Grain 7 : Régression Linéaire. Robert Sabatier, Christelle Reynès, Myrtille Vivien Université de Montpellier - Institut de Génomique Fonctionnelle
|
|
- Arthur Pépin
- il y a 6 ans
- Total affichages :
Transcription
1 Grain 7 : Régression Linéaire Robert Sabatier, Christelle Reynès, Myrtille Vivien Université de Montpellier - Institut de Génomique Fonctionnelle
2 2 Table des matières 1 Introduction 3 2 La régression simple Le modèle Exemple Estimation Qualité de la régression La régression multiple Le modèle Exemple Estimation et interprétation géométrique Conclusion - Ce qu il faut retenir 13 5 Pour en savoir plus Test de signification des coefficients en régression simple Test de signification des coefficients en régression multiple
3 3 1 Introduction L objectif de ce grain est de montrer comment modéliser le lien entre deux variables quantitatives (y et x) et entre une variable quantitative y et plusieurs autres. Dans le grain 2, la notion de corrélation entre deux variables a été abordée. Celle-ci permet de mesurer la force du lien linéaire entre deux variables x 1 et x 2 dont les rôles sont symétriques. Par exemple, au cours d une étude d hydrolyse enzymatique de la cellulose, on souhaite étudier le lien entre la concentration de la solution et l activité enzymatique mesurée par la Densité Optique (DO) à l aide d un spectrophomètre (Tableau 1). Si l on représente les données du tableau 1 sur un graphique (figure 1), c est-à-dire la densité optique en fonction de la concentration, on constate que les points sont pratiquement alignés, ce qui correspond à un coeeficient de corrélation entre les deux variables de r = Cette corrélation positive est très forte : cela signifie que les deux variables varient dans le même sens. Mais, les deux variables ont un rôle symétrique, cela ne veut pas dire que l une influe sur l autre. x 1 (concentration) x 2 (densité optique) Table 1 Exemple : étude de l hydrolyse enzymatique de la cellulose. Figure 1 Hydrolyse enzymatique de la cellulose. Dans ce grain, nous allons voir comment modéliser le lien entre deux variables (ou plus) ayant un rôle asymétrique. Cela signifie que l on suppose qu une variable (ou plusieurs) influent sur une autre variable et on cherche à modéliser ce lien. Ici, nous ne verrons que le cas où ce lien est linéaire. S il
4 4 n y a qu une variable x qui influe sur la variable y, nous serons dans le cas de la régression linéaire simple. S il y en a plusieurs, nous serons dans le cas de la régression linéaire multiple (MLR). 2 La régression simple 2.1 Le modèle La régression linéaire simple permet de modéliser une variable quantitative y en fonction d une autre variable quantitative x. Les deux variables n ont pas le même rôle : la variable y est dite variable à expliquer. Elle est aussi appelée variable réponse, ou encore variable dépendante. La variable x, quant à elle, est appelée prédicteur ou variable explicative. Le modèle étudié ici s écrit y i = a + bx i + e i pour i = 1,..., n où (x i, y i ) sont n observations des variables y et x. Dans ce modèle, la variable x est fixe : les valeurs de x i mesurées sont sans erreurs. Par contre, la variable y est aléatoire : les valeurs mesurées y i dépendent linéairement de x i à une erreur près e i. Ces erreurs e i sont des variables aléatoires, qui rendent y aléatoire. En régression linéaire, on suppose que ces erreurs e i sont indépendantes, de moyenne nulle, de même écart-type inconnu σ e. De plus, lorsque l on désire faire des tests statistiques sur les paramètres, on doit supposer que les erreurs e i sont normalement et identiquement distribuées : on note alors e i N (0, σ e ). Le paramètre a est l ordonnée à l origine du modèle, b est la pente. Ainsi, les paramètres a, b et σ e sont à estimer à partir des n couples de valeurs (x i, y i ). 2.2 Exemple Une méthode de dosage de l azote en chromatographie gazeuse a été mise au point. On désire tester sa linéarité. Les données sont présentées dans le tableau 2. x y Table 2 Dosage de l azote par chromatographie gazeuse. On cherche à vérifier que l aire des pics obtenue de la méthode de dosage est bien linéaire en fonction de la concentration d azote. L aire des pics est donc la variable réponse y et la concentration
5 5 d azote représente la variable explicative x. Avant tout, il convient de réaliser le graphique du nuage des points (x i, y i ) (i = 1,..., n = 9) afin de voir si une liaison linéaire semble exister entre les deux variables (Figure 2). Figure 2 Nuage de points de l aire des pics en fonction de la concentration d azote. Sur cette figure, nous pouvons voir une tendance linéaire décroissante de l aire des pics en fonction de la concentration. 2.3 Estimation Nous allons voir maintenant comment sont estimés les paramètres a et b du modèle linaire sousjacent. La méthode utilisée est la méthode des moindres carrés : elle consiste à chercher les valeurs pour a et b de telle sorte que la somme des carrés des erreurs n i=1 e2 i soit la plus petite possible, c est-à-dire que la droite passe le plus près possible de l ensemble des points. D autres méthodes existent, aboutissant à d autres modèles [6, 1, 2, 4]. La résolution de ce problème de minimisation mène aux estimations â et ˆb des paramètres a et b suivantes : b = n i=1 x iy i n xȳ n i=1 x2 i n x2 = n i=1 (x i x)(y i ȳ) n i=1 (x i x) 2
6 6 â = ȳ ˆb x, où x et ȳ désignent respectivement les moyennes des n observations x i et y i. On peut trouver une démonstration de ce résultat dans [2]. ˆb est l estimation de la pente de la droite des moindres carrés. Cette estimation dépend de la covariance estimée entre x et y et de la variance estimée de x. Ainsi, le signe de la pente b est le même que le signe de la corrélation entre les deux variables. Une pente positive reflète une corrélation positive et une pente négative reflète une corrélation négative. â est l estimation de l ordonnée à l origine du modèle et se déduit de b. Ainsi, le modèle de régression linéaire passe toujours, par construction, par le point moyen de coordonnées ( x, ȳ). On peut montrer [6, 2] que le carré de la corrélation entre x et y, que l on appelle coefficient de détermination, peut s écrire : R 2 = r 2 = n i=1 (ŷ i ȳ) 2 n i=1 (y i ȳ) 2. Le coefficient de détermination exprime la part de variance de y expliquée par x. Ce coefficient est une mesure de la qualité d ajustement du modèle. Plus les erreurs sont petites, plus le coefficient de détermination se rapproche de 1, et plus les valeurs y i sont proches de la droite. La figure 3 montre comment lire sur le graphique du nuage de point tous les termes utilisés dans les formules précédentes. Figure 3 La régression simple Graphiquement, les valeurs estimées ŷ i correspondent aux points sur la droite, les erreurs ê i correspondent aux écarts observés (parallèlement à l axe des ordonnées) entre y i et son estimation ŷ i sur la droite.
7 7 Revenons à l exemple présenté en paragraphe 2.2. A l aide de la méthode des moindres carrés, on obtient â = 8.70 et b = Ainsi, on peut écrire le modèle ŷ i = x i. Ce modèle est représenté sur la figure 4. Figure 4 La droite de régression de l aire des pics en fonction de la concentration 2.4 Qualité de la régression Une fois le modèle établi, il faut juger de sa qualité d ajustement et de sa fiabilité pour une utilisation future. Un indicateur de la qualité est le coefficient de détermination, R 2 défini auparavant. Mais ce seul critère n est pas suffisant. Il est indispensable d étudier les résidus du modèle ê i = y i ŷ i = y i (â + bx i ). En effet, ceux-ci doivent vérifier les critères suivants [2, 6] : être de moyenne 0, être de distribution gaussienne, de variance comparable en fonction de la valeur de x (ou de ŷ i ), alternés entre positifs et négatifs en fonction de la valeur de x (ou de ŷ i ), linéairement indépendants. Le premier critère est toujours vérifié, par construction du modèle. Le second et le troisième, sont indispensables si l on désire effectuer des tests statistiques sur les paramètres a et b (voir paragraphe 5) et calculer des intervalles de confiance des paramètres et/ou de prédiction [2, 6, 3].
8 8 Homogénéité des variances des résidus, alternance des signes et indépendance doivent absolument être vérifiés pour que le modèle soit acceptable. Ces trois critères peuvent être vérifiés en représentant les résidus ê i en fonction des x i. Comment visualise-t-on ces critères graphiquement? Pour voir cela, cinq jeux de données (issus de [6]) vont être utilisés. Leurs nuages de points sont représentés sur figure 5, sur la première ligne. Ils ont la particularité d avoir tous les cinq un modèle de régression simple commun (â = 0.81 et b = 0.52) ainsi que le même coefficient de détermination, R 2 = Sur la seconde ligne de la figure 5, sont représentés les résidus en fonction des x i. Figure 5 Nuage de points de cinq jeux données ayant un modèle de régression identique, et représentation des résidus associés en fonction des x i. Le premier modèle vérifie tous les critères. Le second n est pas adapté, on voit que la valeurs des ê i dépend de la valeur de x i. Ils ne sont donc pas indépendants. L allure du nuage de point montre que le modèle linéaire ne convient pas et que le bon modèle serait plutôt quadratique. Cela implique qu une tendance est visible dans les résidus et qu ils ne vérifient pas le critère d alternance des signes. Pour le troisième cas, il y a un point suspect, qui influence grandement le modèle. Les résidus associés ne vérifient pas le critère d alternance des signes. Pour le quatrième cas, on remarque que les erreurs sont de plus en plus importantes en fonction des x i. Cela signifie que les résidus ne sont pas de variances homogènes. Enfin, le cinquième cas, nous montre à quel point il est important de visualiser le nuage de point avant de valider un modèle! Dans le cadre de notre exemple (tableau 2), le coefficient de détermination vaut R 2 = 0.97, c està-dire que plus de 97% de la variance des aires des pics est expliquée par le modèle de régression simple. Étudions maintenant le graphique des résidus en fonction de la concentration et le QQ-plot
9 9 des résidus avec la figure 6. Sur le QQ-plot des résidus, qui nous sert à vérifier la normalité de la distribution des résidus, indispensable si l on veut faire des tests, nous voyons qu une bonne partie des points sont alignés sur la droite en pointillés (sauf au début et à la fin, ce qui n est pas très grave) : ainsi la normalité est globalement satisfaisante. Sur le graphique des résidus en fonction de la variable explicative, la concentration, nous pouvons voir que les résidus alternent à peu près autour de leur moyenne, 0, on ne voit pas de tendance forte dans les résidus, même si on peut émettre un petit doute, et on ne note pas de tendance d hétéroscédasticité. On peut donc valider le modèle de régression obtenu, permettant de modéliser l aire des pics en fonction de la concentration. Figure 6 Graphique des résidus en fonction de la concentration et QQ-plot des résidus. 3 La régression multiple Dans bien des cas, la variable y que l on souhaite modéliser ne dépend pas d une mais de plusieurs variables explicatives x 1,..., x p. Une solution consiste alors à utiliser le modèle de régression linéaire multiple si l on souhaite trouver la meilleure combinaison linéaire des variables explicatives qui explique y. Les données sont alors de la forme de n ensembles d observations (x i1,..., x ip, y i ). 3.1 Le modèle Le modèle recherché s écrit ici y = b 0 + b 1 x 1 + b 2 x 2 +,..., +b p x p + e = b 0 + p j=1 b jx j + e où les e i (coordonnées du vecteur e) sont aléatoires, de moyenne nulle, d écart-type σ e. Comme en régression simple, si l on désire faire des tests, et calculer des intervalles de confiance des paramètres et de
10 10 prédiction, il faut faire l hypothèse supplémentaire que les e i suivent une loi normale. Les coefficient b j sont les coefficients de régression du modèle. Ils sont aussi parfois notés β j comme cela a été fait dans la vidéo de ce grain. Ce modèle peut aussi s écrire sous forme matricielle y = Xb + e avec : 1 x y x 1p b 0 e 1 1 y =., X = 1 x x 2p b, b = 1 e, e = y n 1 x n1... x np b p e n Ainsi, y est un vecteur de longueur n, le nombre d observations, la matrice X est de taille n (p+1), b est un vecteur de longueur p + 1 et e un vecteur de longueur n. Les paramètres {b j } j=0,...,p et σ e sont inconnus et à estimer à partir des n observations de (x i1,..., x ip, y i ). 3.2 Exemple L exemple utilisé ici est issu de [5]. Il s agit de prédire la densité de polyéthylène téréphtalate y par spectrométrie. Il y a 21 spectres pour 268 longueurs d ondes. p = 9 longueurs d ondes ont été choisies a priori pour établir un modèle de régression multiple. En effet, il est indispensable que le nombre de prédicteurs p soit inférieur au nombre d observations n, ici égal à 21, pour pouvoir estimer le modèle en MCR. Les raisons en seront données dans la section suivante. Les 9 longueurs d ondes choisies ont une corrélation entre elles ne dépassant pas 0.6, tandis que toutes celles non retenues ont une corrélation d au moins 0.6 avec l une des 9 choisies. Les 9 longueurs d ondes retenues correspondent aux colonnes 3, 219, 11, 35, 40, 244, 64, 79, 203 de la matrice de spectres. Ainsi, la matrice X a n = 21 lignes, le nombre de spectres ; et p + 1 = 10 colonnes (dont les 9 longueurs d ondes retenues). La variable à prédire est la densité de polyéthylène y.
11 11 Figure 7 Spectres et variables retenues (traits verticaux) dans l exemple. 3.3 Estimation et interprétation géométrique L ensemble des paramètres à estimer sont estimés, comme en régression simple, par la méthode des moindres carrés. Il s agit de trouver le «meilleur modèle» qui permet de prédire y à l aide d une combinaison linéaire des variables de X. On cherche donc les coefficients b 0,..., b p tels que ŷ = X b = p j=0 b j x j minimisant y Xb 2. On peut montrer [4, 6] que la solution matricielle est donnée par : b = (X X) 1 X y. Ceci correspond en fait à un simple problème de projection. En effet, l estimation de y, ŷ = X b = X(X X) 1 X y = P X y est la projection de y sur l espace engendré par les colonnes de X, c est-à-dire par l ensemble des combinaisons linéaires possibles des colonnes de X. Ceci est illustré par la figure 8.
12 12 Figure 8 Interprétation géométrique de la régression multiple. Pour juger de la qualité du modèle, on utilise le coefficient de détermination (appelé aussi coefficient de corrélation multiple au carré) qui désigne le pourcentage de variance de y expliquée par le modèle. Celui-ci s exprime de la façon suivante : R 2 = n i=1 (ŷ i ȳ) 2 i=1 (y n i ȳ) = ŷ 2 2 y = P Xy 2 2 y 2 = cos 2 (θ), et est illustré sur la figure 8. Le pourcentage de variance expliquée représente donc le cosinus carré de l angle entre la variable à expliquer et l espace engendré par les variables explicatives. S il existe de fortes corrélations entre les variables explicatives x j, la matrice X X va présenter des problèmes de conditionnement (déterminant proche de 0), ce qui va entraîner de fortes valeurs dans son inverse, et ainsi les coefficients de régressions estimés contiendront du bruit, même si le coefficient de détermination est élevé. De plus, si n < p, on ne peut pas estimer les paramètres car la matrice X X n est alors plus inversible. Cette situation est très courante en chimiométrie lorsqu on étudie des spectres MIR ou NIR, car le nombre de longueurs d onde des spectres est nettement supérieur au nombre de spectres étudiés. Il faut alors utiliser des procédures de sélection de variables [4, 2](cf. grains 14 et 15) afin de réduire le nombre de variables explicatives (par exemple le nombre de longueurs d ondes, comme cela a été fait dans l exemple utilisé dans ce grain), ou bien, utiliser une autre technique de modélisation, comme par exemple la régression Partial Least Squares, qui est très utilisée en chimiométrie. Celle-ci sera présentée dans les grains 8 et 9. Revenons maintenant à l exemple : les coefficients estimés b sont donnés dans le tableau 3.
13 13 constante NIR.3 NIR.219 NIR.11 NIR.35 NIR.40 NIR.244 NIR.64 NIR.79 NIR.203 b0 b1 b2 b3 b4 b5 b6 b7 b8 b Table 3 Coefficients de régression de l exemple. Le coefficient de détermination obtenu ici vaut R 2 = 99.97% ce qui montre un très bon ajustement des données. Mais ce résultat doit être pris avec précaution. En effet, le coefficient de détermination augmente avec le nombre de variables explicatives. Aussi, pour avoir un modèle pertinent, utilisable pour faire de la prédiction, il est nécessaire de le valider définitivement à l aide d une validation croisée et de jeux de validation et test. Ces types de validation seront explicitées dans le grain 11. Figure 9 Graphique des résidus en fonction de la concentration et QQ-plot des résidus Une étude des résidus du modèle obtenu, figure 9, nous montre que les conditions nécessaires sont bien vérifiées. En effet, le QQ-plot des résidus semble valider la normalité de la distribution des résidus. Pour vérifier l indépendance des résidus et leur homoscédasticité, nous utilisons ici le graphique des résidus en fonction des valeurs de ŷ i : ici tout semble vérifié. 4 Conclusion - Ce qu il faut retenir La régression linéaire simple et la régression linéaire multiple (MLR) sont des méthodes simples et usuelles pour établir un modèle linéaire entre une variable réponse quantitative, et une ou plusieurs variables explicatives. Cependant, il faut être très vigilant à toujours observer le modèle et les résidus
14 14 pour trouver d éventuels écarts aux hypothèses faites : hétéroscédasticité, non normalité des résidus, dépendance des résidus... Dans le cas de la régression multiple, s il y a de fortes corrélations entre les prédicteurs et/ou si le nombre de prédicteurs est supérieur au nombre d échantillons, le modèle n est pas adapté. On peut alors utiliser une méthode de sélection de variables pour réduire le nombre de prédicteurs à prendre en compte dans le modèle (cf. grains 14 et 15). La sélection de variables est un point important en pratique pour rendre son modèle plus parcimonieux : plus facile à interpréter et plus stable. En pratique, en chimiométrie, on a plus de variables explicatives que d échantillons : il faut alors utiliser une autre méthode, une régression PLS par exemple (cf. grains 8 et 9). Dans tous les cas, il faut veiller à valider son modèle à l aide de jeux tests et/ou d une méthode de validation croisée (cf. grain 11) afin de pouvoir réutiliser le modèle pour faire de la prédiction. 5 Pour en savoir plus 5.1 Test de signification des coefficients en régression simple Un test peut être réalisé en régression simple pour tester la significativité de la régression. Il s agit du test de pente nulle. Ce test n est réalisable que si les erreurs e i sont indépendantes, identiquement distribuées suivant une loi normale de moyenne 0 et d écart-type σ e. Les hypothèses que l on teste sont : H 0 : b = 0 contre l hypothèse alternative H 1 : b 0. La statistique de ce test est donnée par t = b 0 var( b), où var( b) = σ 2 e n i=1 (x i x) 2 avec σ 2 e = n i=1 ê2 i n 2. On peut montrer [2], que sous H 0, cette statistique suit une loi de Student à n 2 degrés de liberté. Ainsi, si t est plus grand que le quantile d ordre 1 α/2 (α étant le risque de première espèce que l on s est fixé, en général égal à 0.05) d une loi de Student à n 2 degrés de liberté, alors on rejette H 0 : on dit alors que la pente est significativement non nulle (au risque α) et il existe un lien entre les deux variables y et x. Cela ne signifie pas pour autant que le modèle linéaire estimé soit le bon modèle à utiliser ni le seul. Ce test de pente nulle est strictement équivalent au test statistique qui teste si la corrélation est nulle. De plus, il est aussi équivalent, au test réalisé dans la table d ANOVA de la régression. En effet, la régression est basée sur la décomposition de la variabilité totale de y en deux termes : une partie modélisant la variabilité expliquée par le modèle et une seconde, représentant la variabilité résiduelle (des erreurs) : n i=1 (y i ȳ) 2 = n i=1 (ŷ i ȳ) 2 + n i=1 (y i ŷ i ) 2. Ces variabilités ont chacune un degré de liberté spécifique et permettent de définir la table d ANOVA suivante :
15 15 Source de variation Degré de liberté Somme des carrés Carrés moyens F Régression (variation expliquée) 1 SCE b = n i=1 (ŷ i ȳ) 2 CME b = SCE b 1 F = CME b CME R Résidus (variation résiduelles) n 2 SCE R = n i=1 (y i ŷ i ) 2 CME R = SCE R (n 2) Lorsque l hypothèse H 0 : b = 0 est vérifiée, ainsi que toutes les conditions sur les résidus, on peut montrer que F suit une loi de Fisher à 1 et n 2 degrés de liberté. Ainsi, on conclura que la pente est significativement non nulle, au risque α si F est supérieur ou égal au quantile d ordre 1 α d une loi de Fisher à 1 et n 2 degrés de liberté. On peut montrer [2] que cette statistique F est égale au carré de la statistique t du test de pente nulle, et ainsi l équivalence de ces deux tests. 5.2 Test de signification des coefficients en régression multiple De la même façon qu en régression simple, on peut tester la significativité de la régression à l aide d un test portant sur l ensemble des coefficients de régressions associés aux variables explicatives. Ce test, comme en régression simple, n est réalisable que si les erreurs e i sont indépendantes, identiquement distribuées suivant une loi normale de moyenne 0 et d écart-type σ e. La variance résiduelle est alors estimée par σ 2 e var( b) = σ 2 e(x X) 1. = y Xb 2 n p 1 et la variance de b est estimée par Il en découle le test global dont l hypothèse nulle testée est H 0 ; b 1 = b 2 =... = b p = 0 contre l hypothèse alternative H 1 :Il existe au moins un coefficient b j différent de 0. La statistique de ce test est donnée par F = R2 n p 1 1 R 2 p, laquelle suit une loi de Fisher à p et n p 1 degrés de liberté [2]. Ainsi, on dira que les coefficients du modèles sont significatifs conjointement, si F est supérieur ou égal au quantile d ordre 1 α d une loi de Fisher à p et n p 1 degrés de libertés. Il est aussi possible de faire des tests permettant de tester les coefficients un par un ou par sousgroupe, mais il ne faut pas oublier que les coefficients de régression ne sont pas indépendants entre eux. Ces tests ne seront pas détaillés ici, mais on peut se référer aux ouvrages [6, 2].
16 16 Références [1] D. Birkes and Y. Dodge. Alternative Methods of Regression. Wiley, [2] Y. Dodge. Analyse de régression appliquée. Dunod, Paris, [3] Y. Dodge. Premiers pas en statistique. Springer, [4] G. Saporta. Probabilité, analyse des données et Statistique. Technip, [5] H. Swierenga, A.P. De Weijer, R.J. Van Wijk, and L.M.C. Buydens. Strategy for constructing robust multivariate calibration models. Chemometrics and Intelligent Laboratory Systems, 49(1) :1 17, [6] R. Tomassone, S. Audrain, E. Lesquoy de Turckheim, and C. Millier. La Régression Nouveaux regards sur une ancienne méthode statistique. Masson, 1992.
Chapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
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 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 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 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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
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 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailSTATISTIQUES. 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
Plus en détailAnalyse 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 détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
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 détailRelation 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
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 détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailINTRODUCTION 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
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailFormes 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
Plus en détailFONCTIONS 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
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
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 détailMicrosoft Excel : tables de données
UNIVERSITE DE LA SORBONNE NOUVELLE - PARIS 3 Année universitaire 2000-2001 2ème SESSION SLMD2 Informatique Les explications sur la réalisation des exercices seront fournies sous forme de fichiers informatiques.
Plus en détailFaire un semi variograme et une carte krigée avec surfer
Faire un semi variograme et une carte krigée avec surfer Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr avril 2004 Fichier de données Faire un fichier excel avec les données organisée en colonnes:
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
Plus en détailEFFICACITE DE LA RPP DANS LA DÉTECTION DE SUBSTANCES ISSUES DES FAMILLES DU MDMA, DES AMPHETAMINES ET DES HALLUCINOGENES TYPE 2CB RECUEILLIES EN MILIEU FESTIF PRADEILLE J.L.*, CHAKROUN N.**, BELTRAN V.*,
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 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 détailProgrammation 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
Plus en détailAnnexe 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
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 détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
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 détailCours 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
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailFonctions 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
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailRÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3
RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
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 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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailL analyse boursière avec Scilab
L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 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 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 détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailRésumé 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
Plus en détailSite : http://www.isnab.com mail : mennier@isnab.fr SUJET ES - session 2003 Page 1 68-(7(6VHVVLRQ
Site : http://www.isnab.com mail : mennier@isnab.fr SUJET ES - session 003 Page 1 68-(7(6VHVVLRQ LE JUS E FRUIT 35(0,Ê5(3$57,(%LRFKLPLHSRLQWV L'analyse d'un jus de fruit révèle la présence d'un composé
Plus en détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailAide - mémoire gnuplot 4.0
Aide - mémoire gnuplot 4.0 Nicolas Kielbasiewicz 20 juin 2008 L objet de cet aide-mémoire est de présenter les commandes de base pour faire rapidement de très jolis graphiques et courbes à l aide du logiciel
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détail