Homéoallèles. Analyse différentielle. Normalisation. NGS Transcriptomique Python R. Blé RNA-seq
|
|
- Daniel Godin
- il y a 8 ans
- Total affichages :
Transcription
1 Présenté par Xi LIU ATCGCGCTAGCTGGTGTATCGCATCGCGCTAGCTGGTGTATCGCGCTAGCTGGTGTATCGCGCTAGCCTGGTGTATCGCCATCGCGCTAGCTGGCGCTAGCTGAATCGCGCATATG 17 Septembre 2013 Homéoallèles Génome Normalisation Analyse différentielle Blé RNA-seq Expression des gènes Loi Binomiale Négative NGS Transcriptomique Python R Polyploïdisation
2 INTRODUCTION Lieu de stage Biologiste Boulos CHALHOUB Bioinformaticienne Claudine DEVAUCHELLE Biostatisticienne Edith LE FLOCH Unité de Recherche en Génomique Végétale (Evry) Laboratoire Statistique et Génome (Evry)
3 INTRODUCTION Blé Aegilops speltoides ( BB ) 2n = 2x = 14 Donneur du génome B 0,5 MA Triticum urartu (AA) 2n = 2x = 14 Blé dur Triticum turgidum (AABB) 2n = 4x = 28
4 INTRODUCTION Blé Aegilops speltoides ( BB ) 2n = 2x = 14 Donneur du génome B 0,5 MA Triticum urartu (AA) 2n = 2x = 14 Blé dur Triticum turgidum (AABB) 2n = 4x = A Blé tendre Triticum aestivum (AABBDD) 2n = 6x = 42 Aegilops tauschii (DD) 2n = 2x = 14
5 INTRODUCTION Blé Aegilops speltoides ( BB ) 2n = 2x = 14 Polyploïdisation Donneur du génome B 0,5 MA Triticum urartu (AA) duplication globale de l ensemble du génome 1+1 2: changements structuraux, fonctionnels, 2n = 2x = 14 expressionnels, épigénétiques Blé dur Triticum turgidum (AABB) 2n = 4x = A Blé tendre Triticum aestivum (AABBDD) 2n = 6x = 42 Aegilops tauschii (DD) 2n = 2x = 14
6 INTRODUCTION Blé Aegilops speltoides ( BB ) 2n = 2x = 14 Polyploïdisation Donneur du génome B 0,5 MA Triticum urartu (AA) duplication globale de l ensemble du génome 1+1 2: changements structuraux, fonctionnels, 2n = 2x = 14 expressionnels, épigénétiques A Blé dur Triticum turgidum Aegilops tauschii (AABB) (DD) Expression des gènes Effet de la polyploïdisation 2n = 4x = 28 Blé tendre Triticum aestivum (AABBDD) 2n = 6x = 42 2n = 2x = 14
7 Lectures (reads) RNA-seq ( NGS) INTRODUCTION Expression des gènes
8 INTRODUCTION Expression des gènes Génome A Génome B Lectures (reads) RNA-seq ( NGS) Génome D Alignement (mapping) des lectures RNA-seq Quantification de l expression des gènes
9 INTRODUCTION Expression des gènes Génome A Lectures (reads) RNA-seq ( NGS) Génome B Génome du blé pas totalement assemblé un ensemble de gènes de référence Génome D Alignement (mapping) des lectures RNA-seq Quantification de l expression des gènes
10 INTRODUCTION Expression des gènes gène 1 gène 2 gène 3 Génome A gène 2 gène 3 Génome B Lectures (reads) RNA-seq ( NGS) gène 1 gène 2 Génome D
11 INTRODUCTION Expression des gènes gène 1 gène 2 gène 3 Génome A gène 2 gène 3 Génome B Lectures (reads) RNA-seq ( NGS) gène 1 gène 2 Génome D gène 2 Génome A Génome B Génome D
12 ENSEMBLE DE GÈNES DE RÉFÉRENCE Base de données (Brenchley et al., 2012) Lectures (génomes A, B et D) Contigs Contigs Contigs Gènes partiels chimériques Assemblage Prédiction SVM A D A B A B Assemblage chimérique Paramètres stringents D Quel génome? A Paramètres permissifs
13 ENSEMBLE DE GÈNES DE RÉFÉRENCE Base de données (Brenchley et al., 2012) Lectures (génomes A, B et D) Contigs Contigs Assemblage Paramètres stringents Prédiction SVM A D A B Contigs Gènes partiels chimériques Homéoallèles A B Assemblage chimérique Assignation aux génomes A, B et D D Paramètres permissifs Construction des homéoallèles de référence A B D A A D
14 ENSEMBLE DE GÈNES DE RÉFÉRENCE Base de données (Brenchley et al., 2012) Gènes partiels chimériques Catalogue de SNPs 313,556 gènes partiels chimériques: Longueur moyenne=624bp 132,552 SNPs: gènes partiels chimériques SNPs (polymorphisme nucléotidique) variations d une seule paire de bases entre les individus d une même espèce
15 ENSEMBLE DE GÈNES DE RÉFÉRENCE Construction de gènes de référence (homéoallèles) Récupération des gènes partiels chimériques possédant au moins un SNP >ORTHOMCL2732_cap3_Contig1 ATTCAGCATGACNTGGCATTGGACGTGAC ORTHOMCL2732_cap3_Contig1 3 C T C ORTHOMCL2732_cap3_Contig1 5 A? T >ORTHOMCL2732_cap3_Contig1_A ATCCAGCATGACNTGGCATTGGACGTGAC
16 ENSEMBLE DE GÈNES DE RÉFÉRENCE Construction de gènes de référence (homéoallèles) Récupération des gènes partiels chimériques possédant au moins un SNP >ORTHOMCL2732_cap3_Contig1 ATTCAGCATGACNTGGCATTGGACGTGAC ORTHOMCL2732_cap3_Contig1 3 C T C ORTHOMCL2732_cap3_Contig1 5 A? T >ORTHOMCL2732_cap3_Contig1_D ATCCTGCATGACNTGGCATTGGACGTGAC
17 ENSEMBLE DE GÈNES DE RÉFÉRENCE Construction de gènes de référence (homéoallèles) Récupération des gènes partiels chimériques possédant au moins un SNP >ORTHOMCL2732_cap3_Contig1 ATTCAGCATGACNTGGCATTGGACGTGAC ORTHOMCL2732_cap3_Contig1 3 C T C ORTHOMCL2732_cap3_Contig1 5 A? T >ORTHOMCL2732_cap3_Contig1_B ATTCAGCATGACNTGGCATTGGACGTGAC
18 ENSEMBLE DE GÈNES DE RÉFÉRENCE Gènes de référence (homéoallèles) >ORTHOMCL2732_cap3_Contig1 ATTCAGCATGACNTGGCATTGGACGTGAC ORTHOMCL2732_cap3_Contig1 3 C T C ORTHOMCL2732_cap3_Contig1 5 A? T >ORTHOMCL2732_cap3_Contig1_A ATCCAGCATGACNTGGCATTGGACGTGAC >ORTHOMCL2732_cap3_Contig1_B ATTCAGCATGACNTGGCATTGGACGTGAC >ORTHOMCL2732_cap3_Contig1_D ATCCTGCATGACNTGGCATTGGACGTGAC Ensemble de gènes de référence homéoallèles A: B: D: longueur moyenne=927bp 7765 homéoallèles A = D
19 ALIGNEMENT DES LECTURES RNA-SEQ Données RNA-seq SNPs spécifiques C G C SNP spécifique B A T Homéoallèle A Homéoallèle B Homéoallèle D T SNP spécifique A
20 ALIGNEMENT DES LECTURES RNA-SEQ Données RNA-seq SNPs spécifiques C G C SNP spécifique B A T Homéoallèle A Homéoallèle B Homéoallèle D T SNP spécifique A Alignement Effectué par Smahane CHALABI Données RNA-seq Quantitatives Discrètes
21 NORMALISATION Biais des données RNA-seq Dépendance Profondeur de séquençage (nombre de lectures/échantillon) Plus elle est grande plus de lectures alignées Longueur du gène ou le nombre de SNPs spécifiques Plus long plus de chance d avoir des SNPs spécifiques plus de lectures alignées
22 Dépendance NORMALISATION Biais des données RNA-seq Profondeur de séquençage (nombre de lectures/échantillon) Plus elle est grande plus de lectures alignées Longueur du gène ou le nombre de SNPs spécifiques Plus long plus de chance d avoir des SNPs spécifiques plus de lectures alignées On veut normaliser Chaque échantillon: profondeur de séquençage Chaque gène: longueur ou nombre de SNPs spécifiques Données normalisées = nombres de lectures alignées facteurs de normalisation
23 NORMALISATION Méthodes de normalisation Lectures par Kilobase par Million de lectures alignées (RPKM) S ij = N j 10 6 L i Nj: comptage dans l échantillon j 10 3 Li: longueur du gène i Ajustement: la profondeur de séquençage et la longueur du gène
24 NORMALISATION Méthodes de normalisation Lectures par Kilobase par Million de lectures alignées (RPKM) S ij = N j 10 6 L i 10 3 Nj: comptage dans l échantillon j Li: longueur du gène i Ajustement: la profondeur de séquençage et la longueur du gène Nouvelle méthode: Comptages Totaux et SNPs Spécifiques (TCSS) S ij = 1 n N j I N I 1 m S i I S I Nj: comptage dans l échantillon j Si: nombre de SNPs spécifiques pour l homéoallèle i TC Ajustement: la profondeur de séquençage et le nombre de SNPs spécifiques
25 NORMALISATION Comparaison des normalisations On normalise sur 18 échantillons
26 NORMALISATION Comparaison des normalisations TCSS
27 NORMALISATION Comparaison des normalisations TCSS est la plus adaptée pour nos données de blé Stabilise la variation intra-condition, conserve la différence inter-condition TCSS
28 ANALYSE DIFFÉRENTIELLE Loi Binomiale Négative sur-dispersées (variance > moyenne) loi Binomiale Négative (NB): Xij: comptage pour le gène i de l échantillon j X ij ~ NB μ ij, σ² ij µij et ²ij inconnues
29 ANALYSE DIFFÉRENTIELLE Loi Binomiale Négative sur-dispersées (variance > moyenne) loi Binomiale Négative (NB): Xij: comptage pour le gène i de l échantillon j X ij ~ NB μ ij, σ² ij µij et ²ij inconnues comparer l expression du gène i entre les 2 conditions a et b H0: μz ia = μ ib H1: μ ia μ ib
30 ANALYSE DIFFÉRENTIELLE Estimation des paramètres pour gène i de la condition a : σ² ia = μ ia 1 + μ ia ia Estimer µia et ²ia estimer µia et ia (dispersion) Estimer µia Moyenne empirique : μ ia
31 Estimer ia ANALYSE DIFFÉRENTIELLE Estimation des paramètres (Package R DESeq) 1. variance empirique : σ² ia 2. dispersion empirique ia 3. Régression ia = f(μ ia ) Dispersion ia correspondante à la μ ia sur la courbe de régression Pour chaque gène et la plus grande est choisie ia ia DESeq est plus conservatif que edger
32 ANALYSE DIFFÉRENTIELLE Données RNA-seq du blé Application au blé 18 échantillons: 6 conditions biologiques x 3 réplicats Le parent D Le parent AB Blé hexaploïde synthétique ABD Blé hexaploïde naturel ABD (2 variétés: Courtot, Chinese Spring) Mid Parent Value (MPV): mélange équimolaire des ARN parentaux (1/2 AB +1/2 D)
33 ANALYSE DIFFÉRENTIELLE Données RNA-seq du blé Erreurs possibles dans les homéoallèles Validation des homéoallèles Application au blé 18 échantillons: 6 conditions biologiques x 3 réplicats Le parent D Le parent AB Blé hexaploïde synthétique ABD Blé hexaploïde naturel ABD (2 variétés: Courtot, Chinese Spring) Mid Parent Value (MPV): mélange équimolaire des ARN parentaux (1/2 AB +1/2 D)
34 ANALYSE DIFFÉRENTIELLE Données RNA-seq du blé Erreurs possibles dans les homéoallèles Validation des homéoallèles Application au blé 18 échantillons: 6 conditions biologiques x 3 réplicats Le parent D Le parent AB Blé hexaploïde synthétique ABD Analyses de l effet polyploïdie Blé hexaploïde naturel ABD (2 variétés: Courtot, Chinese Spring) Mid Parent Value (MPV): mélange équimolaire des ARN parentaux (1/2 AB +1/2 D)
35 ANALYSE DIFFÉRENTIELLE Validation des homéoallèles Application au blé Analyse différentielle avec DESeq sur les données normalisées par TCSS entre parents AB et D: Contrôle PSH (Homéoallèle Parent Spécifique) Homéoallèle A Homéoallèle B Homéoallèle D Parent AB Homéoallèle A Homéoallèle B Homéoallèle D Parent D
36 < < ANALYSE DIFFÉRENTIELLE Validation des homéoallèles Application au blé Analyse différentielle avec DESeq sur les données normalisées par TCSS entre parents AB et D: Contrôle PSH (Homéoallèle Parent Spécifique) Homéoallèle A Homéoallèle B Homéoallèle D Parent AB Homéoallèle A Homéoallèle B Homéoallèle D Parent D
37 < < ANALYSE DIFFÉRENTIELLE Validation des homéoallèles Application au blé Analyse différentielle avec DESeq sur les données normalisées par TCSS entre parents AB et D: Contrôle PSH (Homéoallèle Parent Spécifique) Homéoallèle A Homéoallèle B Homéoallèle D Parent AB < Homéoallèle A Homéoallèle B Homéoallèle D Parent D
38 < < ANALYSE DIFFÉRENTIELLE Validation des homéoallèles Application au blé Analyse différentielle avec DESeq sur les données normalisées par TCSS entre parents AB et D: Contrôle PSH (Homéoallèle Parent Spécifique) PSH A PSH B PSH D Homéoallèle A Homéoallèle B Homéoallèle D Parent AB < Homéoallèle A Homéoallèle B Homéoallèle D Parent D
39 < < ANALYSE DIFFÉRENTIELLE Validation des homéoallèles Application au blé Analyse différentielle avec DESeq sur les données normalisées par TCSS entre parents AB et D: Contrôle PSH (Homéoallèle Parent Spécifique) PSH A PSH B PSH D Homéoallèle A Homéoallèle B Homéoallèle D Contrôle PSH: Conserve les triplets avec 3 PSH Parent AB Triplet (gène partiel: homéoallèle A, B, D) < Homéoallèle A Homéoallèle B Homéoallèle D Parent D
40 Résultats ANALYSE DIFFÉRENTIELLE Application au blé L ensemble des homéoallèles de référence homéoallèles triplets 9351 triplets: homéoallèles: A B D, au moins 1 lecture sur au moins 1 homéoallèle et pour au moins un réplicat du parent AB ou D Après contrôle PSH 820 triplets avec 3 PSHs
41 CONCLUSIONS ET PERSPECTIVES Conclusions Mise au point d un protocole pour l analyse: En bioinformatique Construction des homéoallèles de référence En bioinformatique: code Python En statistique 1. Comparaison de 9 méthodes de normalisations 2. Comparaison de 2 méthodes d analyse différentielle (edger,deseq) En statistique: normalisation TCSS, analyse différentielle DESeq
42 CONCLUSIONS ET PERSPECTIVES Perspectives 1. Analyse différentielle pour l étude des effets de la polyploïdie: les matériels synthétique, naturel, parent AB, parent D et MPV 2. Analyses de l expression des gènes sur le deuxième jeu de données avec le même protocole
43 Carène RIZZON Claudine DEVAUCHELLE Edith LE FLOCH Julien CHIQUET Boulos CHALHOUB Smahane CHALABI
44
45 PLAN DE L ÉTUDE Réalisations pendant le stage Bases de données publiés (Brenchley et al., 2012) Blés Construction: programmes en Python RNA-seq Comparaison Ensemble d AKhunov (données personnelles: l équipe de l Eduard Akhunov) Ensemble des gènes de référence Brenchley Lectures (reads) RNA-seq Alignement (mapping) Données quantitatives Biais Normalisation Analyse différentielle de l expression des gènes
46 POLYPLOÏDISATION Polyploïdisation Multiplication naturelle ou artificielle du nombre des chromosomes 2n=2x=6 2n=4x=12 Autopolyploïdisation duplication du même génome Allopolyploïdisation association de génomes différents Homologues Homéologues
47 ANALYSES BIOINFORMATIQUES Lectures Contigs Assemblage permissif Contigs non assemblés Construction des homéoallèles Assemblage stringent Singletons + Supercontigs = Gènes partiels chimériques + Assignation aux génomes par des SNPs Homéoallèles SNP (polymorphisme nucléotidique) Variation d une seule paire de bases du génome entre les individus d une même espèce.
48 Objectif ANALYSES BIOINFORMATIQUES Comparaison de deux ensembles de gènes de référence Déterminer la partie incluse et la partie différente de l ensemble Brenchley et Akhunov : proportion de la partie commune choix de la référence pour l alignement des lectures RNA-seq Méthodes Brenchley : homéoallèles chimériques (50403 A, 20533B, 50403D), longueur=927bp Akhunov : homéoallèles non chimériques (20047A, 19079B, 19403D), longueur=1249bp 1. Comparaison de la similarité entre les homéoallèles de ces 2 ensembles Blastall ( local): compare chaque homéoallèle Akhunov avec tous les homéoallèles Brenchley paramètres (-p blastn -e 10 -f F) Séquences sujets (subject): Brenchley Séquences requête (Query): Akhunov Filtrage: sélectionne les meilleurs alignements E-valeur,%id et %S 8 filtrages sont comparés Le filtrage le plus pertinent : E -valeur et %id 95% et %S 95% 2. Comparaison des assignations
49 ANALYSES BIOINFORMATIQUES Comparaison de deux ensembles de gènes de référence 2. Comparaison des assignations entre les ensembles Akhunov et Brenchley Akhunov1_A Akhunov1_A Akhunov1_A Akhunov2_A Akhunov3_A Brenchley1_A Brenchley2_B Brenchley1_D Brenchley1_A Brenchley3_B Séries de scores Akhunov1_A Brenchley1_A Brenchley2_B Brenchley1_D Akhunov2_A Brenchley1_A Akhunov3_A Brenchley3_B
50 ANALYSES BIOINFORMATIQUES Comparaison de deux ensembles de gènes de référence Akhunov1_D Brenchley2_D Brenchley2_A T Akhunov2_A Brenchley4_A Brenchley4_D Brenchley5_A Akhunov3_B Brenchley5_D F Akhunov4_A Brenchley6_B Brenchley7_D F Akhunov5_A Brenchley8_A 99% Brenchley8_B 98% I t Akhunov6_B Brenchley9_D 100% Brenchley9_B 99% I f Akhunov7_D Brenchley10_A Brenchley10_D Brenchley11_A Akhunov8_A Brenchley11_A Brenchley11_B 99% Brenchley12_A 99% 100% 99% 99% 98% 98% 97% Etape 1: quand les alignements contiennent des Brenchley_A et Brenchley_D identiques, élimine l homéoallèle de Brenchley possédant l assignation différente que l homéoallèle d Akhunov. Etape 2: détermination d égalité vraie «T», fausse «F» et incluse «I». Etape3: en présence d au moins 2 homéoallèles de Brenchley, sélectionne le meilleur homéoallèle de Brenchley quand les égalités sont «T» et «I». Les %id sont écrit en bleu et les meilleurs homéoallèles sont entourés par des cadres bleus. Etape 4: détermination des sous-égalités «t» et «f» pour les égalités «T» et «I». T I I t t f
51 Résultats ANALYSES BIOINFORMATIQUES Comparaison de deux ensembles de gènes de référence Ensemble Brenchley : homéoallèles Blastall Ensemble Akhunov : homéoallèles alignements : (99,63%) homéollèles de Brenchley (99,99%) homéoallèles d Akhunov Filtrage le plus pertinent E -valeur et %id 95% et %S 95% 3939 (0,07%) alignements: (2,26%) homéollèles de Brenchley 1485 (2,53%) homéoallèles d Akhunov Comparaison des assignations 976 assignations communes, 509 assignation différentes 976 homéoallèles 0,8% de l ensemble de Brenchley 1,7% de l ensemble d Akhunov Petite intersection peu en accord pour les assignations aux génomes parentaux
52 NORMALISATION Comparaison des normalisations Boxplots de log2(comptages de lectures+1) pour toutes les conditions et les réplicats en fonction des méthodes de normalisation TCSS est le plus adaptée pour nos données du blé Stabilise la variation intra-condition, conserve la différence inter-condition
53 ANALYSE DIFFÉRENTIELLE Application au blé Résultats Comparaison des expressions des PSHs AB et D entre la condition AABB et DD
54 Contrôle MPV ANALYSE DIFFÉRENTIELLE Application au blé Analyse différentielle avec DESeq sur les données normalisées par TCSS entre: MPV in vitro (mélange équimolaire des ARN parentaux) MPV in silico (½ comptages de parent AB + ½ comptages de parent D) au niveau de chaque homéoallèle au niveau de chaque gène partiel (expression globale=somme de l expression des 3 homéoallèles) Contrôle MPV: Conserve les gènes partiels non différentiellement exprimés
Gènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailMise en place de serveurs Galaxy dans le cadre du réseau CATI BBRIC
Mise en place de serveurs Galaxy dans le cadre du réseau CATI BBRIC {Sebastien.Carrere, Ludovic.Legrand,Jerome.Gouzy}@toulouse.inra.fr {Fabrice.Legeai,Anthony.Bretaudeau}@rennes.inra.fr CATI BBRIC 35 bioinformaticiens
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailMaster de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
Plus en détailGénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010
GénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010 Analyse de la diversité moléculaire des régions génomiques de 30 gènes du développement méristématique dans une core collection
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailIntroduc)on à Ensembl/ Biomart : Par)e pra)que
Introduc)on à Ensembl/ Biomart : Par)e pra)que Stéphanie Le Gras Jean Muller NAVIGUER DANS ENSEMBL : PARTIE PRATIQUE 2 Naviga)on dans Ensembl : Pra)que Exercice 1 1.a. Quelle est la version de l assemblage
Plus en détailDÉFIS DU SÉQUENÇAGE NOUVELLE GÉNÉRATION
DÉFIS DU SÉQUENÇAGE NOUVELLE GÉNÉRATION PRINCIPES DE BASE SUR LES DONNEES ET LE CALCUL HAUTE PERFORMANCE Lois de Gray sur l ingénierie des données 1 : Les calculs scientifiques traitent des volumes considérables
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailSemestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments»
Master In silico Drug Design Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments» 30NU01IS INITIATION A LA PROGRAMMATION (6 ECTS) Responsables : D. MESTIVIER,
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 détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailDéveloppement, utilisation et comparaison de différents types de marqueurs pour étudier la diversité parmi une collection de blé tendre
Les Actes du BRG, 6 (2006) 129-144 BRG, 2006 Article original Développement, utilisation et comparaison de différents types de marqueurs pour étudier la diversité parmi une collection de blé tendre François
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailLa gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST.
La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST. Gaël Le Mahec - p. 1/12 L algorithme BLAST. Basic Local Alignment Search Tool est un algorithme de recherche
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailCHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailMaintenabilité d un parc applicatif
1 Maintenabilité d un parc applicatif Une méthode pour évaluer les charges de maintenance 13/06/01 Jean-François Bailliot 2 Maintenabilité d un parc applicatif Maintenance / Développement importance relative
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailBases de données des mutations
Bases de données des mutations CFMDB CFTR2 CFTR-France / Registre Corinne THEZE, Corinne BAREIL Laboratoire de génétique moléculaire Montpellier Atelier Muco, Lille, 25-27 septembre 2014 Accès libre http://www.genet.sickkids.on.ca/app
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 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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en 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 détailENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013
ENSEIGNEMENT ET MONDE PROFESSIONNEL Illustration d un lien fort au travers d un cours de scoring Jean-Philippe KIENNER 7 novembre 2013 CONTEXTE Une bonne insertion professionnelle des étudiants passe par
Plus en détailGalaxy Training days. Liste des sessions disponibles : http://bioinfo.genotoul.fr. Les formateurs :
-- 1 -- Galaxy Training days Durée / Programme : 3 journées. Galaxy : First step. Galaxy : Reads alignment and SNP calling. Galaxy : RNAseq alignment and transcripts assemblies. Public : Personnes souhaitant
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailCompte-rendu de fin de projet
Compte-rendu de fin de projet Projet ANR-07-GPLA-004 GNPAnnot / Community system for structural, functional and comparative annotation dedicated to green genomes Programme GPLA 2008 A IDENTIFICATION...2
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 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 détailPlateforme. DArT (Diversity Array Technology) Pierre Mournet
Plateforme DArT (Diversity Array Technology) Pierre Mournet Lundi 8 avril 203 Pourquoi des DArT? Développement rapide et peu onéreux de marqueurs : Pas d information de séquence nécessaire. Pas de pré-requis
Plus en détailAnalyse des données de séquençage massif par des méthodes phylogénétiques
Analyse des données de séquençage massif par des méthodes phylogénétiques Roux S., Taib N., Mangot J.F., Hugoni M., Mary I., Ravet V., Bronner G., Enault F., Debroas D. Équipe Microbiologie de l'environnement
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailBiomarqueurs en Cancérologie
Biomarqueurs en Cancérologie Définition, détermination, usage Biomarqueurs et Cancer: définition Anomalie(s) quantitative(s) ou qualitative(s) Indicative(s) ou caractéristique(s) d un cancer ou de certaines
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
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 détailDr E. CHEVRET UE2.1 2013-2014. Aperçu général sur l architecture et les fonctions cellulaires
Aperçu général sur l architecture et les fonctions cellulaires I. Introduction II. Les microscopes 1. Le microscope optique 2. Le microscope à fluorescence 3. Le microscope confocal 4. Le microscope électronique
Plus en détailMASTER (LMD) MANAGEMENT DE PROJET ET INNOVATION EN BIOTECHNOLOGIE
MASTER (LMD) MANAGEMENT DE PROJET ET INNOVATION EN BIOTECHNOLOGIE RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : BIOLOGIE SANTE Spécialité
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailMise en place d une solution automatique de stockage et de visualisation de données de capture des interactions chromatiniennes à l échelle génomique
Rapport de stage de deuxième année de DUT Génie Biologique option Bioinformatique Mise en place d une solution automatique de stockage et de visualisation de données de capture des interactions chromatiniennes
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 détailStages - le calendrier
Stages - le calendrier BIOCHIMIE ET BIOTECHNOLOGIES Ingénieurs pluridisciplinaires formés en chimie, biochimie analytique et fonctionnelle, biologie cellulaire et moléculaire, microbiologie, physiologie
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 détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailPoker. A rendre pour le 25 avril
Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles
Plus en détail1 les caractères des êtres humains.
Quelques rappels des classes précédentes ACTIVITÉ livre pages 8 et 9 : apprendre le bilan de la page 9 Les êtres vivants sont répartis en espèces. Chaque être vivant est formé de cellules. schéma d une
Plus en détailValorisation d es des options Novembre 2007
Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère
Plus en détailDétection et prise en charge de la résistance aux antirétroviraux
Détection et prise en charge de la résistance aux antirétroviraux Jean Ruelle, PhD AIDS Reference Laboratory, UCLouvain, Bruxelles Corata 2011, Namur, 10 juin 2011 Laboratoires de référence SIDA (Belgique)
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC RAPPORT DE PROJET PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE
ÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC RAPPORT DE PROJET PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE COMME EXIGENCE PARTIELLE À L OBTENTION DE LA MAÎTRISE EN GÉNIE PAR Sébastien SERVOLES
Plus en détailIngénieur R&D en bio-informatique
Ingénieur R&D en bio-informatique Spécialisé Bases De Données 33 ans, Célibataire. Biologie & Informatique gabriel.chandesris[at]laposte.net {06 56 41 97 37} Use the bipper! http://gabriel.chandesris.free.fr/
Plus en détailCATALOGUE DES PRESTATIONS DE LA
1/23 La plate-forme Biopuces et Séquençage de Strasbourg est équipée des technologies Affymetrix et Agilent pour l étude du transcriptome et du génome sur puces à ADN. SOMMAIRE ANALYSE TRANSCRIPTIONNELLE...
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailBig Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014
Big Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014 1 Classiquement, le Big Data se définit autour des 3 V : Volume, Variété et
Plus en détail1S Modèles de rédaction Enoncés
Par l équipe des professeurs de 1S du lycée Parc de Vilgénis 1S Modèles de rédaction Enoncés Produit scalaire & Corrigés Exercice 1 : définition du produit scalaire Soit ABC un triangle tel que AB, AC
Plus en détailTD de Biochimie 4 : Coloration.
TD de Biochimie 4 : Coloration. Synthèse de l expérience 2 Les questions posées durant l expérience 2 Exposé sur les méthodes de coloration des molécules : Générique Spécifique Autres Questions Pourquoi
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Scalabilité Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département d informatique Conservatoire
Plus en détailEco-système calcul et données
Eco-système calcul et données M. Daydé Dr du Comité d'orientation pour le Calcul Intensif (COCIN) Délégué Scientifique INS2I en charge HPC / Grille / Cloud Calcul / données : un enjeu stratégique Calcul
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailDéfinition d un Template
Objectif Ce document a pour objectif de vous accompagner dans l utilisation des templates EuroPerformance. Il définit les différents modèles et exemples proposés. Définition d un Template Un template est
Plus en détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailModule Analyse de Génomes 2011-2012 Master 2 module FMBS 326 Immunoinformatique
Module Analyse de Génomes 2011-2012 Master 2 module FMBS 326 Immunoinformatique Planning du Module : Date Heure Salle 12/12 9h-12h TD info TA1Z bat 25 13h-17h TD info TA1Z bat 25 13/12 9h-12h TD info TA1Z
Plus en détailIntroduction aux bases de données: application en biologie
Introduction aux bases de données: application en biologie D. Puthier 1 1 ERM206/Technologies Avancées pour le Génome et la Clinique, http://tagc.univ-mrs.fr/staff/puthier, puthier@tagc.univ-mrs.fr ESIL,
Plus en détailLe pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée
Colloque : Systèmes Complexes d Information et Gestion des Risques pour l Aide à la Décision Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée BELKADI
Plus en détailPrésentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée
Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Responsable du Master Informatique : Marc Zipstein Responsable de
Plus en détailPHY2723 Hiver 2015. Champs magnétiques statiques. cgigault@uottawa.ca. Notes partielles accompagnant le cours.
PHY2723 Hiver 2015 Champs magnétiques statiques cgigault@uottawa.ca otes partielles accompagnant le cours. Champs magnétiques statiques (Chapitre 5) Charges électriques statiques ρ v créent champ électrique
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 détailActualités sur la sélection des pondeuses Prospections futures. Dr. Matthias Schmutz, Lohmann Tierzucht
Actualités sur la sélection des pondeuses Prospections futures Dr. Matthias Schmutz, Lohmann Tierzucht Alimentation et démographie mondiale Augmentation annuelle de 80 millions Croissance surtout dans
Plus en détailREFERENTIEL DE CERTIFICATION APPLICABLE AUX SEMENCES :
REFERENTIEL DE CERTIFICATION APPLICABLE AUX SEMENCES : «Processus de maîtrise des risques d'émission des poussières issues de semences traitées avec des produits phytopharmaceutiques : Opérations industrielles»
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailSylvain Meille. Étude du comportement mécanique du plâtre pris en relation avec sa microstructure.
Étude du comportement mécanique du plâtre pris en relation avec sa microstructure Sylvain Meille To cite this version: Sylvain Meille. Étude du comportement mécanique du plâtre pris en relation avec sa
Plus en détailEnvironmental Research and Innovation ( ERIN )
DÉpartEment RDI Environmental Research and Innovation ( ERIN ) Le département «Environmental Research and Innovation» (ERIN) du LIST élabore des stratégies, des technologies et des outils visant à mieux
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailGlossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire
Glossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire Notre engagement: la qualité et l amélioration continue Photos Couverture: en haut à gauche; istockphoto.com/yegor
Plus en détailAssociation nationale de la meunerie française
Association nationale de la meunerie française LA MEUNERIE FRANCAISE : ses entreprises, ses marchés t tla t structure des entreprises de la meunerie française La meunerie française est composée de 373
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
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 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 détail