Statistiques industrielles Management de la production et de la qualité

Dimension: px
Commencer à balayer dès la page:

Download "Statistiques industrielles Management de la production et de la qualité"

Transcription

1 Statistiques industrielles Management de la production et de la qualité Université de Caen Basse-Normandie 12 novembre 2015 UCBN MSP 12 novembre / 46

2 Première partie I Capabilités des processus et des systèmes de mesures Capabilité des systèmes de mesure Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

3 Capabilité des systèmes de mesure s de variabilités Etude reproductibilité répétabilité par l analyse de la variance Chapitre Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

4 Capabilité des systèmes de mesure s de variabilités Etude reproductibilité répétabilité par l analyse de la variance Paragraphe Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

5 Définition () On mesure plusieurs fois la même pièce, exactement les même conditions, les écarts de mesures sont uniquement dus aux causes communes du processus de mesure. On nomme cette variabilité la répétabilité. Cette variabilité est décrite par l écart type des mesures. Elle est nommée σ instrument. Le modèle de la mesure y est y = µ + ɛ instrument avec µ la vraie mesure de la pièce, et ɛ instrument N (0, σ instrument ) On estime σ instrument par l écart type d échantillonnage s y σ instrument = s y Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

6 Capabilité du processus de contrôle On appelle Capabilité du processus de contrôle Cpc = USL LSL 6σ instrument qualité action Cpc < 2.5 pas adaptée rejet de l instrument de mesure 2.5 Cpc < 3 réserver l utilisation à des cas rares 3 Cpc < 4 juste adapté 4 Cpc adapté Améliorer la Cpc, l instrument de mesure, la formation des opérateurs. Table : Proposition de classification de l instrument de mesure Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

7 On mesure 100 fois un diamètre avec le même outil de mesure et exactement dans les mêmes conditions. Ces mesures sont disponibles à msp-rr-repetabilite-ex1.csv. Construire un histogramme des mesures et calculer une estimation de σ instrument. Etudiez l influence de la précision (nombre de chiffres après la vrigule). Density Histogram of X$mesure mesure Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

8 Hypothèses On désire quantifier la variabilité totale due aux variabilités : entre les pièces du système de mesure Le modèle est y(piece, repetition, sample) = µ+ɛ part (piece)+ɛ instrument (sample) ou ɛ part, ɛ instrument suivent des lois normales de moyenne nulle et d écart type σ part et σ instrument. Ces deux aléas sont supposés indépendant. Il n y a pas de lien entre les la variabilié des pièces et la variabilité de l instrument de mesure. La variance totale est donc la somme des deux variances : var(y) = σ 2 part + σ 2 instrument Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

9 Nombre de répétition grand 10 pièces sont mesurées 7 fois dans les même conditions par un seul opérateur. part X1 X2 X3 X4 X5 X6 X Table : Premières lignes de msp-rr-repetabilite-ex2.csv 1. Réaliser un graphique boite à moustache des mesures par pièces. 2. A l aide du graphique donner des ordres de grandeurs de la variabilité des mesures et de la variabilité entre pièces. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

10 , entre pièces Figure : Boites à moustaches Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

11 Estimation des variabilités sont de l ordre de répetabilité La hauteur des boites à moustaches (troisième ème quartile-premier quartile) 0.2, Le premier et le troisième quartile sont à 1.3 fois l écart type z.75, z.25. On estime l écart type du système de mesure par σ insrument pièces On estime la variabilité entre pièce par la demi hauteur des observations entre moyenne et limite. Les valeurs sont entre 0.7 et 0.3, la moyenne est de 0.5, une estimation de la variabilité entre les pièces est de σ part Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

12 La variance totale se décompose en Variabilité totale var(y) = σpiece 2 + σinstrument 2 = = (98% + 2%) La variabilité totale est donc principalement due à la variabilité entre pièces, la variabilité du système de mesure n étant responsable que de deux pourcent de la variabilité totale. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

13 Nombre de répétitions petit 20 pièces sont mesurées deux fois par le mème opérateur dans les mêmes conditions. On désire avoir une idée de la variabilité du système de mesure et de la variabilité due aux pièces. part X1 X2 1 piece piece piece piece piece piece Table : Premières lignes de msp-rr-repetabilite-ex3.csv Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

14 Variabilité mesure Calculer les étendues R par pièce, cette étendue mesure la variabilité de mesure. Elle ne tient pas compte d un effet moyen de la pièce Si µ 1 est la mesure exacte de la pièce 1, alors les deux mesures de la pièces 1 sont y 1 = µ 1 + ɛ instrument (sample = 1) y 2 = µ 1 + ɛ instrument (sample = 2) y 2 y 1 = ɛ instrument (sample = 2) ɛ instrument (sample = 1) Calculer l étendue moyenne R en déduire R σ instrument = d 2 (n=2) Les tolérances sont [5, 60], estimer la capabilité Cpc du processus de mesure. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

15 MSP Cartes R et xbar xbar Chart for X[, variables] R Chart for X[, variables] Group summary statistics UCL CL LCL Group summary statistics UCL CL LCL Number of groups = 20 Center = 22.3 StdDev = Group LCL = UCL = Number beyond limits = 10 Number violating runs = 0 Number of groups = 20 Center = 1 StdDev = Group LCL = 0 UCL = Number beyond limits = 0 Number violating runs = 0 Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

16 Variabilité entre pièces part mesure Figure : Graphe mesures Les mesures sont comprises entre 22 et 30, un ordre de grandeur de l écart type entre pièces est σ part = 2. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

17 Calcul plus précis Comme les erreurs de mesures et la variabilité des tailles des pièces sont indépendantes, la variance totale se décompose en σ 2 total = σ 2 part + σ 2 instrument variance totale on peut estimer la variance totale par la variance d échantillonnage de toutes les mesures σ total = s 3.17 variance mesure σ instrument 0.88 On en déduit que σpart 2 = σ total 2 σ2 instrument On a donc la décomposition σ 2 part = σ 2 part + σ 2 instrument = (96% + 4%) La variabilité totale est principalement expliquée par la variabilité entre pièces. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

18 Capabilité des systèmes de mesure s de variabilités Etude reproductibilité répétabilité par l analyse de la variance Paragraphe Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

19 On veut décomposer la variabilité totale en différentes variabilités : mesure La variabilité due au système de mesures (gage variability). Elle peut être très complexe. On la la décompose en La variabilité due à l instrument de mesure répétabilité, est quantifiée par un écart type σ instrument La variabilité induite par l opérateur, on la qualifie de reproductibilité. Elle est quantifiée par un écart type σ reproductibilite pièces C est la variabilité entre pièces, elle est quantifiée par un écart type σ part. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

20 entre pièces totale de l instrument de mesure du système de mesures strictement op. due aux opérateurs interaction op. pièce Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

21 Les paramètres Construction du plan d expériences p est le nombre de pièces utilisées pour l étude RR p 10 o est le nombre d opérateurs o 3. n est le nombre de répétitions des mesures par opérateur et par pièce n 2, 3 Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

22 Opérateur 1 Opérateur 2 Opérateur 3 part M1 M2 M3 M1 M2 M3 M1 M2 M Table : d impédance p 373 [?] msp-rr-impedance.csv Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

23 Mesure d impédances 1. Lire le fichier de données msp-rr-impedance.csv. 2. Empiler les colonnes I1.M1-I3.M3. 3. Créer la colonne part en utilisant Calc/Générer des suites de nombres/ Ensemble simles de nombres, à l aide de la suite des nombres de 1 à 10. Cette suite étant répétée 9 fois. 4. Créer la colonne operateur. 5. Créer la colonne repetition. 6. Construire un diagramme de type boite à moustaches par pièces et par opérateur. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

24 Recherche de mesures abérantes La variabilité totale ne dépend ni de la pièce mesurée, ni de l opérateur. La dispersion de la distribution observée des données doit être constante. Les boites à moustaches doivent être de hauteur constante. les cartes de contrôles aux étendues ou écarts types ne doivent pas faire apparaitre de points particuliers. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

25 X MSP Boites à moustaches Inspecteur 1 Inspecteur 2 Inspecteur 3 Figure : Boites à moustaches Aucune valeur abérante n apparait sur ces boites moustaches. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

26 MSP Carte R Inspecteur 1 Inspecteur 2 Inspecteur 3 Group summary statistics UCL CL LCL Group summary statistics UCL CL LCL Group summary statistics UCL CL LCL Group Group Group Number of groups = 10 Center = 1.1 StdDev = LCL = 0 UCL = Number beyond limits = 0 Number violating runs = 0 Number of groups = 10 Center = 0.8 StdDev = LCL = 0 UCL = Number beyond limits = 0 Number violating runs = 0 Number of groups = 10 Center = 1.3 StdDev = LCL = 0 UCL = Number beyond limits = 0 Number violating runs = 0 Aucune mesure n est hors des limites de contrôles, on ne peut donc suspecter la présence de valeurs abérantes Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

27 Dans une boite, on est à pièce et inspecteur constant. Cette variabilité due à l instrument de mesure σ instrument Dans les cartes R, les écarts types par inspecteur estimés par la méthode des étendues semblent assez constant : 0.69, 0.47, Les inspecteurs semblent avoir des amplitudes de notations similaires. Ces deux méthodes de calcul d ordre de grandeurs de la variabilité due à l instrument de mesure sont concordantes. σ instrument [0.6, 0.8] Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

28 Moyenne des étendues La moyenne des étendues par inspecteur est σ instrument = inspecteur R 1 Inspecteur Inspecteur Inspecteur R d 2 (n = 3) Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

29 Reproductibilité On peut estimer la reproductibilité à l aide des moyennes des mesures par inspecteur. inspecteur X 1 Inspecteur Inspecteur Inspecteur σ operateur 0.92 d2(n = 3) Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

30 Capabilité des systèmes de mesure s de variabilités Etude reproductibilité répétabilité par l analyse de la variance Paragraphe Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

31 Moyennes X moyenne de toute les mesures. X (op) moyenne des mesures pour l opérateur op. X (part) moyenne des mesures pour la pièce part. part X (part) Table : Moyennes des mesures par pièces Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

32 de la somme des carrés SC T SC ope SC part SC opexpart SC R Somme de carrés Somme des carrés totale SC T = op,part,rep (X op,part,rep X ) 2 Somme des carrés due aux opérateurs SC ope = op ( X (op) X ) 2 Somme des carrés due aux pièces SC part = part ( X (part) X ) 2 Somme des carrés due aux interactions entre pièces et opérateurs. Somme des carrés résiduels, ce qui n est pas expliqué par les pièces et les opérateurs. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

33 Définition (Degré de libertés) Degrés de libertés Les degrés de libertés d une variable qualitative ayant p modalités sont p 1. On appelle cette quantité en anglais degrees of freedom. part La variable part est qualitative, elle a 10 prend p = 10 valeurs possibles ou modalités :les 10 pièces. Les degrés de liberté associés à cette variable sont df = p 1 = 9. operateur Cette variable est qualitative, elle prend ici o = 3 valeurs possibles : les trois inspecteurs. Les degrés de libertés associés à cette variable sont df = o 1. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

34 Définition (Interaction) Interaction Un modèle dépendant de l interaction entre la variable part et la variable operateur permet de construire un modèle le plus général possible dont la moyenne s écrit µ(part, operateur). La variable interaction est une variable qualititive elle prend toutes les valeurs {(operateur, part)} possible soit op modalités. Les degrés de libertés associés à cette variable qualtitative sont op 1 = 29. Comme on veut décomposer les effets, on va retirer les degrés de libertés des modèles dependant de part et de operator. Dans une analyse de la variance les degrés de libertés d une interaction sont op 1 (o 1) (p 1) = op + o p + 1 = (o 1)(p 1) Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

35 d analyse de la variance Source SC dll Carré moyens Fischer p-value part SC part p 1 CM part = SC part p1 (p 1) ope SC ope o 1 CM ope = SCope o 1 opexpart SC opexpart (o 1)(p 1) CM opexpart = SC opexpart (o 1)(p 1) residuel SC R op(n-1) CM R = SC R op(n 1) Table : d analyse de la variance F = CM part CM R F = CMope CM R F = CM opexpart CM R p2 p3 Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

36 mesure d impédances A l aide de la feuille du jeu de données empilées sur les mesures d impédances 1. Réaliser une étude de & Reproductibilité dans Minitab à l aide du menu Outils de la qualité/etude de l instrumentation/etude de l intrumentation croisée. 2. Retrouver tous les résultats ci-dessous. 3. Il est générallement plus facile de trouver une analyse de la variance dans les logiciels de statistiques. Utiliser le menu ANOVA/Modèle linéaire général/ajuster le modèle général. On expliquera la variable Réponse X en fonction des facteurs part, operateur. Afin d inclure l interaction entre pièces et opérateurs, on définira dans l option Modèle l interaction jusqu à l ordre 2 des variables part, operateur. Vérifiez que le tableau d analyse de la variance est identique. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

37 Df Sum Sq Mean Sq F value Pr(>F) part inspecteur part:inspecteur Residuals Table : d analyse de la variance impedance p value = 10 60, si il n y avait pas d effet pièce, alors on aurait moins d une chance sur d avoir un jeu de données similaire à celui de l étude. On refuse l hypothèse qu il n y pas d effet pièce. p value = 10 10, on refuse l hypothèse qu il n y ait pas d effet inspecteur. p value = 10 6, on refuse l hypothèse que l effet des variables pièces et inspecteur soit la somme des effets. Il y a des interactions siginificatives entre pièce et opérateur. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

38 Estimations des variabilités σ 2 instrument = CM R σ 2 opexpart = CM opexpart CM R n σ 2 ope = CM ope CM opexpart pn σ 2 part = CM part CM opexpart on Dans notre exemple σ instrument 2 = 0.51 σ opexpart 2 = n = 3 σ ope 2 = σ part 2 = Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

39 repetabilité C est la variabilité induite uniquement par l instrument de mesure σ 2 instrument 0.51 reproductibilité C est la variabilité du système de mesures induite par les opérateurs et éventuellement conjointe avec les pièces. σ 2 operateur 0.56 σ 2 opexpart 0.73 σ 2 reproductibilite = σ 2 operateur + σ 2 opexpart 1.29 gage La variabilité du système de mesure est σ 2 gage = σ 2 repetabilite+σ 2 reproductibilite = 1.8 part c est la variabilité qui reflète les variations effectives entre les mesures des pièces: σ 2 part Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

40 de la variance VarComp %Contrib Total Gage Repeatability Reproducibility appr part:appr Part-To-Part Total Variation UCBN MSP 12 novembre / 46

41 Ecarts types StdDev 5.15*SD %StudyVar Total Gage Repeatability Reproducibility appr part:appr Part-To-Part Total Variation UCBN MSP 12 novembre / 46

42 Six Sigma Gage Study Components of Variation Var by Part Percent G. Repeat Reprod Part2Part %Contribution %Study Var var R Chart by appraiser Var by appraiser var Inspecteur 1 Inspecteur 2 Inspecteur part x Chart by appraiser var Inspecteur 1 Inspecteur 2 Inspecteur 3 Part*appraiser Interaction var Inspecteur 1 Inspecteur 2 Inspecteur var part Inspecteur 1 Inspecteur 2 Inspecteur 3 Thermal Impedance Figure : Etude reproductibilité répétabilité Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

43 Capabilité des systèmes de mesure s de variabilités Etude reproductibilité répétabilité par l analyse de la variance Paragraphe Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

44 Conseils Les modèles statistiques qu il faudrait utiliser sont des modèles mixtes avec des effets transversaux (mixed models with crossed random effects). Les estimations obtenues par la méthode de l analyse de la variance peuvent être mauvaises. Mieux vaux un ordre de grandeur correct de vos variabilités qu un calcul mal paramétré. Il faut être très attentif à vos résultats. Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre / 46

45 Chapitre UCBN MSP 12 novembre / 46

46 I UCBN MSP 12 novembre / 46

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction 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 détail

Lire ; Compter ; Tester... avec R

Lire ; 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 détail

Séries Statistiques Simples

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 détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse de la variance Comparaison de plusieurs moyennes Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction

Plus en détail

Evaluation de la variabilité d'un système de mesure

Evaluation de la variabilité d'un système de mesure Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les

Plus en détail

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

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 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 détail

Modèles pour données répétées

Modèles pour données répétées Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque

Plus en détail

distribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position

distribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons

Plus en détail

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

Statistique : Résumé de cours et méthodes

Statistique : Résumé de cours et méthodes Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère

Plus en détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel 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 détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE 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 détail

Le suivi de la qualité. Méthode MSP : généralités

Le suivi de la qualité. Méthode MSP : généralités Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe 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 détail

Exemple PLS avec SAS

Exemple PLS avec SAS Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

Représentation d une distribution

Représentation 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 détail

Ce document décrit la démarche à suivre pour installer les outils de développement et compiler le projet TANAGRA.

Ce document décrit la démarche à suivre pour installer les outils de développement et compiler le projet TANAGRA. Guide de compilation de TANAGRA Ce document décrit la démarche à suivre pour installer les outils de développement et compiler le projet TANAGRA. Remarque : La version de TANAGRA distribuée sur le site

Plus en détail

DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES

DETERMINATION 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 détail

STATISTIQUES DESCRIPTIVES

STATISTIQUES DESCRIPTIVES 1 sur 7 STATISTIQUES DESCRIPTIVES En italien, «stato» désigne l état. Ce mot à donné «statista» pour «homme d état». En 1670, le mot est devenu en latin «statisticus» pour signifier ce qui est relatif

Plus en détail

Statistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011

Statistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011 Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR 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 détail

Statistique Descriptive Élémentaire

Statistique 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 détail

MODELE A CORRECTION D ERREUR ET APPLICATIONS

MODELE A CORRECTION D ERREUR ET APPLICATIONS MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques

Plus en détail

Statistiques à une variable

Statistiques à une variable Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche

Plus en détail

Nouvelle approche de validation Novo Nordisk

Nouvelle approche de validation Novo Nordisk 44 ème Congrès International SFSTP 6 et 7 juin 2012 LA CONNAISSANCE SCIENTIFIQUE AU SERVICE DE LA QUALITE PRODUIT Apports du «Quality by Design» et retours d expd expériences Nouvelle approche de validation

Plus en détail

Statistiques avec la graph 35+

Statistiques 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 détail

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Exercices 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 détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

données en connaissance et en actions?

données 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 détail

Les tâches d un projet

Les tâches d un projet TD N 1 Les tâches d un projet Sommaire 1. - CREER NOUVEAU PROJET... 2 1.1. - DEFINIR NOUVEAU PROJET... 2 1.1.1. - Initialisation des propriétés d un projet... 2 1.1.2. - Initialisation des informations

Plus en détail

Un exemple de régression logistique sous

Un exemple de régression logistique sous Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les

Plus en détail

Didacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.

Didacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. 1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels

Plus en détail

RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3

RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans

Plus en détail

Séquence 4. Statistiques. Sommaire. Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement

Séquence 4. Statistiques. Sommaire. Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement Séquence 4 Statistiques Sommaire Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement 1 Introduction «Etude méthodique des faits sociaux par des

Plus en détail

PARTIE NUMERIQUE (18 points)

PARTIE NUMERIQUE (18 points) 4 ème DEVOIR COMMUN N 1 DE MATHÉMATIQUES 14/12/09 L'échange de matériel entre élèves et l'usage de la calculatrice sont interdits. Il sera tenu compte du soin et de la présentation ( 4 points ). Le barème

Plus en détail

Chapitre 1 Régime transitoire dans les systèmes physiques

Chapitre 1 Régime transitoire dans les systèmes physiques Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer

Plus en détail

Principe d un test statistique

Principe 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 détail

TABLEAU CROISE DYNAMIQUE

TABLEAU CROISE DYNAMIQUE TABLEAU CROISE DYNAMIQUE Cours Excel 3 ème Partie LEA3 Page 1 Cours Excel 3 ème Partie LEA3 Page 2 FILTRER UN CHAMP Il y a des moments ou vous ne voulez pas avoir une vision globale des données mais plutôt

Plus en détail

Aide-mémoire de statistique appliquée à la biologie

Aide-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 détail

Thème : Gestion commerciale

Thème : Gestion commerciale Département Génie Informatique BD40 Ingénierie des systèmes d information TP 4 : Ms/Access : Listes déroulantes, Formulaires avancés Thème : Gestion commerciale Christian FISCHER Copyright Novembre 2005

Plus en détail

Statistiques 0,14 0,11

Statistiques 0,14 0,11 Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières

Plus en détail

Créer son questionnaire en ligne avec Google Documents

Créer son questionnaire en ligne avec Google Documents Créer son questionnaire en ligne avec Google Documents (actualisation et précision de l article paru sur http://www.marketing- etudiant.fr/actualites/collecte-donnees.php) Se connecter avec son compte

Plus en détail

Cours 4 : Agrégats et GROUP BY

Cours 4 : Agrégats et GROUP BY Cours 4 : Agrégats et GROUP BY Agrégat Fonction qui effectue un calcul sur l ensemble des valeurs d un attribut pour un groupe de lignes Utilisation dans une clause SELECT ou dans une clause HAVING 3 types

Plus en détail

Algebra & Trigonometry High School Level Glossary English / French

Algebra & 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 détail

COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES

COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus

Plus en détail

DUT Techniques de commercialisation Mathématiques et statistiques appliquées

DUT Techniques de commercialisation Mathématiques et statistiques appliquées DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat

Plus en détail

- 01 - GESTION DES INVESTISSEMENTS RENTABILITE ECONOMIQUE

- 01 - GESTION DES INVESTISSEMENTS RENTABILITE ECONOMIQUE - 01 - GESTION DES INVESTISSEMENTS RENTABILITE ECONOMIQUE Objectif(s) : o Choix des investissements et rentabilité économique : Capacité d'autofinancement prévisionnelle ; Flux nets de trésorerie ; Evaluations.

Plus en détail

Comment créer des rapports de test professionnels sous LabVIEW? NIDays 2002

Comment créer des rapports de test professionnels sous LabVIEW? NIDays 2002 Comment créer des rapports de test professionnels sous LabVIEW? NIDays 2002 De nombreux utilisateurs rencontrant l équipe de National Instruments nous demandent comment générer un rapport complet à partir

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

La structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)

La structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren) La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16 ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Comment utiliser la feuille de style «CMLF2010.dot»

Comment utiliser la feuille de style «CMLF2010.dot» Comment utiliser la feuille de style «CMLF2010.dot» TELECHARGER LA FEUILLE DE STYLE...1 OUVRIR UN NOUVEAU DOCUMENT WORD...2 ATTACHER LA FEUILLE DE STYLE AU DOCUMENT...2 AFFICHER LES STYLES DISPONIBLES...2

Plus en détail

Comment consolider des données

Comment consolider des données Comment consolider des données Version 0.02 du 18.11.2004 Réalisé avec : OOo 1.1.3 Plate-forme / Os : Toutes Distribué par le projet fr.openoffice.org Sommaire 1 Introduction...3 2 Création des données...4

Plus en détail

Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas

Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser

Plus en détail

Utilisation du Logiciel de statistique SPSS 8.0

Utilisation du Logiciel de statistique SPSS 8.0 Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 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 détail

1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan

1 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 détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Exemples d application

Exemples d application AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif

Plus en détail

BIRT (Business Intelligence and Reporting Tools)

BIRT (Business Intelligence and Reporting Tools) BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

Introduction à la statistique non paramétrique

Introduction à la statistique non paramétrique Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non

Plus en détail

Statistiques 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 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 détail

Strasbourg. De la statistique. aux probabilités. en lycée. De la statistique. aux probabilités. en lycée. Octobre 2006

Strasbourg. De la statistique. aux probabilités. en lycée. De la statistique. aux probabilités. en lycée. Octobre 2006 Institut de recherche sur l'enseignement des mathématiques IREM De la statistique De la statistique aux probabilités aux probabilités en lycée en lycée Octobre 6 UFR de mathématique et d'informatique 7

Plus en détail

LES COMPTES DE SITUATION

LES COMPTES DE SITUATION PROGRAMME DETAILLE DE L ARRETE DES COMPTES Contexte législatif et rappel des principes comptables liés à l arrêté des comptes ; Traitement des aspects juridiques, comptables et fiscaux des principaux comptes

Plus en détail

Exemples d Analyses de Variance avec R

Exemples d Analyses de Variance avec R Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)

Plus en détail

REPUBLIQUE TUNISIENNE. Ecole Supérieure d Agriculture de Mograne

REPUBLIQUE TUNISIENNE. Ecole Supérieure d Agriculture de Mograne REPUBLIQUE TUNISIENNE MINISTERE DE L AGRICULTURE MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE Institution de la Recherche et de l Enseignement Supérieur Agricoles Université Carthage

Plus en détail

à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq

à 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 détail

Les exploitations de grandes cultures face à la variabilité de leurs revenus : quels outils de gestion des risques pour pérenniser les structures?

Les exploitations de grandes cultures face à la variabilité de leurs revenus : quels outils de gestion des risques pour pérenniser les structures? Les exploitations de grandes cultures face à la variabilité de leurs revenus : quels outils de gestion des risques pour pérenniser les structures? Benoît Pagès 1, Valérie Leveau 1 1 ARVALIS Institut du

Plus en détail

Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)

Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse

Plus en détail

Microsoft Excel : tables de données

Microsoft Excel : tables de données UNIVERSITE DE LA SORBONNE NOUVELLE - PARIS 3 Année universitaire 2000-2001 2ème SESSION SLMD2 Informatique Les explications sur la réalisation des exercices seront fournies sous forme de fichiers informatiques.

Plus en détail

L assurance de la qualité à votre service

L assurance de la qualité à votre service Atelier L assurance de la qualité à votre service Présentation de Jean-Marie Richard 24 et 25 novembre Sujets Qu est-ce que l assurance de la qualité? Initiation aux concepts de l assurance de la qualité.

Plus en détail

UNIVERSITE DE SFAX Ecole Supérieure de Commerce

UNIVERSITE DE SFAX Ecole Supérieure de Commerce UNIVERSITE DE SFAX Ecole Supérieure de Commerce Année Universitaire 2003 / 2004 Auditoire : Troisième Année Etudes Supérieures Commerciales & Sciences Comptables DECISIONS FINANCIERES Note de cours N 2

Plus en détail

MESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .

MESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. . MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3

Plus en détail

1 Modélisation d être mauvais payeur

1 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 détail

Manuel du gestionnaire

Manuel du gestionnaire Manuel du gestionnaire ENT MESTEK v.2010 Ce manuel s adresse à l équipe administrative d un établissement scolaire : principal, principal adjoint, secrétaires dans un collège, proviseur, proviseur adjoint,

Plus en détail

Statistiques descriptives

Statistiques 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 détail

COMMENT CREER UNE CAMPAGNE AMAZON OFFRES D ANNONCEUR?

COMMENT CREER UNE CAMPAGNE AMAZON OFFRES D ANNONCEUR? COMMENT CREER UNE CAMPAGNE AMAZON OFFRES D ANNONCEUR? 1 UN GUIDE QUI VOUS ACCOMPAGNE ETAPE PAR ETAPE DANS LA CREATION D UNE CAMPAGNE PRODUCT LISTING ADS SUR AMAZON www.seminaires-webmarketing.com www.ecommerce-webmarketing.com

Plus en détail

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.

Plus en détail

Performance nette du Capital Investissement en France à fin 2007. Le 16 septembre 2008

Performance nette du Capital Investissement en France à fin 2007. Le 16 septembre 2008 Performance nette du Capital Investissement en France à fin 2007 1 Le 1 septembre 2008 Définition du TRI Net Définition du Taux de Rendement Interne (TRI) Le TRI est le taux d actualisation qui annule

Plus en détail

Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)

Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!

Plus en détail

Étude des flux d individus et des modalités de recrutement chez Formica rufa

Étude des flux d individus et des modalités de recrutement chez Formica rufa Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt

Plus en détail

GUIDE PRATIQUE. Du provisionnement des emprunts à risques

GUIDE PRATIQUE. Du provisionnement des emprunts à risques Ministère de l Égalité des territoires et du Logement Ministère de l Économie et des Finances GUIDE PRATIQUE Du provisionnement des emprunts à risques Application aux Offices Publics de l Habitat à comptabilité

Plus en détail

Société Générale SCF Société Anonyme au capital de 150.000.000 euros Siège social : 17 cours Valmy - 92800 PUTEAUX 479 755 480 RCS NANTERRE

Société Générale SCF Société Anonyme au capital de 150.000.000 euros Siège social : 17 cours Valmy - 92800 PUTEAUX 479 755 480 RCS NANTERRE Société Générale SCF Société Anonyme au capital de 150.000.000 euros Siège social : 17 cours Valmy - 92800 PUTEAUX 479 755 480 RCS NANTERRE Rapport sur la qualité des actifs au 31 mars 2014 (Instruction

Plus en détail

Leçon N 4 : Statistiques à deux variables

Leçon 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 détail

OSGOODE HALL LAW SCHOOL Université York MÉMOIRE PRIVILÉGIÉ ET CONFIDENTIEL

OSGOODE HALL LAW SCHOOL Université York MÉMOIRE PRIVILÉGIÉ ET CONFIDENTIEL OSGOODE HALL LAW SCHOOL Université York MÉMOIRE PRIVILÉGIÉ ET CONFIDENTIEL À : &' 1$,'6 M. Richard Drouin, O.C., c.r. Président, Commission d examen sur la rémunération des juges 2CVTKEM,/QPCJCP DATE :

Plus en détail

T de Student Khi-deux Corrélation

T de Student Khi-deux Corrélation Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes

Plus en détail

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

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 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 détail

Unity Real Time 2.0 Service Pack 2 update

Unity Real Time 2.0 Service Pack 2 update Unity Real Time 2.0 Service Pack 2 update Configuration des Objectifs Analytiques La nouvelle version permet, en un écran, de configurer un lot, un panel ou un instrument. Le menu est accessible au moyen

Plus en détail

Observation des modalités et performances d'accès à Internet

Observation des modalités et performances d'accès à Internet Observation des modalités et performances d'accès à Internet Avant-propos La base de cette étude est constituée par les informations collectées par l'outil Cloud Observer d'iplabel (chargement des différents

Plus en détail

Guidance de Statistique : Epreuve de préparation à l examen

Guidance de Statistique : Epreuve de préparation à l examen Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte

Plus en détail

www.styleanalytics.com

www.styleanalytics.com www.styleanalytics.com Style Analytics EuroPerformance a le plaisir de vous présenter Style Analytics, outil de mesure des risques et de la performance des fonds d investissement. Style Analytics offre

Plus en détail

Pluridisciplinarité. Classe de BTS DATR 1 -----------------------------------------------------------------------

Pluridisciplinarité. Classe de BTS DATR 1 ----------------------------------------------------------------------- Pluridisciplinarité Classe de BTS DATR 1 ----------------------------------------------------------------------- Module M53: Diagnostic de territoire cible dans le secteur des services. -----------------------------------------------------------------------

Plus en détail

Publication sur serveur distant

Publication sur serveur distant DOCUMENTATION Publication sur serveur distant Jahia s next-generation, open source CMS stems from a widely acknowledged vision of enterprise application convergence web, document, search, social and portal

Plus en détail

LES AMORTISSEMENTS : CALCULS ENREGISTREMENTS

LES AMORTISSEMENTS : CALCULS ENREGISTREMENTS LES AMORTISSEMENTS : CALCULS ENREGISTREMENTS PRESENTATION DES MODES D AMORTISSEMENT Exemple 1 : CAS D UN AMORTISSEMENT VARIABLE On acquiert le 04/08/N une machine-outil pour une valeur HT de. Cette machine,

Plus en détail

Cours 9 : Plans à plusieurs facteurs

Cours 9 : Plans à plusieurs facteurs Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section

Plus en détail

Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1

Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase

Plus en détail