Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master /2006
|
|
|
- Henriette Richard
- il y a 8 ans
- Total affichages :
Transcription
1 Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master /2006
2 . Les données NOMS PUISS CYLI Co uple Ma xi LONG LARG H AUT COFFRE RESE POIDS VITE CONS ALF 47,9 JTD Distinctive ,7,73, ,8 ALF 66 2,5 V6 24V Progression ,5 4,72,8, ,9 ASTMAR DB7 Volante ,66,83, AUD A4 3,0 Quattro Pack ,6 4,55,77, ,5 AUD A8 S8 Pack Avus ,9 5,03,88, AUD TT Roadster,8 T225 Quattro ,5 4,04,76, ,2 AUDIA4 Cabriolet 2, ,4 4,57,78, ,7 BEN Continental T ,2 5,22,95, ,7 BMW 36i ,8 4,47,74, , BMW X5 3,0d Pack Luxe ,8 4,67,87, ,7 BMW Z ,4,83, ,5 CAD Seville STS ,8 4,99,9, , CHR Grand Voyager 2,5 CRD Lim ited ,8 5,09 2, ,7 CHR PT Cruiser 2,0 Classic ,29,7, ,8 CIT Berlingo,6i 6V SX ,3 4,,72, ,4 CIT C3,4 HDI 70 c h SXPac k Clim ,3 3,85,67, ,2 CIT Picasso,6i SX ,28,75, ,8 CIT Saxo,i Bic , 3,72,59, ,7 CIT Xsara 2,0 Hdi 0 ch Exclusive ,9,7, ,2 DAE Leganza 2,0 CDX ,8 4,67,78, ,2 DAI Sirion,3x ,2 3,67,59, ,7 FIA Multipla JTD 5 ELX ,7 3,99,87, ,4 FIA Seicento S ,9 3,32,5, ,8 FIA Stilo,9 JTD 80 ch Active ,25,76, ,5 FOR Fiesta,4 TDCi Ghia ,3 3,92,68, ,3 FOR Focus ST ,7,7, , FOR Ka,3 Original ,7 3,62,63, ,3 FOR Mondeo 2,0 DTCi 30 ch Ghia ,7 4,73,8, ,9 FOR Pum a, ,8 3,98,67, ,3 HON Accord 2,3iES ,59,75, ,7 2 + encore 63 modèles de voitures NOMS ALF 47,9 JTD Distinctive ALF 66 2,5 V6 24V Progression ASTMARDB7 Volante AUD A4 3,0 Quattro Pack
3 2. Résumé des données Sortie SPAD 3 STATISTIQUES SOMMAIRES DES VARIABLES CONTINUES EFFECTIF TOTAL : 9 POIDS TOTAL : NUM. IDEN - LIBELLE EFFECTIF POIDS MOYENNE ECART-TYPE MINIMUM MAXIMUM C2 - PUISS C3 - CYLI C4 - CoupleMaxi C5 - LONG C6 - LARG C7 - HAUT C8 - COFFRE C9 - RESE C0 - POIDS C - VITE C2 - CONS C3 - PRIX
4 3. Tableau des corrélations Co rrelatio ns 4 PUISS CYLI CoupleMaxi LONG LARG HAUT COFFRE RESE POIDS VITE CONS PRIX Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N. Correlation is significant at the 0.0 level (2-tailed). PUISS CYLI CoupleMaxi LONG LARG HAUT COFFRE RESE POIDS VITE CONS PRIX,925,49,575,650 -,08,086,702,74,852,869,795,,000,000,000,000,309,46,000,000,000,000, ,925,467,675,732,024,80,796,824,724,867,873,000,,000,000,000,824,088,000,000,000,000, ,49,467,4,404 -,08,04,406,434,448,393,375,000,000,,000,000,867,328,000,000,000,000, ,575,675,4,857,95,635,863,846,62,526,507,000,000,000,,000,065,000,000,000,000,000, ,650,732,404,857,333,520,898,895,592,633,575,000,000,000,000,,00,000,000,000,000,000, ,08,024 -,08,95,333,552,342,427 -,294,058 -,055,309,824,867,065,00,,000,00,000,005,582, ,086,80,04,635,520,552,544,549,37,04,026,46,088,328,000,000,000,,000,000,97,326, ,702,796,406,863,898,342,544,934,606,697,638,000,000,000,000,000,00,000,,000,000,000, ,74,824,434,846,895,427,549,934,583,706,655,000,000,000,000,000,000,000,000,,000,000, ,852,724,448,62,592 -,294,37,606,583,639,554,000,000,000,000,000,005,97,000,000,,000, ,869,867,393,526,633,058,04,697,706,639,798,000,000,000,000,000,582,326,000,000,000,, ,795,873,375,507,575 -,055,026,638,655,554,798,000,000,000,000,000,608,808,000,000,000,000,
5 4. Visualisation des données X X p Y Y 2 Y 2 (i) i 0 Y (i) i x i x pi y i y 2i n Le premier plan principal Cor(X j,y 2 ) X j 0 Cor(X j,y ) 5 Le tableau des données Les composantes principales (non corrélées entre elles) Le cercle des corrélations
6 5. Le nuage de points associé aux données i n X X p x i x pi x i X p PEUGEOT 06 0 g BMW X5 X 2 6 x K x p g N = {x,, x i,, x n } = Nuage de points associé aux données X Centre de gravité du nuage N : g = n x n i i=
7 6. Inertie totale du nuage de points i X X p x i x pi X p PEUGEOT 06 x i g 0 BMW X5 X 2 n x... x p g Inertie totale = I(N, g) = n n i= X d 2 x i,g 7 n n i= p j= x ji x j 2 p j= n n i= x ji x j 2 p j= s j 2
8 8 7. Réduction des données Pour neutraliser le problème des unités on remplace les données d origine par les données centrées-réduites : p p p p s x X = X s x X = X M de moyenne 0 et d écart-type.
9 Les données centrées-réduites 9 P U I S CS Y LCI o u p l Le OM Na LxG Ai RH GA CU OT F FR REES PE O I D VSI T EC O N SP R I XC A RO BR I GE QI NUEI P A L F 4-70, 3, 6-90, J3T - D 0, D0 i2- s 0 t i, n3 -c 40 t, i v - e6 0, 3-20, 6-80, 0-50, 2-9 0, -5 0, 7 3-0, A L F 6 06, 42 4, 05, 2V 6-02, 4 V 90, P8 r 30 o g, 7r e0-0 s, s4 0 i o8, n7 60, 7 30, 2 8 0, 9 5, 3 3-0, A S T M A 2 R, 9 D8 3 B, 73 2V 0 o, 8l a 3n0 t, e7 00, 9 -, 7-4, 5 8, 8 3, 2 9 2, 2 5 2, 0 4 2, A U D A 04, 73 9, 0, 6Q 5u 0 a, t0 t 7r o 0, P4 a70 c, k2 7-0, 4 00, 4 50, 3 40, 3 5, 5 3 0, 8 6 0, A U D A 28, 3S 28, P7 a3 c0 k, 4 A8 v u, 4s 8, 4 5-0, 3 2, 0, 8 90, 9 6, 7 6 2, 0 4, A U D T 0 T, 8R 5- o 0 a, d4s30 t e, 0r 0 -, 08, 6T0 2, Q, -u0 a, 7t t- 5r0 o, 3 80, 0 3, 5 3 0, 4 2 0, A U D I A 04, 2C 4a 0 b, r i 3o -l 0 e t, 260, 4, 5 0, 3 7-0, 7-0, 4 40, 6 00, 5 7 0, 9 2 0, 5 9 0, B E N C o3 n, 0t i 5n 4 e, 0n 5t a l, 8T 7, 8 82, 2 0-0, 2-40, 2 02, 5 4 2, 7 9, 6 0 3, 6 3 6, B M W 3-0 6, 3i 6-0, 4-0, 3 30, 3 0-0, 0-60, 5 06, 4 20, 4-0, 90, 3 3-0, 2 9-0, 2 2 B M W X 05, 33 9, 0, d 6 P 0 a, c4 k 2 0 L, u7 x2 e, 3 4, 8 0, 5 9 2, 0 9, 8 4 0, 4 0, 5 9 0, B M W Z 28, 7 6 2, 4 2 0, 7 0 0, 50, 9 -, 2-6, 2 20, 7 90, 5 3, 7 6 2, 2, C A D S e v, 7i l2l e 2, S0 T8 0 S, 3 8, 4 0, 6 7-0, 4 00, 4 50, 6 0, 2 4, 4 7 2, 0 8 0, C H R G -r 0 a, n0d 90, V2 o2 y0 a, g 0e r, 62 2, 5, C7 R42, D 2 L, i 3m 80 i t, e9 d2, 6 2-0, 3-5 0, 0 80, C H R P T - 0 C, 0r u9-0 i s, 2e 3- r 02,, C l, a0 -s 80 s, i c4 0 9, 9 40, 9 7-0, 2 50, 0 8-0, 8-3 0, 0 5-0, C I T B e r- l0 i n, 4g - o 0, 6, i, 4 6- V 0, S4 -X 60, 22 7, 5, 9 6-0, 3-80, 3-4 0, 7-7 0, 9-0, C I T C 3-0,, H0 D, 7 I , 4 c- h, S0 X- 0 P, a8 0 c, k 3 - C0 l i, m5 -, 0-30, 9-4, 0-0, 2 7-0, C I T P i c -a0 s, s6 o 3-0, 6, 60- i 0 S, 4X 5-0, 0, 0 5, 2 60, 9 4-0, 3-80, 3-7 0, 9-0 0, 0 5-0, 4 0 C I T S a x- 0 o, 9 6-,, i 0 B2- i 0 c, 62 -, 2-9, 6-70, 8-70, 6-8, 0-3, 5 -, 0-9 0, 4 2-0, 5 4 C I T X s a- 0 r a, 4-2 0, 0, 2 H3-0 d, i , 2 c- 90 h, 4E - 90 x, c6 0 l 3u, 2s i0- v 0 e, 4-40, 4-5 0, -5 0, 9 3-0,
10 8. Le nuage de points associé aux données réduites X X p X p i x i x pi n 0 0 x i Moyenne 0 BMW X5 X PEUGEOT 06 2 X N = {x,, x i,, x n } Variance Centre de gravité : g = 0 0 Inertie totale : I(N, 0) = p
11 9. Premier axe principal x i X p X 0 y i X 2 Objectif : On cherche l axe passant le mieux possible au milieu du nuage N. On cherche à minimiser l inertie du nuage N par rapport à l axe : I(N, n 2 ) = d (x i, y i ) n i=
12 Premier axe principal (suite) x i X p X Objectif 2 : On cherche l axe d allongement du nuage N. 0 On cherche à maximiser l inertie du nuage N projeté sur l axe : y i X 2 2 I( { } n y,..., y,0 )= n i= 2 n d (yi,0 )
13 Les objectifs et 2 sont atteints simultanément X p x i 0 y i X 2 X De : on déduit : d 2 (x i,0 ) = d 2 (y i,0 ) + d 2 (x i, y i ) n n n d (xi,0 ) = d (y i,0 ) + d (xi, yi ) n i= n i= n i= 3 Inertie totale = p = Inertie expliquée par + Inertie résiduelle Maximiser Minimiser
14 er axe principal : Résultats L axe passe par le centre de gravité 0 du nuage de points N. L axe est engendré par le vecteur normé u, vecteur propre de la matrice des corrélations R associé à la plus grande valeur propre λ. L inertie du nuage projeté est égal à λ. La part d inertie expliquée par le premier axe principal est égale à λ /p. 4
15 Résultats SPAD 5 VALEURS PROPRES APERCU DE LA PRECISION DES CALCULS : TRACE AVANT DIAGONALISATION SOMME DES VALEURS PROPRES HISTOGRAMME DES PREMIERES VALEURS PROPRES NUMERO VALEUR POURCENT. POURCENT. PROPRE CUMULE
16 Résultats SPAD Direction du vecteur propre associé à la plus grande valeur propre :
17 0. Première composante principale Y X p x i 0 u y i X 2 Y (i) X Y est une nouvelle variable définie pour chaque individu i par : Y (i) = coordonnée de y i sur l axe = produit scalaire entre les vecteurs x i et u 7 = p j= u x j ji Y = p j= u j X j
18 Interprétation de la première composante principale Y Grosse voiture Y = PUISS -0.9 CYLI Couplemaxi LONG LARG -0.2 HAUT COFFRE RESE POIDS VITE -0.8 CONS Petite voiture
19 Résultats SPAD 9 COORDONNEES DES INDIVIDUS AXE INDIVIDUS COORDONNEES IDENTIFICATEUR P.REL DISTO ALF 47,9 JTD Distinct ALF 66 2,5 V6 24V Progr ASTMAR DB7 Volante AUD A4 3,0 Quattro Pack AUD A8 S8 Pack Avus AUD TT Roadster,8 T AUDIA4 Cabriolet 2, BEN Continental T BMW 36i BMW X5 3,0d Pack Luxe BMW Z CAD Seville STS CHR Grand Voyager 2,5 CR DISTO = d 2 (x i, 0)
20 Propriétés de la première composante principale Y Moyenne de Y = 0 Variance de Y = n n 2 Y (i) = n i= n i= d 2 (y i,0 ) = λ Cor(X j, Y ) = λ u j p p j= cor 2 (X j,y ) = λ est maximum p 20
21 Qualité de la première composante principale Y Inertie totale = Inertie expliquée par le premier axe principal = λ = 6.69 Part d inertie expliquée par le premier axe principal : λ p 6.69 = = La première composante principale explique % de la variance totale.
22 . Deuxième axe principal 2 2 Y 2 (i) 0 x i a i Y (i) 22
23 2 ème axe principal 2 : Résultats 23 On recherche le deuxième axe principal 2 orthogonal à et passant le mieux possible au milieu du nuage. Il passe par le centre de gravité 0 du nuage de points et est engendré par le vecteur normé u 2, vecteur propre de la matrice des corrélations R associé à la deuxième plus grande valeur propre λ 2. La deuxième composante principale Y 2 est définie par projection des points sur le deuxième axe principal. La deuxième composante principale Y 2 est centrée, de variance λ 2, et non corrélée à la première composante principale Y.
24 Résultats SPAD COORDONNEES DES VARIABLES SUR LES AXES A 5 VARIABLES ACTIVES VARIABLES COORDONNEES CORRELATIONS VARIABLE-FACTEUR IDEN - LIBELLE COURT C2 - PUISS C3 - CYLI C4 - CoupleMaxi C5 - LONG C6 - LARG C7 - HAUT C8 - COFFRE C9 - RESE C0 - POIDS C - VITE C2 - CONS
25 Interprétation de la deuxième composante principale Y 2 Y 2 = 0.43 PUISS CYLI Couplemaxi LONG LARG HAUT COFFRE RESE POIDS VITE CONS Voiture familiale Voiture sportive
26 2. Exemple Auto 2002 Le premier plan principal 26
27 27 Le cercle des corrélations
28 3. Qualité globale de l analyse Inertie totale = variance totale = p Part de variance expliquée par la première composante principale = Part de variance expliquée par la deuxième composante principale = λ p λ 2 p 28 Part de variance expliquée par les deux premières composantes principales = Et ainsi de suite pour les autres dimensions... λ +λ2 p
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
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
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
Extraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
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
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.
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
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
ATELIER SOLUTION. Acheter ou louer? Réforme 2006 de la fiscalité applicable aux véhicules. Avec la collaboration de P.1
ATELIER SOLUTION Acheter ou louer? Réforme 2006 de la fiscalité applicable aux véhicules Avec la collaboration de P.1 Le marché du véhicule d entreprise P.2 La proportion d'entreprises qui financent au
Introduction. Préambule. Le contexte
Préambule... INTRODUCTION... BREF HISTORIQUE DE L ACP... 4 DOMAINE D'APPLICATION... 5 INTERPRETATIONS GEOMETRIQUES... 6 a - Pour les n individus... 6 b - Pour les p variables... 7 c - Notion d éléments
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?
PETITES FAMILIALES ET CABRIOLETS
PETITES FAMILIALES ET CABRIOLETS A ciel ouvert P. Louyet et S. Mestdagh Avec notre premier test de cabriolets, qui vient compléter le test de petites familiales, c'est déjà un avant-goût de vacances. Pour
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.
Statistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Déroulement 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
LES ESCALIERS. Du niveau du rez-de-chaussée à celui de l'étage ou à celui du sous-sol.
LES ESCALIERS I. DÉF I NIT I O N Un escalier est un ouvrage constitué d'une suite de marches et de paliers permettant de passer à pied d'un niveau à un autre. Ses caractéristiques dimensionnelles sont
Informations techniques et questions
Journée Erasmus Appel à propositions 2015 Informations techniques et questions Catherine Carron et Amanda Crameri Coordinatrices de projet Erasmus Contenu Call solution transitoire 2015 : remarques générales
Lire ; 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....................................
Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
MAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Aide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Une comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Statistique 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
Finanzführerschäin. Maison des jeunes Am Quartier
Finanzführerschäin Maison des jeunes Am Quartier 17 mars 2015 Table des matières 1. Qu est-ce qu une transaction? Les notions de «bien» et «service»... 3 2. Qu est-ce qu une dépense? Les notions de besoins
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
01-2014 Brochure ALD ELECTRIC PART OF ALD NEWMOBILITY
01-2014 Brochure ALD ELECTRIC PART OF ALD NEWMOBILITY 1 Brochure ALD electric INTRODUCTION Notre offre ALD electric se compose d une gamme très complète de véhicules électriques comprenant des hybrides
Guide SEPA Paramétrage Experts Solutions SAGE depuis 24 ans
Guide SEPA Paramétrage Axe Informatique Experts Solutions SAGE depuis 24 ans Installation Paramétrage Développement Formation Support Téléphonique Maintenance SEPA Vérification du paramétrage des applications
Analyses 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
VILLE DE VILLEURBANNE CONSEIL MUNICIPAL 5 JUILLET 2010. -ooo-
VILLE DE VILLEURBANNE CONSEIL MUNICIPAL 5 JUILLET 2010 -ooo- La s é a n c e e s t o u v e r t e s o u s l a p r é s i d e n c e d e M o n s i e u r J e a n - P a u l BR E T, M a i r e d e V i l l e u r
Résumé de l étude réalisée par CO 2 logic pour le compte de la STIB
Comparaison des émissions de CO 2 par mode de transport en Région de Bruxelles-Capitale Résumé de l étude réalisée par CO 2 logic pour le compte de la STIB 100% Papier recyclé Janvier 2008 Résumé Déplacer
Consommations conventionnelles de carburant et émissions de gaz carbonique des véhicules particuliers vendus en France
ÉDITION 2006 Consommations conventionnelles de carburant et émissions de gaz carbonique des véhicules particuliers vendus en France TRANSPORT Agence de l Environnement et de la Maîtrise de l Énergie Sommaire
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015.
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015. Thèmes des séances de TD Thème n.1: Tableaux statistiques et représentations graphiques. Thème
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
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
Fonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours
Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours Références : 1. G. Saporta, «Probabilités, Analyse de données et Statistique», Dunod, 2006 ; partie théorique, pages 155 à 177 ; partie pratique,
Analyse 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
Séries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Programmation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Théorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
"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
Quantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Introduction à la Visualisation Scientifique
à la Visualisation Scientifique CEA, DAM, DIF stephane.marchesin@gmail.com 5 décembre 2008 à la Visualisation Scientifique p. 1 / 22 1 2 à 3 4 à 5 à la Visualisation Scientifique p. 2 / 22 à Ces dernières
Cours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
(51) Int Cl.: B23P 19/00 (2006.01) B23P 19/04 (2006.01) F01L 1/053 (2006.01)
(19) (12) DEMANDE DE BREVET EUROPEEN (11) EP 1 886 760 A1 (43) Date de publication: 13.02.2008 Bulletin 2008/07 (21) Numéro de dépôt: 0711197.6 (1) Int Cl.: B23P 19/00 (2006.01) B23P 19/04 (2006.01) F01L
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
Cours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Chapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
FIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Ford Motor Company (Switzerland) SA
Adresse postale : Postfach 495, 8304 Wallisellen Ford Motor Company (Switzerland) SA A tous les partenaires Ford A l'attention de la Direction, Direction des ventes Adresse pour colis : Geerenstrasse 10,
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
L amortissement linéaire. Constatation comptable de la dépréciation irréversible d un bien.
L amortissement linéaire Constatation comptable de la dépréciation irréversible d un bien. Le calcul L amortissement se calcule comme suit : base x taux x (temps / 360) Prorata temporis La première année
Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
L'analyse de données. Polycopié de cours ENSIETA - Réf. : 1463. Arnaud MARTIN
L'analyse de données Polycopié de cours ENSIETA - Réf : 1463 Arnaud MARTIN Septembre 2004 Table des matières 1 Introduction 1 11 Domaines d'application 2 12 Les données 2 13 Les objectifs 3 14 Les méthodes
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
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)
Évaluation 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
SAV ET RÉPARATION. Savoir-faire. www.jarltech.fr
i & V : SA E b i i 1 3 2 0 1 Ai 0800 9 h P i iè P i i i i S j C i Si E ) i Ti (i ib i Q,. bq i, FA V k, Pi b h iè i Si b, D Z, P E q Si-i SAV ET RÉPARATION S hiq : E q SSII VAR, i hiq Jh i h 0800 910 231.
Structure financière et performance économique des PME : Étude empirique sur les entreprises belges
Structure financière et performance économique des PME : Étude empirique sur les entreprises belges Tarek MILOUD (UCL) * Résumé : Notre But est de caractériser la propriété financière des petites et moyennes
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
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Exercice : 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
Fonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Un exemple d étude de cas
Un exemple d'étude de cas 1 Un exemple d étude de cas INTRODUCTION Le cas de la Boulangerie Lépine ltée nous permet d exposer ici un type d étude de cas. Le processus utilisé est identique à celui qui
Bisnode. au mois de Mai 2013. Étude sur les faillites et créations d entreprises 25.6.2013
Bisnode Faillites et créations arrêtées au mois de Mai 2013 Étude sur les faillites et créations d entreprises 25.6.2013 731b du CO: dissolutions d entreprises aux dépens de la collectivité. Entre janvier
INF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
POUR ATTEINDRE VOS OBJECTIFS D AFFAIRES
LE RÔLE DU MARKETING STRATÉGIQUE SIX ÉTAPES POUR ATTEINDRE VOS OBJECTIFS D AFFAIRES POUR QU UNE ENTREPRISE ATTEIGNE SES OBJECTIFS D AFFAIRES, ELLE DOIT ÉQUILIBRER SA STRATÉGIE MARKETING. Une saveur unique
10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU)
0 leçon 2 Leçon n 2 : Contact entre deu solides Frottement de glissement Eemples (PC ou er CU) Introduction Contact entre deu solides Liaisons de contact 2 Contact ponctuel 2 Frottement de glissement 2
Calcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Table des matières. Partie I : La nouvelle déduction pour la propre et unique habitation
Table des matières Partie I : La nouvelle déduction pour la propre et unique habitation 1. Conditions liées à l emprunt 1.1. Aperçu des différentes conditions...3 1.2. Commentaire de ces différentes conditions...3
SIG ET ANALYSE EXPLORATOIRE
SIG ET ANALYSE EXPLORATOIRE VERS DE NOUVELLES PRATIQUES EN GÉOGRAPHIE Jean-Marc ORHAN Equipe P.A.R.I.S., URA 1243 du CNRS Paris Résumé L'offre actuelle dans le domaine des logiciels de type Système d'information
Individus 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
Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Introduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Résumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
La santé de votre entreprise mérite notre protection.
mutuelle mclr La santé de votre entreprise mérite notre protection. www.mclr.fr Qui sommes-nous? En tant que mutuelle régionale, nous partageons avec vous un certain nombre de valeurs liées à la taille
Classification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Annexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Accueil Events, l accueil personnalisé des touristes d affaires Informations, bonnes adresses, réservations et découvertes!
Lyon City Card 1 jour 2 jours 3 jours Ta xis et M inibus - Tarifs forfaitaires Jour : 7h - 19h Nuit : 19h - 7h Lyon/ Villeurbanne - Aéroport St Exupéry 59 81 Lyon 5ème et 9ème excentrés - Aéroport St Exupéry
DON ET GREFFE D ORGANES EN TUNISIE. Dr Mylène Ben Hamida Centre National pour la Promotion de la Transplantation d Organes
DON ET GREFFE D ORGANES EN TUNISIE Dr Mylène Ben Hamida Centre National pour la Promotion de la Transplantation d Organes Les besoins sont importants Insuffisance Organique Terminale en Tunisie Rein :
La comptabilité énergétique
La comptabilité énergétique Un outil de suivi des consommations des bâtiments Nicolo Morgante Responsable énergie CHR Soignies Sommaire Comptabilité énergétique: qu est-ce que c est? A quoi ça sert? Pourquoi?
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
Huiles moteurs pour véhicules légers
Contact: Huiles moteurs pour véhicules légers FUCHS LUBRIFIANT FRANCE DIVISION AUTO MOTO 81, RUE DE L'INDUSTRIE 92500 RUEIL-MALMAISON TEL. : 01.41.37.42.00 FAX : 01.41.37.42.01 www.fuchs-oil.fr Des huiles
VOTRE BUDGET CHOISISSEZ CLÉ EN MAIN LOYERS
VÉRIFIEZ VOS CAPACITÉS DE REMBOURSEMENT AVANT DE VOUS ENGAGER. CHOISISSEZ VOTRE BUDGET LOYERS CLÉ EN MAIN Jusqu au 21 mai 2015 >500L< POP STAR Diesel 85 CH 18 490 * DE 1 090 MONTANT FINALE) : 13 185 de
Corrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Simulation de Réseaux Ferroviaires
Le projet de recherche Modélisation orientée objets dans le domaine ferroviaire a été conduit par l Institut des Transports et de Construction Routière et Ferroviaire (IVT, Institut für Verkehrsplanung,
Cours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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
LCA France 1988-2015 Qualité de services Tarification Disponibilité Indépendance Références
LCA France 1-201 LCA France... La route en liberté Qualité de services Tarification Disponibilité Indépendance Références Location longue durée La Location Longue Durée avec LCA France, plus de 2 ans d
QUANTITÉS DE REMPLISSAGE D HUILE ET DE RÉFRIGÉRANT VL/VUL/PL 2012 2013
QUANTITÉS DE REMPLISSAGE D HUILE ET DE RÉFRIGÉRANT VL/VUL/PL 2012 2013 SYMBOLES Type de véhicule (VL/VUL) Type de véhicule (VUL/PL) Année de construction Type de réfrigérant Quantité de réfrigérant (g)
GUIDE GÉNÉRAL SUR LE CCSP ET LA PRÉSENTATION DE L I N F O R M ATION FINANCIÈRE DES CONSEILS SCOLAIRES
GUIDE GÉNÉRAL SUR LE CCSP ET LA PRÉSENTATION DE L I N F O R M ATION FINANCIÈRE DES CONSEILS SCOLAIRES Ministère de l Éducation TA B L E D E S M AT I È R E S 2 I N T RO D UC TI ON E T C O N T EX T E Q
Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Famille continue de courbes terminales du spiral réglant pouvant être construites par points et par tangentes
Famille continue de courbes terminales du spiral réglant pouvant être construites par points et par tangentes M. Aubert To cite this version: M. Aubert. Famille continue de courbes terminales du spiral
Audi quattro GmbH. Collection Audi Les miniatures
Audi quattro GmbH Collection Audi Les miniatures «C est souvent les petites choses qui nous procurent de grandes joies. Quelques-unes des plus jolies se trouvent ici.» Nur original mit dem Audi Hologramm.
Chapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage