Chapitre 2: Analyse en Composante Principale
|
|
- Samuel Bessette
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 2: Analyse en Composante Principale Mohamed Essaied Hamrita ISMAI, Université Kairouan. Tunisie Février 2014
2 Plan du chapitre Inroduction Motivation Notations Principe de l'acp Interprétation Nombre d'axes à retenir interprétation des individus Interprétation des variables Etude d'un exemple
3 Motivation Représenter en 2 ou 3 dimensions l'observation de p 3 variables.
4 Motivation Représenter en 2 ou 3 dimensions l'observation de p 3 variables. Réduire la dimension de manière pertinente: La réduction de variables fait perdre de l'information.
5 Motivation Représenter en 2 ou 3 dimensions l'observation de p 3 variables. Réduire la dimension de manière pertinente: La réduction de variables fait perdre de l'information.
6 Motivation Représenter en 2 ou 3 dimensions l'observation de p 3 variables. Réduire la dimension de manière pertinente: La réduction de variables fait perdre de l'information. Comment conserver l'information essentielle du jeu de données? Solution: Trouver un espace de dimension réduite dur lequel on projete les observations.
7 Motivation Question: Sur quel espace projeter?
8 Motivation Question: Sur quel espace projeter? Projeter sur un espace avec une variabilté (information) maximale.
9 Motivation y 1 est la première composante principale possédant la plus grande valeur de la variance. y 2 est la deuxième composante principale perpendiculaire à la première. x 2 y 1 y 2 x1
10 Motivation Les projections sur le premier axe:
11 Motivation Les projections sur le deuxième axe:
12 Notations Un tableau de données de n lignes (individus) et p colonnes (variables) est: x 11 x 12 x 1p x 12 x 22 x 2p X = ; x i = ( ) x i1 x i2 x ip ; j x = x 1j x2j. x n1 x n2 x np x nj x i et x j représentent respectivement, l'individu de la ligne i et la variable de la colonne j.
13 Notations Un tableau de données de n lignes (individus) et p colonnes (variables) est: x 11 x 12 x 1p x 12 x 22 x 2p X = ; x i = ( ) x i1 x i2 x ip ; j x = x 1j x2j. x n1 x n2 x np x nj x i et x j représentent respectivement, l'individu de la ligne i et la variable de la colonne j. Distances entre les individus: la distance la plus simple entre deux points de R p est la distance euclidienne qui est dénie par: d 2 (u, v) = p (u j v j ) 2 = u v j=1
14 Exemple Déterminer la distance euclidienne entre ces deux vecteurs: x = (2, 1, 2, 4); y = ( 1, 2, 0, 1)
15 Exemple Déterminer la distance euclidienne entre ces deux vecteurs: x = (2, 1, 2, 4); y = ( 1, 2, 0, 1) x <- c(2, 1, -2, 4) y <- c(-1, 2, 0, 1) dist(cbind(x, y)) ## ## ## ## sqrt(sum((x - y)^2)) ## [1] 4.796
16 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables.
17 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables. Métrique réduite: M = diag(s 2 1,..., s 2 ), la matrice diagonale des p inverses des variances empiriques.
18 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables. Métrique réduite: M = diag(s 2 1,..., s 2 ), la matrice diagonale des p inverses des variances empiriques.
19 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables. Métrique réduite: M = diag(s 2 1,..., s 2 ), la matrice diagonale des p inverses des variances empiriques. ACP ou ACP réduite?
20 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables. Métrique réduite: M = diag(s 2 1,..., s 2 ), la matrice diagonale des p inverses des variances empiriques. ACP ou ACP réduite? Inconvénient de l'utilisation de Cov(X): une variable à forte variance va être sur-importante dans les résultats de l'acp ;
21 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables. Métrique réduite: M = diag(s 2 1,..., s 2 ), la matrice diagonale des p inverses des variances empiriques. ACP ou ACP réduite? Inconvénient de l'utilisation de Cov(X): une variable à forte variance va être sur-importante dans les résultats de l'acp ; Inconvénient de l'utilisation de Cor(X): peut amplier les variations d'une variable de faible importance.
22 Diérence entre ACP et ACP réduite Métriques usuelles: On donne deux types de métriques usuelles: Métrique usuelle i.e M = I : Dans ce cas, la distance dépend de l'unité de mesure, et de la dispersion des variables. Métrique réduite: M = diag(s 2 1,..., s 2 ), la matrice diagonale des p inverses des variances empiriques. ACP ou ACP réduite? Inconvénient de l'utilisation de Cov(X): une variable à forte variance va être sur-importante dans les résultats de l'acp ; Inconvénient de l'utilisation de Cor(X): peut amplier les variations d'une variable de faible importance. En pratique : Utiliser Cor(X) lorsque les variables n'ont pas les mêmes ordres de grandeurs (unités diérentes, par exemple).
23 l'acp est un problème d'optimisation La première composante principale des observations, notée y 1, est la combinaison linéaire: y 1 = Xa 1 = a 11 x 1 + a 12 x a 1p x p possédante la plus grande variance empirique de toutes les combinaisons linéaires possibles. Puisque la variance de y 1 croît inniment lorsqu'on fait croître les valeurs de a 1, on doit placer la contrainte a 2 1j = a 1a 1 = 1. Donc, la première composante principale est solution du programme suivant: { maxa1 Var(y 1 ) = a 1V a 1, V est la variance de X s/c a 1a 1 = 1. La j ième composante principale y j est la combinaison linéaire y j = Xa j qui maximise la variance sous contraintes: a j a j = 1; a j a i = 1 (i < j). La deuxième contrainte pour assurer l'orthogonalité de y i et y j.
24 Solution du problème Pour déterminer la première composante principale, on utilise la technique de Lagrange. Le lagrangien s'écrit alors: L L(a 1 ) = a 1V a 1 λ(a 1a 1 1) a 1 = 2V a 1 2λa 1 = 0 = (V λi p )a 1 = 0. Ceci montre que a 1 doit être choisi comme vecteur propre de V corresondant à la valeur propre λ. Or, Var(y 1 ) = a 1V a 1 = λa 1a 1 = λ. Var(y 1 ) est maximum λ est maximum. D'où, a 1 est le vecteur propre de V correspondant à la plus grande valeur propre.
25 Résumé de la méthode Considérons le tableau de données X = (x ij ) i=1,...,n;j=1,...,p. L'espace des individus est muni par la métrique M (M = I pour ACP non réduite et M = diag(s 2 1,..., s 2 ) pour ACP réduite). p On diagonalise VM = (XM 1/2 ) (XM 1/2 ).
26 Résumé de la méthode Considérons le tableau de données X = (x ij ) i=1,...,n;j=1,...,p. L'espace des individus est muni par la métrique M (M = I pour ACP non réduite et M = diag(s 2 1,..., s 2 ) pour ACP réduite). p On diagonalise VM = (XM 1/2 ) (XM 1/2 ). Soient λ 1 > λ 2 >... > λ p les valeurs propres et u j les vecteurs propres. Les axes principaux sont dénis, alors: a j = M 1/2 u j.
27 Résumé de la méthode Considérons le tableau de données X = (x ij ) i=1,...,n;j=1,...,p. L'espace des individus est muni par la métrique M (M = I pour ACP non réduite et M = diag(s 2 1,..., s 2 ) pour ACP réduite). p On diagonalise VM = (XM 1/2 ) (XM 1/2 ). Soient λ 1 > λ 2 >... > λ p les valeurs propres et u j les vecteurs propres. Les axes principaux sont dénis, alors: a j = M 1/2 u j. Les coordonnées des individus centré x i sont données par: c ij = x i Ma j
28 Résumé de la méthode Considérons le tableau de données X = (x ij ) i=1,...,n;j=1,...,p. L'espace des individus est muni par la métrique M (M = I pour ACP non réduite et M = diag(s 2 1,..., s 2 ) pour ACP réduite). p On diagonalise VM = (XM 1/2 ) (XM 1/2 ). Soient λ 1 > λ 2 >... > λ p les valeurs propres et u j les vecteurs propres. Les axes principaux sont dénis, alors: a j = M 1/2 u j. Les coordonnées des individus centré x i sont données par: c ij = x i Ma j Le même travail se repète pour les variables.
29 Combien d'axes à retenir? on veut garder peu d'axes principaux, avec un soucis d'interprétation: on ne garde que des axes que l'on puisse interpréter,
30 Combien d'axes à retenir? on veut garder peu d'axes principaux, avec un soucis d'interprétation: on ne garde que des axes que l'on puisse interpréter, des axes qui expliquent susement d'inertie. Pour cela, on a deux méthodes
31 Combien d'axes à retenir? on veut garder peu d'axes principaux, avec un soucis d'interprétation: on ne garde que des axes que l'on puisse interpréter, des axes qui expliquent susement d'inertie. Pour cela, on a deux méthodes la méthode du coude, correspondant à un décrochage au niveau des valeurs propres.
32 Combien d'axes à retenir? on veut garder peu d'axes principaux, avec un soucis d'interprétation: on ne garde que des axes que l'on puisse interpréter, des axes qui expliquent susement d'inertie. Pour cela, on a deux méthodes la méthode du coude, correspondant à un décrochage au niveau des valeurs propres. la règle de Kaiser, pour les variables centrées réduites (ACP réduite): on ne garde que les valeurs propres supèrieures à 1.
33 Interprétation des individus On appelle pourcentage d'inertie reproduite en dimension k la k i=1 quantité: λ i p i=1 λ 100. Généralement, on choisit ce pourcentage i supérieur à 80 %.
34 Interprétation des individus On appelle pourcentage d'inertie reproduite en dimension k la k i=1 quantité: λ i p i=1 λ 100. Généralement, on choisit ce pourcentage i supérieur à 80 %. Les coordonnées des individus: appelées aussi scores en anglais sont les projections des observations sur le nouveau espace engendré par les vecteurs propres. Ainsi, l'individu x i est représenté sur l'axe a j par la coordonnée:c ij = x c. c 1, c 2,..., c i Maj p sont appelées composantes principales.
35 Interprétation des individus On appelle pourcentage d'inertie reproduite en dimension k la k i=1 quantité: λ i p i=1 λ 100. Généralement, on choisit ce pourcentage i supérieur à 80 %. Les coordonnées des individus: appelées aussi scores en anglais sont les projections des observations sur le nouveau espace engendré par les vecteurs propres. Ainsi, l'individu x i est représenté sur l'axe a j par la coordonnée:c ij = x c. c 1, c 2,..., c i Maj p sont appelées composantes principales. Contribution des individus: La contribution relative d'un individu i à la formation de la composante principale k est dénie par: CTR ij = c 2 ij n λ j
36 Interprétation des individus On appelle pourcentage d'inertie reproduite en dimension k la k i=1 quantité: λ i p i=1 λ 100. Généralement, on choisit ce pourcentage i supérieur à 80 %. Les coordonnées des individus: appelées aussi scores en anglais sont les projections des observations sur le nouveau espace engendré par les vecteurs propres. Ainsi, l'individu x i est représenté sur l'axe a j par la coordonnée:c ij = x c. c 1, c 2,..., c i Maj p sont appelées composantes principales. Contribution des individus: La contribution relative d'un individu i à la formation de la composante principale k est dénie par: CTR ij = c 2 ij n λ j Qualité de la représentation des individus ou cos 2 : La qualité de la représentation d'un individu par la composante principale k est c 2 ij dénie par: Qlt ik = p k=1 c 2. ik
37 Interprétations des variables On appelle axes factoriels les vecteurs U 1, U 2,..., U k U j = c j λj. dénis par:
38 Interprétations des variables On appelle axes factoriels les vecteurs U 1, U 2,..., U k U j = c j λj. dénis par: Les coordonnées des variables sont les covariances entres les observations centrées et les axes factoriels. F jk = cov( x j, U k ) = λ k a jk. Les projections des variables centrées réduites appartiennent aux disque de centre 0 et de rayon 1 et leur représentation est d'autant meilleure que le projeté est proche du cercle.
39 Interprétations des variables On appelle axes factoriels les vecteurs U 1, U 2,..., U k U j = c j λj. dénis par: Les coordonnées des variables sont les covariances entres les observations centrées et les axes factoriels. F jk = cov( x j, U k ) = λ k a jk. Les projections des variables centrées réduites appartiennent aux disque de centre 0 et de rayon 1 et leur représentation est d'autant meilleure que le projeté est proche du cercle. La coordonnée de la projection de la variable x j sur l'axe U k est: λk a jk σ j.
40 Critères de qualités Contribution des variables: La contribution de la variable x j formation de l'axe factoriel U k est: à la Ctr jk = F 2 jk λ k
41 Critères de qualités Contribution des variables: La contribution de la variable x j formation de l'axe factoriel U k est: à la Ctr jk = F 2 jk λ k Qualité de la représentation de la variable x j sur l'axe factoriel U k est: F 2 jk Qlt jk = p l=1 F j l 2 C'est le cosinus carré de l'angle entre la représentation de la variable x j est sa projection sur l'axe U k.
42 Critères de qualités Contribution des variables: La contribution de la variable x j formation de l'axe factoriel U k est: à la Ctr jk = F 2 jk λ k Qualité de la représentation de la variable x j sur l'axe factoriel U k est: F 2 jk Qlt jk = p l=1 F j l 2 C'est le cosinus carré de l'angle entre la représentation de la variable x j est sa projection sur l'axe U k.
43 Reprenons l'exemple des notes du chapitre précédent. ## Maths Physique Français Anglais ## Fatma ## Ali ## Kawther ## Nidhal ## Nabiha ## Wiem ## Youssef ## Sarah ## Wafa On propose d'étudier ce tableau de données par la méthode de l'acp.
44 ACP normée Tout d'abord, déterminons la matrice des corrélations.
45 ACP normée Tout d'abord, déterminons la matrice des corrélations. (S <- cor(notes)) ## Maths Physique Français Anglais ## Maths ## Physique ## Français ## Anglais puis calculons les valeurs et les vecteurs propres de la matrice des corrélations.
46 ACP normée Tout d'abord, déterminons la matrice des corrélations. (S <- cor(notes)) ## Maths Physique Français Anglais ## Maths ## Physique ## Français ## Anglais puis calculons les valeurs et les vecteurs propres de la matrice des corrélations. (lambda <- eigen(s)$values) ## [1] (a <- eigen(s)$vectors) ## [,1] [,2] [,3] [,4] ## [1,] ## [2,] ## [3,] ## [4,]
47 Combiens de composantes principales à retenir?
48 Combiens de composantes principales à retenir? Suivant le critère de Kaiser, on doit retenir deux composnates puisqu'on a deux valeurs propres supèrieurs à 1 (ACP normée).
49 Combiens de composantes principales à retenir? Suivant le critère de Kaiser, on doit retenir deux composnates puisqu'on a deux valeurs propres supèrieurs à 1 (ACP normée). Selon la méthode de coude: plot(lambda, type = "b", pch = 16, xlab = "", ylab = "")
50 Selon la courbe, on observe une coude au point d'abcisse 3, cela veut dire que celle-ci est peu importante de la précédente. Donc on retient 2 composantes principales.
51 Selon la courbe, on observe une coude au point d'abcisse 3, cela veut dire que celle-ci est peu importante de la précédente. Donc on retient 2 composantes principales. Les deux premières composantes principales, forment (λ 1 + λ 2 )/ λ j = 99.88% de l'inertie (l'information) totale.
52 Selon la courbe, on observe une coude au point d'abcisse 3, cela veut dire que celle-ci est peu importante de la précédente. Donc on retient 2 composantes principales. Les deux premières composantes principales, forment (λ 1 + λ 2 )/ λ j = 99.88% de l'inertie (l'information) totale. En conclusion, on retient deux composantes principales.
53 Coordonnées Coordonnées de la projection des individus:
54 Coordonnées Coordonnées de la projection des individus: (Cij <- scale(notes) %*% a) ## [,1] [,2] [,3] [,4] ## Fatma ## Ali ## Kawther ## Nidhal ## Nabiha ## Wiem ## Youssef ## Sarah ## Wafa
55 Contributions des individus selon les composantes principales (ctri <- Cij^2 %*% diag(1/lambda)/nrow(notes)) ## [,1] [,2] [,3] [,4] ## Fatma ## Ali ## Kawther ## Nidhal ## Nabiha ## Wiem ## Youssef ## Sarah ## Wafa
56 Contributions des individus selon les composantes principales (ctri <- Cij^2 %*% diag(1/lambda)/nrow(notes)) ## [,1] [,2] [,3] [,4] ## Fatma ## Ali ## Kawther ## Nidhal ## Nabiha ## Wiem ## Youssef ## Sarah ## Wafa Par exemple, la contribution de l'individu 1 à la formation de la première composante est égale à: Ctr 11 = = 9 λ =
57 Qualités de la représentation des individus Coordonnées de la projection des individus: deno <- apply(cij^2, 1, sum) (qlti <- sweep(cij^2, 1, deno, "/")) ## [,1] [,2] [,3] [,4] ## Fatma e e-05 ## Ali e e-04 ## Kawther e e-06 ## Nidhal e e-04 ## Nabiha e e-04 ## Wiem e e-04 ## Youssef e e-05 ## Sarah e e-05 ## Wafa e e-04 Par exemple, la qualité de la représentation de l'individu 1 par la première composante est égale à: Ctr 11 = ( ) 2 = Géométriquement, la qualité de la représentation d'un individu i par la ( composante j est égale à cos 2 θ, où θ est l'angle OM, a ). j
58 On peut faire la même chose pour les variables, c.à.d, on détermine les coordonnées, les contributions et les qualités de la représentation des variables sur les axes factoriels.
59 On peut faire la même chose pour les variables, c.à.d, on détermine les coordonnées, les contributions et les qualités de la représentation des variables sur les axes factoriels. Tous ces calculs, peuvent être résumés dans deux graphiques (Individus et variables). Ces graphiques, sont données comme suit:
60 plot(cij[, 1:2], xlab = "Axe 1", ylab = "Axe 2", main = "Représentation des ind type = "n") text(cij[, 1], Cij[, 2], rnames) Représentation des individus Axe idhal Nabiha Sarah Wiem Ali Wafa Kawther Youssef Fatm Axe 1
61 Variables factor map (PCA) Dim 2 (27.99%) Français Angl Phys Maths Dim 1 (71.89%)
1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailIntroduction. Préambule. Le contexte
Préambule... INTRODUCTION... BREF HISTORIQUE DE L ACP... 4 DOMAINE D'APPLICATION... 5 INTERPRETATIONS GEOMETRIQUES... 6 a - Pour les n individus... 6 b - Pour les p variables... 7 c - Notion d éléments
Plus en détailACP Voitures 1- Méthode
acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788
Plus en détailL'analyse des données à l usage des non mathématiciens
Montpellier L'analyse des données à l usage des non mathématiciens 2 ème Partie: L'analyse en composantes principales AGRO.M - INRA - Formation Permanente Janvier 2006 André Bouchier Analyses multivariés.
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 détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailL'analyse de données. Polycopié de cours ENSIETA - Réf. : 1463. Arnaud MARTIN
L'analyse de données Polycopié de cours ENSIETA - Réf : 1463 Arnaud MARTIN Septembre 2004 Table des matières 1 Introduction 1 11 Domaines d'application 2 12 Les données 2 13 Les objectifs 3 14 Les méthodes
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
Plus en détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailIntroduction à l'analyse multivariée (factorielle) sous R. Stéphane CHAMPELY
Introduction à l'analyse multivariée (factorielle) sous R Stéphane CHAMPELY 7 septembre 2005 2 Table des matières 1 Introduction 5 1.1 Les données multivariées....................... 5 1.2 L'approche factorielle
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailInitiation à l analyse en composantes principales
Fiche TD avec le logiciel : tdr601 Initiation à l analyse en composantes principales A.B. Dufour & J.R. Lobry Une première approche très intuitive et interactive de l ACP. Centrage et réduction des données.
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
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 détailIntroduction à l'actuariat
Introduction à l'actuariat 3A MMEFI M2 AMSE M2 IMSA Renaud Bourlès Introduction (1) Spécicité de l'assurance : cycle de production inversé Contrat d'assurance = promesse Importance de la prévision Importance
Plus en détailLES DÉTERMINANTS DE MATRICES
LES DÉTERMINANTS DE MATRICES Sommaire Utilité... 1 1 Rappel Définition et composantes d'une matrice... 1 2 Le déterminant d'une matrice... 2 3 Calcul du déterminant pour une matrice... 2 4 Exercice...
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailEXERCICES DE REVISIONS MATHEMATIQUES CM2
EXERCICES DE REVISIONS MATHEMATIQUES CM2 NOMBRES ET CALCUL Exercices FRACTIONS Nommer les fractions simples et décimales en utilisant le vocabulaire : 3 R1 demi, tiers, quart, dixième, centième. Utiliser
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailISFA 2 année 2002-2003. Les questions sont en grande partie indépendantes. Merci d utiliser l espace imparti pour vos réponses.
On considère la matrice de données : ISFA 2 année 22-23 Les questions sont en grande partie indépendantes Merci d utiliser l espace imparti pour vos réponses > ele JCVGE FM1 GM JCRB FM2 JMLP Paris 61 29
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailExercice numéro 1 - L'escalier
Exercice numéro 1 - L'escalier On peut monter un escalier une ou deux marches à la fois. La figure de droite montre un exemple. 1. De combien de façons différentes peut-on monter un escalier de une marche?
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 détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailExamen Médian - 1 heure 30
NF01 - Automne 2014 Examen Médian - 1 heure 30 Polycopié papier autorisé, autres documents interdits Calculatrices, téléphones, traducteurs et ordinateurs interdits! Utilisez trois copies séparées, une
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailLes suites numériques
Chapitre 3 Term. STMG Les suites numériques Ce que dit le programme : Suites arithmétiques et géométriques CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Suites arithmétiques et géométriques Expression du terme
Plus en détailLa 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 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 détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détailSYSTEMES ELECTRONIQUES NUMERIQUES
BACCALAURÉAT PROFESSIONNEL SYSTEMES ELECTRONIQUES NUMERIQUES (S.E.N.) REF : TASI110 Taxonomie TP Alarme Intrusion type 2 MELODIA 2605 1 je sais de quoi je parle X 2 je sais en parler 3 je sais faire 4
Plus en détailL analyse des données par les graphes de similitude
1 L analyse des données par les graphes de similitude Par Pierre Vergès, directeur de recherche au CNRS et Boumedienne Bouriche, maître de conférence à l IUT de Gap Juin 2001 2 A Claude FLAMENT l inventeur
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
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 détailDérivation : Résumé de cours et méthodes
Dérivation : Résumé de cours et métodes Nombre dérivé - Fonction dérivée : DÉFINITION (a + ) (a) Etant donné est une onction déinie sur un intervalle I contenant le réel a, est dérivable en a si tend vers
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
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 détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailAvant-après, amont-aval : les couples de tableaux totalement appariés
ADE-4 Avant-après, amont-aval : les couples de tableaux totalement appariés Résumé La fiche décrit les méthodes d analyse des couples de tableaux complètement appariés (mêmes individus, mêmes variables).
Plus en détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
Plus en détailSi deux droites sont parallèles à une même troisième. alors les deux droites sont parallèles entre elles. alors
N I) Pour démontrer que deux droites (ou segments) sont parallèles (d) // (d ) (d) // (d ) deux droites sont parallèles à une même troisième les deux droites sont parallèles entre elles (d) // (d) deux
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailCours 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 détailAngles orientés et trigonométrie
Chapitre Angles orientés et trigonométrie Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Trigonométrie Cercle trigonométrique. Radian. Mesure d un angle orienté, mesure principale.
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détail6 ème. Rallye mathématique de la Sarthe 2013/2014. 1 ère épreuve de qualification : Problèmes Jeudi 21 novembre 2013
Retrouver tous les sujets, les corrigés, les annales, les finales sur le site du rallye : http://sarthe.cijm.org I Stéphane, Eric et Christophe sont 3 garçons avec des chevelures différentes. Stéphane
Plus en détailChapitre 4 Évaluation des performances d'un filtre
Chapitre 4 : Evaluation des performances d'un filtre 33 Chapitre 4 Évaluation des performances d'un filtre Pour comparer les différents systèmes de filtrage, il faut définir une mesure pour évaluer leurs
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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailAngles orientés et fonctions circulaires ( En première S )
Angles orientés et fonctions circulaires ( En première S ) Dernière mise à jour : Jeudi 01 Septembre 010 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble (Année 006-007) Lycée Stendhal, Grenoble
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailMesure et Intégration (Notes de cours de L3)
Mesure et Intégration (Notes de cours de L3) Ahmed Zeriahi Version préliminaire-octobre 2011 Avertissement : Ceci est une version préliminaire des notes du cours que l auteur a dispensé en troisème année
Plus en détailCOMPTE-RENDU «MATHS EN JEANS» LYCEE OZENNE Groupe 1 : Comment faire une carte juste de la Terre?
Claire FORGACZ Marion GALLART Hasnia GOUDJILI COMPTERENDU «MATHS EN JEANS» LYCEE OZENNE Groupe 1 : Comment faire une carte juste de la Terre? Si l on se pose la question de savoir comment on peut faire
Plus en détailPetit lexique de calcul à l usage des élèves de sixième et de cinquième par M. PARCABE, professeur au collège Alain FOURNIER de BORDEAUX, mars 2007
Petit lexique de calcul à l usage des élèves de sixième et de cinquième par M. PARCABE, professeur au collège Alain FOURNIER de BORDEAUX, mars 2007 page 1 / 10 abscisse addition additionner ajouter appliquer
Plus en détailCours Informatique Master STEP
Cours Informatique Master STEP Bases de la programmation: Compilateurs/logiciels Algorithmique et structure d'un programme Programmation en langage structuré (Fortran 90) Variables, expressions, instructions
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détailQuantité de mouvement et moment cinétique
6 Quantité de mouvement et moment cinétique v7 p = mv L = r p 1 Impulsion et quantité de mouvement Une force F agit sur un corps de masse m, pendant un temps Δt. La vitesse du corps varie de Δv = v f -
Plus en détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailMais comment on fait pour...
Mais comment on fait pour... Toutes les méthodes fondamentales en Maths Term.S Édition Salutπaths Table des matières 1) GÉNÉRALITÉS SUR LES FONCTIONS...13 1.Comment déterminer l'ensemble de définition
Plus en détailhttp://cri.univ-lille1.fr Virtualisation de Windows dans Ubuntu Linux
http://cri.univ-lille1.fr Virtualisation de Windows dans Ubuntu Linux Version 1.0 Septembre 2011 SOMMAIRE 1. Introduction 3 2. Installation du logiciel de virtualisation VirtualBox 4 3. Création d'une
Plus en détailGuide pour la réalisation d'un document avec Open Office Writer 2.2
Guide pour la réalisation d'un document avec Open Office Writer 2.2 1- Lancement de l'application : Le Traitement de textes de la Suite OpenOffice peut être lancé : soit depuis le menu «Démarrer / Programmes/OpenOffice2.2/Writer
Plus en détail1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j ))
La logique oue dans les PME/PMI Application au dosage de l'eau dans les bétons P.Y. Glorennec INSA de Rennes/IRISA glorenne@irisa.fr C. Hérault Hydrostop christophe@hydrostop.fr V. Hulin Hydrostop vincent@hydrostop.fr
Plus en détailStratégie optimale de stockage de déchets à vie longue
Stratégie optimale de stockage de déchets à vie longue Bertrand Villeneuve Université Paris-Dauphine bertrand.villeneuve@dauphine.fr 3 octobre 211 Ce texte présente des calculs théoriques et indications
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
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