CH1 : Introduction à l Analyse Des Données (ADD) B- Les données et leurs caractéristiques C- Grandeurs associées aux données

Dimension: px
Commencer à balayer dès la page:

Download "CH1 : Introduction à l Analyse Des Données (ADD) B- Les données et leurs caractéristiques C- Grandeurs associées aux données"

Transcription

1 CH1 : Introduction à l Analyse Des Données (ADD) A- Introduction A- Introduction B- Les données et leurs caractéristiques C- Grandeurs associées aux données

2 A-1 Les méthodes Lors de toute étude statistique, il est nécessaire de décrire et exlorer les données avant d en tirer de quelconques lois ou modèles rédictifs. Dans beaucou de situations, les données sont tro nombreuses our ouvoir être visualisables (nombre de caractéristiques tro élevées) Il est alors nécessaire d extraire l information ertinente qu elles contiennent ; Les techniques d ADD réondent à ce besoin.

3 A -1 Les méthodes ADD = ensemble de méthodes descritives ayant our objectif de résumer et visualiser l information ertinente contenue dans un grand tableau de données

4 A -1 Les méthodes Trois grandes familles de méthodes: Objectif Variables quanti Variables quali/mixtes Reérer et visualiser les Analyse en Analyse factorielle des corrélations multiles entre variables et/ou les ressemblances entre individus comosantes rinciales (ACP) corresondances (AFC AFCM) Réaliser une tyologie des individus Caractériser de groues d individus à l aide de variables Methodes de classification (CAH,..) Analyse discriminante (AFD,..) AFC ou AFCM et classification Analyse discriminante (AFD,..)

5 A-2 Exemles

6 A-2 Exemles ACP: Deux grandes tendances : L axe 1 distingue les états de Floride, Colorado, Arizona, Californie, Maryland caractérisés ar un fort taux de délits en tous genres aux autres états. L axe 2 est un axe de gravité des délits : s oosent les états ayant un fort taux de délits mineurs (Colorado, Arizona) aux états concernés ar des délits majeurs (Alabama, Louisiane).

7 A-2 Exemles Classification On distingue 4 groues d états : le groue vert, caractérisé ar un taux de délits en tous genres inférieur à la moyenne Le groue bleu caractérisé ar un taux de délits en tous genres suérieur à la moyenne Le groue noir caractérisé ar un taux de délits graves suérieur à la moyenne Le groue rouge caractérisé ar un taux de délits mineurs suérieur à la moyenne delits mineurs -----delits majeurs rerésentation dans les axes d'une ACP(rogramme3) Louisiana Alabama Georgia Kentucky Arkansas Alaska Illinois Maryland California Indiana Florida Kansas Idaho Connecticut Maine Iow a Colorado Delaw are Arizona Haw aii forte criminalite ---- faible criminalite

8 A-2- Exemles

9 A-2 Exemles (ACP sous statistica)

10 Analyse discriminante A-2 Exemles 3 groues de ersonnes reérées ar 4 variables : age revenu atrimoine emrunt LD Jeunes ages Gros atrimoines emrunt eleve LD1

11 A-2 Exemles Le groue 1 est un groue de gens assez jeunes à revenus lus faibles que la moyenne dont le atrimoine est nettement lus faible que dans les autres classes et le taux d emrunt lus élevé que la moyenne Le groue 2 est caractérisé ar des gens jeunes de revenus moyens, mais dont le atrimoine est très imortant et le taux d emrunt très faible Le groue 3 est caractérisé ar des gens lus agés de revenus confortables et de atrimoine assez imortant, ayant un taux d emrunt lus élevé que dans les autres classes

12 B 1 Tableau individu*variables On observe caractéristiques e,..., e,... e 1 i n X,... X 1 quantitatives sur n individus On note x ij la valeur de la variable X observée sur l individu e j i Individu e1 e2 X 1 X 2 x 11 x 12 x 21 x 22 X x 1 j j x 2 j X x 1 x 2 ei x i1 x i2 x ij x i en x n1 x n2 x nj x n

13 B 1 Tableau individu*variables Le tableau eut être mis sous forme matricielle X = x x... x... x j 1 x 21 x x 2 j... x x i1 x i2... x ij... x i x x... x... x n1 n2 nj n

14 B 1 Tableau individu*variables Chaque individu est décrit ar variables, formant un vecteur de dimension, aelé vecteur individu. x i 1... e = x R i ij... x i

15 B 1 Tableau individu*variables Chaque variable eut être rerésentée ar un vecteur de dimension n, aelé vecteur variable, corresondant aux valeurs rises ar cette variable sur les n individus. x 1 j... x = x R j ij n... x nj

16 B 1 Les données: tableau individu*variables

17 B.2- Matrice des oids associés aux individus Les données euvent être ondérées : Le oids attribué à chaque individu exrime l imortance que l on désire lui accorder dans l étude (rerésentativité de l échantillon étudié dans la oulation) : , i = 1,... n i n P = i = 1 i i = Généralement P = 1 n I n (même oids our tous les individus) n

18 B-3 Nuages de oints Ils ermettent de visualiser les liens entre les variables ou les ressemblances/dissemblances entre individus contenus dans le tableau de données X. Nuage des oints-individus = coordonnées des n vecteurs individus e dans le reère de R dont les axes sont les variables du tableau. e ' x,..,... i i1 x ij x = i Nuage des oints-variables = coordonnées des vecteurs variables dans le reère de R n dont les axes sont déterminés ar les n individus. X = [ x,...,,... ]' j 1j x ij x nj e i X j

19 B-3 Nuages de oints On disose de 6 variables rerésentant les taux de différents délits commis our habitants dans 20 Etats des Etats-unis. Ces données euvent être mises dans un tableau individu*variable ETAT Meurtre Rat vol attaque viol larcin Alabama Alaska Arizona Arkansas California Colorado Connecticut Delaware Florida Georgia Hawaii Idaho Illinois Indiana Iowa Kansas Kentucky Louisiana Maine Maryland

20 B-3 Nuages de oints Les n individus forment un nuage de oints dans le sous-esace de défini ar les variables, aelé nuage des oints-individus R nuage des oints-individus 60 rat meurtre Le taux de meurtre et le taux de rat sont corrélés ositivement, ce qui signifie que les états où il y a beaucou de meurtres sont généralement des états où il y a beaucou de rat, et inversement.

21 B-3 Nuages de oints Les variables forment un nuage de oints dans le sous-esace de défini ar les individus, aelé nuage des oints-variables. alaska Nuage de s o ints -variable s our le table au ré duit à de ux individus meutre rat vol attaque viol lar cin alabam a R n on eut comarer ar raort à la remière bissectrice les valeurs rises ar les variables sur les différents individus afin d identifier des individus roches en terme de valeurs rises ar les variables. Ainsi, l Alaska se distingue ar un nombre relativement imortant de larcins.

22 B-4 Centre de gravité Le centre de gravité du nuage de oints individus G caractérise la osition globale de nuage (individu) dans le reère défini ar les variables. C est le oint autour duquel «gravitent» les individus du nuage. x 1 x n G 2 x = x = j i 1... = i ij x Au lus G est loin de l origine, au moins le nuage est centré. RQ : lorsque les oids sont égaux, G est le vecteur des moyennes.

23 B-4 Centre de gravité nuage des oints-individus 60 rat meurtre

24 B-4 Centre de gravité Centre de gravité du tableau des rotéine >mean(roteine) VR VB Oeufs Lait Poisson Céréales Amidon Noix FL

25 B-5 Inertie V = Var( X ) Cov( X, X )... Cov( X, X )... Cov( X, X ) j 1 Cov( X, X ) Var( X )... Cov( X, X )... Cov( X, X ) j Cov( X, X ) Cov( X, X )... Var( X )... Cov( X, X ) 1 j 2 j j j Cov( X, X ) (, )... (, )... ( ) 1 Cov X X Cov X X Var X 2 j

26 B-5 Inertie On eut définir une distance ou éloignement entre individus : e e ² = ( x x )² j=1 = 1 ij kj d²( e, e ) = = ( e e )'( e e ) i k i k i k i k Alication : Eloignement d un oint du nuage ar raort au centre de gravité : d²( e, G) = ( x x )² i j = 1 ij j

27 B-5 Inertie Inertie du nuage de oints ar raort à son centre de gravité = somme ondérée des éloignements au centre de gravité n I = d ²( e, G ) = j = i = 1 i i j= 1 = Var ( X ) = Tr ( V ) I caractérise la disersion ou la forme du nuage ar raort à son centre. : au lus I est élevée, au lus le nuage est disersé autour de son centre de gravité. Une inertie nulle signifie que tous les individus sont identiques. Lorsque les variables sont centrées et réduites I= L inertie mesure la quantité d information contenue dans X

28 B-5 Inertie > cov=cov(crime2) > c=as.matrix(cov); c Meutre Rat Vol Attaque Viol Larcin Meutre Rat Vol Attaque Viol Larcin > I=sum(diag(c));I [1]

29 C-1 Tableau centré associé à X Centrage : ermet de ramener toutes les colonnes de X a la même origine, zero: x x x ij ij j Matrice centrée : Xc = X EG' x x x x... x x... x x j j x x x x... x x... x x j j X c = x x x x... x x... x x i1 1 i2 2 ij j i x x x... x x... x x n1 x n2 2 nj j n 1

30 C-2 Tableau centré-réduit associé à X Réduction = ramener toutes les variables à une même origine 0 et un même écart-tye 1. x x Centrage + réduction = x ij j ij σ ( X ) j Xr = X D 1 c s D s = σ ( X ) σ ( X j ) σ ( X )

31 C-2 Tableau centré-réduit associé à X x x x x x x x x j j... 1 σ ( X ) σ ( X ) σ ( X ) σ ( X ) 1 2 j x x x x x x x x j j... 2 σ ( X ) σ ( X ) σ ( X ) σ ( X ) 1 2 j X r = x x x x x x x x i1 1 i ij j... i σ ( X ) σ ( X ) σ ( X ) σ ( X ) 1 2 j x x n1 1 σ ( X ) 1 x x x x nj j x... n x n σ ( X ) σ ( X ) σ ( X ) 2 j

32 C-2 Tableau centré-réduit associé à X > crimer=scale(crime2)*sqrt(20/19); round(crimer, digit=3) Meutre Rat Vol Attaque Viol Larcin Alabama Alaska Arizona Arkansas California Colorado Connecticut

33 C-2 Tableau centré-réduit associé à X données initiales données centrées données centrées réduites 2 1,5 1 0,5 0-0, , ,5 1 1,5 2 2,5 3 3,5 4 4,5-4 -6

34 C-3 Matrice de variance-covariance associée à X V = Var( X ) Cov( X, X )... Cov( X, X )... Cov( X, X ) j 1 Cov( X, X ) Var( X )... Cov( X, X )... Cov( X, X ) j Cov( X, X ) Cov( X, X )... Var( X )... Cov( X, X ) 1 j 2 j j j Cov( X, X ) (, )... (, )... ( ) 1 Cov X X Cov X X Var X 2 j V = X ' cpxc cov( X n, X ) = ( )( ) c ' c j l i xij x j xil xl = X PX j l i= 1 Var( X ) = cov( X, X ); σ ( X ) = Var( X ) j j j j j

35 C-3 Matrice de corrélation associée à X Le coefficient de corrélation linéaire entre deux variables quantitatives ermet de mesurer le lien linéaire entre ces deux variables: Cov( X, X ) r( X, X ) = j k j k σ ( X ) σ ( X ) j k r( X, X ) = X r ' PX r j k j k r X X, d autant lus grand en valeur absolue que le lien j k linéaire est grand. Nul si absence de lien linéaire. 1 (, ) 1

36 C-3 Matrice de corrélation associée à X R = 1 r( X1, X 2)... r( X1, X j )... r( X1, X ) r( X1, X 2) 1... r( X 2, X j )... r( X 2, X ) r ( X1, X j ) r ( X 2, X j ) r ( X j, X ) r( X1, X ) r( X 2, X )... r( X j, X )... 1 R = X ' PX D 1VD 1 r r = s s

37 C-3 Matrice de corrélation associée à X > cor=cor(crime2) #=cov(crimer) > cor Meutre Rat Vol Attaque Viol Larcin Meutre Rat Vol Attaque Viol Larcin

38 C.4- Ecriture matricielles imortantes Le carré de la P-norme d une variable centrée Xj est sa variance 2 X = X ' PX =σ 2 ( X ) j P j j j Le carré de la P-norme d une variable centrée réduite Xj est égal à 1 Le P-roduit scalaire entre deux variables centrées est leur covariance X, ' j X k = X PX = Cov( X, X ) P j k j k Le P-roduit scalaire entre deux variables centrées réduites est leur coefficient de corrélation X ' PX = r( X, X ) j k j k

Ch2 : Analyse en Composantes Principales (ACP)

Ch2 : Analyse en Composantes Principales (ACP) Ch2 : Analyse en Composantes Principales (ACP) A- Objectifs B- construction d un espace factoriel C- Les étapes d une ACP D- Interprétation E- Limites A- Objectifs On dispose d un tableau de données X.

Plus en détail

CH 3 : Classification

CH 3 : Classification CH 3 : Classification A- Généralités B- Mesure d éloignement C- Critère d homogénéité D- Choix d une méthode E- Mesures de la qualité F- Interprétation G- ACP/Classification H- Exemple A- Généralités

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité Introduction à l analyse des données Analyse des Données () Le but de l analyse de données est de synthétiser, structurer l information contenue dans des données multidimensionnelles Deux groupes de méthodes

Plus en détail

Analyse multidimensionnelle de données longitudinales

Analyse multidimensionnelle de données longitudinales Analyse multidimensionnelle de données longitudinales Ndèye Niang Conservatoire National des Arts et Métiers Plan Introduction Terminologie-Notations Méthodes directes Coefficient d association vectorielle

Plus en détail

Atlas nord-américain Texte méthodologique

Atlas nord-américain Texte méthodologique Atlas nord-américain Texte méthodologique Dans ce volet du Santéscope, les indicateurs de mortalité du Québec sont comparés à ceux des 9 autres provinces canadiennes et des 50 États américains et portent

Plus en détail

Introduction à l analyse des données. Olivier Godechot

Introduction à l analyse des données. Olivier Godechot Introduction à l analyse des données Olivier Godechot Introduction. Les données statistiques : de très nombreuses variables. Aucune n est parfaite La perception d un phénomène appréhendée comme la combinaison

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage

Plus en détail

Analyse de Données. Analyse en Composantes Principales (ACP)

Analyse de Données. Analyse en Composantes Principales (ACP) Analyse de Données Analyse en Composantes Principales (ACP) Analyse en composantes principales (ACP) ** Sur toute la fiche, on notera M' la transposée de M. Cadre de travail : On a des données statistiques

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 4 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

Pédaler en danseuse P2 P1

Pédaler en danseuse P2 P1 Pédaler en danseuse Pédaler en danseuse consiste à ne as s asseoir sur la selle et à se dresser sur les édales. Le mouvement de édalage s écarte alors notablement du édalage assis. Notre roos est d analyser

Plus en détail

SLOW DOWN AND MOVE OVER RALENTISSEZ ET CHANGEZ DE VOIE

SLOW DOWN AND MOVE OVER RALENTISSEZ ET CHANGEZ DE VOIE SLOW DOWN AND MOVE OVER Aux États-Unis, la presque totalité des États ont adopté une loi «Move Over» dans le but de protéger les travailleurs qui s affairent en bordure des routes. Ainsi, dans les États

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

I/ LES CODEURS OPTIQUES

I/ LES CODEURS OPTIQUES Sciences Industrielles our l Ingénieur Centre d Intérêt 2 : ACQUERIR l'information Cométences : ANALYSER, CONCEVOIR CAPTEURS NUMERIQUES DE POSITION Les codeurs otiques Comment choisir le bon cateur our

Plus en détail

Cours 2-3 Analyse des données multivariées

Cours 2-3 Analyse des données multivariées Cours 2-3 des données s Ismaël Castillo École des Ponts, 13 Novembre 2012 Plan 1 2 3 4 1. On s intéresse à un jeu de données multi-dimensionel, avec n individus observés et p variables d intérêt ( variables

Plus en détail

Loi binomiale-cours. La loi binomiale

Loi binomiale-cours. La loi binomiale 1 La loi binomiale Les robabilités en général - et la loi binomiale en articulier - doivent beaucou à la famille Bernoulli. Cette dynastie de scientifiques comte, entre autres, dans ses rangs, Jacob (165-175)

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

Méthodes de projection

Méthodes de projection Chapitre 11 Méthodes de projection Contenu 11.1 Analyse en composantes principales........ 138 11.1.1 L Analyse en Composantes Principales........ 139 11.1.2 La (grande) famille des ACP............. 151

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

STATISTIQUES = N. = n i N. On a : p f i Caractéristiques de position de tendance centrale

STATISTIQUES = N. = n i N. On a : p f i Caractéristiques de position de tendance centrale STATISTIQUES 1. Vocabulaire et notations Dans ce chaitre, on considère des séries à caractères quantitatifs discrètes (sous forme «onctuelle») ou continues (sous forme d intervalles) (avec, dans le cas

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Université de Rennes 2 Statistiques des données M1-GEO Ouvrages recommandés Analyse en composantes principales Ces livres sont à la BU. Pour les acheter, venir au bureau A-240 ou envoyer un mail : nicolas.jegou@uhb.fr

Plus en détail

Chapitre 6. La demande d assurance

Chapitre 6. La demande d assurance Chaitre 6 Introduction Réduire le risque Plusieurs manière de réduire le risque: a diversification Une firme eut réduire son risque en diversifiant ses activités dans des domaines eu liés entre eux Ventes

Plus en détail

L information sera transmise selon des signaux de nature et de fréquences différentes (sons, ultrasons, électromagnétiques, électriques).

L information sera transmise selon des signaux de nature et de fréquences différentes (sons, ultrasons, électromagnétiques, électriques). CHAINE DE TRANSMISSION Nous avons une information que nous voulons transmettre (signal, images, sons ). Nous avons besoin d une chaîne de transmission comosée de trois éléments rinciaux : 1. L émetteur

Plus en détail

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h

Analyse des Données. Questions de cours. Exercice n o 1. Examen terminal - Durée 3h I.U.T de Caen STID 2ème année Département STID Année Universitaire 2002-2003 Responsable de cours : Alain LUCAS Seule la calculatrice type collège est autorisée. Seul le cours est autorisé. On rappelera

Plus en détail

Algèbre 4 CALCUL MATRICIEL SYSTEMES LINEAIRES

Algèbre 4 CALCUL MATRICIEL SYSTEMES LINEAIRES Algèbre - cha 4 /9 Dans tout le chaitre K désigne R ou C, n et désignent des entiers naturels non nuls.. OPERATIONS SUR LES MATRICES. Notion de matrice Algèbre 4 CALCUL MATRICIEL SYSTEMES LINEAIRES Définition

Plus en détail

Les séries statistiques du tourisme en Polynésie française

Les séries statistiques du tourisme en Polynésie française Service du Tourisme Immeuble Paofai BP 4527-98713 Papeete Polynésie française Tél. (689) 47.62.00 Fax. (689) 47.62.04 Les séries statistiques du tourisme en Polynésie française Deuxième édition Juin 2011

Plus en détail

Analyse des données et Data Mining

Analyse des données et Data Mining Analyse des données et Data Mining Analyse en composantes principales utc sy09 1 Objectif des méthodes factorielles Visualiser, traiter des données multidimensionnelles Problème difficile Information apportée

Plus en détail

Application des méthodes de décomposition en composantes principales à la climatologie

Application des méthodes de décomposition en composantes principales à la climatologie Application des méthodes de décomposition en composantes principales à la climatologie Etude d un exemple: les modes de variabilité de la température de surface de la mer dans l océan Atlantique tropical

Plus en détail

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

A. Notion d intégrale double

A. Notion d intégrale double UT ORSAY Mesures Physiques ntégrales doubles Calcul d aires et de volumes Cours du ème semestre A Notion d intégrale double A- omaine quarrable On suose que le lan est muni d un reère orthonormé ( O; i;

Plus en détail

Ce document présente une comparaison du

Ce document présente une comparaison du La comparaison des niveaux de vie au Canada et aux États-Unis une perspective régionale Raynald Létourneau Martine Lajoie* Analyse micro-économique Direction générale de la politique et de l analyse micro-économique

Plus en détail

Objectifs pédagogiques. Analyse multivariée ou multifactorielle. Rappel facteurs de confusion Exemple

Objectifs pédagogiques. Analyse multivariée ou multifactorielle. Rappel facteurs de confusion Exemple Objectifs édagogiques Analyse multivariée ou multifactorielle Exliquer le rincie des modèles multivariés Exliquer le rincie de la régression logistique Exliquer le rincie de la régression linéaire multile

Plus en détail

L2-S4 : 2014-2015. Support de cours. Statistique & Probabilités Chapitre 1 : Analyse combinatoire

L2-S4 : 2014-2015. Support de cours. Statistique & Probabilités Chapitre 1 : Analyse combinatoire L2-S4 : 2014-2015 Suort de cours Statistique & Probabilités Chaitre 1 : Analyse combinatoire R. Abdesselam UFR de Sciences Economiques et de Gestion Université Lumière Lyon 2, Camus Berges du Rhône Rafik.abdesselam@univ-lyon2.fr

Plus en détail

Guide sur les lois américaines et canadiennes en matière de siège de sécurité pour enfant

Guide sur les lois américaines et canadiennes en matière de siège de sécurité pour enfant Guide sur les lois américaines et canadiennes en matière de siège de sécurité pour enfant Siège d appoint ou dispositif de protection pour enfants requis* Aucun dispositif de protection requis après l

Plus en détail

La part des salaires dans la valeur ajoutée en France : une approche macroéconomique

La part des salaires dans la valeur ajoutée en France : une approche macroéconomique PARTAGE DU REVENU La art des salaires dans la valeur ajoutée en France : une aroche macroéconomique Céline Prigent * * Céline Prigent aartient à la division Croissance et olitiques macroéconomiques de

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction d informations stratégiques par Analyse en Composantes Principales Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction

Plus en détail

Prix de l'électricité

Prix de l'électricité Rapport T4 sur l énergie de l Ontario Électricité Octobre Décembre Prix de l'électricité du produit ( /kwh) Le coût du produit se compose de deux éléments : le prix de gros (le prix horaire de l'énergie

Plus en détail

Titre : Quels indicateurs optimaux pour cibler les pauvres? : une approche basée sur la

Titre : Quels indicateurs optimaux pour cibler les pauvres? : une approche basée sur la Titre : Quels indicateurs otimaux our cibler les auvres? : une aroche basée sur la minimisation des erreurs de ciblage au Burina Faso. Tambi Samuel KABORE UFR-SEG, CEDRES, 01 BP 6693 Ouaga 01 Université

Plus en détail

CI 2 SLCI : ÉTUDE DU COMPORTEMENT DES SYSTÈMES LINÉAIRES CONTINUS INVARIANTS

CI 2 SLCI : ÉTUDE DU COMPORTEMENT DES SYSTÈMES LINÉAIRES CONTINUS INVARIANTS CI 2 SLCI : ÉTUDE DU COMPORTEMENT DES SYSTÈMES LINÉAIRES CONTINUS INVARIANTS CHAPITRE 2 MODÉLISATION DES SYSTÈMES LINÉAIRES CONTINUS INVARIANTS TRANSFORMÉE DE LAPLACE TRAVAIL DIRIGÉ Robot Ericc Le robot

Plus en détail

L ANALYSE DISCRIMINANTE. Pierre-Louis GONZALEZ

L ANALYSE DISCRIMINANTE. Pierre-Louis GONZALEZ L ANALYSE DISCRIMINANTE Pierre-Louis GONZALEZ ANALYSE DISCRIMINANTE Prédire une variable qualitative à k classes àl aide de rédicteurs Deu asects Descritif: Quelles sont les combinaisons linéaires de variables

Plus en détail

Examen d'analyse des données

Examen d'analyse des données Université d'angers Janvier 2007 Master 1 MIM : Analyse des données Examen d'analyse des données Durée : 3 heures Les documents ne sont pas autorisés. La calculatrice est autorisée. Exercice I (7 points)

Plus en détail

Licence Science de la Mer et de l Environnement. Physique Générale

Licence Science de la Mer et de l Environnement. Physique Générale icence Science de la Mer et de l Environnement Pysiue Générale Caitre 3 :entilles et Instruments d Otiue - es diérentes lentilles Nous traiterons ici de lentilles mines, c est à dire d éaisseur négligeable.

Plus en détail

35 personnes 40,0% 360 jours 18 jours 150 80. 270 personnes 18,0%

35 personnes 40,0% 360 jours 18 jours 150 80. 270 personnes 18,0% POURCENTAGES Exercice n. Comléter ce tableau, en indiquant dans chaque case l'oération effectuée et son résultat (arrondir à décimale en cas de besoin) Ensemble de référence Part en nombre en ourcentage

Plus en détail

AFFICHE GRATUITE* MPT5501R 24 X 36

AFFICHE GRATUITE* MPT5501R 24 X 36 Teri Automne/ Hiver 2015 AFFICHE GRATUITE* MPT5501R 24 X 36 1 Teri 5501 Notre Meilleur Vendeur 27.00$ Deux façons de la porter! Gris Foncé- 15 Juil. Crème- 15 Juil. Saphir- Disp. Rouge- Disp. Sable- Disp.

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Examen : BEP ANCIENNE REGLEMENTATION Spécialité : Secteur 4

Examen : BEP ANCIENNE REGLEMENTATION Spécialité : Secteur 4 SUJET Métroole la Réunion - Mayotte Examen : BEP ANCIENNE REGLEMENTATION Sécialité : Secteur 4 Métiers de la Santé et de l Hygiène Éreuve : Coefficient : 4 Durée : 2 h Page : 1/9 Sécialité concernée :

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

ÉCOLE POLYTECHNIQUE DE MONTRÉAL ELE2302 : CIRCUITS ÉLECTRONIQUES SOLUTIONNAIRE EXAMEN FINAL

ÉCOLE POLYTECHNIQUE DE MONTRÉAL ELE2302 : CIRCUITS ÉLECTRONIQUES SOLUTIONNAIRE EXAMEN FINAL ELE2302 Circuits électroniques Solutionnaire examen final - Automne 2006 ÉCOLE POLYTECHNIQUE DE MONTRÉAL ELE2302 : CIRCUITS ÉLECTRONIQUES SOLUTIONNAIRE EXAMEN FINAL Notes :. Documentation : Feuilles manuscrites

Plus en détail

Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master 2 2005/2006

Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master 2 2005/2006 Cours 7 ANALYSE EN COMPOSANTES PRINCIPALES (ACP) Master 2 2005/2006 . Les données NOMS PUISS CYLI Co uple Ma xi LONG LARG H AUT COFFRE RESE POIDS VITE CONS ALF 47,9 JTD Distinctive 5 90 28 4,7,73,44 280

Plus en détail

Évaluation des tendances touristiques des Canadiens et des Américains en 2006. Sommaire du projet

Évaluation des tendances touristiques des Canadiens et des Américains en 2006. Sommaire du projet Évaluation des tendances touristiques des Canadiens et des Américains en 2006 Sommaire du projet Table des matières Renseignements généraux...1 Méthodologie de recherche...2 Conclusions de la recherche...3

Plus en détail

L ANALYSE DES CORRESPONDANCES MULTIPLES «À LA HOLLANDAISE» : INTRODUCTION A L ANALYSE D HOMOGENEITE

L ANALYSE DES CORRESPONDANCES MULTIPLES «À LA HOLLANDAISE» : INTRODUCTION A L ANALYSE D HOMOGENEITE L ANALYSE DES CORRESPONDANCES MULTIPLES «À LA HOLLANDAISE» : INTRODUCTION A L ANALYSE D HOMOGENEITE Dominique Desbois INRA-SAE, UMR AgroParisTech Economie ublique- Bureau du RICA, Service Central des Enquêtes

Plus en détail

L analyse des données statistiques

L analyse des données statistiques L analyse des données statistiques Public : Les cadres devant analyser des données quantitatives et qualitatives Objectif : Apprendre, en utilisant principalement Excel : - à traiter des données provenant

Plus en détail

Analyse des données - Logiciel R

Analyse des données - Logiciel R Université de Strasbourg Analyse des données Master de Sciences, Spécialité Statistique 2012/13 Master Actuariat Emmanuel Périnel Analyse des données - Logiciel R TP n 2. L Analyse en Composantes Principales

Plus en détail

Partie I. Les données quantitatives

Partie I. Les données quantitatives Variables quantitatives : analyse en composantes principales Jean-Marc Lasgouttes https://whorocqinriafr/jean-marclasgouttes/ana-donnees/ Partie I Les données quantitatives Description de données quantitatives

Plus en détail

Analyse en Composantes. Principales

Analyse en Composantes. Principales AgroParisTech Analyse en Composantes Principales C Duby, S Robin Table des matières Introduction 3 2 Tableau de données 4 3 Choix d une distance 6 4 Choix de l origine 7 5 Moments d inertie 9 5 Inertie

Plus en détail

PROBABILITÉS. I Épreuve de Bernoulli - Loi binomiale. Exemple. Exercice 01 (voir réponses et correction) Exercice 02 (voir réponses et correction)

PROBABILITÉS. I Épreuve de Bernoulli - Loi binomiale. Exemple. Exercice 01 (voir réponses et correction) Exercice 02 (voir réponses et correction) PRBABILITÉ Loi binomiale - Échantillonnage I Éreuve de Bernoulli - Loi binomiale xemle n lance deux fois une ièce de monnaie arfaitement équilibrée. Les deux lancers sont indéendants (c'est-à-dire que

Plus en détail

1 Le marché du travail néoclassique

1 Le marché du travail néoclassique Paris Ouest Nanterre a Défense Année universitaire 2012-2013 icence Economie-Gestion 1 Macroéconomie A Enseignants : Alain Ayong e Kama, Michel Mouillart et Aurélien Saïdi Travaux dirigés n 4 : CORRECTION

Plus en détail

1-p. 1-p. 1-p. 1-p. On se propose d'utiliser ce canal pour transmettre le contenu d'une source binaire S.

1-p. 1-p. 1-p. 1-p. On se propose d'utiliser ce canal pour transmettre le contenu d'une source binaire S. EXERCICES EXERCICE On considère le canal à uatre entrées et cin sorties: A B C D - - - - A B E C D. Montrer ue ce canal est symétriue. 2. Calculer sa caacité. On se roose d'utiliser ce canal our transmettre

Plus en détail

Analyse de données. [Tapez le sous-titre du document] ANALYSE DE DONNEES 2011 2012. ANALYSE DE DONNEES Page 1 LICENCE 3 SCIENCES ECONOMIQUES

Analyse de données. [Tapez le sous-titre du document] ANALYSE DE DONNEES 2011 2012. ANALYSE DE DONNEES Page 1 LICENCE 3 SCIENCES ECONOMIQUES 2011 2012 ANALYSE DE DONNEES 2011 2012 LICENCE 3 SCIENCES ECONOMIQUES COURS DE M. THIERRY BLAYAC Analyse de données [Tapez le sous-titre du document] ANALYSE DE DONNEES Page 1 H34VEN Cours pour Licence

Plus en détail

L analyse en composantes principales

L analyse en composantes principales L analyse en composantes principales 1 La méthode 1 Les données, les objectifs de la méthode L Analyse en Composantes Principales (ACP) est la méthode adaptée à l exploration synthétique de l information

Plus en détail

Exercices Chapitre 1 3-851-84 Microéconomie

Exercices Chapitre 1 3-851-84 Microéconomie Eercices Chaitre 3-85-84 Microéconomie QUESTION Soit trois consommateurs aant les fonctions d'utilité suivantes: 3 4 u (, )= 8 3 u (, )= (, ) = 3 /6 u3 Chacun d'eu disose d'un revenu R et fait face au

Plus en détail

1 heure Épreuve scientifique et Technique Coef. 1 Page 1/6 Sous-épreuve E1C : Mathématiques Unité 13

1 heure Épreuve scientifique et Technique Coef. 1 Page 1/6 Sous-épreuve E1C : Mathématiques Unité 13 EXAMEN : BACCALAURÉAT PROFESSIONNEL Session 009 Éreuve scientifique et Technique Coef. 1 Page 1/6 Ce sujet comorte 6 ages numérotées de 1 à 6. Assurez-vous que cet exemlaire est comlet. S il est incomlet,

Plus en détail

Formulaire de candidature SPCD 2015

Formulaire de candidature SPCD 2015 Cadre réservé à la MCUFEU à Washington :. Photo* Formulaire de candidature SPCD 2015 Date limite de candidature : 18 février 2015 CONDITIONS DE PARTICIPATION Les candidats doivent : - être employés à temps

Plus en détail

dénombrement, loi binomiale

dénombrement, loi binomiale dénombrement, loi binomiale Table des matières I) Introduction au dénombrement 1 1. Problème ouvert....................................... 2 2. Jeux et dénombrements...................................

Plus en détail

Introduction sur l analyse en composantes principales (ACP)

Introduction sur l analyse en composantes principales (ACP) Introduction sur l analyse en composantes principales (CP) ) Introduction sur un exemple à 2 dimensions On veut représenter graphiquement les profils d élèves qui ont été notés sur 2 matières (Français

Plus en détail

L3 Géographie UE Méthodologie. Statistiques COURS 1. Salle 125. Intervenants : Nadège. UMR Centre de Recherches de Climatologie (CRC)

L3 Géographie UE Méthodologie. Statistiques COURS 1. Salle 125. Intervenants : Nadège. UMR Centre de Recherches de Climatologie (CRC) L3 Géographie UE Méthodologie Statistiques COURS 1 Salle 125 Intervenants : Nadège Martiny & Julien Crétat UFR Sciences Humaines (Département de Géographie) UMR Centre de Recherches de Climatologie (CRC)

Plus en détail

D- interprétation d une ACP

D- interprétation d une ACP D- interprétation d une ACP 1- choix du nombre d axes 3- interprétation des axes 2- représentation graphique 4- Qualité de représentation 5- Synthèse D-Interprétation d une ACP La décomposition précédente

Plus en détail

Formulaire de candidature

Formulaire de candidature Cadre réservé à la MCUFEU à Washington :. Photo* Formulaire de candidature BELC-Université d été 2015 Date limite d envoi du dossier de candidature : 8 mars 2015 CONDITIONS DE PARTICIPATION Le stage BELC-Université

Plus en détail

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine

Plus en détail

Théorie des ensembles et combinatoire

Théorie des ensembles et combinatoire Théorie des ensembles et combinatoire Valentin Vinoles 24 janvier 2012 Table des matières 1 Introduction 2 2 Théorie des ensembles 3 2.1 Définition............................................ 3 2.2 Aartenance

Plus en détail

Cahier de Vacances: de la Tes à la ece1...

Cahier de Vacances: de la Tes à la ece1... Cahier de Vacances: de la Tes à la ece... Recommandations Vous venez de terminer votre terminale et d obtenir le Baccalauréat (bravo!) et vous avez choisi de oursuivre vos études ar la voie des classes

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

La probabilité conditionnelle de l évènement B sachant que l évènement A est réalisé se note p A (B) et on a :

La probabilité conditionnelle de l évènement B sachant que l évènement A est réalisé se note p A (B) et on a : Lycée JANON DE AILLY 21 janvier 2014 PROBABILITÉ DICRÈTE T le E I PROBABILITÉ CONDITIONNELLE La notion de robabilité conditionnelle intervient uand endant le déroulement d une exérience aléatoire, une

Plus en détail

LOGICIEL D AIDE A LA PLANIFICATION POUR L ELECTRIFICATION RURALE (LAPER)

LOGICIEL D AIDE A LA PLANIFICATION POUR L ELECTRIFICATION RURALE (LAPER) LOGICIEL D AIDE A LA PLANIFICATION POUR L ELECTRIFICATION RURALE (LAPER) FRANCE Valérie Lévy Franck Thomas - Rainer Fronius Marc Gratton Electricité de France Recherche et Déveloement Résumé Les bienfaits

Plus en détail

Partie I. Les données quantitatives

Partie I. Les données quantitatives Variables quantitatives : analyse en composantes principales Jean-Marc Lasgouttes https://whorocqinriafr/jean-marclasgouttes/ana-donnees/ Partie I Les données quantitatives Description de données quantitatives

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Chapitre 9 ANALYSE MULTIDIMENSIONNELLE

Chapitre 9 ANALYSE MULTIDIMENSIONNELLE Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 9 ANALYSE MULTIDIMENSIONNELLE L analyse des données multidimensionnelles regroupe un ensemble de méthodes

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

AUCUN DOCUMENT N EST AUTORISE

AUCUN DOCUMENT N EST AUTORISE Ereuve Sécifique de Sciences Industrielles (Filière PCSI - Otion PSI) Mardi 9 mai 2009 de 8H00 à 2H00 Instructions générales : ENONCE DU SUJET Vous devez vérifier que les documents remis comrennent : Un

Plus en détail

SPCD 2016 QU EST-CE QU UN STAGE PÉDAGOGIQUE DE COURTE DURÉE (SPCD)?

SPCD 2016 QU EST-CE QU UN STAGE PÉDAGOGIQUE DE COURTE DURÉE (SPCD)? SPCD 2016 QU EST-CE QU UN STAGE PÉDAGOGIQUE DE COURTE DURÉE (SPCD)? Ce stage de perfectionnement dans le domaine de la méthodologie de l enseignement de la langue et de la culture françaises s adresse

Plus en détail

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 105 HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 1. Introduction En statistiques il arrive fréquemment que les individus soient décrits par un grand nombre de caractères. : voitures décrites par leur

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Chapitre 5 : Les lentilles et les instruments d optique

Chapitre 5 : Les lentilles et les instruments d optique Exercices Chaitre 5 : Les lentilles et les instruments d otique E. (a) On a n,33, n 2,0cm et R 20 cm. En utilisant l équation 5.2, on obtient,33 0 cm + q,33 20 cm q 8,58 cm Le chat voit le oisson à 8,58

Plus en détail

Boucle à verrouillage de phase

Boucle à verrouillage de phase Chaitre 2 Boucle à verrouillage de hase Introduction La boucle à verrouillage de hase, que l on désignera ar la suite ar l acronyme anglais PLL (Phase Locked Loo), est un disositif largement utilisé dans

Plus en détail

G go campus 'HV pwxghv XQLYHUVLWDLUHV VXU XQ FDPSXV DPpULFDLQ /D JDUDQWLH G REWHQLU XQH ERXUVH G pwxghv

G go campus 'HV pwxghv XQLYHUVLWDLUHV VXU XQ FDPSXV DPpULFDLQ /D JDUDQWLH G REWHQLU XQH ERXUVH G pwxghv G go campus G go campus SOMMAIRE 3 À qui s adresse Go Campus ôle et identité de Calvin Thomas Le pr amme, ses grandes lignes quoi étudier aux États Unis Le véritable coût des études Les bourses Go Campus

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Analyse multivariée approfondie

Analyse multivariée approfondie Analyse multivariée approfondie Enseignants: NIANG N. et RUSSOLILLIO G. Maître de conférences Statistique Appliquée Laboratoire CEDRIC CNAM http://www.cnam.fr et d autres intervenants extérieurs au Cnam

Plus en détail

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES

COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES COURS DE DATA MINING 6 : MODELISATION NON-SUPERVISEE LES ANALYSES FACTORIELLES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 6 : Modélisation non-supervisée

Plus en détail

Session 2010 Examen : BEP Tertiaire 1 Spécialités du Secteur 6 : Métiers de la comptabilité. Durée : 1 heure Epreuve : Mathématiques Page : 1/5

Session 2010 Examen : BEP Tertiaire 1 Spécialités du Secteur 6 : Métiers de la comptabilité. Durée : 1 heure Epreuve : Mathématiques Page : 1/5 SUJET 2010 Examen : BEP Tertiaire 1 Sécialités du Secteur 6 : Métiers de la comtabilité Coeff : Selon sécialité Logistique et commercialisation Vente action marchande Durée : 1 heure Ereuve : Mathématiques

Plus en détail

TP R de Statistiques sur l analyse multivariée: AFC, ACP, CAH, k-means et AFCM

TP R de Statistiques sur l analyse multivariée: AFC, ACP, CAH, k-means et AFCM TP R de Statistiques sur l analyse multivariée: AFC, ACP, CAH, k-means et AFCM Emmanuel Rachelson and Matthieu Vignes 9 octobre 2013, SupAero - ISAE 1 Présidentielles 2008 - AFC Récupérer les données,

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Plan du cours Analyse en Composantes Principales Introduction Les données Leurs représentations La méthode Modèle Interprétation statistique Espace principal Composantes Principales Représentations Graphiques

Plus en détail

STAGE. «Offre modulaire - Recueillir et analyser les besoins et attentes des usagers - Module 4 - L'analyse experte des données statistiques»

STAGE. «Offre modulaire - Recueillir et analyser les besoins et attentes des usagers - Module 4 - L'analyse experte des données statistiques» STAGE «Offre modulaire - Recueillir et analyser les besoins et attentes des usagers - Module 4 - L'analyse experte des données statistiques» PROGRAMME DETAILLE Intervenant : PARIS nicolas Cabinet : OPTIMA

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Séance 2: Modèle Euclidien

Séance 2: Modèle Euclidien Généralités Métrique sur les INDIVIDUS Métrique sur les VARIABLES Inertie Analyse des individus Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Généralités Métrique

Plus en détail

DATA MINING Arbres de décision

DATA MINING Arbres de décision DATA MINING Arbres de décision Juan Manuel Torres juan-manuel.torres@univ-avignon.fr www.lia.univ-avignon.fr/chercheurs/torres/cours/dm LIA / Université d'avignon Octobre 2006 Généralités Arbres de décision

Plus en détail