De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales / David Makowski (2018) 

Public ISBD Titre : De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales Type de document : Ouvrage Auteurs : David Makowski, Auteur ; François Piraux, Auteur ; François Brun, Auteur Editeur : Versailles : Quae Année de publication : 2018 Collection : Savoir-faire Importance : 161 p ISBN/ISSN/EAN : 978-2-7592-2815-7 Langues : Français (fre) Catégories : [Motbis 2025] agronomie [Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] modèle statistique [Motbis 2025] statistique Index. décimale : DJ-0 Généralités Note de contenu : Chapitre 1. Introduction et exemples Objectifs de l’analyse de réseaux d’expérimentations et de la méta-analyse Données Le type de données La collecte des données La validation des données Analyse Principales étapes Présentation des hypothèses testées Collecte des données Validation des données Analyse des données Validation de l’analyse Communication des résultats Objectif de l’ouvrage Un exemple simple de modèle mixte Définition Données Définition du modèle Estimation Comparaison avec le modèle sans effet aléatoire Références Partie I. Analyse des réseaux expérimentaux Chapitre 2. Notions de base Expérimentation agronomique Réseau d’expérimentations Définition Exemple de réseau d’expérimentations Notion d’environnement Objectifs d’un réseau d’expérimentations Notion de population d’environnements Notion d’interaction Références Chapitre 3. Analyse d’un réseau d’expérimentations en blocs aléatoires complets à un facteur étudié Objectif du chapitre Exemple « blé» Modélisation Modèle avec un effet expérimentation aléatoire Modèle avec un effet expérimentation fixe Exemple Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? Évaluation du modèle Normalité Homoscédasticité Indépendance Données suspectes Comparaisons de moyennes Tests d’hypothèse : tests d’égalité Intervalles de confiance Tests d’hypothèse : tests d’équivalence Exemple Exemple « blé» : script R et analyse commentée Références Chapitre 4. Méthodes avancées pour l’analyse des réseaux Analyse des données moyennes Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes des traitements Étape 2 :analyse des données moyennes Exemple Une variante: analyse des données moyennes avec un modèle fixe Estimation de la variance d’interaction traitement-expérimentation Script R Expérimentations avec variances hétérogènes Introduction Exemple « blé» Pour aller plus loin Données manquantes Origine des données manquantes Moyennes ajustées Les facteurs lieu et année Objectif Exemple «blé_pluri » Modèle pour l’analyse des données moyennes Estimation de la variance de l’interaction traitement-année-lieu Variance de la différence entre deux traitements Analyse de l’exemple « blé_pluri » et script R Références Chapitre 5. Planification d’un réseau d’expérimentations Objectif Comparaison de deux traitements Cas d’un réseau multilocal Cas d’un réseau multilocal et pluriannuel Autres contrastes Comparaison à la moyenne de plusieurs témoins Comparaison à la moyenne générale Références Partie II. La méta-analyse Chapitre 6. Notions de basepour la méta-analyse Définition,origine et principales étapes de la méta-analyse Estimation d’une taille d’effet moyenne Objectif Recherche systématique des études, sélection des références et extraction de données Estimation de la taille d’effet moyenne avec un modèle sans effet aléatoire Estimation de la taille d’effet moyenne avec un modèle à effets aléatoires Métarégression Objectif Exemple Modèles de régression avec et sans effet aléatoire Exemple(suite) Analyse critique des résultats Références Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse Définition de la taille d’effet Correction des biais liés à l’utilisation de ratios Différence entre moyennes d’observations Tailles d’effet pour les données binaires Coefficient de corrélation Tailles d’effet basées sur la variance Modèles linéaires généralisés pour l’analyse de données discrètes Modèle binomial logit à effets aléatoires pour analyser l’effet d’un traitement Exemple Modèles non linéaires mixtes Intérêt et définition Exemple Modèles bayésiens Définition Exemple :méta-analyse avec MCMCglmm Références Annexe. Ressources R pour mettre en œuvre les méthodes d’analyse des réseaux et de méta-analyse Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres Installation Contenu et utilisation Mettre en oeuvre le modèle mixte sous R Ajuster un modèle mixte Manipuler les résultats des modèles mixtes sous R Le package metafor, dédié à la réalisation de méta-analyses sous R Approche bayésienne avec le modèle mixte Packag eMCMCglmm Package coda Références De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales [Ouvrage] / David Makowski, Auteur ; François Piraux, Auteur ; François Brun, Auteur . - Versailles : Quae, 2018 . - 161 p. - (Savoir-faire) . ISBN : 978-2-7592-2815-7 Langues : Français (fre) Catégories : [Motbis 2025] agronomie [Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] modèle statistique [Motbis 2025] statistique Index. décimale : DJ-0 Généralités Note de contenu : Chapitre 1. Introduction et exemples Objectifs de l’analyse de réseaux d’expérimentations et de la méta-analyse Données Le type de données La collecte des données La validation des données Analyse Principales étapes Présentation des hypothèses testées Collecte des données Validation des données Analyse des données Validation de l’analyse Communication des résultats Objectif de l’ouvrage Un exemple simple de modèle mixte Définition Données Définition du modèle Estimation Comparaison avec le modèle sans effet aléatoire Références Partie I. Analyse des réseaux expérimentaux Chapitre 2. Notions de base Expérimentation agronomique Réseau d’expérimentations Définition Exemple de réseau d’expérimentations Notion d’environnement Objectifs d’un réseau d’expérimentations Notion de population d’environnements Notion d’interaction Références Chapitre 3. Analyse d’un réseau d’expérimentations en blocs aléatoires complets à un facteur étudié Objectif du chapitre Exemple « blé» Modélisation Modèle avec un effet expérimentation aléatoire Modèle avec un effet expérimentation fixe Exemple Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? Évaluation du modèle Normalité Homoscédasticité Indépendance Données suspectes Comparaisons de moyennes Tests d’hypothèse : tests d’égalité Intervalles de confiance Tests d’hypothèse : tests d’équivalence Exemple Exemple « blé» : script R et analyse commentée Références Chapitre 4. Méthodes avancées pour l’analyse des réseaux Analyse des données moyennes Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes des traitements Étape 2 :analyse des données moyennes Exemple Une variante: analyse des données moyennes avec un modèle fixe Estimation de la variance d’interaction traitement-expérimentation Script R Expérimentations avec variances hétérogènes Introduction Exemple « blé» Pour aller plus loin Données manquantes Origine des données manquantes Moyennes ajustées Les facteurs lieu et année Objectif Exemple «blé_pluri » Modèle pour l’analyse des données moyennes Estimation de la variance de l’interaction traitement-année-lieu Variance de la différence entre deux traitements Analyse de l’exemple « blé_pluri » et script R Références Chapitre 5. Planification d’un réseau d’expérimentations Objectif Comparaison de deux traitements Cas d’un réseau multilocal Cas d’un réseau multilocal et pluriannuel Autres contrastes Comparaison à la moyenne de plusieurs témoins Comparaison à la moyenne générale Références Partie II. La méta-analyse Chapitre 6. Notions de basepour la méta-analyse Définition,origine et principales étapes de la méta-analyse Estimation d’une taille d’effet moyenne Objectif Recherche systématique des études, sélection des références et extraction de données Estimation de la taille d’effet moyenne avec un modèle sans effet aléatoire Estimation de la taille d’effet moyenne avec un modèle à effets aléatoires Métarégression Objectif Exemple Modèles de régression avec et sans effet aléatoire Exemple(suite) Analyse critique des résultats Références Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse Définition de la taille d’effet Correction des biais liés à l’utilisation de ratios Différence entre moyennes d’observations Tailles d’effet pour les données binaires Coefficient de corrélation Tailles d’effet basées sur la variance Modèles linéaires généralisés pour l’analyse de données discrètes Modèle binomial logit à effets aléatoires pour analyser l’effet d’un traitement Exemple Modèles non linéaires mixtes Intérêt et définition Exemple Modèles bayésiens Définition Exemple :méta-analyse avec MCMCglmm Références Annexe. Ressources R pour mettre en œuvre les méthodes d’analyse des réseaux et de méta-analyse Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres Installation Contenu et utilisation Mettre en oeuvre le modèle mixte sous R Ajuster un modèle mixte Manipuler les résultats des modèles mixtes sous R Le package metafor, dédié à la réalisation de méta-analyses sous R Approche bayésienne avec le modèle mixte Packag eMCMCglmm Package coda Références

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00005682	DJ-0146	Livre	Salle de lecture	Documentaires	Disponible

Documents numériques

De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales URL

Biostatistical analysis / Jerrold H. Zar (2013)

Public ISBD Titre : Biostatistical analysis Type de document : Ouvrage Auteurs : Jerrold H. Zar, Auteur Mention d'édition : 5ème ed Editeur : Harlow : Pearson new international edition Année de publication : 2013 Importance : 756 p ISBN/ISSN/EAN : 978-1-292-02404-2 Langues : Anglais (eng) Catégories : [Motbis 2025] biologie [Motbis 2025] modèle statistique [Motbis 2025] recherche scientifique Index. décimale : Note de contenu : Zar’s Biostatistical Analysis, Fifth Edition, is the ideal textbook for graduate and undergraduate students seeking practical coverage of statistical analysis methods used by researchers to collect, summarize, analyze and draw conclusions from biological research. The latest edition of this best-selling textbook is both comprehensive and easy to read. It is suitable as an introduction for beginning students and as a comprehensive reference book for biological researchers and for advanced students. Biostatistical analysis [Ouvrage] / Jerrold H. Zar, Auteur  . -  5ème ed . - Harlow : Pearson new international edition, 2013 . - 756 p. ISBN : 978-1-292-02404-2 Langues : Anglais (eng) Catégories : [Motbis 2025] biologie [Motbis 2025] modèle statistique [Motbis 2025] recherche scientifique Index. décimale : Note de contenu : Zar’s Biostatistical Analysis, Fifth Edition, is the ideal textbook for graduate and undergraduate students seeking practical coverage of statistical analysis methods used by researchers to collect, summarize, analyze and draw conclusions from biological research. The latest edition of this best-selling textbook is both comprehensive and easy to read. It is suitable as an introduction for beginning students and as a comprehensive reference book for biological researchers and for advanced students.

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00001805	DC-0145	Livre	Salle de lecture	Documentaires	Disponible

Le contrôle de la qualité : mise en application des outils statistiques / Sahbani Mansour (2025)

Public ISBD Titre : Le contrôle de la qualité : mise en application des outils statistiques Type de document : Ouvrage Auteurs : Sahbani Mansour, Auteur Editeur : La Plaine Saint Denis : Afnor Année de publication : 2025 Importance : 144 p ISBN/ISSN/EAN : 978-2-12-465906-7 Langues : Français (fre) Catégories : [Motbis 2025] démarche de qualité [Motbis 2025] entreprise [Motbis 2025] gestion de l'entreprise [Motbis 2025] modèle mathématique [Motbis 2025] modèle statistique Index. décimale : VC-3 Gestion de la qualité (dont audit, certification) Note de contenu : 1 Outils statistiques élémentaires pour l'amélioration de la qualité 1.1 Généralités 1.2 Résumés numériques Exercices d'application du chapitre 1 2 Modèles mathématiques pour la variabilité 2.1 Introduction 2.2 Lois de distribution de probabilités discrètes 2.3 Lois de distribution des probabilités continues 2.4 Étude de la normalité d'une caractéristique de qualité 3 Maîtrise statistique des processus : cartes de contrôle 3.1 Généralités sur la maîtrise statistique des processus (MSP) 3.2 Les cartes de contrôle Exercices d'application du chapitre 3 4 Contrôle de réception 4.1 Généralités 4.2 Plan d'échantillonnage simple par attributs Exercices d'application du chapitre 4 Le contrôle de la qualité : mise en application des outils statistiques [Ouvrage] / Sahbani Mansour, Auteur . - La Plaine Saint Denis : Afnor, 2025 . - 144 p. ISBN : 978-2-12-465906-7 Langues : Français (fre) Catégories : [Motbis 2025] démarche de qualité [Motbis 2025] entreprise [Motbis 2025] gestion de l'entreprise [Motbis 2025] modèle mathématique [Motbis 2025] modèle statistique Index. décimale : VC-3 Gestion de la qualité (dont audit, certification) Note de contenu : 1 Outils statistiques élémentaires pour l'amélioration de la qualité 1.1 Généralités 1.2 Résumés numériques Exercices d'application du chapitre 1 2 Modèles mathématiques pour la variabilité 2.1 Introduction 2.2 Lois de distribution de probabilités discrètes 2.3 Lois de distribution des probabilités continues 2.4 Étude de la normalité d'une caractéristique de qualité 3 Maîtrise statistique des processus : cartes de contrôle 3.1 Généralités sur la maîtrise statistique des processus (MSP) 3.2 Les cartes de contrôle Exercices d'application du chapitre 3 4 Contrôle de réception 4.1 Généralités 4.2 Plan d'échantillonnage simple par attributs Exercices d'application du chapitre 4

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00007269	VC-3046	Livre	Salle de lecture	Documentaires	Disponible

Eco-Stats: Data Analysis in Ecology : From t-tests to Multivariate Abundances / David I. Warton (2022)

Public ISBD Titre : Eco-Stats: Data Analysis in Ecology : From t-tests to Multivariate Abundances Type de document : Ouvrage Auteurs : David I. Warton, Auteur Editeur : Cham : Springer Année de publication : 2022 Importance : 433 p ISBN/ISSN/EAN : 978-3-030-88445-1 Langues : Anglais (eng) Catégories : [Motbis 2025] analyse statistique [Motbis 2025] écologie [Motbis 2025] enquête [Motbis 2025] modèle statistique [Motbis 2025] statistique Index. décimale : DC-0 Généralités Note de contenu : Part I - Regression Analysis for a Single Response Variable 1. “Stats 101” Revision 2. An Important Equivalence Result 3. Regression with Multiple Predictor Variables 4. Linear Models—Anything Goes 5. Model Selection 6. Mixed Effects Models 7. Correlated Samples in Time, Space, Phylogeny 8. Wiggly Models 9. Design-Based Inference 10. Analysing Discrete Data Part II - Regression Analysis for Multiple Response Variable 11. Multivariate Analysis 12. Visualising Many Responses 13. Allometric Line Fitting Part III - Regression Analysis for Multivariate Abundances 14. Multivariate Abundances and Environmental Association 15. Predicting Multivariate Abundances 16. Explaining Variation in Responses Across Taxa 17. Studying Co-occurrence Patterns 18. Closing Advice Eco-Stats: Data Analysis in Ecology : From t-tests to Multivariate Abundances [Ouvrage] / David I. Warton, Auteur . - Cham : Springer, 2022 . - 433 p. ISBN : 978-3-030-88445-1 Langues : Anglais (eng) Catégories : [Motbis 2025] analyse statistique [Motbis 2025] écologie [Motbis 2025] enquête [Motbis 2025] modèle statistique [Motbis 2025] statistique Index. décimale : DC-0 Généralités Note de contenu : Part I - Regression Analysis for a Single Response Variable 1. “Stats 101” Revision 2. An Important Equivalence Result 3. Regression with Multiple Predictor Variables 4. Linear Models—Anything Goes 5. Model Selection 6. Mixed Effects Models 7. Correlated Samples in Time, Space, Phylogeny 8. Wiggly Models 9. Design-Based Inference 10. Analysing Discrete Data Part II - Regression Analysis for Multiple Response Variable 11. Multivariate Analysis 12. Visualising Many Responses 13. Allometric Line Fitting Part III - Regression Analysis for Multivariate Abundances 14. Multivariate Abundances and Environmental Association 15. Predicting Multivariate Abundances 16. Explaining Variation in Responses Across Taxa 17. Studying Co-occurrence Patterns 18. Closing Advice

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00006547	DC-0166	Livre	Salle de lecture	Documentaires	Disponible

Intelligence artificielle / Brian Clegg (2026)

Public ISBD Titre : Intelligence artificielle Type de document : Ouvrage Auteurs : Brian Clegg, Auteur Editeur : Les Ulis : Edp Sciences Année de publication : 2026 Collection : Short Cuts Importance : 160 p ISBN/ISSN/EAN : 978-2-7598-3780-9 Langues : Français (fre) Catégories : [Motbis 2025] intelligence artificielle [Motbis 2025] intelligence artificielle (IA) [Motbis 2025] modèle statistique Index. décimale : EA-0 Généralités Note de contenu : 1. Les débuts Qu’est-ce que l’intelligence ? Peut-on être intelligent si on ne comprend pas le chinois ? Qui Alan Turing voulait-il tester ? L’intelligence suit-elle des règles structurées ? Un ordinateur peut-il être expert ? Comment fonctionne un réseau de neurones ? 2. IA spécifique Est-ce que la petite mouche la trompe ? À quoi sert la rétropropagation ? Un ordinateur peut-il être grand maître d’échecs ? La créativité peut-elle s’informatiser ? La théorie des jeux rend-elle intelligent ? Qu’est-ce qu’un agent intelligent ? 3. Machine learning Comment Watson a-t-il gagné Jeopardy ? Les big data sont-elles la clé de l’intelligence ? Pourquoi l’IA voit-elle des loups imaginaires ? Siri et Alexa nous comprennent-elles ? Pourquoi l’IA triche-t-elle ? Comment l’IA a-t-elle triomphé au jeu de Go ? Comment l’IA peut-elle plier des protéines ? 4. IA génératives Qu’est-ce qu’un grand modèle de langage ? Comment l’IA écrit-elle une histoire ? Les artistes perdront-ils leur travail ? D’où viennent les images d’une IA ? Comment produire une vidéo truquée ? Peut-on empêcher les IA d’halluciner ? Pourquoi un robot n’est-il pas un robot ? Pourquoi est-il si difficile de construire un robot humanoïde ? Que peut-on apprendre des insectes ? Un robot a-t-il besoin d’intelligence ? Doit-on écrire des lois de la robotique ? Les robots peuvent-ils être chirurgiens ? 6. Véhicules autonomes Comment automatiser les livraisons ? Pourquoi a-t-on déjà des trains sans conducteur ? Comment un véhicule autonome sait-il où il se trouve ? Un véhicule autonome peut-il confondre un stop avec un ananas ? Pourquoi tester ces véhicules en Californie est une mauvaise idée ? Une mort causée par l’IA compte-t-elle plus que cent vies sauvées ? 7. IA générale Qu’est-ce que l’intelligence générale ? Pourquoi est-ce si dur de produire une IAG ? Pourquoi les chercheurs cherchent-ils l’IAG ? L’IAG peut-elle dépasser les humains ? Comment repérer une IAG ? L’IAG sera-t-elle consciente ? 8. Les peurs liées à l'IA L’IA mène-t-elle le monde à sa perte ? Qu’est-ce que la singularité ? Est-il possible de simuler un cerveau ? Des robots pour remplacer les soldats ? Une puissante IAG verrait-elle les humains comme une menace ? Quelle législation pour contrôler l’IA ? Pourra-t-on un jour transférer son esprit dans un ordinateur ? Intelligence artificielle [Ouvrage] / Brian Clegg, Auteur . - Les Ulis : Edp Sciences, 2026 . - 160 p. - (Short Cuts) . ISBN : 978-2-7598-3780-9 Langues : Français (fre) Catégories : [Motbis 2025] intelligence artificielle [Motbis 2025] intelligence artificielle (IA) [Motbis 2025] modèle statistique Index. décimale : EA-0 Généralités Note de contenu : 1. Les débuts Qu’est-ce que l’intelligence ? Peut-on être intelligent si on ne comprend pas le chinois ? Qui Alan Turing voulait-il tester ? L’intelligence suit-elle des règles structurées ? Un ordinateur peut-il être expert ? Comment fonctionne un réseau de neurones ? 2. IA spécifique Est-ce que la petite mouche la trompe ? À quoi sert la rétropropagation ? Un ordinateur peut-il être grand maître d’échecs ? La créativité peut-elle s’informatiser ? La théorie des jeux rend-elle intelligent ? Qu’est-ce qu’un agent intelligent ? 3. Machine learning Comment Watson a-t-il gagné Jeopardy ? Les big data sont-elles la clé de l’intelligence ? Pourquoi l’IA voit-elle des loups imaginaires ? Siri et Alexa nous comprennent-elles ? Pourquoi l’IA triche-t-elle ? Comment l’IA a-t-elle triomphé au jeu de Go ? Comment l’IA peut-elle plier des protéines ? 4. IA génératives Qu’est-ce qu’un grand modèle de langage ? Comment l’IA écrit-elle une histoire ? Les artistes perdront-ils leur travail ? D’où viennent les images d’une IA ? Comment produire une vidéo truquée ? Peut-on empêcher les IA d’halluciner ? Pourquoi un robot n’est-il pas un robot ? Pourquoi est-il si difficile de construire un robot humanoïde ? Que peut-on apprendre des insectes ? Un robot a-t-il besoin d’intelligence ? Doit-on écrire des lois de la robotique ? Les robots peuvent-ils être chirurgiens ? 6. Véhicules autonomes Comment automatiser les livraisons ? Pourquoi a-t-on déjà des trains sans conducteur ? Comment un véhicule autonome sait-il où il se trouve ? Un véhicule autonome peut-il confondre un stop avec un ananas ? Pourquoi tester ces véhicules en Californie est une mauvaise idée ? Une mort causée par l’IA compte-t-elle plus que cent vies sauvées ? 7. IA générale Qu’est-ce que l’intelligence générale ? Pourquoi est-ce si dur de produire une IAG ? Pourquoi les chercheurs cherchent-ils l’IAG ? L’IAG peut-elle dépasser les humains ? Comment repérer une IAG ? L’IAG sera-t-elle consciente ? 8. Les peurs liées à l'IA L’IA mène-t-elle le monde à sa perte ? Qu’est-ce que la singularité ? Est-il possible de simuler un cerveau ? Des robots pour remplacer les soldats ? Une puissante IAG verrait-elle les humains comme une menace ? Quelle législation pour contrôler l’IA ? Pourra-t-on un jour transférer son esprit dans un ordinateur ?

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00007316	EA-0015	Livre	Salle de lecture	Documentaires	Disponible

Introduction à la statistique bayésienne : avec le logiciel R / Olivier Gimenez (2026)

Permalink

Sous les OAD... des modèles / Paloma Cabeza-Orcel in Perspectives Agricoles, 523 ([01/07/2024])

Permalink

Systèmes d'information géographique : avec les logiciels libres GRASS et QGIS / Yves Auda (2018) 

Permalink

---

1 (1 - 8 / 8) Par page : 25 50 100 200