis la description correcte pour chacun d entre eux. a) C'est une
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailEncryptions, compression et partitionnement des données
Encryptions, compression et partitionnement des données Version 1.0 Grégory CASANOVA 2 Compression, encryption et partitionnement des données Sommaire 1 Introduction... 3 2 Encryption transparente des
Plus en détailSEMIN. Données sous R : stockage et échange. Julio PEDRAZA ACOSTA
SEMIN Données sous R : stockage et échange Julio PEDRAZA ACOSTA UMR 5202 Origine Structure et Evolution de la Biodiversité Département Systématique et Evolution, MNHN pedraza@mnhn.fr SEMIN R du MNHN 10
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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailAvant-après, amont-aval : les couples de tableaux totalement appariés
ADE-4 Avant-après, amont-aval : les couples de tableaux totalement appariés Résumé La fiche décrit les méthodes d analyse des couples de tableaux complètement appariés (mêmes individus, mêmes variables).
Plus en détailPrésentation Windows Azure Hadoop Big Data - BI
Présentation Windows Azure Hadoop Big Data - BI Sommaire 1. Architecture Hadoop dans Windows Azure... 3 2. Requête Hive avec Hadoop dans Windows Azure... 4 3. Cas d études... 5 3.1 Vue : Administrateur...
Plus en détailFabricant. 2 terminals
Specifications Fabricant Nominal torque (Nm) 65 Minimal torque (Nm) 0,63 Coil resistance - 20 C (ohms) 20 Rated current DC (A) 1 Rotor inertia (kg.m 2 ) 2.10-3 Weight (kg) 7,20 Heat dissipation continuous
Plus en détailIUT de Laval Année Universitaire 2008/2009. Fiche 1. - Logique -
IUT de Laval Année Universitaire 2008/2009 Département Informatique, 1ère année Mathématiques Discrètes Fiche 1 - Logique - 1 Logique Propositionnelle 1.1 Introduction Exercice 1 : Le professeur Leblond
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailRéseau des gestionnaires. année 2011. Réseau des. gestionnaires. Ilots marins. Golfe du Valincu Plages sud-est
Promouvoir, protéger, connaître, éduquer Ilots marins Réseau des Golfe du Valincu Plages sud-est gestionnaires Vallée du Tavignanu Cap Corse Costa Verde Vallée du Reginu Développement des actions de gestion
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailINTRODUCTION. 1 k 2. k=1
Capes externe de mathématiques : session 7 Première composition INTRODUCTION L objet du problème est l étude de la suite (s n n définie par : n, s n = Dans une première partie, nous nous attacherons à
Plus en détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
Plus en détailListe Rouge Rouge. r é s u m é e. des Vertébrés Terrestres de la région Rhône-Alpes. oiseaux. reptiles. amphibiens. danger. vulnérable.
oiseaux me en vu me en vu dis me en vu me en vu dis me en d v en vu dis me en vu me en vu dis Liste Rouge Rouge r é s u m é e des Vertébrés Terrestres de la région Rhône-Alpes is me en vu me en dis mammifères
Plus en détailConsigne : je remplis le tableau en tenant compte des informations de la ligne supérieure et de la colonne de gauche (droite pour les gauchers)
Découverte du monde : traiter deux informations Compétence : Savoir utiliser un tableau à double entrée. Matériel : - un plateau de jeu quadrillé : cinq lignes et cinq colonnes, - quatre pièces "couleur",
Plus en détailJe découvre le diagramme de Venn
Activité 8 Je découvre le diagramme de Venn Au cours de cette activité, l élève découvre le diagramme de Venn et se familiarise avec lui. Pistes d observation L élève : reconnaît les éléments du diagramme
Plus en détailIndividus et informations supplémentaires
ADE-4 Individus et informations supplémentaires Résumé La fiche décrit l usage des individus supplémentaires dans des circonstances variées. En particulier, cette pratique est étendue aux analyses inter
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailNORME INTERNATIONALE INTERNATIONAL STANDARD. Dispositifs à semiconducteurs Dispositifs discrets. Semiconductor devices Discrete devices
NORME INTERNATIONALE INTERNATIONAL STANDARD CEI IEC 747-6-3 QC 750113 Première édition First edition 1993-11 Dispositifs à semiconducteurs Dispositifs discrets Partie 6: Thyristors Section trois Spécification
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailNourrir les oiseaux en hiver
les oiseaux en hiv Nourrir les oiseaux en hiver Sommaire : Pourquoi les nourrir...page 1 Comment les nourrir...page1 Quels ravitaillement pour quel oiseaux?...page2 Recette «pain de graisse»...page 3 Les
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailMémo d utilisation de ADE-4
Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
Plus en détailSi la source se rapproche alors v<0 Donc λ- λo <0. La longueur d onde perçue est donc plus petite que si la source était immobile
Red shift or blue shift, that is the question. a) Quand une source d onde se rapproche d un observateur immobile, la longueur d onde λ perçue par l observateur est-elle plus grande ou plus petite que λo
Plus en détailCosmétique, perfection de couleur et délicatesse sont les principes fondamentaux de DousColor.
DousColor Effet couleur ton sur ton Douscolor signifie la couleur douce et couvrante ton sur ton, résultat d'une récente recherche scientifique. Il ne contient pas d'ammoniaque et n'éclaircit pas les cheveux.
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailOlivier Mondet http://unidentified-one.net
T-GSI Ch.4 Le Langage SQL LDD, LCD Cet exercice guidé reprend le plan suivis lors de l intervention de formation faite pour l académie de Versailles. L objectif principal visait en la présentation du langage
Plus en détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en détailCompréhension de lecture
o Coche pour indiquer si les phrases sont es ou o Paul et Virginie sont assis sur des fauteuils très confortables. o Virginie a une robe à pois. o Paul boit un café fumant dans une tasse rouge. o Virginie
Plus en détailComment consolider des données
Comment consolider des données Version 0.02 du 18.11.2004 Réalisé avec : OOo 1.1.3 Plate-forme / Os : Toutes Distribué par le projet fr.openoffice.org Sommaire 1 Introduction...3 2 Création des données...4
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailComprendre l impact de l utilisation des réseaux sociaux en entreprise SYNTHESE DES RESULTATS : EUROPE ET FRANCE
Comprendre l impact de l utilisation des réseaux sociaux en entreprise SYNTHESE DES RESULTATS : EUROPE ET FRANCE 1 Objectifs de l étude Comprendre l impact des réseaux sociaux externes ( Facebook, LinkedIn,
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 détailTP 1 Introduction à Matlab Février 2009
1 Introduction TP 1 Introduction à Matlab Février 2009 Matlab pour «MATtrix LABoratory», est un logiciel qui a été conçu pour fournir un environnement de calcul numérique de haut niveau. Il est particulièrement
Plus en détailLE PLAN BIODIVERSITE D ORLEANS
LE PLAN BIODIVERSITE D ORLEANS 1 SOMMAIRE EDITORIAL... p 3 1. CONSTAT : L EROSION DE LA BIODIVERSITE... p 5 2. ENJEU : STOPPER LA PERTE DE BIODIVERSITE... p 15 3. ENGAGEMENT DE LA VILLE : PLAN BIODIVERSITE...
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailBaguage au marais de Kervijen, Baie de Douarnenez : Etude de la migration postnuptiale des passereaux paludicoles du 29 août au 01 septembre 2007
Baguage au marais de Kervijen, Baie de Douarnenez : Etude de la migration postnuptiale des passereaux paludicoles du 29 août au 01 septembre 2007 David HEMERY & Christine BLAIZE Grumpy Nature Novembre
Plus en détailfiche m mo technique
fiche m mo technique les lois de la colorimétrie Les lois DE LA COLORIMétrie... Les lois de la colorimétrie s appliquent pour tous les supports du papier, à la toile aux cheveux en passant par l objet
Plus en détailtd3a correction session7az
td3a correction session7az August 19, 2015 1 Séance 7 : PIG et JSON et streaming avec les données vélib (correction avec Azure) Plan Récupération des données Connexion au cluster et import des données
Plus en détailSHAMPOOINGS ET SOINS REPIGMENTANTS GUIDE TECHNIQUE
SHAMPOOINGS ET SOINS REPIGMENTANTS GUIDE TECHNIQUE Une alternative naturelle aux colorations traditionnelles 7 couleurs déclinées en 7 shampooings et 7 soins > Pour apporter des reflets aux cheveux naturels,
Plus en détailOLYMPIADES ACADÉMIQUES DE MATHÉMATIQUES
OLYMPIADES ACADÉMIQUES DE MATHÉMATIQUES ACADÉMIE DE RENNES SESSION 2006 CLASSE DE PREMIERE DURÉE : 4 heures Ce sujet s adresse à tous les élèves de première quelle que soit leur série. Il comporte cinq
Plus en détailSuivi écologique. RNN du lac de Grand-Lieu
Suivi écologique RNN du lac de Grand-Lieu Suivi ornithologique du lac de Grand-Lieu en 211 Sommaire Les résultats du suivi ornithologique sont présentés pour chacun des protocoles mis en place sur la Réserve
Plus en détail2. Les auxiliaires de culture
III- Maîtriser les ravageurs et les adventices 2. Les auxiliaires de culture Insectes Le principe de la lutte biologique est la régulation des populations de ravageurs de culture par l utilisation de leurs
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailSYSTÈME DE GAINES À SPIRALE ET RACCORDS TOURNANTS
SYSTÈME DE GAINES À SPIRALE ET RACCORDS TOURNANTS SPIRAL PVC CONDUIT SYSTEMS AND REVOLVING FITTINGS Gaines a Spirale Matufless...page 190 Matufless spiral PVC conduit Raccords Tournants Matufless...page
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailComment Créer une Base de Données Ab Initio
Comment Créer une Base de Données Ab Initio Diffusé par Le Projet Documentation OpenOffice.org Table des Matières 1. Création de la Source de Données...3 2. Ajout de Tables dans une Source de Données...3
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailFaites connaissance avec votre Rubik s Cube Étape 1
Faites connaissance avec votre Rubik s Cube Étape 1 ÉFIN ITION ES IÈCES U RUBIK S CUBE LES RTIES LES IÈCES RÊTES CE SONT ES IÈCES COMORTNT EUX (2) COULEU RS. IL Y OUZE (12) IÈCES RÊTES, SITUÉES U CENT
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Plus en détailOrganisme certificateur : 10 rue Galilée 77420 Champs sur Marne Tél : +33 (0)1 72.84.97.84 Fax : +33 (0)1 43 30 85 65 www.fcba.fr. www.marque-nf.
N d identification AFNOR Certification : NF 061 MQDQ-CERT 15-306 du 18/01/2015 N de Révision : 16 Date de mise en application : 04/03/2015 Annule et remplace le MQDQ-CERT /14-324 du 15/05/2014 REGLES GENERALES
Plus en détailTUBES ET ACCESSOIRES Serrurier A ailettes Construction Canalisation Spéciaux
TUBES ET ACCESSOIRES 47 Serrurier A ailettes Construction Canalisation Spéciaux Possibilité d autres sections sur demande. Les caractéristiques indiquées sont théoriques et non garanties. TUBES 48 TUBES
Plus en détailUnité 4 : En forme? Comment est ton visage?
Unité 4 : En forme? Leçon 1 Comment est ton visage? 53 Écoute, relie et colorie. 1. un œil vert 2. un nez rouge 3. des cheveux noirs 4. des yeux bleus 5. des oreilles roses 6. une bouche violette Lis et
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 détailCahiers de l IMA. Fascicule SPSS
Octobre 2008 Numéro 41 Cahiers de l IMA Fascicule SPSS Ingrid Gilles Eva G. T. Green Paola Ricciardi Joos Régis Scheidegger Chiara Storari Thomas Tuescher Pascal Wagner-Egger Ricciardi-Joos Ricciardi-Joos
Plus en détail