Traitement du signal génomique (TSG)
|
|
- Claudine Métivier
- il y a 8 ans
- Total affichages :
Transcription
1 Universitatea Tehnica din Cluj-Napoca Traitement du signal génomique (TSG) Cours 4 Master: Traitement du signal et des images (TSI)
2 Motivation Une fois extraites des valeurs d'intensités ponctuelles de l'image de puces à ADN pré-traitement des données est nécessaire avant d'être regroupés et classés Pré-traitement de l'aide pour résoudre certains problèmes d'analyse de données: Mise à l'échelle des données pour l'analyse; Éliminer l'effet introduit par les sources de variabilité Identifier les valeurs ou microarrays discordants; 2
3 Sources de variabilité Il ya plusieurs niveaux de variabilité dans le niveau de expression d'un gène. Au niveau supérieur: la variabilité biologique de la population à partir de laquelle les échantillons ont été prélevés Au niveau d experiment: variabilité entre la préparation de l'échantillon et l'étiquetage; hybridation variabilité introduite lorsque échantillons identiques sont hybridées sur différentes puces; la variabilité entre les niveaux d'expression de gènes déterminés pour réplicants de même microarray La variabilité entre les individus Le niveau d'expression des individus La variabilité dans la préparation d'échantillons La variabilité entre les puces à ADN a l'hybridation La variabilité entre les gènes obtenue par réplication Le niveau d'expression du gène 3
4 Sources de variabilité La variabilité introduite par la population utilisé Quel sera l'arnm utilisé? Il est possible de tester différents échantillons en parallèle? Pour déterminer la variabilité biologique est nécessaire de créer des répliques d'expériences. Le traitement des échantillons Conditions expérimentales préparation de tissu Préparation de la cible L'isolement de l'arn doit être utilisé des quantités identiques de tissu, des méthodes identiques de l'extraction d'arn; L'étiquetage devrait être la même quantité de peinture utilisée pour chaque hybridation 4
5 Sources de variabilité Les puces à ADN Le même échantillon ne doit hybride sur différents visages dans des laboratoires différents; La distribution uniforme des points peut être obtenu en utilisant un robot Diapositives doivent être manipulés de la même manière Hybridation Durée: Longue hybridation de vie conduira à satuartion Température: 45 C et l'hybridation entre 65oC est Acquisition de données numérisation d'images La détection de l'arrière-plan et des taches 5
6 Matrice de données de puces à Spots Genes Les données brutes images de puces à ADN ADN données intermédiaires Images Les données finales Matrice niveaux d'expression échantillons Les spots correspondant à gènes Niveaux d'expression 6
7 Transformées Transformation logarithmique: X l = log 2 (X) où X est la matrice de données et X l est la matrice apres la transformé logarithmique. Avantages: La variation est constante pour tous les niveaux d'intensité La distribution d'erreur tend vers une distribution normale La distribution a une intensité en forme de cloche de Gauss Il réduit les intensités d'asymétrie. En utilisant le logarithme en base 2 transformé ratio intensités dans la différence logarithmique, provoquant degré plus léger du changement «fold-change» 7
8 Transformées Fold change Transformation Log 2 4 down-regulated -2 3 down-regulated down-regulated down-regulated No change up-regulated up-regulated 1 3 up-regulated up-regulated 2 Convertir le degré de changement R / G en degré logarithmique 8
9 Transformées Histogrammes des intensités d'accompagnement avant et après transformation logarithmique 9
10 Transformées - informatia este grupata in coltul din stanga jos - variabilitatea creste odata cu cresterea valorii intensitatii - informatia este mai bine distribuita - variabilitatea se reduce 10
11 Transformées Transformateur de puissance X t = X β où X est la matrice des données de puces à ADN, X t est la matrice transformé et β > 0 - β = ½ -> X t = X transformé racine carrée - β = 1/3 -> X t = X 1/3 transforme cube racine Transformation logarithmique généralisée 2 2 X log X X 2 S où α est la moyenne de l'arrière-plan, ε et η est les facteurs d'erreur avec une distribution normale de moyenne 0 et de variance σ 2, et S 2 e 2 e
12 La visualisation des données - Graphiques MA -analyse log 2 (R) vs. log 2 (G) consiste à traiter les deux intensités séparément - oeil humain à distinguer des écarts plus dures que une ligne diagonale à une ligne horizontale M log 2 A log 2 R G RG - rapport d'intensité logarithmique R / G - intensité moyenne logarithmique 12
13 Graphique log 2 (R) vs. log 2 (G) Graphique MA 13
14 La visualisation des données - Box-plot Val. Extrêmes (valeurs aberrantes) Slide 2 Slide 1 Cy3 Cy5 Cy3 Cy5 valeur maximale Q3 quartile supérieur valeur médiane Q1 quartile inférieur valeur minimum 14
15 Normalisation Normalisation décrit le processus d'éliminer ou de minimiser les variations non biologiques qui se produisent dans les niveaux d'intensité mesurés de telle sorte que les différences biologiques entre les niveaux d'expression génique peuvent être détectés En général, la normalisation globale vise à éliminer les effets, effets qui peuvent être vus à partir des représentations graphiques de données à partir d'un ou de plusieurs lames microarray Il existe différentes méthodes pour le type de normalisation ADNc et oligonucléotide 15
16 Normalisation Que gènes peuvent être utilisés? Tous les gènes sur la lame Gene gènes constamment exprimées dans différentes conditions housekeeping Gene contrôle - gènes enrichis 16
17 Normalisation Sur la diapositive Normalisation fondée sur le redressement global La normalisation d'intensité Normalisation dans le bloc Entre les lames répliquées Entre plusieurs lames Normalisation en escaladant normalisation quantile 17
18 Normalisation sur la diapositive log 2 R/G log 2 R/G - c = log 2 R/ (kg) c - peut être un exemple constant la moyenne ou la médiane du rapport R / G - peut-être une fonction définie sur toutes les valeurs dans un bloc d'intensités ponctuelles - la fonction est calculée en utilisant LOWESS (LOcally WEighted Scatterplot Smoothing) pour le graphique log 2 R/G vs log 2 ( (R*G)) 18
19 Normalisation sur la diapositive Function Lowess fonction de lissage Cleveland est une technique qui permet de régler la courbe de lissage d'un ensemble de données le degré de lissage est déterminé par la largeur de la fenêtre pour une plus grande largeur de la fenêtre obtiendra une courbe lisse pour une largeur inférieure obtiendra variations locales 19
20 Normalisation sur la diapositive Normalisation fondée sur le redressement global log 2 R/G -> log 2 R/G - c = log 2 R/(kG) - c = log 2 k - la moyenne ou de la médiane rapport logarithmique de gènes spécifiques, par exemple gènes houskeeping; - k = R i / G i 20
21 Normalisation sur la diapositive b) La normalisation d'intensité Il aligne le centre de données dans un graphique MA, le déplacement des valeurs de M de la paire (A, M) c = c(a) log 2 R/G -> log 2 R/G - c (A) = log 2 R/(k(A)G) Pour le calcul de c (A) est utilisée la fonction LOWESS 21
22 Normalisation sur la diapositive La distribution des valeurs d'intensité dans un graphique de MA avant et après la normalisation sur la base de l'intensité 22
23 Normalisation sur la diapositive Variations lame d'impression introduites apparaissent après la normalisation global 23
24 Normalisation sur la diapositive c) Normalisation dans le bloc est nécessaire en raison des erreurs semblait lame ou artefacts atteindre cet peut se produire en raison de l'hybridation La même méthode Utilisé comme la normalisation basée sur l'intensité, mais c i (A) est la fonction LOWESS qui ajuste le graphique MA juste pour les bloc i log 2 R/G -> log 2 R/G - c i (A) = log 2 R/(k i (A)G) 24
25 Normalisation sur la diapositive Graphique MA après normalisation au sein de chaque bloc 25
26 Normalisation sur la diapositive Distribution des blocs de données et les graphiques bxplot parcelle après la normalisation au sein de chaque bloc 26
27 Normalisation sur la diapositive Les valeurs de l'histogramme M Noir: valeurs non normalisées; Rouge: la normalisation global; Vert: la normalisation a base de l'intensité; Bleu: la normalisation dans le bloc 27
28 Normalisation entre les lames répliquées Dans chaque lame, un demi-bloc taches sont exprimés alors que la moitié ne sont pas exprimées du tout 28
29 Normalisation entre les lames répliquées Lamela 1, M = log 2 (R/G) - c Lamela 2, M = log 2 (R /G ) - c En supposant que c = c 'est réalisée une auto-normalisation des deux lames : [ (log 2 (R/G) - c) - (log 2 (R /G ) - c ) ] / 2 [ log 2 (R/G) + log 2 (G /R ) ] / 2 [ log 2 (RG /GR ) ] / 2 29
30 Normalisation entre plusieurs lames Une méthode simple de la normalisation entre les différentes lames est normalisée par échelle constitué de valeurs logarithmiques de l'alignement de signal de sorte que tous les canaux ont la même médiane La médiane est pas des méthodes communes importants de l'analyse après la normalisation Une valeur appréciée est égale à zéro, de sorte que les valeurs positives et négatives peut être déterminée facilement par rapport à la médiane 30
31 normalisation par échelle La première étape de normalisation est centré, et est d'obtenir des distributions avec des valeurs médianes égal à zéro en soustrayant le rapport logarithmique médiane des intensités; 31
32 normalisation par échelle Après avoir centré les données médianes zéro permettra de déterminer la déviation absolue médiane(mad) MAD = median i ( X i median j (X j ) ) Détermination du paramètre de mise à l'échelle c, la moyenne géométrique des valeurs paramètre MAD Mise à l'échelle de la normalisation se compose de colonnes de la matrice rapport de multiplication c / MAD 32
33 Normalisation en escaladant 33
34 Des valeurs médianes
35 Centré les donnes
36 Déterminer la déviation absolue médiane(mad)
37 Détermination du paramètre de mise à l'échelle c
38 Détermination du paramètre de mise à l'échelle c
39 normalisation par échelle
40 normalisation par échelle Les 12 lames après normalisation par échelle 40
41 Normalisation quantile normalisation quantile est une méthode souvent utilisée dans la normalisation des données de puces à ADN Affymetrix La méthode peut être utilisée pour l'adnc microarray En normalisation quantile chaque canal aura le même quantile. x q = quantile d'ordre N d'une liste de valeurs numériques (0 <q <= 1) est le plus petit nombre q de telle sorte qu'une proportion d'éléments de la liste sont inférieures ou égales à elle. la médiane = x 0.5 ; Q1 = x 0.25 ; Q3 = x
42 Normalisation quantile Graphiques box-plot des 12 diapositives après la normalisation quantile 42
43 Log Red Normalisation quantile Log Green Graphique intensités des deux canaux R vs G avant normalisation 43
44 Log Red Normalisation quantile Log Green Graphique des intensités des canaux R vs G après normalisation 44
45 Normalisation quantile Les étapes de normalisation sont: 1. Détermination de la valeur logarithmique minimum pour chaque canal 2. Détermination des minima moyenne en 1 3. Les valeurs de remplacement définis au point 1 à la valeur moyenne calculée au paragraphe 2 4. Répétez les étapes 1 à 3 pour toutes les valeurs des valeurs de canaux dans l'ordre croissant, du plus bas au plus haute valeur 45
46 Normalisation quantile
47
48
49
50
51
52
53
54
55
56
57
58
59 Detectia valorilor extreme (outlier) Outlier: o observatie X gj, care difera de majoritatea valorilor X gi, pentru aceeasi gena Valori extreme Metode de detectie a valorilor extreme: reguli nerezistente de detectie a valorilor extreme Regula scorului z (Testul lui Grubbs) Regula coeficientului de variatie (CV) reguli rezistente de detectie a valorilor extreme Regula scorului z rezistent 59
60 Detectia valorilor extreme (outlier) Regula scorului z Se determina scorul z pentru fiecare gena: X g unde genei g. X z gi g gi sg si s g reprezinta media si deviatia standard a Valoarea X gj este o valoare extrema daca z gj este mare, de exemplu z gj > 5. X 60
61 Detectia valorilor extreme (outlier) Regula coeficientului de variatie (CV) Cea mai departata observatie X gi fata de medie, se considera valoare extrema daca valoarea coeficientului de variatie pentru gena g, CV g, depaseste un prag stabilit. X g CV g s X g g 61
62 Detectia valorilor extreme (outlier) Dezavantaje ale regulilor nerezistente Ambele se bazeaza pe marimi statistice (media si deviatia standard) care sunt puternic influentate de valorile extreme Masking (Mascare) o valoare extrema ramane nedetectata deoarece poate fi ascunsa de propria influenta asupra marimilor statisitice sau poate fi ascunsa de o valoare extrema adiacenta. Swamping o valoare normala poate fi clasificata drept valoare extrema datorita prezentei unor valori extreme irelevante. 62
63 Detectia valorilor extreme (outlier) Regula scorului z rezistent regula ce utilizeaz marimi statistice rezistente la valori extreme: valoarea mediana si abaterea mediana absoluta (MAD) * scorul z rezistent, z gi, se determina pentru fiecare gena g cu relatia: z X X * gi g gi sg X unde si reprezinta mediana si abaterea mediana absoluta a g genei g. s g valoarea X gj este valoare extrema daca este mare, de * z gj exemplu > 5 * z gj 63
64 Bibliografie [1] D. Amaratunga, J. Cabrera, Exploration and Analysis of DNA Microarray and Protein Array Data, Wiley-Interscience, 2003 [2] Yang, et al., Normalization for cdna Microaray Data, Nucliec Acids Research, Vol. 30, 4, 2002 [3] John Quackenbush, Microarray data normalization and transformation, Nature Genetics Supplement, volume 32, December 2002 [4] Dov Stekel, Microarray Bioinformatics, Cambridge University Press, 2003 [5] Warren J. Ewens, Gregory R. Grant, Statistical Methods in Bioinformatics, Springer,
BASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
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 détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
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 détailTraitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
Plus en détailDans l idéal, ceci devrait être fait en amont pour chaque image envoyée sur l espace de stockage de votre site internet.
1- Optimiser le poids de votre image : Dans l idéal, ceci devrait être fait en amont pour chaque image envoyée sur l espace de stockage de votre site internet. Tous les types d utilisateurs (auteur, publicateur,
Plus en détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
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 détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
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 détailCritères pour les méthodes de quantification des résidus potentiellement allergéniques de protéines de collage dans le vin (OIV-Oeno 427-2010)
Méthode OIV- -MA-AS315-23 Type de méthode : critères Critères pour les méthodes de quantification des résidus potentiellement allergéniques de protéines de collage (OIV-Oeno 427-2010) 1 Définitions des
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailTutoriel : logiciel de présentation Openoffice Impress
Tutoriel : logiciel de présentation Openoffice Impress Le logiciel de présentation permet de construire une suite de pages (diapositives) contenant différents objets : du texte, de l'image, du son. - L'apparition
Plus en détailSpectrophotomètre double faisceau modèle 6800
Spectrophotomètre double faisceau modèle 6800 Spectrophotomètre double faisceau modèle 6800 Double faisceau avec optiques parfaitement stables. Bande passante 1,5 nm. Logiciel de navigation Jenway Flight
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailUTILISATION D'UN RADIOCHRONOMETRE POUR DATER DES GRANITES
Fiche sujet-candidat Les géologues s interrogent sur la chronologie de mise en place de deux granites du Massif Central. On cherche à savoir si une méthode de radiochronologie permettrait de déterminer
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 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 détailÉlément 424b Introduction à la statistique descriptive
CTU Master AGPS De la donnée à la connaissance : traitement, analyse et transmission Élément 44b Introduction à la statistique descriptive Prof. Marie-Hélène de Sède-Marceau Année / Statistique Introduction
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 détailX-Rite RM200QC. Spectrocolorimètre d'imagerie portable
Spectrocolorimètre d'imagerie portable X-Rite RM200QC Le spectrocolorimètre d'imagerie RM200QC d X-Rite permet d'établir un lien entre l'apparence de la couleur et la couleur des matériaux des lots entrants
Plus en détailMode d'emploi du plugin Grayscale_Granulometry
Mode d'emploi du plugin Grayscale_Granulometry D. Legland 27 mars 2013 Mode d'emploi rapide du plugin Grayscale Granulometry pour ImageJ. Le plugin permet de calculer des courbes de granulométrie en niveaux
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 détail10. Instruments optiques et Microscopes Photomètre/Cuve
0. Instruments s et Microscopes GENERAL CATALOGUE 00/ Cuve à usage unique pour spectrophotomètre Cuve jetable, moulée en et en pour UV. Avec parois traitées Kartell ment pour une transparence optimale
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détail1 Importer et modifier des données avec R Commander
Université de Nantes 2015/2016 UFR des Sciences et Techniques Département de Mathématiques TP1 STATISTIQUE DESCRIPTIVE Frédéric Lavancier Avant propos Ouvrir l application R Saisir dans la console library(rcmdr)
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 détailGESTION DU LOGO. 1. Comment gérer votre logo? 2. 2.1. Format de l image 7 2.2. Dimensions de l image 8 2.3. Taille de l image 9
GESTION DU LOGO 1. Comment gérer votre logo? 2 1.1. Insérer un logo 3 1.1.1. Insérer un logo dans le bandeau 3 1.1.2. Insérer un logo dans les éditions 4 1.2. Supprimer un logo 6 1.2.1. Supprimer un logo
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 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 détailFreeway 7. Nouvelles fonctionnalités
! Freeway 7 Nouvelles fonctionnalités À propos de ce guide... 3 Nouvelles fonctionnalités en un coup d'oeil... 3 À propos de la conception d'un site web réactif... 3 Travailler avec les pages pour créer
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailFormation à distance Powerpoint Réaliser une présentation - FOAD exemples de parcours -
Au travers de ce programme, vous apprendrez à utiliser l'ensemble des objets powerpoint (texte, listes à puces, lien hypertexte, organigramme, diagramme, tableau,...), ainsi que l'animation de votre diaporama.
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailAnalyse exploratoire des données
Analyse exploratoire des données Introduction à R pour la recherche biomédicale http://wwwaliquoteorg/cours/2012_biomed Objectifs Au travers de l analyse exploratoire des données, on cherche essentiellement
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailDécouverte du logiciel ordinateur TI-n spire / TI-n spire CAS
Découverte du logiciel ordinateur TI-n spire / TI-n spire CAS Mémento Ouvrir TI-Nspire CAS. Voici la barre d outils : L insertion d une page, d une activité, d une page où l application est choisie, pourra
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailLeica DM4000 B LED. Une imagerie facilitée par un éclairage brillant!
Leica DM4000 B LED Une imagerie facilitée par un éclairage brillant! Microscope numérique Leica avec éclairage à LED pour les applications biomédicales LEICA DM4000 B LED UN ÉCLAIRAGE BRILLANT POUR L'IMAGERIE!
Plus en détailIntroduire un nouveau type de maille ou un nouvel élément de référence
Titre : Introduire un nouveau type de maille ou un nouvel [...] Date : 05/10/2012 Page : 1/11 Introduire un nouveau type de maille ou un nouvel élément de référence Résumé : Ce document décrit ce qu il
Plus en détailPerrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6
Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 1 1.But et théorie: Le but de cette expérience est de comprendre l'intérêt de la spectrophotométrie d'absorption moléculaire
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailPar Richard Beauregard. Novembre 2011
Par Richard Beauregard Novembre 2011 La lutte contre le bruit et autres parasites lumineux Le temps d exposition versus le compositage Les images de prétraitement L'image de précharge (Offset ou Bias)
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailLes mesures à l'inclinomètre
NOTES TECHNIQUES Les mesures à l'inclinomètre Gérard BIGOT Secrétaire de la commission de Normalisation sols : reconnaissance et essais (CNSRE) Laboratoire régional des Ponts et Chaussées de l'est parisien
Plus en détailÉvaluation des compétences. Identification du contenu des évaluations. Septembre 2014
Identification du contenu des évaluations Septembre 2014 Tous droits réservés : Université de Montréal Direction des ressources humaines Table des matières Excel Base version 2010... 1 Excel intermédiaire
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
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 détailIntroduction à Expression Web 2
Introduction à Expression Web 2 Définitions Expression Web 2 est l éditeur HTML de Microsoft qui répond aux standard dew3c. Lorsque vous démarrez le logiciel Expression Web 2, vous avez le choix de créer
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 détailMS PROJECT 2000. Prise en main. Date: Mars 2003. Anère MSI. 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.
DOCUMENTATION MS PROJECT 2000 Prise en main Date: Mars 2003 Anère MSI 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.com Le présent document est la propriété exclusive d'anère
Plus en détailCHAPITRE IX : Les appareils de mesures électriques
CHAPITRE IX : Les appareils de mesures électriques IX. 1 L'appareil de mesure qui permet de mesurer la différence de potentiel entre deux points d'un circuit est un voltmètre, celui qui mesure le courant
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
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 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 détailEXTRACTION ET RÉINTÉGRATION DE COMPTA COALA DE LA PME VERS LE CABINET
EXTRACTION ET RÉINTÉGRATION DE COMPTA COALA DE LA PME VERS LE CABINET Les extractions et réintégrations de fichiers permettent l'échange de comptabilité entre une PME et le Cabinet. Lorsque la comptabilité
Plus en détailComment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet
Comment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet Beat Wolf 1, Pierre Kuonen 1, Thomas Dandekar 2 1 icosys, Haute École Spécialisée de Suisse occidentale,
Plus en détailParcours FOAD Formation EXCEL 2010
Parcours FOAD Formation EXCEL 2010 PLATE-FORME E-LEARNING DELTA ANNEE SCOLAIRE 2013/2014 Pôle national de compétences FOAD Formation Ouverte et A Distance https://foad.orion.education.fr Livret de formation
Plus en détailWHS ProRealTime. édition 2008 1.52
WHS ProRealTime édition 2008 1.52 Ce tutoriel est dédié aux fonctions de passage d'ordres sur ProRealTime avec WHSelfinvest. Pour obtenir une aide sur les autres fonctions de ProRealTime, veuillez consulter
Plus en détailwww.gbo.com/bioscience 1 Culture Cellulaire Microplaques 2 HTS- 3 Immunologie/ HLA 4 Microbiologie/ Bactériologie Containers 5 Tubes/ 6 Pipetage
2 HTS 3 Immunologie / Immunologie Informations Techniques 3 I 2 ELISA 96 Puits 3 I 4 ELISA 96 Puits en Barrettes 3 I 6 en Barrettes de 8 Puits 3 I 7 en Barrettes de 12 Puits 3 I 8 en Barrettes de 16 Puits
Plus en détailRéussir et traiter ses photos sous UV avec Photoshop
Réussir et traiter ses photos sous UV avec Photoshop par Rémi BORNET le 29/12/2009 Beaucoup de personnes n'arrivent pas à obtenir de bons résultats en photos sous UV et ne trouvent pas de conseils. Cet
Plus en détailCours de Métrologie & Assurance qualité
UNIVERSITE MOHAMMED V-AGDAL FACULTE DES SCIENCES DEPARTEMENT DE CHIMIE RABAT Cours de Métrologie & Assurance qualité Licence Professionnelle Génie Analytique (chimie) Pr R. BCHITOU 1 La métrologie existe
Plus en détailTITRE PARTIE TITRE SECTION. Faire des anaglyphes avec CatiaV5
TITRE PARTIE TITRE SECTION Faire des anaglyphes avec CatiaV5 1 SOMMAIRE SOMMAIRE 1. QU'EST-CE QU'UN ANAGLYPHE? 3 2. LES LOGICIELS A INSTALLER 5 3. CREATION D'UN ANAGLYPHE FIXE 6 4. CREATION D'UN ANAGLYPHE
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détail«Tous les sons sont-ils audibles»
Chapitre 6 - ACOUSTIQUE 1 «Tous les sons sont-ils audibles» I. Activités 1. Différents sons et leur visualisation sur un oscilloscope : Un son a besoin d'un milieu matériel pour se propager. Ce milieu
Plus en détailVis à billes de précision à filets rectifiés
sommaire Calculs : - Capacités de charges / Durée de vie - Vitesse et charges moyennes 26 - Rendement / Puissance motrice - Vitesse critique / Flambage 27 - Précharge / Rigidité 28 Exemples de calcul 29
Plus en détaila) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :
a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN
Plus en détailProgramme détaillé. LES TABLEAUX DE BORD Formation en présentiel (21 h) accompagnée d un parcours e-learning Excel (5 h)
Programme détaillé LES TABLEAUX DE BORD Formation en présentiel (21 h) accompagnée d un parcours e-learning Excel (5 h) Public : Toute personne assurant ou participant à la gestion d une entreprise (et
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
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 détailLe calcul du barème d impôt à Genève
Le calcul du barème d impôt à Genève Plan : 1. Historique Passage d un système en escalier à une formule mathématique 2. Principe de l imposition Progressivité, impôt marginal / moyen ; barème couple/marié
Plus en détailLe traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD
Le traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD J ai fait le choix d utiliser Pixinsight en utilisant le process icons de l aip v3-21 pour le prétraitement. 1. Prétraitement
Plus en détailProgramme de Formation Office 2010 Word, Excel, Powerpoint et Outlook 2010 pour Windows
MICROSOFT WORD MODIFICATION DE TEXTE Insérer des traits d'union/espaces insécables Provoquer un saut de page Rechercher du texte Remplacer un texte par un autre Activer la coupure de mots automatique Effectuer
Plus en détailLe patrimoine des ménages retraités : résultats actualisés. Secrétariat général du Conseil d orientation des retraites
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 08 juillet 2015 à 9 h 30 «Le patrimoine des retraités et l épargne retraite» Document N 2 bis Document de travail, n engage pas le Conseil Le patrimoine
Plus en détailCréation de maquette web
Création de maquette web avec Fireworks Il faut travailler en 72dpi et en pixels, en RVB Fireworks étant un logiciel dédié à la création de maquettes pour le web il ne propose que les pixels pour le texte
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailModule 6 Envois de matières infectieuses réfrigérés avec de la glace carbonique
Module 6 Envois de matières infectieuses réfrigérés avec de la glace Aperçu Page 2 de 28 Emballages appropriés Marquage et étiquetage Documentation exigée Exercice: emballage en présence de glace Page
Plus en détail«Manuel Pratique» Gestion budgétaire
11/06/01 B50/v2.31/F/MP005.01 «Manuel Pratique» Gestion budgétaire Finance A l usage des utilisateurs de Sage BOB 50 Solution Sage BOB 50 2 L éditeur veille à la fiabilité des informations publiées, lesquelles
Plus en détailCopropriété: 31, rue des Abondances 92100 Boulogne-Billancourt
Eléments utilisés: Copropriété: 31, rue des Abondances 92100 Boulogne-Billancourt Notice explicative sur la ventilation de la facture EDF annuelle entre les différents postes de consommation à répartir
Plus en détailTUTORIEL IMPRESS. Ouvrir Impress cocher «présentation vierge», «suivant» cocher «écran», «suivant» cocher «standard», «créer»
TUTORIEL IMPRESS Ouvrir Impress cocher «présentation vierge», «suivant» cocher «écran», «suivant» cocher «standard», «créer» Une page impress s'ouvre : Le volet gauche contiendra toutes les diapositives
Plus en détailTEMPÉRATURE DE SURFACE D'UNE ÉTOILE
TEMPÉRATURE DE SURFACE D'UNE ÉTOILE Compétences mises en jeu durant l'activité : Compétences générales : Etre autonome S'impliquer Elaborer et réaliser un protocole expérimental en toute sécurité Compétence(s)
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 détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
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 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 détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailPLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
Plus en détailQ6 : Comment calcule t-on l intensité sonore à partir du niveau d intensité?
EXERCICE 1 : QUESTION DE COURS Q1 : Qu est ce qu une onde progressive? Q2 : Qu est ce qu une onde mécanique? Q3 : Qu elle est la condition pour qu une onde soit diffractée? Q4 : Quelles sont les différentes
Plus en détailbacklog du produit Product Owner
Méthodes agiles : Définition: selon Scott Ambler «Une méthode agile est une approche itérative et incrémentale pour le développement de logiciel, réalisé de manière très collaborative par des équipes responsabilisées
Plus en détail