CH1 : Introduction à l Analyse Des Données (ADD) B- Les données et leurs caractéristiques C- Grandeurs associées aux données
|
|
- Eveline Labonté
- il y a 8 ans
- Total affichages :
Transcription
1 CH1 : Introduction à l Analyse Des Données (ADD) A- Introduction A- Introduction B- Les données et leurs caractéristiques C- Grandeurs associées aux données
2 A-1 Les méthodes Lors de toute étude statistique, il est nécessaire de décrire et exlorer les données avant d en tirer de quelconques lois ou modèles rédictifs. Dans beaucou de situations, les données sont tro nombreuses our ouvoir être visualisables (nombre de caractéristiques tro élevées) Il est alors nécessaire d extraire l information ertinente qu elles contiennent ; Les techniques d ADD réondent à ce besoin.
3 A -1 Les méthodes ADD = ensemble de méthodes descritives ayant our objectif de résumer et visualiser l information ertinente contenue dans un grand tableau de données
4 A -1 Les méthodes Trois grandes familles de méthodes: Objectif Variables quanti Variables quali/mixtes Reérer et visualiser les Analyse en Analyse factorielle des corrélations multiles entre variables et/ou les ressemblances entre individus comosantes rinciales (ACP) corresondances (AFC AFCM) Réaliser une tyologie des individus Caractériser de groues d individus à l aide de variables Methodes de classification (CAH,..) Analyse discriminante (AFD,..) AFC ou AFCM et classification Analyse discriminante (AFD,..)
5 A-2 Exemles
6 A-2 Exemles ACP: Deux grandes tendances : L axe 1 distingue les états de Floride, Colorado, Arizona, Californie, Maryland caractérisés ar un fort taux de délits en tous genres aux autres états. L axe 2 est un axe de gravité des délits : s oosent les états ayant un fort taux de délits mineurs (Colorado, Arizona) aux états concernés ar des délits majeurs (Alabama, Louisiane).
7 A-2 Exemles Classification On distingue 4 groues d états : le groue vert, caractérisé ar un taux de délits en tous genres inférieur à la moyenne Le groue bleu caractérisé ar un taux de délits en tous genres suérieur à la moyenne Le groue noir caractérisé ar un taux de délits graves suérieur à la moyenne Le groue rouge caractérisé ar un taux de délits mineurs suérieur à la moyenne delits mineurs -----delits majeurs rerésentation dans les axes d'une ACP(rogramme3) Louisiana Alabama Georgia Kentucky Arkansas Alaska Illinois Maryland California Indiana Florida Kansas Idaho Connecticut Maine Iow a Colorado Delaw are Arizona Haw aii forte criminalite ---- faible criminalite
8 A-2- Exemles
9 A-2 Exemles (ACP sous statistica)
10 Analyse discriminante A-2 Exemles 3 groues de ersonnes reérées ar 4 variables : age revenu atrimoine emrunt LD Jeunes ages Gros atrimoines emrunt eleve LD1
11 A-2 Exemles Le groue 1 est un groue de gens assez jeunes à revenus lus faibles que la moyenne dont le atrimoine est nettement lus faible que dans les autres classes et le taux d emrunt lus élevé que la moyenne Le groue 2 est caractérisé ar des gens jeunes de revenus moyens, mais dont le atrimoine est très imortant et le taux d emrunt très faible Le groue 3 est caractérisé ar des gens lus agés de revenus confortables et de atrimoine assez imortant, ayant un taux d emrunt lus élevé que dans les autres classes
12 B 1 Tableau individu*variables On observe caractéristiques e,..., e,... e 1 i n X,... X 1 quantitatives sur n individus On note x ij la valeur de la variable X observée sur l individu e j i Individu e1 e2 X 1 X 2 x 11 x 12 x 21 x 22 X x 1 j j x 2 j X x 1 x 2 ei x i1 x i2 x ij x i en x n1 x n2 x nj x n
13 B 1 Tableau individu*variables Le tableau eut être mis sous forme matricielle X = x x... x... x j 1 x 21 x x 2 j... x x i1 x i2... x ij... x i x x... x... x n1 n2 nj n
14 B 1 Tableau individu*variables Chaque individu est décrit ar variables, formant un vecteur de dimension, aelé vecteur individu. x i 1... e = x R i ij... x i
15 B 1 Tableau individu*variables Chaque variable eut être rerésentée ar un vecteur de dimension n, aelé vecteur variable, corresondant aux valeurs rises ar cette variable sur les n individus. x 1 j... x = x R j ij n... x nj
16 B 1 Les données: tableau individu*variables
17 B.2- Matrice des oids associés aux individus Les données euvent être ondérées : Le oids attribué à chaque individu exrime l imortance que l on désire lui accorder dans l étude (rerésentativité de l échantillon étudié dans la oulation) : , i = 1,... n i n P = i = 1 i i = Généralement P = 1 n I n (même oids our tous les individus) n
18 B-3 Nuages de oints Ils ermettent de visualiser les liens entre les variables ou les ressemblances/dissemblances entre individus contenus dans le tableau de données X. Nuage des oints-individus = coordonnées des n vecteurs individus e dans le reère de R dont les axes sont les variables du tableau. e ' x,..,... i i1 x ij x = i Nuage des oints-variables = coordonnées des vecteurs variables dans le reère de R n dont les axes sont déterminés ar les n individus. X = [ x,...,,... ]' j 1j x ij x nj e i X j
19 B-3 Nuages de oints On disose de 6 variables rerésentant les taux de différents délits commis our habitants dans 20 Etats des Etats-unis. Ces données euvent être mises dans un tableau individu*variable ETAT Meurtre Rat vol attaque viol larcin Alabama Alaska Arizona Arkansas California Colorado Connecticut Delaware Florida Georgia Hawaii Idaho Illinois Indiana Iowa Kansas Kentucky Louisiana Maine Maryland
20 B-3 Nuages de oints Les n individus forment un nuage de oints dans le sous-esace de défini ar les variables, aelé nuage des oints-individus R nuage des oints-individus 60 rat meurtre Le taux de meurtre et le taux de rat sont corrélés ositivement, ce qui signifie que les états où il y a beaucou de meurtres sont généralement des états où il y a beaucou de rat, et inversement.
21 B-3 Nuages de oints Les variables forment un nuage de oints dans le sous-esace de défini ar les individus, aelé nuage des oints-variables. alaska Nuage de s o ints -variable s our le table au ré duit à de ux individus meutre rat vol attaque viol lar cin alabam a R n on eut comarer ar raort à la remière bissectrice les valeurs rises ar les variables sur les différents individus afin d identifier des individus roches en terme de valeurs rises ar les variables. Ainsi, l Alaska se distingue ar un nombre relativement imortant de larcins.
22 B-4 Centre de gravité Le centre de gravité du nuage de oints individus G caractérise la osition globale de nuage (individu) dans le reère défini ar les variables. C est le oint autour duquel «gravitent» les individus du nuage. x 1 x n G 2 x = x = j i 1... = i ij x Au lus G est loin de l origine, au moins le nuage est centré. RQ : lorsque les oids sont égaux, G est le vecteur des moyennes.
23 B-4 Centre de gravité nuage des oints-individus 60 rat meurtre
24 B-4 Centre de gravité Centre de gravité du tableau des rotéine >mean(roteine) VR VB Oeufs Lait Poisson Céréales Amidon Noix FL
25 B-5 Inertie V = Var( X ) Cov( X, X )... Cov( X, X )... Cov( X, X ) j 1 Cov( X, X ) Var( X )... Cov( X, X )... Cov( X, X ) j Cov( X, X ) Cov( X, X )... Var( X )... Cov( X, X ) 1 j 2 j j j Cov( X, X ) (, )... (, )... ( ) 1 Cov X X Cov X X Var X 2 j
26 B-5 Inertie On eut définir une distance ou éloignement entre individus : e e ² = ( x x )² j=1 = 1 ij kj d²( e, e ) = = ( e e )'( e e ) i k i k i k i k Alication : Eloignement d un oint du nuage ar raort au centre de gravité : d²( e, G) = ( x x )² i j = 1 ij j
27 B-5 Inertie Inertie du nuage de oints ar raort à son centre de gravité = somme ondérée des éloignements au centre de gravité n I = d ²( e, G ) = j = i = 1 i i j= 1 = Var ( X ) = Tr ( V ) I caractérise la disersion ou la forme du nuage ar raort à son centre. : au lus I est élevée, au lus le nuage est disersé autour de son centre de gravité. Une inertie nulle signifie que tous les individus sont identiques. Lorsque les variables sont centrées et réduites I= L inertie mesure la quantité d information contenue dans X
28 B-5 Inertie > cov=cov(crime2) > c=as.matrix(cov); c Meutre Rat Vol Attaque Viol Larcin Meutre Rat Vol Attaque Viol Larcin > I=sum(diag(c));I [1]
29 C-1 Tableau centré associé à X Centrage : ermet de ramener toutes les colonnes de X a la même origine, zero: x x x ij ij j Matrice centrée : Xc = X EG' x x x x... x x... x x j j x x x x... x x... x x j j X c = x x x x... x x... x x i1 1 i2 2 ij j i x x x... x x... x x n1 x n2 2 nj j n 1
30 C-2 Tableau centré-réduit associé à X Réduction = ramener toutes les variables à une même origine 0 et un même écart-tye 1. x x Centrage + réduction = x ij j ij σ ( X ) j Xr = X D 1 c s D s = σ ( X ) σ ( X j ) σ ( X )
31 C-2 Tableau centré-réduit associé à X x x x x x x x x j j... 1 σ ( X ) σ ( X ) σ ( X ) σ ( X ) 1 2 j x x x x x x x x j j... 2 σ ( X ) σ ( X ) σ ( X ) σ ( X ) 1 2 j X r = x x x x x x x x i1 1 i ij j... i σ ( X ) σ ( X ) σ ( X ) σ ( X ) 1 2 j x x n1 1 σ ( X ) 1 x x x x nj j x... n x n σ ( X ) σ ( X ) σ ( X ) 2 j
32 C-2 Tableau centré-réduit associé à X > crimer=scale(crime2)*sqrt(20/19); round(crimer, digit=3) Meutre Rat Vol Attaque Viol Larcin Alabama Alaska Arizona Arkansas California Colorado Connecticut
33 C-2 Tableau centré-réduit associé à X données initiales données centrées données centrées réduites 2 1,5 1 0,5 0-0, , ,5 1 1,5 2 2,5 3 3,5 4 4,5-4 -6
34 C-3 Matrice de variance-covariance associée à X V = Var( X ) Cov( X, X )... Cov( X, X )... Cov( X, X ) j 1 Cov( X, X ) Var( X )... Cov( X, X )... Cov( X, X ) j Cov( X, X ) Cov( X, X )... Var( X )... Cov( X, X ) 1 j 2 j j j Cov( X, X ) (, )... (, )... ( ) 1 Cov X X Cov X X Var X 2 j V = X ' cpxc cov( X n, X ) = ( )( ) c ' c j l i xij x j xil xl = X PX j l i= 1 Var( X ) = cov( X, X ); σ ( X ) = Var( X ) j j j j j
35 C-3 Matrice de corrélation associée à X Le coefficient de corrélation linéaire entre deux variables quantitatives ermet de mesurer le lien linéaire entre ces deux variables: Cov( X, X ) r( X, X ) = j k j k σ ( X ) σ ( X ) j k r( X, X ) = X r ' PX r j k j k r X X, d autant lus grand en valeur absolue que le lien j k linéaire est grand. Nul si absence de lien linéaire. 1 (, ) 1
36 C-3 Matrice de corrélation associée à X R = 1 r( X1, X 2)... r( X1, X j )... r( X1, X ) r( X1, X 2) 1... r( X 2, X j )... r( X 2, X ) r ( X1, X j ) r ( X 2, X j ) r ( X j, X ) r( X1, X ) r( X 2, X )... r( X j, X )... 1 R = X ' PX D 1VD 1 r r = s s
37 C-3 Matrice de corrélation associée à X > cor=cor(crime2) #=cov(crimer) > cor Meutre Rat Vol Attaque Viol Larcin Meutre Rat Vol Attaque Viol Larcin
38 C.4- Ecriture matricielles imortantes Le carré de la P-norme d une variable centrée Xj est sa variance 2 X = X ' PX =σ 2 ( X ) j P j j j Le carré de la P-norme d une variable centrée réduite Xj est égal à 1 Le P-roduit scalaire entre deux variables centrées est leur covariance X, ' j X k = X PX = Cov( X, X ) P j k j k Le P-roduit scalaire entre deux variables centrées réduites est leur coefficient de corrélation X ' PX = r( X, X ) j k j k
Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en 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 détailL information sera transmise selon des signaux de nature et de fréquences différentes (sons, ultrasons, électromagnétiques, électriques).
CHAINE DE TRANSMISSION Nous avons une information que nous voulons transmettre (signal, images, sons ). Nous avons besoin d une chaîne de transmission comosée de trois éléments rinciaux : 1. L émetteur
Plus en détail1 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 détaildénombrement, loi binomiale
dénombrement, loi binomiale Table des matières I) Introduction au dénombrement 1 1. Problème ouvert....................................... 2 2. Jeux et dénombrements...................................
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 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 détailModule : réponse d un système linéaire
BSEL - Physique aliquée Module : réonse d un système linéaire Diaoramas () : diagrammes de Bode, réonse Résumé de cours - Caractérisation d un système hysique - Calcul de la réonse our une entrée donnée
Plus en détailS2I 1. quartz circuit de commande. Figure 1. Engrenage
TSI 4 heures Calculatrices autorisées 214 S2I 1 L essor de l électronique nomade s accomagne d un besoin accru de sources d énergies miniaturisées. Les contraintes imosées à ces objets nomades sont multiles
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailDes familles de deux enfants
Des familles de deux enfants Claudine Schwartz, IREM de Grenoble Professeur, Université Joseh Fourier Les questions et sont osées dans le dernier numéro de «Pour la Science» (n 336, octobre 2005, article
Plus en détailAccès optiques : la nouvelle montée en débit
Internet FTR&D Dossier du mois d'octobre 2005 Accès otiques : la nouvelle montée en débit Dans le domaine du haut débit, les accès en France sont our le moment très majoritairement basés sur les technologies
Plus en détailSanté et hygiène bucco-dentaire des salariés de la RATP
Santé et hygiène bucco-dentaire des salariés de la RATP Percetion des salariés et examen clinique du raticien Période 2006-2009 14 juin 2012 Dominique MANE-VALETTE, Docteur en Chirurgie dentaire dominique.mane-valette@rat.fr
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 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 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 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 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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailprix par consommateur identiques différents prix par identiques classique 3 unité différents 2 1
3- LE MONOOLE DISCRIMINANT Le monoole eut vendre ertaines unités de roduit à des rix différents. On arle de disrimination ar les rix. Selon une terminologie due à igou (The Eonomis of Welfare, 1920), on
Plus en détailUn modèle de composition automatique et distribuée de services web par planification
Un modèle de comosition automatique et distribuée de services web ar lanification Damien Pellier * Humbert Fiorino ** * Centre de Recherche en Informatique de Paris 5 Université Paris Descartes 45, rue
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 détailKit de dépistage et de déclaration du virus Ebola (CARE)
C A R E Kit de dépistage et de déclaration du virus Ebola (CARE) Si vous tombez malade, faites-vous soigner dès que possible pour avoir les meilleures chances de guérison! Cher voyageur, Que vous rentriez
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 détailLes marchés du crédit dans les PVD
Les marchés du crédit dans les PVD 1. Introduction Partout, les marchés du crédit sont au centre de la caacité des économies à croître, uisqu ils financent l investissement. Le Taleau 1 montre ar exemle
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 détailManuel de l'utilisateur
0 Manuel de l'utilisateur Mise en route... 4 Votre Rider 0... 4 Réinitialiser le Rider 0... 5 Accessoires... 5 Icônes d'état... 5 Connexion, synchro et chargement... 6 Allumer/éteindre le Rider 0... 6
Plus en détailDIVERSIFICATION DES ACTIVITES ET PRIVATISATION DES ENTREPRISES DE CHEMIN DE FER : ENSEIGNEMENTS DES EXEMPLES JAPONAIS
Ecole Nationale des Ponts et Chaussées Laboratoire Paris-Jourdan Sciences Economiques DIVERSIFICATION DES ACTIVITES ET PRIVATISATION DES ENTREPRISES DE CHEMIN DE FER : ENSEIGNEMENTS DES EXEMPLES JAPONAIS
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Philippe NERISSON Le 5 février 2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré ar l Institut National Polytechnique de Toulouse Disciline ou sécialité : Dynamique des Fluides Présentée et soutenue ar Philie
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 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 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 détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en 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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailSous le feu des questions
ARTICLE PRINCIPAL Assureurs Protection juridique Sous le feu des questions Comment les assureurs Protection juridique vont-ils désormais romouvoir leurs roduits? Seraient-ils artisans d une assurance Protection
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 détailChambre Régionale de Métiers et de l Artisanat. Région Auvergne. Région Auvergne
Chambre Régionale de Métiers et de l Artisanat L Artisanat en Auvergne, l Energie du Déveloement Région Auvergne Région Auvergne Edito Edito Valoriser la formation des jeunes et des actifs : un enjeu
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
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 détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailVOIP. Pr MOUGHIT Mohamed m.moughit@gmail.com. Cours VOIP Pr MOUGHIT Mohamed 1
VOIP Pr MOUGHIT Mohamed m.moughit@gmail.com Cours VOIP Pr MOUGHIT Mohamed 1 Connexion fixe, rédictible Connexion établie avant la numérotation user Centre de commutation La Radio est le suort imrédictible
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 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 détailProcès - Verbal du Conseil Municipal Du lundi 15 décembre 2014
Procès - Verbal du Conseil Municial Du lundi 15 décembre 2014 Nombre de membres comosant le Conseil Municial : 15 Nombre de membres en exercice : 15 Nombre de Conseillers résents : 14 Nombre de Conseillers
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
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 détailDécouvrez les bâtiments* modulaires démontables
Découvrez les bâtiments* modulaires démontables w Industrie w Distribution * le terme «bâtiment» est utilisé our la bonne comréhension de l activité de Locabri. Il s agit de structures modulaires démontables
Plus en détailTP : Outils de simulation. March 13, 2015
TP : Outils de simulation March 13, 2015 Chater 1 Initialisation Scilab Calculatrice matricielle Exercice 1. Système Unix Créer sous Unix un réertoire de travail outil_simulation dans votre home réertoire.
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 détailNFE107 Urbanisation et architecture des systèmes d information. Juin 2009. «La virtualisation» CNAM Lille. Auditeur BAULE.L 1
Juin 2009 NFE107 Urbanisation et architecture des systèmes d information CNAM Lille «La virtualisation» Auditeur BAULE.L 1 Plan INTRODUCTION I. PRINCIPES DE LA VIRTUALISATION II. DIFFÉRENTES TECHNIQUES
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 détailGuide d utilisation (Version canadienne) Téléphone sans fil DECT 6.0/ avec répondeur et afficheur/ afficheur de l appel en attente CL83101/CL83201/
Guide d utilisation (Version canadienne) Téléhone sans fil DECT 6.0/ avec réondeur et afficheur/ afficheur de l ael en attente CL83101/CL83201/ CL83301/CL83351/ CL83401/CL83451 Félicitations our votre
Plus en détail«INVESTIR SUR LE MARCHE INERNATIONAL DES ACTIONS A-T-IL PLUS D EFFET SUR LA PERSISTANCE DE LA PERFORMANCE DES FONDS? ILLUSTRATION BRITANNIQUE»
Manuscrit auteur, ublié dans "«COMPTABILITE ET ENVIRONNEMENT», France (007)" «INVESTIR SUR LE MARCHE INERNATIONAL DES ACTIONS A-T-IL PLUS D EFFET SUR LA PERSISTANCE DE LA PERFORMANCE DES FONDS? ILLUSTRATION
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 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 détailMéthodologie version 1, juillet 2006
Méthodologe verson, ullet 2006 Tendances Carbone résente chaque mos sx groues d ndcateurs :. Synthèse du mos 2. Clmat 3. Actvté économque. Energe 5. Envronnement nsttutonnel 6. Tableau de bord Ce document
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 détailCatalogue 3 Chaine sur Mesure
Catalogue 3 Chaine sur Mesure SUBAKI Les Chaines 2009 CAALGUE 3 Classification chaine sur mesure sériés de chaîne ye de chaîne subaki Caractéristiques RUNNER BS Performance suérieure Général Chaînes à
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
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 détailScénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
Plus en détailCommande prédictive des systèmes non linéaires dynamiques
Rébliqe Algérienne Démocratiqe et olaire Ministère de l Enseignement Sérier et de la Recherche Scientifiqe Université Molod Mammeri de Tizi-Ozo Faclté de Génie Electriqe et Informatiqe Déartement Atomatiqe
Plus en détailDavid Trick, David Trick and Associates
Les ententes de transfert des crédits du collège à l université et l enseignement universitaire de premier cycle : l Ontario dans un contexte pancanadien et international David Trick, David Trick and Associates
Plus en détailCompression scalable d'images vidéo par ondelettes 2D+t
Comression scalable d'images vidéo ar ondelettes 2D+t Madji Samia, Serir Amina et Ouanane Abdelhak Université des Sciences et de la Technologie Houari Boumediene, Laboratoire de traitement d images et
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en 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 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 détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailCours d électricité. Circuits électriques en courant constant. Mathieu Bardoux. 1 re année
Cours d électricité Circuits électriques en courant constant Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année Objectifs du chapitre
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
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 détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 détailBois. P.21 Bois-béton à Paris. Carrefour du Bois. Saturateurs. Usinage fenêtres. Bardages P.25 P.34 P.31 P.37. La revue de l activité Bois en France
CMP Bois n 19-12 avril - mai 2010 P.25 Carrefour du Bois P.34 cm La revue de l activité Bois en France Bois Saturateurs P.31 Usinage fenêtres P.37 Bardages Tout our l usinage du bois massif. Tout d un
Plus en détailIndividus et informations supplémentaires
ADE-4 Individus et informations supplémentaires Résumé La fiche décrit l usage des individus supplémentaires dans des circonstances variées. En particulier, cette pratique est étendue aux analyses inter
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 détailChap III : Les tableaux
Chap III : Les tableaux Dans cette partie, on va étudier quelques structures de données de base tels que : Les tableaux (vecteur et matrice) Les chaînes de caractères LA STRUCTURE DE TABLEAU Introduction
Plus en détailEvaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière
Evaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière Ronan SYMONEAUX, Isabelle MAITRE, Frédérique JOURJON UMT VINITERA- Laboratoire GRAPPE
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
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 détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailDocuments et lieux de mémoire de la persécution et de la déportation des Juifs à Nîmes. Pistes d'intervention auprès des classes de 3e et de 1ère.
Documents et lieux de mémoire de la ersécution et de la déortation des Juifs à Nîmes. Pistes d'intervention aurès des classes de 3e et de 1ère. L'enseignement du génocide des Juifs est inscrite à trois
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
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 détail.NET remoting. Plan. Principes de.net Remoting
Plan.NET remoting Clémentine Nebut LIRMM / Université de Montellier 2 de.net Remoting côté serveur côté client.net Remoting en ratique Les canaux de communication L'activation L'invocation Les aramètres
Plus en détailVous êtes un prestataire touristique dans les Monts de Guéret? L Office de Tourisme du Grand Guéret peut vous accompagner!
Le guide 2015 e u q i t s i r u o t e r i du artena Vous êtes un restataire touristique dans les Monts de Guéret? L Office de Tourisme du Grand Guéret eut vous accomagner! Qui sommes nous? 2 Edito Nouveau
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 détail