Visualisation de données. Fabrice Rossi Télécom ParisTech
|
|
- Thibault Fleury
- il y a 8 ans
- Total affichages :
Transcription
1 Visualisation de données Fabrice Rossi Télécom ParisTech
2 Plan Introduction Analyses univariées Variables numériques Histogramme Densité Boxplot et statistiques Conditionnement Variables nominales Analyses multivariées Diagramme de dispersion Matrice de corrélation Diagramme mosaique Coordonnées parallèles Interaction 2 / 43 F. Rossi
3 Plan Introduction Analyses univariées Variables numériques Histogramme Densité Boxplot et statistiques Conditionnement Variables nominales Analyses multivariées Diagramme de dispersion Matrice de corrélation Diagramme mosaique Coordonnées parallèles Interaction 3 / 43 F. Rossi Introduction
4 Analyse visuelle de données Objectifs : obtenir une vision globale d un jeu de données découvrir des formes de régularité Moyens : représentations visuelles (et interactives) des données recherche automatique de régularités : corrélation et dépendance entre variables groupes homogènes (classification) schémas fréquents 4 / 43 F. Rossi Introduction
5 Analyse visuelle de données Objectifs : obtenir une vision globale d un jeu de données découvrir des formes de régularité Moyens : représentations visuelles (et interactives) des données recherche automatique de régularités : corrélation et dépendance entre variables groupes homogènes (classification) schémas fréquents Height PC PC1 4 / 43 F. Rossi Introduction
6 Exemple recensement personnes 15 attributs par personne 5 / 43 F. Rossi Introduction
7 Plan Introduction Analyses univariées Variables numériques Histogramme Densité Boxplot et statistiques Conditionnement Variables nominales Analyses multivariées Diagramme de dispersion Matrice de corrélation Diagramme mosaique Coordonnées parallèles Interaction 6 / 43 F. Rossi Analyses univariées
8 Analyses élémentaires Première étape d une analyse exploratoire travailler variable par variable numériquement et graphiquement Variable numérique à valeurs dans R statistiques classiques : moyenne, variance, médiane, etc. représentations associées : histogramme, estimation de densité, boxplot, etc. 7 / 43 F. Rossi Analyses univariées
9 Analyses élémentaires Première étape d une analyse exploratoire travailler variable par variable numériquement et graphiquement Variable numérique à valeurs dans R statistiques classiques : moyenne, variance, médiane, etc. représentations associées : histogramme, estimation de densité, boxplot, etc. Variable âge : numérique 7 / 43 F. Rossi Analyses univariées
10 Analyses élémentaires Première étape d une analyse exploratoire travailler variable par variable numériquement et graphiquement Variable numérique à valeurs dans R statistiques classiques : moyenne, variance, médiane, etc. représentations associées : histogramme, estimation de densité, boxplot, etc. Histogram of age Variable âge : numérique Density age 7 / 43 F. Rossi Analyses univariées
11 Histogramme Un histogramme représente une estimation de la densité d une variable Principe de construction : division de l intervalle [min, max] en K sous-intervalles (diverses règles pour K, par exemple log N) dénombrement des objets pour lesquels la valeur de la variable tombe dans chacun des intervalles représentation par des barres de surfaces proportionnelles aux décomptes 8 / 43 F. Rossi Analyses univariées
12 Histogramme Un histogramme représente une estimation de la densité d une variable Principe de construction : division de l intervalle [min, max] en K sous-intervalles (diverses règles pour K, par exemple log N) dénombrement des objets pour lesquels la valeur de la variable tombe dans chacun des intervalles représentation par des barres de surfaces proportionnelles aux décomptes Attention aux intervalles de longueurs différentes Histogram of dummy.unif Histogram of dummy.unif Density Frequency dummy.unif dummy.unif 8 / 43 F. Rossi Analyses univariées
13 Histogramme Un histogramme représente une estimation de la densité d une variable Principe de construction : division de l intervalle [min, max] en K sous-intervalles (diverses règles pour K, par exemple log N) dénombrement des objets pour lesquels la valeur de la variable tombe dans chacun des intervalles représentation par des barres de surfaces proportionnelles aux décomptes Attention aux intervalles de longueurs différentes Histogram of dummy.unif Histogram of dummy.unif Density Frequency dummy.unif dummy.unif 8 / 43 F. Rossi Analyses univariées
14 Intérêts Histogram of age Histogramme des heures travaillées par semaine Density Frequency Âge age Heures Temps de travail Histogramme des plus values Frequency e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values 9 / 43 F. Rossi Analyses univariées
15 Intérêts Histogram of age Histogramme des heures travaillées par semaine Density Frequency age Heures Âge Temps de travail Frequency Histogramme des plus values Idée générale de la distribution 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values 9 / 43 F. Rossi Analyses univariées
16 Intérêts Histogram of age Histogramme des heures travaillées par semaine Density Frequency age Heures Âge Temps de travail Frequency Histogramme des plus values Idée générale de la distribution irrégularités 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values 9 / 43 F. Rossi Analyses univariées
17 Intérêts Histogram of age Histogramme des heures travaillées par semaine Density Frequency age Heures Âge Temps de travail Frequency Histogramme des plus values 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values Idée générale de la distribution irrégularités distribution complètement atypique 9 / 43 F. Rossi Analyses univariées
18 Limitations Histogramme des plus values Frequency e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values presque aucune information : presque toutes les valeurs sont négatives quelques valeurs très grandes 10 / 43 F. Rossi Analyses univariées
19 Densités Density Density age Âge heures Temps de travail Density 0e+00 1e 04 2e 04 3e 04 4e 04 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values 11 / 43 F. Rossi Analyses univariées
20 Densités Density Density age heures Âge Temps de travail Estimateur à noyau Density 0e+00 1e 04 2e 04 3e 04 4e 04 f h (x) = 1 nh n ( ) x xi K h i=1 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values 11 / 43 F. Rossi Analyses univariées
21 Densités Density Density age heures Âge Temps de travail Estimateur à noyau Density 0e+00 1e 04 2e 04 3e 04 4e 04 f h (x) = 1 nh n ( ) x xi K h i=1 sélection heuristique de h 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values 11 / 43 F. Rossi Analyses univariées
22 Densités Density Density age heures Âge Temps de travail Estimateur à noyau Density 0e+00 1e 04 2e 04 3e 04 4e 04 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values Plus values f h (x) = 1 nh n ( ) x xi K h i=1 sélection heuristique de h plus fin et plus risqué 11 / 43 F. Rossi Analyses univariées
23 Superposition Density Density age heures Âge Temps de travail Density 0e+00 1e 04 2e 04 3e 04 4e 04 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 plus values Plus values 12 / 43 F. Rossi Analyses univariées
24 Superposition Density Density age heures Âge Temps de travail Density 0e+00 1e 04 2e 04 3e 04 4e 04 Comparer ou combiner des représentations 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 plus values Plus values 12 / 43 F. Rossi Analyses univariées
25 Superposition Density Density age heures Âge Temps de travail Density 0e+00 1e 04 2e 04 3e 04 4e 04 Comparer ou combiner des représentations Position précise des modes 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 plus values Plus values 12 / 43 F. Rossi Analyses univariées
26 Superposition Density Density age heures Âge Temps de travail Density 0e+00 1e 04 2e 04 3e 04 4e 04 Comparer ou combiner des représentations Position précise des modes 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 plus values Plus values Pertinence des modes? 12 / 43 F. Rossi Analyses univariées
27 Boxplot a.k.a. boîte à moustaches ou boîte à pattes Représentation compacte d une distribution ligne centrale : médiane ligne basse : premier quartile ligne haute : troisième quartile moustaches : le max du min et de la médiane l intervalle interquartile le min du max et de la médiane l intervalle interquartile points atypiques (outliers) : au delà des moustaches Âge / 43 F. Rossi Analyses univariées
28 Comparaison Density age Âge / 43 F. Rossi Analyses univariées
29 Comparaison Density age Âge plus d information plus dépouillé 14 / 43 F. Rossi Analyses univariées
30 Comparaison Density age Âge plus d information inférence moins précise plus dépouillé quelques informations très précises 14 / 43 F. Rossi Analyses univariées
31 Statistiques Indicateurs classiques : tendance : moyenne et médiane dispersion : écart-type, intervalle interquartile 15 / 43 F. Rossi Analyses univariées
32 Statistiques Indicateurs classiques : tendance : moyenne et médiane dispersion : écart-type, intervalle interquartile Interprétation parfois délicate : moyenne = 990 médiane = 0 écart-type = 7410 intervalle interquartile = 0 Frequency Histogramme des plus values 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Plus values 15 / 43 F. Rossi Analyses univariées
33 Statistiques Indicateurs classiques : tendance : moyenne et médiane dispersion : écart-type, intervalle interquartile Histogramme des plus values Interprétation parfois délicate : moyenne = 990 médiane = 0 écart-type = 7410 intervalle interquartile = 0 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 meilleurs choix ici : Plus values 87 % des personnes ont une plus value nulle, 8.3 % positive et 4.7 % négative puis statistiques sur les deux groupes (par ex., perte médiane 1887) Frequency / 43 F. Rossi Analyses univariées
34 Sens des statistiques La pertinence de la statistique dépend de la distribution Exemple : blogs politiques graphe des liens entre les blogs (blogroll) distribution des degrés des noeuds Frequency Degree distribution degree µ = 27.36, σ = m = 13, δ = / 43 F. Rossi Analyses univariées
35 Sens des statistiques La pertinence de la statistique dépend de la distribution Exemple : blogs politiques graphe des liens entre les blogs (blogroll) distribution des degrés des noeuds Frequency Degree distribution degree µ = 27.36, σ = probability m = 13, δ = 33 loi puissance : P(x) x α degree 16 / 43 F. Rossi Analyses univariées
36 Sens des statistiques La pertinence de la statistique dépend de la distribution Exemple : blogs politiques graphe des liens entre les blogs (blogroll) distribution des degrés des noeuds Frequency Degree distribution degree µ = 27.36, σ = m = 13, δ = 33 probability loi puissance : P(x) x α sans échelle : la moyenne informe peu degree 16 / 43 F. Rossi Analyses univariées
37 Sens des statistiques La pertinence de la statistique dépend de la distribution Exemple : blogs politiques graphe des liens entre les blogs (blogroll) distribution des degrés des noeuds Frequency Degree distribution degree µ = 27.36, σ = m = 13, δ = 33 probability loi puissance : P(x) x α sans échelle : la moyenne informe peu ici α degree 16 / 43 F. Rossi Analyses univariées
38 Sens des statistiques La pertinence de la statistique dépend de la distribution Exemple : blogs politiques graphe des liens entre les blogs (blogroll) distribution des degrés des noeuds Frequency Degree distribution degree µ = 27.36, σ = m = 13, δ = 33 probability degree loi puissance : P(x) x α sans échelle : la moyenne informe peu ici α 1.27 Adapter les statistiques aux données 16 / 43 F. Rossi Analyses univariées
39 Trois points de vue Histogramme des heures travaillées par semaine Frequency Heures Moyenne : 40.44, Écart-type : Médiane : 40, Interquartile : 5 17 / 43 F. Rossi Analyses univariées
40 Trois points de vue Histogramme des heures travaillées par semaine Frequency Heures Moyenne : 40.44, Écart-type : Médiane : 40, Interquartile : 5 Compléments : 47 % = 40 heures 29 % > 40 heures 24 % < 40 heures 17 / 43 F. Rossi Analyses univariées
41 Conditionnement l analyse univariée seule est très limitée... première incursion dans l analyse multivariée : étudier une distribution conditionnelle en comparant plusieurs visualisations 18 / 43 F. Rossi Analyses univariées
42 Conditionnement l analyse univariée seule est très limitée... première incursion dans l analyse multivariée : étudier une distribution conditionnelle en comparant plusieurs visualisations exemple : p(âge genre) : deux distributions boxplots bien adaptées à la comparaison Âge Female Male 18 / 43 F. Rossi Analyses univariées
43 Conditionnement Density Female Male Âge Female Male visualisation par densités age compromis habituel : contenu en information, place occupée, précision, etc. 19 / 43 F. Rossi Analyses univariées
44 Histogrammes peu adaptés à la comparaison solution possible par superposition Frequency Full Male Frequency Full Female age age lisibilité discutable 20 / 43 F. Rossi Analyses univariées
45 Variables nominales variable nominale (ou qualitative) : variable à valeurs dans un ensemble fini quelconque (les modalités) quand les modalités sont ordonnées : variable ordinale 21 / 43 F. Rossi Analyses univariées
46 Variables nominales variable nominale (ou qualitative) : variable à valeurs dans un ensemble fini quelconque (les modalités) quand les modalités sont ordonnées : variable ordinale représentation par un diagramme à bâtons : un bâton par modalité hauteur proportionnelle à la fréquence de la modalité ordre arbitraire sauf dans la cas ordinal 21 / 43 F. Rossi Analyses univariées
47 Variables nominales variable nominale (ou qualitative) : variable à valeurs dans un ensemble fini quelconque (les modalités) quand les modalités sont ordonnées : variable ordinale représentation par un diagramme à bâtons : un bâton par modalité hauteur proportionnelle à la fréquence de la modalité ordre arbitraire sauf dans la cas ordinal Female Genre Male Divorced Married civ spouse Never married Widowed Statut marital 21 / 43 F. Rossi Analyses univariées
48 Lisibilité Déséquilibre ? China Ecuador Germany Honduras Iran Jamaica Nicaragua Poland South Vietnam 22 / 43 F. Rossi Analyses univariées
49 Lisibilité Déséquilibre ? China Ecuador Germany Honduras Iran Jamaica Nicaragua Poland South Vietnam Grand nombre de modalités ? China Ecuador Germany Honduras Iran Jamaica Nicaragua Poland South Vietnam 22 / 43 F. Rossi Analyses univariées
50 Camembert Transport moving? Machine op inspct Other service Sales Adm clerical Handlers cleaners Farming fishing Tech support Protective serv Priv house serv Armed Forces Exec managerial Prof specialty Craft repair représentation très classique versions créatives (3D...) mauvaise solution : lecture des surfaces et des angles difficiles 23 / 43 F. Rossi Analyses univariées
51 Camembert Transport moving? Machine op inspct Other service Sales Adm clerical Handlers cleaners Farming fishing Tech support Protective serv Priv house serv Armed Forces Exec managerial Prof specialty Craft repair représentation très classique versions créatives (3D...) mauvaise solution : lecture des surfaces et des angles difficiles Armed Forces Priv house serv Protective serv Tech support Farming fishing Handlers cleaners Transport moving? Machine op inspct Other service Sales Adm clerical Exec managerial Craft repair Prof specialty 23 / 43 F. Rossi Analyses univariées
52 Plan Introduction Analyses univariées Variables numériques Histogramme Densité Boxplot et statistiques Conditionnement Variables nominales Analyses multivariées Diagramme de dispersion Matrice de corrélation Diagramme mosaique Coordonnées parallèles Interaction 24 / 43 F. Rossi Analyses multivariées
53 Analyses conjointes Relativement peu d information dans chaque variable Analyse croisée nécessaire Difficultés : vision humaine limitée (2D ou 3D, formes et couleurs) beaucoup de combinaisons possibles variables incompatibles Solutions : outils de la visualisation de l information (interaction) outils de l apprentissage automatique (automatisation) 25 / 43 F. Rossi Analyses multivariées
54 Diagramme de dispersion Deux variables numériques : l une en fonction de l autre scatter plot Superposition : alpha blending 26 / 43 F. Rossi Analyses multivariées
55 Décoration Compléments du diagramme : couleur en fonction d une autre variable symbole en fonction d une autre variable Assez limité 27 / 43 F. Rossi Analyses multivariées
56 Matrice de diagrammes matrice de diagrammes de dispersion tous les couples de variables numériques limités à quelques variables (croissance quadratique) décorations possibles ici : 7 types de verre décrits par 9 variables 28 / 43 F. Rossi Analyses multivariées
57 Corrélations Recherche de corrélations Représentation graphique de la matrice de corrélation : rouge : forte corrélation positive bleu : forte corrélation négative RI Na Mg Al Si K Ca Ba Fe RI Na Mg Al Si K Ca Ba Fe 29 / 43 F. Rossi Analyses multivariées
58 Corrélations Recherche de corrélations Représentation graphique de la matrice de corrélation : rouge : forte corrélation positive bleu : forte corrélation négative Ici : RI corrélé avec Ca Mg anti-corrélé avec Al RI anti-corrélé avec Si Aucun lien entre Al et Si RI Na Mg Al Si K Ca Ba Fe RI Na Mg Al Si K Ca Ba Fe 29 / 43 F. Rossi Analyses multivariées
59 Corrélation RI et Ca Corrélation = Ca RI 30 / 43 F. Rossi Analyses multivariées
60 Corrélation RI et Si Corrélation = Si RI 31 / 43 F. Rossi Analyses multivariées
61 Corrélation Al et Si Corrélation = Si Al 32 / 43 F. Rossi Analyses multivariées
62 Corrélation Mg et Al Corrélation = 0.48 Al Mg 33 / 43 F. Rossi Analyses multivariées
63 Mg et Al Histogramme de Mg Frequency Mg 34 / 43 F. Rossi Analyses multivariées
64 Mg et Al Histogramme de Mg Histogramme de Al Frequency Frequency Mg Al 34 / 43 F. Rossi Analyses multivariées
65 Mg et Al Histogramme de Mg Histogramme de Al Frequency Frequency Mg Al Histogramme de Al Frequency Al 34 / 43 F. Rossi Analyses multivariées
66 Mg et Al Histogramme de Mg Histogramme de Al Frequency Mg Corrélation = Al Frequency Al Histogramme de Al Frequency Mg Al 34 / 43 F. Rossi Analyses multivariées
67 Mg et Al Histogramme de Mg Histogramme de Al Frequency Mg Corrélation = 0.48 Al Frequency Al Histogramme de Al Frequency Mg Al 34 / 43 F. Rossi Analyses multivariées
68 Vision globale 35 / 43 F. Rossi Analyses multivariées
69 Vision globale RI Na Mg Al Si K Ca Ba Fe RI Na Mg Al Si K Ca Ba Fe 36 / 43 F. Rossi Analyses multivariées
70 Mosaic plot Équivalent du scatter plot pour les variables qualitatives Amer Indian Eskimo Asian Pac Islander Black Other White découpage récursif ethnicity Amer Indian Eskimo Asian Pac Islander Black Other White Female adults Male surface proportionnelle à la fréquence gender Female Male 37 / 43 F. Rossi Analyses multivariées
71 Mosaic plot Équivalent du scatter plot pour les variables qualitatives Amer Indian Eskimo Asian Pac Islander Black Other White découpage récursif surface proportionnelle à la fréquence ethnicity Amer Indian Eskimo Asian Pac Islander Black Other White Female adults gender Male Standardized Residuals: < 4 4: 2 2:0 0:2 2:4 >4 significativité Female Male 37 / 43 F. Rossi Analyses multivariées
72 Mosaic plot Équivalent du scatter plot pour les variables qualitatives Amer Indian Eskimo Asian Pac Islander Black Other White découpage récursif surface proportionnelle à la fréquence significativité plus de 2 variables ethnicity Amer Indian Eskimo Asian Pac Islander Black Other White adults Female Male <=50K >50K <=50K >50K gender Female Male <=50K >50K 37 / 43 F. Rossi Analyses multivariées
73 Mosaic plot Équivalent du scatter plot pour les variables qualitatives Amer Indian Eskimo Asian Pac Islander Black Other White découpage récursif surface proportionnelle à la fréquence significativité plus de 2 variables ethnicity Amer Indian Eskimo Asian Pac Islander Black Other White adults Female Male <=50K >50K <=50K >50K gender Standardized Residuals: < 4 4: 2 2:0 0:2 2:4 >4 Female Male <=50K >50K 37 / 43 F. Rossi Analyses multivariées
74 Coordonnées parallèles Méthode proposée en 1985 par A. Inselberg un axe vertical par variable un objet devient une ligne brisée (x 1,..., x p ) est représenté par la ligne brisée passant par (1, x 1 ), (2, x 2 ),..., (p, x p ) x 5 x 2 x 4 x 1 x 3 x / 43 F. Rossi Analyses multivariées
75 Données Iris Sepal.Length Sepal.Width Petal.Length Petal.Width Anderson's/Fisher's Iris 4+1 variables, 150 objets 39 / 43 F. Rossi Analyses multivariées
76 Données Iris Anderson's/Fisher's Iris Sepal.Length Sepal.Width Petal.Length Petal.Width 40 / 43 F. Rossi Analyses multivariées
77 Données Iris Anderson's/Fisher's Iris Sepal.Length Sepal.Width Petal.Length Petal.Width Species 40 / 43 F. Rossi Analyses multivariées
78 Attention à l ordre Anderson's/Fisher's Iris Sepal.Length Sepal.Width Petal.Length Petal.Width Les variables Petal sont elles corrélées? 41 / 43 F. Rossi Analyses multivariées
79 Attention à l ordre Anderson's/Fisher's Iris Petal.Length Sepal.Length Sepal.Width Petal.Width Les variables Petal sont elles corrélées? 41 / 43 F. Rossi Analyses multivariées
80 Interaction problèmes : surcharge de l écran surcharge cognitive solution par interaction : zoom vues multiples sélection et lien : sélection d une zone (brushing) affichage des résultats sur toutes les vues (linking) en R iplots ggobi et rggobi 42 / 43 F. Rossi Analyses multivariées
81 iplots 43 / 43 F. Rossi Analyses multivariées
82 iplots 43 / 43 F. Rossi Analyses multivariées
83 iplots 43 / 43 F. Rossi Analyses multivariées
84 iplots 43 / 43 F. Rossi Analyses multivariées
Séries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
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 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 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 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 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 détailProtection individuelle
Protection individuelle Franchise annuelle Ce plan n'est plus offert 200 $ 900 $ depuis le 1er mars 2015 1 006 $ / / 18-24 87,88 $ 71,71 $ - 39,35 $ 37,08 $ 63,91 $ 25-29 91,38 $ 74,47 $ - 41,04 $ 38,86
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 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 détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en 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 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 détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
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 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 détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailLa carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr www.aviz.
La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr www.aviz.fr Quelques exemples 1 La campagne de Russie de Napoléon
Plus en détailExemple d application en CFD : Coefficient de traînée d un cylindre
Exemple d application en CFD : Coefficient de traînée d un cylindre 1 Démarche générale Avec Gambit Création d une géométrie Maillage Définition des conditions aux limites Avec Fluent 3D Choix des équations
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailQuel diagramme ou graphique vous convient le mieux? Donnez du sens à vos données
Quel diagramme ou graphique vous convient le mieux? Donnez du sens à vos données Janvier 2012 p2 Vous avez des données et vous avez des questions. Un graphique ou un diagramme vous permettra de les relier,
Plus en détail1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en 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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailAlgebra & Trigonometry High School Level Glossary English / French
Algebra & Trigonometry High School Level Glossary / Algebra 2 and Trigonometry Problem Solving algebraically alternate approach collaborate constraint critique equivalent evaluate explain formulate generalization
Plus en détaildémographie des masseurs-kinésithérapeutes
démographie des masseurs-kinésithérapeutes Île de France - Réunion 95 78 974 93 92 75 94 91 77 75 77 78 91 92 - Paris Seine-et-Marne Yvelines Essonne Hauts-de-Seine conseil national de l ordre des masseurs-kinésithérapeutes
Plus en détailOptimiser ses graphiques avec R
Optimiser ses graphiques avec R Jérôme Sueur MNHN Systématique et Evolution UMR CNRS 7205 OSEB sueur@mnhn.fr 28 Avril 2011 1 Typologie 2 Base 3 ggplot2 4 Références Outline 1 Typologie 2 Base 3 ggplot2
Plus en détailMini_guide_Isis_v6.doc le 10/02/2005 Page 1/15
1 Démarrer... 2 1.1 L écran Isis... 2 1.2 Les barres d outils... 3 1.2.1 Les outils d édition... 3 1.2.2 Les outils de sélection de mode... 4 1.2.3 Les outils d orientation... 4 2 Quelques actions... 5
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 détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
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 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 détailDémographie des masseurs-kinésithérapeutes
Démographie des masseurs-kinésithérapeutes AQUITAINE 24 33 47 40 64 24 33 40 47 64 - Conseil national de l Ordre des masseurs-kinésithérapeutes Dordogne Gironde Landes Lot-et-Garonne Pyrénées-Atlantiques
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailNOTICE D EMPLOI SLT-TR
Tel.: +33 (0) 972 3537 17 Fax: +33 (0) 972 3537 18 info@pce-france.fr NOTICE D EMPLOI SLT-TR Symbole d avertissement Attention: Ne pas exposer le terminal d entrée à une tension de surcharge ou au courant.
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailIntroduction : présentation de la Business Intelligence
Les exemples cités tout au long de cet ouvrage sont téléchargeables à l'adresse suivante : http://www.editions-eni.fr Saisissez la référence ENI de l'ouvrage RI3WXIBUSO dans la zone de recherche et validez.
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 détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en détailGUIDE D UTILISATION DU CENTRE DE DONNÉES DE L ISU
GUIDE D UTILISATION DU CENTRE DE DONNÉES DE L ISU Table des matières Page I. DÉMARRER... 4 1. Comment accéder au Centre de données de l ISU?... 4 2. Quels sont les types de tableaux statistiques disponibles
Plus en détailAlimentation portable 10000 mah
Alimentation portable 10000 mah Guide d'utilisation 31883 I. Introduction Ce produit est léger, de haute capacité, élégant et constitue une alimentation portable pratique pour la plupart des appareils
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
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 détailSOFI Gestion+ Version 5.4. Echanges de données informatiques Spicers Sofi gestion+ Groupements. SOFI Informatique. Actualisé le 10.09.
SOFI Gestion+ SOFI Informatique Version 5.4 Echanges de données informatiques Spicers Sofi gestion+ Groupements Actualisé le 10.09.2004 Table des matières 1. Catalogue et tarifs... 4 1.1 Définition EDI...
Plus en détail- Ressources pour les classes
Mathématiques Collège - Ressources pour les classes de 6 e, 5 e, 4 e, et 3 e du collège - - Organisation et gestion de données au collège - Ce document peut être utilisé librement dans le cadre des enseignements
Plus en détailTD 1 - Structures de Traits et Unification
TD 1 - Structures de Traits et Unification 1 Définitions Un trait (en: feature) est un couple attribut-valeur. Une structure de traits (en: feature structure) est un ensemble de traits. On peut les représenter
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailIBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailGestion de projet. GanttProject Didacticiel V1.0. 23 novembre 2013. Gérard Gervois Frédéric Giamarchi
Gestion de projet GanttProject Didacticiel V1.0 23 novembre 2013 Gérard Gervois Frédéric Giamarchi Département G.E.I.I. I.U.T. de Nîmes Université Montpellier II Présentation GanttProject est un logiciel
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 détailMesures de PAR. Densité de flux de photons utiles pour la photosynthèse
Densité de flux de photons utiles pour la photosynthèse Le rayonnement lumineux joue un rôle critique dans le processus biologique et chimique de la vie sur terre. Il intervient notamment dans sur les
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
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 détailPLANIFICATION DE PROJET ET METHODES D ORDONNANCEMENT
P a g e 1 PLANIFICATION DE PROJET ET METHODES D ORDONNANCEMENT NOTION DE PROJET ET D ORDONNANCEMENT Lors de la réalisation d un projet industriel (construction d usine, d autoroute, recherche et développement
Plus en détailManuel d utilisation du prototype d étiquetage et première expérimentation (fin 2008)
Manuel d utilisation du prototype d étiquetage et première expérimentation (fin 008) Julien Legueries 1 Installation Le prototype est constitué d une archive Java (fichier jar), d un fichier de propriétés
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailSAP BusinessObjects Web Intelligence (WebI) BI 4
Présentation de la Business Intelligence 1. Outils de Business Intelligence 15 2. Historique des logiciels décisionnels 16 3. La suite de logiciels SAP BusinessObjects Business Intelligence Platform 18
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 détailExtraction 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 détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailIntroduction à la statistique descriptive
Chapitre chapitre 1 Introduction à la statistique descriptive Les méthodes de la statistique descriptive (statistique déductive) permettent de mener des études à partir de données exhaustives, c est-à-dire
Plus en détailProcédures de tests en réflectométrie. Septembre 2013
Procédures de tests en réflectométrie Septembre 2013 Procédure de certification des liaisons optiques avec un réflectomètre Pour les mesures optiques quelques rappels: - Outils calibré et avec le dernier
Plus en détailTable des matières A. Introduction... 4 B. Principes généraux... 5 C. Exemple de formule (à réaliser) :... 7 D. Exercice pour réaliser une facture
Excel 2007 -2- Avertissement Ce document accompagne le cours qui a été conçu spécialement pour les stagiaires des cours de Denis Belot. Le cours a été réalisé en réponse aux diverses questions posées par
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 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 détailà moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq
e élevé Risque faible Risq à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq L e s I n d i c e s F u n d a t a é Risque Les Indices de faible risque
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailGuide d utilisation pour
Guide d utilisation pour TABLE DES MATIÈRES 1. PRÉSENTATION DE STOCK GUIDE 3 1.1 MODALITÉS D ACCÈS 3 1.2 INSTRUCTIONS POUR SE DÉCONNECTER DE LA BASE DE DONNÉES 4 2. LES DIFFÉRENTES COMPOSANTES DE LA BASE
Plus en détailStockage ou pas stockage?
Stockage ou pas stockage? Table des matières 1- Stockage chimique?...1 2- Stockage thermique?...3 3- Stockage thermique et chimique!...4 4- Conclusion...5 La question du surplus dans les installations
Plus en détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailInfos. Indicateurs analogiques encastrables pour installation à courants forts. Série M W/P/ LSP BWQ BGQ TP TG WQ /0S WQ /2S FQ /2 W BI BIW DFQ
Infos Série M 200.U.003.05 encastrables pour installation à courants forts Série M W/P/ LSP pour montage sur rail normé BWQ BGQ TP TG WQ /0S WQ /2S FQ /2 W BI BIW SY Compteurs horaires Voltmètres partiels
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 détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
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 détailSystème de contrôle d installations photovoltaïques
Système de contrôle d installations photovoltaïques FRONIUS IG Signal Card & FRONIUS IG DatCom FACILITE DE LA COMMUNICATION KOMMUNIKATION- SFREUDIG SURVEILLANCE ET VISUA- LISATION DE L INSTALLA- TION PHOTOVOLTAÏQUE.
Plus en détailL a d é m a r c h e e t l e s o u t i l s p r o p o s é s
Guide méthodologique pour la construction d un bilan quantitatif et qualitatif des contrats de territoire. L a d é m a r c h e e t l e s o u t i l s p r o p o s é s Il est proposé de bâtir le bilan avec
Plus en détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
Plus en détailDocumentation Technique du programme HYDRONDE_LN
Documentation Technique du programme HYDRONDE_LN Réalisation du programme H.GUYARD Réalisation du matériel électronique C.COULAUD & B.MERCIER Le programme HYDRONDE_LN est un programme qui permet de visualiser
Plus en détailLa plateforme Cloud Supply Chain. Présentation de GT Nexus
La plateforme Cloud Supply Chain Présentation de GT Nexus Une idée simple mais très efficace Les entreprises gagnantes fonctionneront en réseau A l avenir, les entreprises les plus performantes n opèreront
Plus en détailSecurity Center Plate-forme de sécurité unifiée
Security Center Plate-forme de sécurité unifiée Reconnaissance automatique de plaques d immatriculation Vidéosurveillance Contrôle d accès Solutions innovatrices Tout simplement puissant. Le Security Center
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détail