STAT-G204 Chapitre I: ANOVA. Caroline Verhoeven
|
|
- Jean-Baptiste Aubé
- il y a 6 ans
- Total affichages :
Transcription
1 STAT-G204 Chapitre I: ANOVA Caroline Verhoeven
2 Table des matières 1 Introduction 2 ANOVA à 1 facteur 3 ANOVA à mesures répétées 4 Randomized block design ANOVA 5 ANOVA à plusieurs facteurs Caroline Verhoeven STAT-G204 2 / 64
3 1. Introduction Augmentation du risque d erreur du type I : Exemple I Exemple 1 En 1995, Inaudi et al. ont publié un article satirique dans le journal Annals of Improbable Research. Sujet de l article : l effet papillon : le battement d ailes d un papillon peut avoir des grands effets, tels que le création d un ouragan sur un autre continent. Caroline Verhoeven STAT-G204 3 / 64
4 1. Introduction Augmentation du risque d erreur du type I : Exemple II Exemple 1 Les chercheurs on attrapé des douzaines de papillons et ont enregistré quotidiennement si ils battaient des ailes ou non en Suisse et ont téléphoné tous les jours à leur copine à Paris, pour demander si il pleut. A la fin de l étude, ils ont testé, pour chaque papillon, si il y avait un lien entre leur battement d ailes et la pluie à Paris. Ils ont trouvé un papillon dont les jours des battement d ailes était fortement corrélés avec les jours de pluie à Paris. Ils ont donc montré le lien entre les 2. Leur erreur statistique : Si on fait suffisamment de tests, il y en aura bien un statistiquement significatif Si on effectue N test indépendant avec un niveau significatif α, la probabilité de ne pas faire d erreur du type I est (1 α) N. La probabilité de faire au moins 1 erreur du type I est 1 (1 α) N. Caroline Verhoeven STAT-G204 4 / 64
5 2. ANOVA à 1 facteur Exemple : Description I Exemple 2 Quand change de zone horaire, on souffre du décalage horaire. Ensuite, on s adapte au cycle lumineux perçu par l oeil et on resynchronise notre rythme circadien. Le changement dans ce rythme se nomme un shift. En 1998, Campbell et Murphy ont déclaré que ce shift pouvait également se faire en illuminant l arrière du genoux. Le résultat fut très controversé Caroline Verhoeven STAT-G204 5 / 64
6 2. ANOVA à 1 facteur Exemple : Description II Exemple 2 En 2002, Wright et Czeisler ont réétudié ce phénomène. Ils ont mesuré le cycle de production de mélatonine chez N = 22 sujets aléatoirement soumis à un des 3 traitement suivants. Ils ont été réveillé durant leur sommeil et soumis à une forte lumière dans les yeux, à l arrière du genoux ou à aucune lumière, durant une période de 3 heures. Après 2 jours, on a mesuré leur cycle de mélatonine. Le shift (en heures) est donnés pour chaque groupe sur le slide suivant. Un shift négatif montre un retard. Caroline Verhoeven STAT-G204 6 / 64
7 2. ANOVA à 1 facteur Exemple : données Exemple 2 contrôle genoux yeux 0,53 0,73-0,78 0,36 0,31-0,86 0,20 0,03-1,35-0,37-0,29-1,48-0,60-0,56-1,52-0,64-0,96-2,04-0,68-1,61-2,83-1,27 groupe 1 : contrôle, N 1 = 8 groupe 2 : genoux, N 2 = 7 groupe 3 : yeux, N 3 = 7 Caroline Verhoeven STAT-G204 7 / 64
8 2. ANOVA à 1 facteur Qu est-ce que l ANOVA? Ne pas faire plusieurs test 2 groupes par 2 groupes! ANOVA : généralisation du test t pour 2 échantillons indépendants, vers k > 2 échantillons indépendants Formulation des hypothèses H 0 : µ 1 = µ 2 = = µ k H a : Au moins une des moyennes est différentes des autres ANOVA : ANalysis Of VAriance Caroline Verhoeven STAT-G204 8 / 64
9 2. ANOVA à 1 facteur Notations k : Nombre d échantillons x ij : mesure pour le sujet i du groupe j x j : moyenne des mesures du groupe j x : Moyenne globale de toutes les mesures N j : Nombre de sujets du groupe j N : Nombre total de sujets Caroline Verhoeven STAT-G204 9 / 64
10 2. ANOVA à 1 facteur Principe de résolution Comparer la variabilité entre les groupes avec celle à l intérieur des groupes x ij x = (x ij x j ) variation intra-groupes + (x j x) variation inter-groupes Exemple 2 0,5 0,5 0,5 0,5 0,5 0,5 1,5 1,5 1,5 2,5 contr. gen. yeux 2,5 contr. gen. yeux 2,5 contr. gen. yeux x x 1, x 2, x 3 Caroline Verhoeven STAT-G / 64
11 2. ANOVA à 1 facteur Calcul de la variance inter-groupes La variance inter-groupes : MS B = k j=1 N j(x j x) 2 k 1 Exemple 2 x 1 = 0,31, x 2 = 0,34 x 3 = 1,55 x = 0,71 MS B = 1 2 = 3,61 (8( 0,31+0,71) 2 + 7( 0,34+0,71) 2 + 7( 1,55+0,71) 2) Caroline Verhoeven STAT-G / 64
12 2. ANOVA à 1 facteur Calcul de la variance intra-groupes I La variance intra-groupes : MS W = N1 i=1 (x i1 x 1 ) 2 + N 2 i=1 (x i2 x 2 ) N k i=1 (x ik x k ) 2 N k Exemple 2 x i1 x i2 x i3 (x i1 x 1 ) 2 (x i2 x 2 ) 2 (x i3 x 3 ) 2 0,53 0,73-0,78 0,70 1,14 0,60 0,36 0,31-0,86 0,45 0,42 0,48 0,20 0,03-1,35 0,26 0,13 0,04-0,37-0,29-1,48 0,00 0,00 0,01-0,60-0,56-1,52 0,08 0,05 0,00-0,64-0,96-2,04 0,11 0,39 0,24-0,68-1,61-2,83 0,14 1,62 1,63-1,27 0,92 2,67 3,75 2,99 Caroline Verhoeven STAT-G / 64
13 2. ANOVA à 1 facteur Calcul de la variance intra-groupes II Exemple 2 Valeur de la variance intra-groupes : MS W = 2,67+3,75+2, = 0,50 Caroline Verhoeven STAT-G / 64
14 2. ANOVA à 1 facteur Calcul de la statistique F On veut comparer MS B à MS W On calcule le rapport entre les 2 f = MS B MS W, F F(k 1,N k) Si H 0 est vraie, on s attend à ce que f = 1 SI H a est vraie, on s attend à ce que f > 1 Caroline Verhoeven STAT-G / 64
15 2. ANOVA à 1 facteur Exemple : Calcul de f et conclusion Exemple 2 On veut savoir si au moins un des groupes a en moyenne un shift différent dans son rythme circadien, avec un niveau significatif α = 0,05. On a f = MS B = 3,61 MS W 0,50 Calcul de la valeur p = 7,289, F F(2,19) p = P(F > 7,29) = 0,004 < α = 0,05 On rejette H 0 1,0 0,8 0,6 0,4 0,2 3,52 f Caroline Verhoeven STAT-G / 64
16 2. ANOVA à 1 facteur Conditions Les échantillons doivent être aléatoires simples Les échantillons doivent être indépendants Il faut que σ 1 = σ 2 = = σ k Pour vérifier cela, on a le test de Levene Il faut que la variable soit distribuée normalement pour les k populations Caroline Verhoeven STAT-G / 64
17 Données en SPSS 2. ANOVA à 1 facteur En SPSS : toutes les données d un sujet sur une ligne Caroline Verhoeven STAT-G / 64
18 Menus SPSS 2. ANOVA à 1 facteur Caroline Verhoeven STAT-G / 64
19 2. ANOVA à 1 facteur Définir les facteurs en SPSS I Caroline Verhoeven STAT-G / 64
20 2. ANOVA à 1 facteur Définir les facteurs en SPSS II On met la variable numérique dans Dependent List On met la variable qui définit les groupes dans Factor Caroline Verhoeven STAT-G / 64
21 2. ANOVA à 1 facteur Le teste de Levene en SPSS On choisit le test de Levene dans les options Caroline Verhoeven STAT-G / 64
22 Sortie en SPSS 2. ANOVA à 1 facteur Caroline Verhoeven STAT-G / 64
23 2. ANOVA à 1 facteur Résultat du test de Levene df1= k 1, df2= N k Sig.= p Ici : p = 0,856 NRH 0 Caroline Verhoeven STAT-G / 64
24 2. ANOVA à 1 facteur Résultat du test ANOVA df1= k 1, df2= N k Sig.= p Ici : p = 0,004 RH 0 Caroline Verhoeven STAT-G / 64
25 Après l ANOVA 2. ANOVA à 1 facteur L ANOVA ne permet de détecter que si toutes les moyennes sont les mêmes ou si au moins une est différente. Comment savoir lesquelles sont différentes? Si on ne rejette pas H 0 : on peut s arrêter Si on rejette H 0 : Il y a différentes possibilités (tests de comparaison multiples) : Bonferroni Tukey Dunnett Sidak Scheffee... Caroline Verhoeven STAT-G / 64
26 3. ANOVA à mesures répétées Exemple : Description Exemple 3 Dans l émission de réalité I m a celebrity, get me out of here, des célébrités doivent survivre dans la jungle et doivent subir des épreuves désagréables et humiliantes Une de ces épreuves est de manger des choses peu appétissantes. 8 célébrités mangent chacune 4 de ces choses. On mesure le temps qui leur faut avant d avoir la nausée en secondes. Y a-t-il une différence de temps entre ces choses? Les données se trouvent sur le slide suivant Caroline Verhoeven STAT-G / 64
27 Exemple : Données 3. ANOVA à mesures répétées Exemple 3 céleb phasmes testicules yeux poisson larves Caroline Verhoeven STAT-G / 64
28 3. ANOVA à mesures répétées Principe On mesures k fois les mêmes sujets sous des conditions différentes Généralisation du test t pour 2 échantillons appariés Caroline Verhoeven STAT-G / 64
29 3. ANOVA à mesures répétées Test préliminaire Les variances des différences entre 2 groupes sont-elles toutes les mêmes? Pour y répondre : test de Mauchly H 0 : les variances des différences entre 2 groupes sont les mêmes H a : Il y a au moins 1 variance des différences qui est différentes p > 0,05 : NRH 0 p < 0,05 : RH 0 Si RH 0 : correction de Greenhouse-Geisser correction Huynh-Feldt Caroline Verhoeven STAT-G / 64
30 Données en SPSS 3. ANOVA à mesures répétées Caroline Verhoeven STAT-G / 64
31 Menus en SPSS 3. ANOVA à mesures répétées Analyze General Linear Model Repeated Measures Caroline Verhoeven STAT-G / 64
32 3. ANOVA à mesures répétées Définir les facteurs en SPSS I Caroline Verhoeven STAT-G / 64
33 3. ANOVA à mesures répétées Définir les facteurs en SPSS II Caroline Verhoeven STAT-G / 64
34 3. ANOVA à mesures répétées Définir les facteurs en SPSS III Caroline Verhoeven STAT-G / 64
35 3. ANOVA à mesures répétées Définir les facteurs en SPSS IV Caroline Verhoeven STAT-G / 64
36 3. ANOVA à mesures répétées Définir les facteurs en SPSS V Caroline Verhoeven STAT-G / 64
37 3. ANOVA à mesures répétées Les résultats en SPSS Caroline Verhoeven STAT-G / 64
38 3. ANOVA à mesures répétées Résultats du test de Mauchly Ici : test de Mauchly significatif (p = 0,047 < 0,05) ε (Epsilon) Si ε = 1 : sphéricité parfaite Au plus ε petit, au plus éloigné de la sphéricité Choix de correction : Si pour Greenhouse-Geisser ε > 0,75 : Huynh-Feldt Si pour Greenhouse-Geisser ε < 0,75 : Greenhouse-Geisser Caroline Verhoeven STAT-G / 64
39 3. ANOVA à mesures répétées Résultats de l ANOVA Prendre la bonne correction : ici Greenhouse-Geisser Pour Greenhouse-Geisser : p = 0,06 NRH 0 la différence n est pas significative Caroline Verhoeven STAT-G / 64
40 4. Randomized block design ANOVA Exemple : Description Exemple 4 En 2007, Svanbäck et Bolnick ont testé l impact de la quantité de poisson sur la diversité du zooplancton dans un petit lac de l île de Vancouver. Ils pensent que cette diversité varie en fonction de l endroit dans le lac. Ils comparent 3 traitements dans des cages de 3m 3m Ils ne rajoutent pas de poissons (contrôle) Ils rajoutent 30 petits poissons (peu) Ils rajoutent 90 poissons (beaucoup) Block design 5 endroits dans le lac et 3 cages à chacun de ces endroits : 1 cage contrôle, 1 cage peu, 1 cage beaucoup Caroline Verhoeven STAT-G / 64
41 4. Randomized block design ANOVA Exemple : Données Exemple 4 L abondance du zooplancton est donné par l index D de Levin lieux (bloques) contrôle peu beaucoup 4,1 2,2 1,3 3,2 2,4 2,0 3,0 1,5 1,0 2,3 1,3 1,0 2,5 2,6 1,6 Caroline Verhoeven STAT-G / 64
42 4. Randomized block design ANOVA Principe du randomized block design ANOVA Formulation des hypothèses : H 0 : Tous les traitements ont en moyenne le même effet H a : Au moins un traitement est différent des autres Les randomized blocking design sert à contrôler une variable non intéressante mais induisant une variabilité. Classiquement : 1 mesure pour chaque traitement par bloque. Le modèle : REPONSE = CONSTANTE + TRAITEMENT + BLOQUE Dans l exemple 4 : DIVERSITE = CONSTANTE + POISSONS + LIEUX On ne sait plus utiliser une ANOVA à 1 facteur Caroline Verhoeven STAT-G / 64
43 4. Randomized block design ANOVA Les données en SPSS Les données de tous les sujets sont sur une ligne Caroline Verhoeven STAT-G / 64
44 4. Randomized block design ANOVA Les menus en SPSS I Analyze General Linear Model Univariate Caroline Verhoeven STAT-G / 64
45 4. Randomized block design ANOVA Les facteurs en SPSS Variable dépendante :diversité Facteurs fixes : bloque et traitement Caroline Verhoeven STAT-G / 64
46 4. Randomized block design ANOVA Les modèles en SPSS I Choisir Model dans le menu Caroline Verhoeven STAT-G / 64
47 4. Randomized block design ANOVA Les modèles en SPSS II Caroline Verhoeven STAT-G / 64
48 La sortie SPSS 4. Randomized block design ANOVA Caroline Verhoeven STAT-G / 64
49 4. Randomized block design ANOVA Les résultats Nous somme intéressés par les lignes bloque et groupe groupe : Introduire cette variable améliore significativement le modèle (F = 16,37, p = 0,001) bloque : même si l amélioration n est pas significative, il faut laisser la variable bloque Caroline Verhoeven STAT-G / 64
50 5. ANOVA à plusieurs facteurs Exemple : Description Exemple 5 En 2005, Walker et al ont étudié le stress chez les manchots de Magellan. Certains se reproduisent dans une région retirée avec peu d activités humaine. D autres se reproduisent dans des régions touristiques. On veut savoir si les manchots stress plus en grandissant et si le fait de grandir dans une zone touristique ou non influence le stress. Pour cela, on les capture et on mesure leur concentration de corticostérone 30 minutes après. On fait cela pour 3 catégories de manchots : récemment éclos, de 40 à 50 jours et juste adultes. Les données sont sur le slide suivant Caroline Verhoeven STAT-G / 64
51 5. ANOVA à plusieurs facteurs Exemple : Données Exemple 5 retiré bébés enfants adultes 5,9 23,1 22,8 6,2 18,9 25,7 10,3 19,1 26,5 4,6 21,5 22,6 11,7 18,1 31,4 10,8 18,7 27,6 5,1 29,0 25,0 23,2 30,9 tourisme On regarde stress en fonction de 2 facteurs : l âge l environnement bébés enfants adultes 24,4 12,5 29,3 20,6 17,3 24,3 16,5 12,9 33,9 29,5 12,0 29,6 23,4 16,4 34,4 26,8 21,4 33,1 26,5 18,0 25,6 20,2 23,1 28,1 Caroline Verhoeven STAT-G / 64
52 5. ANOVA à plusieurs facteurs Questions pour l exemple Exemple 5 Questions que l on se pose : L âge a-t-il une influence-t-il le stress chez les jeunes manchots? Le fait de grandir dans une zone retirée ou touristique influence-t-il le le stress chez les jeunes manchots? L effet de l âge dépend-il de la zone dans laquelle les jeunes manchots grandissent? Début de réponse à la dernière question : Caroline Verhoeven STAT-G / 64
53 5. ANOVA à plusieurs facteurs ANOVA à 2 facteurs : Formulation des hypothèses Exemple 5 1 un effet principal : H 0 : Le taux de corticostérone ne diffère pas que le manchot soit bébé, enfant ou juste adulte H a : Le taux de corticostérone est différent pour au moins un des stades de croissance 2 un effet principal : H 0 : Le taux de corticostérone ne diffère pas en fonction de l environnement dans lequel le manchot grandit H a : Le taux de corticostérone est différent en fonction de l environnement dans lequel le manchot grandit 3 un effet d intéraction : H 0 : L effet de l âge ne dépend pas de l environnement H a : L effet de l âge dépend de l environnement Caroline Verhoeven STAT-G / 64
54 5. ANOVA à plusieurs facteurs ANOVA à 2 facteurs : Principe Modèle : REPONSE = FACTEUR1 + FACTEUR2 + FACTEUR1 FACTEUR2 Dans l exemple 5 : STRESS = AGE+REGION+AGE REGION Caroline Verhoeven STAT-G / 64
55 Données en SPSS 5. ANOVA à plusieurs facteurs Caroline Verhoeven STAT-G / 64
56 Menus en SPSS I 5. ANOVA à plusieurs facteurs Analyze General Linear Model Univariate Caroline Verhoeven STAT-G / 64
57 Menus en SPSS II 5. ANOVA à plusieurs facteurs Caroline Verhoeven STAT-G / 64
58 Menus en SPSS II 5. ANOVA à plusieurs facteurs Dans Options, on coche Homogeinity tests (test de Levene) Caroline Verhoeven STAT-G / 64
59 5. ANOVA à plusieurs facteurs Graphique de l interaction Choisir Plots Caroline Verhoeven STAT-G / 64
60 Sortie en SPSS 5. ANOVA à plusieurs facteurs Caroline Verhoeven STAT-G / 64
61 5. ANOVA à plusieurs facteurs Résultats test de Levene Test de Levene : p = 0,956 NRH 0 Pas de problème pour l ANOVA Caroline Verhoeven STAT-G / 64
62 5. ANOVA à plusieurs facteurs Résultats de l ANOVA à 2 facteurs Effet de l interaction age*région : p < 0,001 RH 0 Effet de l age : p < 0,001 RH 0 Effet de la région : p < 0,001 RH 0 Caroline Verhoeven STAT-G / 64
63 Graphe des effets 5. ANOVA à plusieurs facteurs Effet de l age : RH 0 Effet de la région : RH 0 Effet de l interaction age*région : RH 0 Caroline Verhoeven STAT-G / 64
64 5. ANOVA à plusieurs facteurs ANOVA à 3 facteurs Modèle REPONSE =FACTEUR1 + FACTEUR2 + FACTEUR3 + FACTEUR1 FACTEUR2 + FACTEUR1 FACTEUR3 + FACTEUR2 FACTEUR3 + FACTEUR1 FACTEUR2 FACTEUR3 Caroline Verhoeven STAT-G / 64
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
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 détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en 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 détailGuide d usage du portail périscolaire de la Ville de Lorient
Guide d usage du portail périscolaire de la Ville de Lorient RESERVATION DES ACTIVITES PERSICOLAIRES PAR INTERNET Vous avez une difficulté à créer votre compte ou vous vous posez des questions sur la réservation
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
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 détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailprésente Métro, boulot, dodo enquête sur la vie de bureau
présente Métro, boulot, dodo enquête sur la vie de bureau Septembre 2014 Avant-propos Avec la tertiarisation de l économie et des emplois, notre activité professionnelle se déroule de plus en plus souvent
Plus en détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailIRBMS. Institut Régional de Biologie et de Médecine du Sport N ORD PAS- DE-CALAIS WWW. IRBMS. COM. Titre : «DECALAGE HORAIRE ET SPORT»
IRBMS http://www.irbms.com Institut Régional de Biologie et de Médecine du Sport N ORD PAS- DE-CALAIS WWW. IRBMS. COM Titre : «DECALAGE HORAIRE ET SPORT» Auteur(s) : J.-D. Guieu Catégorie : Sport Santé
Plus en détailSommeil et sport Dr. Arnaud PRIGENT (Pneumologue à St LAURENT) sport et sommeil 01/06/2010
Sommeil et sport Structure du sommeil Au cours du sommeil, on repère 2 principaux types de sommeil : Le sommeil lent. Le sommeil paradoxal. Processus de régulation 3 processus: - circadienne (processus
Plus en détailOnline Workflow. Approbation factures
Online Workflow Approbation factures WINGS Software Flexible, efficace & minutieux WINGS Online Workflow Table des matières Paramètres 3 Signataires 4 Connexion 5 Liste des approbations 7 1. Aperçu de
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailSommeil, fatigue au volant et jeunes conducteurs
06 NOVEMBRE 2014 Sommeil, fatigue au volant et jeunes conducteurs Roger Godbout, Ph.D. Laboratoire et Clinique du sommeil, Hôpital Rivière-des-Prairies Département de psychiatrie, Université de Montréal
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailGuide de stage. Nom... Prénom... Classe...
Guide de stage Nom... Prénom... Classe... Direction de l instruction publiue, de la culture et du sport DICS Direktion für Erziehung, Kultur und Sport EKSD Guide de stage Qu est-ce ue le guide de stage?
Plus en détailCréer une page Google+ Pro www.croissance- internet.com
Créer une page Google+ Pro Développer concrètement son activité grâce à Internet Créer une page Google + Pro Créer une page «Google pour les pros» vous permettra de vous rendre immédiatement visible pour
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailDescripteur global Interaction orale générale
Descripteur global Peut produire des expressions simples isolées sur les gens et les choses. Peut se décrire, décrire ce qu il fait, ainsi que son lieu d habitation. Interaction orale générale Peut interagir
Plus en détailRapport de fin de séjour Mobilité en formation :
Rapport de fin de séjour Mobilité en formation : A. Vie pratique : J ai effectué mon Master 1 de droit public en Erasmus à Copenhague d août 2009 à fin mai 2010. Logement : Accès au logement : J ai pu
Plus en détailEFFET DOPPLER EXOPLANETES ET SMARTPHONES.
EFFET DOPPLER EXOPLANETES ET SMARTPHONES. I. APPLICATIONS UTILISEES POUR CETTE ACTIVITE : Sauf indication les applications sont gratuites. 1.Pour connaître les exoplanetes : Exoplanet (android et IOS)
Plus en détailObjectif. Cette formation doit permettre au client d être autonome dans la création de ses rapports avancés en utilisant la fonctionnalité Excel +.
Excel + Objectif Cette formation doit permettre au client d être autonome dans la création de ses rapports avancés en utilisant la fonctionnalité Excel +. 2 Ordre du jour 1. Présentation générale d Excel
Plus en détailManuel d utilisation DeveryLoc
Manuel d utilisation DeveryLoc Page 1/37 Version Numéro de la version Date de modification Modification apporté Version v.1 Le 1 juillet 2004 Version v.2 Le 1 Juin 2006 Page 2/37 SOMMAIRE 1. SE CONNECTER
Plus en détailUTILISATION DE LA BORNE PAR LE CLIENT
Page1 UTILISATION DE LA BORNE PAR LE CLIENT Achat de carte de lavage en carte bancaire Page 3 et 4 Achat de carte de lavage en billet Page 5 et 6 Rechargement de la carte de lavage en carte bancaire Page
Plus en détailCONTRAT D ACCUEIL. Parents Assistant(e)s Maternel(le)s. Proposé par les Relais Assistantes Maternelles du Haut-Rhin
CONTRAT D ACCUEIL Parents Assistant(e)s Maternel(le)s Proposé par les Relais Assistantes Maternelles du Haut-Rhin Parents, assistant(e) maternel(le), L enfant est au cœur de vos préoccupations, la qualité
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailBOSS : Bourses régionale du Sanitaire et du Social http://boss.region-alsace.eu GUIDE UTILISATEUR ETUDIANT
BOSS : Bourses régionale du Sanitaire et du Social http://boss.region-alsace.eu GUIDE UTILISATEUR ETUDIANT 1. Recherche d'informations p 2 (conditions générales, règlement, FAQ, contacts, mot du président)
Plus en détailTUTORIAL Microsoft Project 2010 Fonctionalités de base
TUTORIAL Microsoft Project 2010 Fonctionalités de base Microsoft Project est un logiciel de la suite Microsoft Office. Il s agit d un logiciel de gestion de projet et plus précisement de gestion de planning
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 détailMANUEL UTILISATEUR DU SITE D INSCRIPTIONS FCL1.028 DGAC POUR LES CANDIDATS AUX CONTROLES DE COMPETENCES LINGUISTIQUES LANGUE ANGLAISE ORGANISES PAR LA
Page : 1/15 MANUEL UTILISATEUR DU SITE D INSCRIPTIONS POUR LES CANDIDATS AUX CONTROLES DE COMPETENCES LINGUISTIQUES LANGUE ANGLAISE FCL1.028 ORGANISES PAR LA DGAC Page : 2/15 TABLE DES MATIERES 1. Principe
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 détailoutil les niveaux logiques 32 n GO juin 2014
outil les niveaux logiques 32 Comment expliquer l isolement de quelqu un? Pourquoi un tel arrive souvent en retard? Et comment comprendre les motivations de celui-ci? Le chercheur américain Robert Dilts
Plus en détailEtude sur Le service de restauration scolaire
Etude sur Le service de restauration scolaire En accord avec les objectifs de l Association des Parents d Elèves de Génération ECOLE, une enquête de satisfaction de la cantine scolaire a donné les résultats
Plus en détailN 6 Du 30 nov au 6 déc. 2011
N 6 Du 30 nov au 6 déc. 2011 LA SÉANCE D ACTU DE LA SEMAINE L article choisi de la semaine : Es-tu plutôt roman, BD, conte ou poésie? FICHE ÉLÈVE LES MOTS DE LA SEMAINE ACTIVITE 1 : JE ME RAPPELLE Voici
Plus en détailCOMPETENCE DE NIVEAU N1
GROUPE DES ACTIVITES ATHLETIQUES DEMI FOND Réaliser une performance motrice maximale mesure à une échéance donnée COMPETENCE DE NIVEAU N1 Compétences attendues dans l APSA Réaliser la meilleure performance
Plus en détailComment ouvrir un compte et accéder à la télédéclaration? Rendez-vous sur le site : http://mesdemarches.agriculture.gouv.fr/
Comment ouvrir un compte et accéder à la télédéclaration? Rendez-vous sur le site : http://mesdemarches.agriculture.gouv.fr/ Cliquer sur : se connecter à un service Cliquez sur : Demander une indemnisation
Plus en détailLogiciel de gestion pour restaurants et Bars
http://www.easy-sarl.com Logiciel de gestion pour restaurants et Bars Guide de démarrage rapide - 01/11/2010 Sommaire Présentation générale...3 Premier démarrage...3 Les articles...4 Configuration des
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailL incidence des hausses de prix des produits de base sur la balance commerciale du Canada 1
Affaires étrangè et Commerce International Canada Le Bureau de l économiste en chef Série de papiers analytiques L incidence des hausses de prix des produits de base sur la balance commerciale du Canada
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCONDITIONS GENERALES DE VENTE ACTIVITE DE COMMERCIALISATION EN LIGNE DE L ASSOCIATION TERRE ET COTE BASQUES
CONDITIONS GENERALES DE VENTE ACTIVITE DE COMMERCIALISATION EN LIGNE DE L ASSOCIATION TERRE ET COTE BASQUES N Immatriculation Atout France : IM064100021 Page 1 S O M M A I R E Article Préliminaire Définitions...
Plus en détailAudit SEO. I / Les Tranquilles d Oléron
Audit SEO I / Les Tranquilles d Oléron Données relatives au domaine : Nom de domaine : www.lestranquillesdoleron.com Âge : Moins d un an Bilan : Référencement de base présent, mais il est possible de le
Plus en détailInstitut d Études Politiques de Grenoble. Rapport de fin de séjour
Julia Lamotte Institut d Études Politiques de Grenoble Année de mobilité : Master 1 Rapport de fin de séjour Stage au Centro de Investigacion y estudios superiores en Anthropologia social (CIESAS) San
Plus en détailau stage d information professionnelle
Service de l orientation professionnelle et de la formation des adultes SOPFA Amt für Berufsberatung und Erwachsenenbildung BEA Nom, prénom :... Classe :... Document de préparation au stage d information
Plus en détailINSTRUCTION DE CRÉATION D UN COMPTE FOURNISSEUR
INSTRUCTION DE CRÉATION D UN COMPTE FOURNISSEUR Sommaire 1. Recherche du fournisseur :... 2 1.1 Par le menu FK01... 2 2. Fonction à utiliser :... 3 3. Création du fournisseur :... 3 3.1 Ecran de sélection...
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailLa crise économique vue par les salariés français
La crise économique vue par les salariés français Étude du lien entre la performance sociale et le contexte socioéconomique Baggio, S. et Sutter, P.-E. La présente étude s intéresse au lien entre cette
Plus en détailLes élèves, ta tache aujourd hui est de travailler sur ton projet de sciences humaines. J envoie de nouveau les directives.
8 ième année science humaines Les élèves, ta tache aujourd hui est de travailler sur ton projet de sciences humaines. J envoie de nouveau les directives. Si tu n as pas ton information avec toi, tu peux
Plus en détailThème 2 : Cycle de vie des projets d innovation: ambigüité, incertitude, production de savoir et dynamisme
Thème 2 : Cycle de vie des projets d innovation: ambigüité, incertitude, production de savoir et dynamisme Serghei Floricel Dans l introduction nous avons mentionné que les projets d innovation suivent
Plus en détailConventions d écriture et outils de mise au point
Logiciel de base Première année par alternance Responsable : Christophe Rippert Christophe.Rippert@Grenoble-INP.fr Introduction Conventions d écriture et outils de mise au point On va utiliser dans cette
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 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 détailUnity Real Time 2.0 Service Pack 2 update
Unity Real Time 2.0 Service Pack 2 update Configuration des Objectifs Analytiques La nouvelle version permet, en un écran, de configurer un lot, un panel ou un instrument. Le menu est accessible au moyen
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailFiche d animation n 1 : Pêle-mêle
Fiche d animation n 1 : Pêle-mêle Cette animation permet au participants de découvrir les différents pièges du crédit à la consommation et plus particulièrement des ouvertures de crédit. Elle suscite également
Plus en détailMANUEL OPEN PRO CHAMBRES D HOTES
MANUEL OPEN PRO CHAMBRES D HOTES Identification Pour lancer l application, connectez-vous à internet et ouvrez l adresse suivante www.open-pro.fr dans la fenêtre de votre navigateur. Saisissez l E-mail
Plus en détailCahier de charge application cartographie (base de données des acteurs et des lieux culturels)
Cahier de charge application cartographie (base de données des acteurs et des lieu culturels) Page 1 sur 19 TABLE DES MATIERES Cahier de charge application cartographie... 1 (base de données des acteurs
Plus en détailL échelle du ph est logarithmique, c està-dire
Le ph Qu est-ce que le ph? Le ph mesure l acidité d un liquide. Sa valeur s exprime sur une échelle graduée de 0 à 14 où 1 désigne une substance fortement acide, 7, une substance neutre, et 14, une substance
Plus en détailSignature électronique sécurisée. Manuel d installation
Signature électronique sécurisée Manuel d installation POINTS IMPORTANTS Dès réception de votre Ikey, un code PIN (Numéro d Identification Personnel) vous est attribué de manière aléatoire. Ce code PIN
Plus en détailProjets Tutorés. Lucas Nussbaum. lucas.nussbaum@univ-lorraine.fr. Licence professionnelle ASRALL
Projets Tutorés Lucas Nussbaum lucas.nussbaum@univ-lorraine.fr Licence professionnelle ASRALL Administration de systèmes, réseaux et applications à base de logiciels libres Lucas Nussbaum Projets tutorés
Plus en détail1 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 détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailGuide d entretien concernant les secrétaires de l IUT Guide d entretien concernant l assistante de direction
Années universitaires : 2006-2007 Introduction I- Présentation générale du métier Polyvalence du métier Qualités requises Avantages et inconvénients Féminisation du métier II- Comparaison secteur privé
Plus en détailSupport de formation Notebook
Support de formation Notebook Guide de l utilisateur du tableau interactif SMART Board Table des matières Le Tableau Blanc Interactif... 1 Comprendre le fonctionnement du TBI... 1 Utiliser le plumier
Plus en détailHomophones grammaticaux de catégories différentes. s y si ci
GRAMMATICAUX DE CATÉGORIES DIFFÉRENTES S Y HOMOPHONES SI CI 1 Homophones grammaticaux de catégories différentes s y si ci s y : pronom personnel se (e élidé devant une voyelle) à la troisième personne
Plus en détailFORMULAIRE 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)
Plus en détailExercice sur la planification de l élaboration d un programme TPMDidacticiel de MS Project pour la planification de projets
Exercice sur la planification de l élaboration d un programme TPMDidacticiel de MS Project pour la planification de projets Aperçu du logiciel Pour avoir une idée des possibilités de Microsoft projet,
Plus en détailPilotage de la masse salariale Déploiement de l outil de budgétisation
Pilotage de la masse salariale Déploiement de l outil de budgétisation par Jean-Michel de Guerdavid, expert pour l AFRITAC de l Ouest 1 Présentation de l outil de budgétisation 1. Utilisation de l outil
Plus en détailDATAWAREHOUSE ADIFAC Saisie dans les applications ADIFAC
DATAWAREHOUSE ADIFAC Saisie dans les applications ADIFAC 1. ADIR (ADIFAC RECHERCHE)... 2 2. MyUNIL-Publications... 21 3. FOREVE... 29 Résumé à imprimer et afficher... 40 1. ADIR (ADIFAC RECHERCHE) La partie
Plus en détailGuide de l approbateur de base
File Routing & Collaboration Guide de l approbateur de base 5.0 V1 Date Modified 03/04/2014 Historique des révisions Date Version Description Auteur Feb. 19, 2014 1 Original Chris Olberding 2 1 re étape
Plus en détail4D Server et les licences : fonctionnement et environnement
4D Server et les licences : fonctionnement et environnement Introduction ---------------------------------------------------------------------------------------------------------- Cette note technique
Plus en détailET 24 : Modèle de comportement d un système Boucles de programmation avec Labview.
ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview. Sciences et Technologies de l Industrie et du Développement Durable Formation des enseignants parcours : ET24 Modèle de
Plus en détailGUIDE D UTILISATION LE PRESENT DOCUMENT VISE A FACILITER LA PRISE EN MAIN DE L@GOON CLOUD. * Synchroniser votre entreprise
* Synchroniser votre entreprise GUIDE D UTILISATION LE PRESENT DOCUMENT VISE A FACILITER LA PRISE EN MAIN DE L@GOON CLOUD. (L@goon Cloud v1.0 Juin 2015) Premier pas Il faut vous authentifier au site L@goon
Plus en détailEn cause, un rythme biologique qui ne reçoit plus l'indicateur indispensable à sa bonne synchronisation : la lumière du jour.
ORIGINES Saviez-vous que les astronautes séjournant à bord de la Station Spatiale Internationale voient le soleil se lever et se coucher toutes les 90 minutes? Oui. 16 fois par jour de quoi avoir du mal
Plus en détailNAVIGATION SUR INTERNET EXPLORER
Centres d accès communautaire Internet des Îles NAVIGATION SUR INTERNET EXPLORER Table des matières Introduction 1- Les barres d outils 1.1 La barre d adresse 2 5 min. 1.2. Les boutons de navigation 2
Plus en détailQUESTIONNAIRE A DESTINATION DES FAMILLES
QUESTIONNAIRE A DESTINATION DES FAMILLES La réforme des rythmes scolaires pour les écoles maternelles et élémentaires doit être mise en place en septembre 2014. Elle prévoit le retour de la semaine de
Plus en détailLa 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
Plus en détailContinent africain / Evaluation de préjudice Les économistes apportent des réponses à 360 degrés lors des procédures litigieuses
Tribune Paris, le 19 janvier 2015 Continent africain / Evaluation de préjudice Les économistes apportent des réponses à 360 degrés lors des procédures litigieuses Par Gildas de Muizon (Directeur associé)
Plus en détailGRAMMATICAUX DE CATÉGORIES DIFFÉRENTES QUANT QUAND 1 Homophones grammaticaux de catégories différentes
GRAMMATICAUX DE CATÉGORIES DIFFÉRENTES QU EN HOMOPHONES QUANT QUAND 1 Homophones grammaticaux de catégories différentes qu en quant quand qu en : que (e élidé devant une voyelle) suivie de en, pronom qui
Plus en détail... Questionnaire...
...Préambule au questionnaire... Lexique PEDT : Projet EDucatif Territorial Le PEDT a pour objectif de mobiliser toutes les ressources d un territoire afin de garantir la continuité éducative entre les
Plus en détail