ANALYSE de CAPACITÉ d'un PROCESSUS
|
|
|
- Christelle Paradis
- il y a 8 ans
- Total affichages :
Transcription
1 ANALYSE de CAPACITÉ d'un PROCESSUS ( aptitude d'un processus à satisfaire des exigences / spécifications) Définition Limites "naturelles" de variabilité Distinction entre 3 sortes de limites Étapes pour évaluer la capacité d'un processus Indices de capacité d'un processus Exemples DÉFINITION Étude statistique d'un processus afin de déterminer si une caractéristique qualité mesurable associée est capable de satisfaire des limites de tolérance spécifiées (spécifications) exigées pour le produit fabriqué par le processus. CONDITION ESSENTIELLE Le processus doit être en état de stabilité statistique!!! Le processus doit avoir une personnalité statistique : la caractéristique mesurable X doit suivre une distribution statistique caractérisée par des paramètres constants. ( pour une période de temps suffisante ) La méthode par excellence : avec une carte de contrôle autre méthode : avec un histogramme attention : suppose la stabilité qui peut seulement être établie avec une carte de contrôle! 1
2 LIMITES DE TOLÉRANCE (spécifications) 2 limites X : caractéristique LTI N LTS LTI limite de tolérance inférieure LTS limite de tolérance supérieure N valeur nominale visée = (LTI + LTS)/2 Exemple : dimension sur une pièce usinée X : 1. ±.1 (mm) ou 9.99 X 1.1 Une limite supérieure X X LTS Exemple : indice d'alcool dans le sang X.8 mg/l Une limite inférieure X LTI Exemple : moyenne cumulative d'un étudiant à Polytechnique X 1.75 ÉTAPES D'UNE ÉTUDE DE CAPACITÉ Plan de collecte de données : au moins 1 observations Calcul de la dispersion du processus : carte de contrôle Calcul des indices de capacité : C p et C pk Décision sur l'aptitude et moyens pour amélioration QUAND processus existant modification majeure d'un processus qualification d'un nouveau processus sélection d'un fournisseur 2
3 LIMITES "NATURELLES" D'UN PROCESSUS distribution de moyenne µ écart type σ 6 σ LNI µ LNS X Limite Naturelle Inférieure Limite Naturelle Supérieure PAR CONVENTION on définit LNI et LNS par LNI = µ - 3 σ LNS = µ + 3 σ IDÉE À LA BASE DE CETTE DÉFINITION Distribution gaussienne (LNI, LNS) couvre % On applique cette définition à toutes les distributions. En pratique, les paramètres ( µ, σ ) ne sont pas connus et doivent être estimés avec des données d'observations 1. plan de collecte pour construire une carte 2. vérification de la stabilité : SI OUI 3. estimation des paramètres ( µ, σ ) 4. calcul des indices C p C pk 3
4 DISTINCTION ENTRE 3 TYPES DE LIMITES Ne pas confondre LIMITES DE TOLÉRANCE DU PRODUIT LIMITES NATURELLES DE VARIATION DU PROCESSUS LIMITES DE CONTRÔLE STATISTIQUE DU PROCESUS INDICES DE CAPACITÉ DE PROCESSUS C P C PL C PU = ( LTS - LTI )/6σ = ( µ - LTI )/3σ = ( LTS - µ )/3σ REMARQUES C PK = MIN (C PL, C PU ) Le diviseur 6 σ représente, la "grandeur" du processus : c'est une convention Les indices sont des nombres positifs sans unité. Plus l'indice est grand meilleur est le processus. C P ne tient pas en compte la possibilité que la moyenne µ du processus soit différente de la valeur nominale N de l'intervalle de tolérance. Il est préférable d'utiliser l'indice C PK En pratique, toutes ces quantités seront des estimations car les paramètres ( µ, σ ) de la distribution seront des estimations. Il y a une relation directe entre les indices et le % de produits non conformes fabriqués par le processus. 4
5 CLASSIFICATION des PROCESSUS SELON C PK Indice C PK Processus < 1. non capable =1. capable 1. à 1.33 bon 1.33 à 1.5 très bon >= 1.5. Excellent C PK ET LE NOMBRE DE PRODUITS NON CONFORMES (NC) DANS UN LOT DE 1 C PK NC EXEMPLE 1: X dimension sur une pièce Nominale visée : N = 72 Intervalle de tolérance 72 ± 2 LTI = 52 LTS = 92 N = ( LTS + LTI )/2 Données : 2 groupes de 5 pièces Groupe mesures
6 X-bar: (79.73); Sigma: (1.469); n: SixGraph X-bar and R Chart: dimcle Normal Probability Plot Range: (24.35); Sigma: 9.46 (9.46); n: 5. Capability Plot Within Overall Spec. Limits Within SD: 1.47; Cp:.3517; Cpk:.3517 Overall SD: 11.5; Pp:.3333; Ppk:.3333 LSL: 68.68; Nom.: 79.73; USL: Individual Plot X-bar: (79.73); Sigma: (1.469); n: Capability Histogram LSL USL -3.*S Nominal +3.*S LTI = 72-2 = 52 LTS = = 92 µ = σ = 1.47 C PL = ( )/3 * 1.47 =.88 C PU = ( )/3 * 1.47 =.39 C PK = MIN (C PL, C PU ) =.39 6
7 Utilisation de Statistica : module PROCESS ANALYSIS EXEMPLE OTHM table 1.1 p. 355 Échantillon Pièce Pièce Pièce Pièce Échantillon Pièce Pièce Pièce Pièce
8 4 Variable: X_EX11 Mean: Sigma: Specifications: LSL=46. Nominal=54. USL=62. Normal: Cp=.726 Cpk=.4183 Cpl=1.34 Cpu= s LSL NOMINAL USL +3.s Frequency
9 66 Histogram of Means X-bar and R Chart; variable: X_EX11 X-bar: (57.391); Sigma: (3.6733); n: Histogram of Ranges Range: (7.5625); Sigma: (3.2318); n: Descriptive Statistics Variable:X_EX11 N = 64 Value Mean Median th Percentile (Q25) th Percentile (Q75) 6. Minimum Value 49. Maximum Value 68. Standard Deviation 4.93 Variance Skewness.287 Kurtosis.45 Number of samples 16. Sample size 4. Sigma-S (R-bar/d2)
10 X-bar: (57.391); Sigma: (3.6733); n: SixGraph X-bar and R Chart: X_EX Normal Probability Plot Range: (7.5625); Sigma: (3.2318); n: Individual Plot X-bar: (57.391); Sigma: (3.6733); n: Within Overall Spec. Limits Capability Plot Within SD: 3.673; Cp:.3714; Cpk:.3714 Overall SD: 4.93; Pp:.3333; Ppk:.3333 LSL: 53.3; Nom.: 57.39; USL: *S Capability Histogram LSL USL Nominal +3.*S Variable: X_EX11 6 Value Lower Specification Limit 46. Nominal Specification 54. Upper Specification Limit 62. CP (potential capability).726 CR (capability ratio) CPK (demonstrated excellence).418 CPL (lower capability index) 1.34 CPU (upper capability index).418 K (non-centering correction).424 CPM (potential capability II).5 1
Le suivi de la qualité. Méthode MSP : généralités
Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois
Séries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Appliquer la maîtrise statistique des processus (MSP/SPC)
Maurice PILLET Professeur des Universités IUT Annecy Université de Savoie, Laboratoire LISTIC Ancien élève de l'ecole Normale Supérieure de CACHAN Appliquer la maîtrise statistique des processus (MSP/SPC)
Rares sont ceux d entre nous qui, lors
Solutions PROGICIELS DE CONTRÔLE STATISTIQUE SPC : BIEN IDENTIFIER LE BESOIN AVANT DE CHOISIR Choisir un progiciel de Maîtrise Statistique des Procédés (MSP) ou de la qualité d une fabrication (SQC) n
3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
CAPTEURS - 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,
Représentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Introduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
LA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001
LA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001 I/ HISTORIQUE DE LA QUALITE La qualité est un souci permanent de l homme depuis longtemps. Jusqu au XIX ème siècle, c est l ère artisanale
Lire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Gestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Annexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
distribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
MAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Introduction 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?
IBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
Précision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Population responses to environmental forcing : approaches to model and monitor habitat characteristics
Approche systémique des pêches Boulogne-sur sur-mer 2008 Population responses to environmental forcing : approaches to model and monitor habitat characteristics Pierre Petitgas (1), M. Huret (1), B. Planque
DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Modèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Formules et Approches Utilisées dans le Calcul du Coût Réel
Formules et Approches Utilisées dans le Calcul du Coût Réel Objectifs du Taux Annuel Effectif Global (TAEG) et du Taux d Intérêt Effectif (TIE) Le coût réel d un crédit inclut non seulement l intérêt,
Sigma Consulting est un cabinet conseil spécialisé en management des organisations. Le Management en mode projet..2
Sigma Consulting est un cabinet conseil spécialisé en management des organisations. Sa mission est d'aider les entreprises à développer la qualité de service dont ont besoin leurs clients internes ou externes.
Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Statistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Tableau récapitulatif de l analyse fréquentielle
Tableau récapitulatif de l analyse fréquentielle Très Plutôt Quelque Ni Quelque Plutôt Très TOTAL peu ni peu 1. L utilité du d inclure le contexte dans la note de stratégie 4% 4% 4% 8% 64% 16% 100% 2.
MESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
IBM 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
Soutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
L assurance de la qualité à votre service
Atelier L assurance de la qualité à votre service Présentation de Jean-Marie Richard 24 et 25 novembre Sujets Qu est-ce que l assurance de la qualité? Initiation aux concepts de l assurance de la qualité.
1. 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
Nouvelle approche de validation Novo Nordisk
44 ème Congrès International SFSTP 6 et 7 juin 2012 LA CONNAISSANCE SCIENTIFIQUE AU SERVICE DE LA QUALITE PRODUIT Apports du «Quality by Design» et retours d expd expériences Nouvelle approche de validation
Théorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Statistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Validation 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
Lecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Développement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
TABLE 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
CONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Présentation des termes et ratios financiers utilisés
[ annexe 3 Présentation des termes et ratios financiers utilisés Nous présentons et commentons brièvement, dans cette annexe, les différents termes et ratios financiers utilisés aux chapitres 5, 6 et 7.
TABLE 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,
Evaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
TSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Résumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
CEG4566/CSI4541 Conception de systèmes temps réel
CEG4566/CSI4541 Conception de systèmes temps réel Chapitre 6 Vivacité, sécurité (Safety), fiabilité et tolérance aux fautes dans les systèmes en temps réel 6.1 Introduction générale aux notions de sécurité
http://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines
Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association
Statistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
données en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
RÉPUBLIQUE FRANÇAISE Ministère de l Economie et des Finances Décret n relatif au fonds de soutien aux collectivités territoriales ayant souscrit des contrats de prêt ou des contrats financiers structurés
Le modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Tremplins de la Qualité. Tome 2
Tome 2 CET OUVRAGE EST UN GUIDE D INTERPRETATION DE LA NORME NF EN ISO 9001 VERSION 2000 AVANTPROPOS Ce guide d aide à la rédaction du Manuel de Management de la Qualité a été rédigé par la Fédération
A apposer sur tout produit mis sur le marché européen. A la fois un symbole, une déclaration et une attestation de conformité à une Directive
Le marquage proprement dit A apposer sur tout produit mis sur le marché européen A la fois un symbole, une déclaration et une attestation de conformité à une Directive N est pas une marque de qualité Obligatoire!
Relation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Équivalence et Non-infériorité
Équivalence et Non-infériorité Éléments d Introduction Lionel RIOU FRANÇA INSERM U669 Mars 2009 Essais cliniques de supériorité Exemple d Introduction Données tirées de Brinkhaus B et al. Arch Intern Med.
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Principe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Utilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq
e élevé Risque faible Risq à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq L e s I n d i c e s F u n d a t a é Risque Les Indices de faible risque
Meine Flüssigkeit ist gefärbt*, comme disaient August Beer (1825-1863) et Johann Heinrich Lambert (1728-1777)
1ère S Meine Flüssigkeit ist gefärbt*, comme disaient August Beer (1825-1863) et Johann Heinrich Lambert (1728-1777) Objectif : pratiquer une démarche expérimentale pour déterminer la concentration d une
Exemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
PROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Mesure 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
LA GESTION DES STOCKS POUR UN FABRICANT AUX GRANDES CHAÎNES
LA GESTION DES STOCKS POUR UN FABRICANT AUX GRANDES CHAÎNES Direction du développement des entreprises Cet outil de gestion est une initiative conjointe de la Direction du commerce, des services et de
Définition 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
Validation des processus de production et de préparation du service (incluant le logiciel)
Validation des processus de production et de préparation du service (incluant le logiciel) Traduction non officielle du document Réponses et décisions de EK-Med 3.9 B 18 publié sur le site Web de l organisme
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
FPSTAT 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
Algebra & Trigonometry High School Level Glossary English / French
Algebra & Trigonometry High School Level Glossary / Algebra 2 and Trigonometry Problem Solving algebraically alternate approach collaborate constraint critique equivalent evaluate explain formulate generalization
Feuille 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
BMO Société d assurance-vie. Glossaire d aide juin 2009
BMO Société d assurance-vie Glossaire d aide juin 2009 TABLE DES MATIÈRES Utiliser Recherche rapide pour les comptes indiciels gérés 3 Utiliser Recherche avancée pour les comptes indiciels gérés 4 Trier
Le risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
- 01 - GESTION DES INVESTISSEMENTS RENTABILITE ECONOMIQUE
- 01 - GESTION DES INVESTISSEMENTS RENTABILITE ECONOMIQUE Objectif(s) : o Choix des investissements et rentabilité économique : Capacité d'autofinancement prévisionnelle ; Flux nets de trésorerie ; Evaluations.
Méthodes de la gestion indicielle
Méthodes de la gestion indicielle La gestion répliquante : Ce type de gestion indicielle peut être mis en œuvre par trois manières, soit par une réplication pure, une réplication synthétique, ou une réplication
Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité
CANEGE Leçon 5 Systèmes de gestion à recomplétement périodique et stock Objectif : A l'issue de la leçon l'étudiant doit être capable : dans le cadre des calendriers d approvisionnement à recomplètement
Stages de Formation en Statistique Appliquée et Logistique
Stages de Formation en Statistique Appliquée et Logistique Un aperçu de nos stages Titre Avec PC Durée Info Visualisation de données de laboratoire avec Excel oui 2 jours p. 3 Analyse de données de laboratoire
FORMULAIRE 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)
Le Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Loi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
MODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
LES CONTRATS EN AVICULTURE. Comité Volailles FranceAgriMer, 31 janvier 2013 1
LES CONTRATS EN AVICULTURE Comité Volailles FranceAgriMer, 31 janvier 2013 1 CONTEXTE, OBJECTIFS ET MÉTHODE Comité Volailles FranceAgriMer, 31 janvier 2013 2 CONTEXTE Déficit de compétitivité français
Commun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Evolution du pouvoir d'achat du point d'indice net majoré (INM) depuis le 1er janvier 2000
Evolution du pouvoir d'achat du net majoré (INM) depuis le 1er janvier 2000 Indices INSEE : Valeur du au 1er juillet 2010 = 4,6303 perte de pouvoir d'achat depuis le 1er janvier 2000 du sur l'indice des
Arrondissage des résultats de mesure. Nombre de chiffres significatifs
BUREAU NATIONAL DE MÉTROLOGIE COMMISSARIAT À L'ÉNERGIE ATOMIQUE LABORATOIRE NATIONAL HENRI BECQUEREL Note technique LNHB/04-13 Arrondissage des résultats de esure Nobre de chiffres significatifs M.M. Bé,
23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Le marquage CE est avant tout un principe de protection du consommateur
Le marquage CE est avant tout un principe de protection du consommateur il ne faut pas le confondre avec les différentes obligations : les justificatifs pour crédits d impôts et pour les marchés publics
De la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Evaluation des modèles non-linéaires à effets mixtes
Evaluation des effets mixtes INSERM UMR738 GDR Statistiques et Santé, 20 octobre 2009 Pharmacométrie Définition modélisation des données obtenues lors d essais cliniques sur des médicaments développement
Customer Relationship Management ou Gestion de la Relation Client = Placer le client au coeur de l entreprise
EL MAWASSIR : Une Culture d Orientation Client Customer Relationship Management ou Gestion de la Relation Client = Placer le client au coeur de l entreprise «Augmenter les performances en plaçant les clients
FICHE TECHNIQUE. Domaines d applications. Stockage / Mise en oeuvre. Caractéristiques physiques et techniques STOCKAGE MISE EN OEUVRE
FICHE TECHNIQUE PLANS DE TRAVAIL EGGER EUROSPAN Les plans de travail EGGER EUROSPAN se composent d un panneau support EUROSPAN à faible émission de formaldéhyde E1 et d un stratifié décoratif plaqué uniformément