Les modèles d équations structurelles à variables latentes Applications et exercices
|
|
- Emma Denis
- il y a 8 ans
- Total affichages :
Transcription
1 Les modèles d équations structurelles à variables latentes Applications et eercices Emmanuel Jakobowicz Addinsoft XLSTAT 30 mars 2011 Cours de Statistique Multivariée Approfondie 1
2 Le modèle structurel δ y 31 ε 31 δ ξ 1 ζ 3 y 32 ε 32 δ η 3 y 33 ε 33 y 34 ε 21 y 21 ε 34 η 2 y 35 ε 35 ε 22 y 22 ζ 2 y 36 ε 36 Eq. du modèle structurel Eq. du modèle de mesure Cours de Statistique Multivariée Approfondie 2
3 Démonstration: La méthode LISREL Nous utiliserons les logiciels AMOS (aujourd hui SPSS) et LISREL Ce sont les 2 principau logiciels de traitement de la méthode LISREL Nous utiliserons un modèle très simple (3 Variables Latentes et 9 Variables Manifestes) AMOS 19.0 est disponible avec IBM SPSS. LISREL 8.8 est disponible à l essai 15 jours ou il eiste une version étudiants gratuite avec une limite dans le taille du modèle Cours de Statistique Multivariée Approfondie 3
4 Le modèle V1 V2 V3 L1 L3 V7 V8 V9 L2 V4 V5 V6 Cours de Statistique Multivariée Approfondie 4
5 AMOS: Les étapes Étapes dans l étude d un modèle structurel avec Amos Graphics: 1. Obtenir un jeu de données sans données manquantes avec si possible des données multinormales 2. Vérifier l unidimensionnalité des blocs de variables 3. Charger les données (Files Data Files ) 4. Dessiner le modèle LISREL avec les variables latentes (ellipses), les variables manifestes (rectangles) et les erreurs de mesure (cercles) 5. Modifier les paramètres d estimation si nécessaire (View/Set Analysis Propreties ) 6. Estimer le modèle en utilisant la commande (Model Fit Calculate Estimates) 7. Étudier les coefficients obtenus sur le modèle et les tableau de sortie dans (View/Set Table output) Cours de Statistique Multivariée Approfondie 5
6 LISREL: Les étapes Étapes dans l étude d un modèle structurel avec LISREL: 1. Obtenir un jeu de données avec si possible des données multinormales 2. Compléter les données manquantes et obtenir la matrice de covariance (*.cov) ou les données en format (*.psf) grâce au logiciel PRELIS intégré dans LISREL 3. Vérifier l unidimensionnalité des blocs de variables 4. Paramétriser le modèle LISREL en utilisant le langage SIMPLIS 5. Donner les paramètres d estimation si nécessaire 6. Estimer le modèle en utilisant la commande L 7. Étudier les coefficients obtenus sur le modèle et les tableau de sortie (transformation possible en LaTEX) Cours de Statistique Multivariée Approfondie 6
7 LISREL: Eemple de commande Analyse de la structure de covariance du modèle à 3 variables manifestes Observed Variables V1 V2 V3 V4 V5 V6 V7 V8 V9 Définition des variables manifestes Raw data from file \eemple.psf' Sample Size = 1000 Latent Variables L1 L2 L3 Définition du fichier de données Définition des variables latentes Relationships V1 V2 V3= L1 V4 V5 V6= L2 V7 V8 V9 = L3 L2 = L1 L3 = L1 L2 Path Diagram End of Problem Relations du modèle de mesure Relations du modèle interne Affichage du modèle graphique Cours de Statistique Multivariée Approfondie 7
8 LISREL: Eemple de sortie Cours de Statistique Multivariée Approfondie 8
9 Les données manquantes en LISREL Délétion par listes, Délétion par paires, Imputation de la moyenne, Imputation multiple par algorithme EM (Epectation Maimization) Une méthode spécifique: Full Information Maimum Likelihood Méthode prenant en compte uniquement les données disponibles sans mécanisme de complétion dans le calcul de la matrice de covariance. Cette méthode maimise la vraisemblance casewise des données observées. C est la méthode qui obtient en général les meilleurs résultats en terme de biais des estimations. Cours de Statistique Multivariée Approfondie 9
10 Démonstration: L approche PLS Nous utiliserons le logiciel XLSTAT 2011 Nous utiliserons les données de Russett du dernier cours (Instabilité Politique) XLSTAT est disponible à l essai durant 30 jours sur Le module PLSPM est le plus abouti du marché en terme d application de l approche PLS. Cours de Statistique Multivariée Approfondie 10
11 Le modèle Inégalité agricole (ξ 1 ) GINI FARM RENT GNPR LABO ξ 1 ξ 2 + ξ INST ECKS DEAT D STB D INS DICT Développement industriel (ξ 2 ) Instabilité politique (ξ 3 ) Cours de Statistique Multivariée Approfondie 11
12 XLSTAT PLSPM: Les étapes Étapes dans l étude d un modèle structurel avec XLSTAT PLSPM : 1. Ouvrir les données dans Ecel. 2. Charger le logiciel. 3. Créer un nouveau projet PLSPM. 4. Copier les données dans la feuille D1. 5. Dessiner le modèle PLS avec les variables latentes (ellipses) dans la feuille PLSPMGraph. 6. Cliquer sur les variables latentes et sélectionner les variables manifestes à partir des données. 7. Lancer les calculs. 8. Étudier les sorties dans la feuille PLSPM générée. Cours de Statistique Multivariée Approfondie 12
13 XLSTAT PLSPM : La standardisation des VM Plusieurs méthodes de standardisation des variables manifestes eistent: Cours de Statistique Multivariée Approfondie 13
14 XLSTAT PLSPM : Les sorties Cours de Statistique Multivariée Approfondie 14
15 Étude du petit questionnaire distribué Image Satisfaction Engagement Variables de groupe Cours de Statistique Multivariée Approfondie 15
16 Étude du petit questionnaire distribué Image générale Perception autour de vous Qualité de formation Utilité de formation Image du Cnam Satisfaction des auditeurs Engagement des auditeurs Parrainage Réinscription Cours de Statistique Multivariée Approfondie 16
17 Étude du petit questionnaire distribué Aucune identification n est possible avec la méthode LISREL En raison de la faible taille de l échantillon. Avec l approche PLS, l algorithme converge et on peut ainsi analyser les résultats. Cours de Statistique Multivariée Approfondie 17
18 Étude du petit questionnaire distribué N = 26 Cours de Statistique Multivariée Approfondie 18
19 Étude du petit questionnaire distribué N = 17 Cours de Statistique Multivariée Approfondie 19
20 Étude du petit questionnaire distribué N = 19 Cours de Statistique Multivariée Approfondie 20
21 Étude du petit questionnaire distribué N = 20 Cours de Statistique Multivariée Approfondie 21
22 Étude du petit questionnaire distribué N = 24 Cours de Statistique Multivariée Approfondie 22
23 Étude du petit questionnaire distribué L utilisation de méthodes de bootstrap nous permettent d obtenir des intervalles de confiance. Ainsi, en , mise à part la relation image fidélité, les autres relations sont significatives. Les R 2 pour sont très bas, les résultats sont peu significatifs. Il y a de faibles différences entre 2010 et les 4 années précédentes. Ces résultats montre une forte influence de la satisfaction sur l engagement des auditeurs. L image du CNAM a une influence non significative sur l engagement. Ces résultats nous permettent de conseiller au CNAM d améliorer la qualité de ces formations afin d obtenir plus de nouveau inscrits. Comment améliorer ces résultats: augmenter la taille de l échantillon, ajouter des variables manifestes afin d améliorer le modèle de mesure. Cours de Statistique Multivariée Approfondie 23
24 Quelques problèmes associés au modèles d équations structurelles à variables latentes Résultats des eercies distribués Cours de Statistique Multivariée Approfondie 24
25 Modélisation graphique LISREL 1 ξ = 0, 7ξ + 0,3 1 1 = 0, 4ξ + 0,5 2 1 = 0,7ξ + 0, = 0,5ξ + 0,1 4 2 = 0,6ξ + 0, δ 1 δ 2 ε 3 ε 4 0,3 0,5 0, ,7 0,4 0,7 ξ 1 ξ 2 0,6 0,1 4 0,4 0,5 ζ 2 Cours de Statistique Multivariée Approfondie 25
26 Modélisation graphique LISREL 2 δ 1 δ 2 ε 3 ε ξ 1 ξ 2 ζ 2 ζ ξ ξ 4 8 ζ 4 ε 5 ε 6 ε 7 ε 8... = π ξ + δ = πξ+ δ = πξ + ε = πξ + ε = πξ + ε ξ = β ξ + β ξ + ζ ξ = β ξ + ζ ξ = β ξ + β ξ + β ξ + ζ Cours de Statistique Multivariée Approfondie 26
27 Modélisation graphique PLS 1 = 0, 7ξ + 0,3 1 1 = 0, 4ξ + 0,5 2 1 = 0,7ξ + 0, = 0,5ξ + 0,1 4 2 = 0, 4ξ + 0, = 0,3ξ + 0,3 6 3 ξ = 0, 2ξ + 0, ξ = 0,6ξ + 0, 4ξ + 0, ,7 0,4 0,7 0,5 ξ 1 ξ 2 0,6 0,4 0,2 ξ 5 3 0,3 0,4 6 Cours de Statistique Multivariée Approfondie 27
28 Modélisation graphique PLS 2 ξ = 0,7 + 0,3 + 0,6 + 0, ξ = 0, 4 + 0,5 + 0,3 + 0, ξ = 0,7 + 0, 2 + 0, ξ = 0,5 + 0,1 + 0, ξ = 0, 2ξ + 0,1 2 1 ξ = 0,6ξ + 0, 4ξ + 0, 2ξ + 0, ,7 0,3 4 0,6 0,4 0,5 6 0,3 ξ 1 ξ 2 0,2 0,4 0,6 0,7 ξ 7 3 0,2 0,2 8 0,5 ξ 9 4 0,1 10 Cours de Statistique Multivariée Approfondie 28
29 Quelques problèmes associés au modèles d équations structurelles à variables latentes Cours de Statistique Multivariée Approfondie 29
30 Quelques problèmes associés au modèles d équations structurelles à variables latentes Cas1 Analyse sensorielle Une solution possible serait la suivante: Caractéristiques Bloc 1 Juges bloc 1 Caractéristiques Bloc 2 Juges bloc 2 Caractéristiques Bloc 3 Juges bloc 3 avec l approche PLS et certaines variables formatives et d autres réflectives Cours de Statistique Multivariée Approfondie 30
31 Quelques problèmes associés au modèles d équations structurelles à variables latentes Cas 2 Satisfaction R 2 =.243 Customer Epectation.493 (.000).066 (.314) Image.037 (.406).153 (.006).212 (.002).466 (.000) R 2 =.432 Loyalty Les valeurs entre parenthèses sont les p valeurs (le poids associé est significatif si la p valeur<0,05).545 (.000) Perceived quality.540 (.000) Perceived value.544 (.000).200 (.000) Customer satisfaction R 2 =.335 R 2 = (.000).05 (.399) Complaint R 2 =.297 R 2 =.292 Le principal levier de la fidélité (loyalty) est la satisfaction des clients. Il faudra donc appuyer sur cette satisfaction et sur la qualité perçue qui est le principal levier de la satisfaction. Cours de Statistique Multivariée Approfondie 31
32 Quelques problèmes associés au modèles d équations structurelles à variables latentes Cas 3 Ce modèle est bien défini et chaque coefficient est significatif, ainsi chaque relation peut être étudiée. On se rend compte que l utilisation de l ordinateur a un effet négatif sur l attitude face à l ordinateur alors qu elle a un effet positif sur la confiance. D autres remarques simples peuvent être faites en lisant le modèle. Cours de Statistique Multivariée Approfondie 32
33 Orienté vers la prédiction des variables manifestes et latentes (basé sur la variance) Modèle eterne réflectif et formatif Sans distribution Les observations peuvent être dépendantes Chaque VL est une combinaison linéaire de ces propres VM Consistance au sens large Prédiction optimale Évaluation de la qualité de prévision par jackknife (Q 2 ) Meilleur modèle de mesure car les VL sont estimées dans l espace de leur propres VM Rappel: PLS vs LISREL PLS est lié à LISREL de la même façon que l ACP à l analyse factorielle Orienté vers l estimation des paramètres (basé sur la covariance) Modèle eterne réflectif Hypothèses de distribution Les observations doivent être indépendantes Les facteur ne sont pas estimés L estimation des VL est faite sur l ensemble des VM Estimations consistantes Paramètres optimau Évaluation du modèle par tests d hypothèse (N doit être grand) Meilleur modèle structurel car les VL sont estimées sans restriction d espace Cours de Statistique Multivariée Approfondie 33
L 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 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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en 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 détailSolutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision
Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous
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 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 le portefeuille de produits IBM SPSS
Business Analytics Logiciels SPSS Découvrez le portefeuille de produits IBM SPSS L analytique avancée qui aident les entreprises à anticiper le changement et à prendre des mesures pour améliorer leurs
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 détailExemple 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
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailComplet Intuitif Efficace. Références
Logiciel de référence en Analyse de Données, Data Mining et Text Mining pour transformer vos données en connaissance Complet Intuitif Efficace Dans un environnement convivial et intuitif, disposez de toute
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailSPHINX Logiciel de dépouillement d enquêtes
SPHINX Logiciel de dépouillement d enquêtes sphinx50frversion4.doc 1 Les trois stades du SPHINX sont ceux que comporte habituellement toute enquête d opinion: Elaboration du questionnaire (fiche outil
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailLE PROCESSUS ( la machine) la fonction f. ( On lit : «fonction f qui à x associe f (x)» )
SYNTHESE ( THEME ) FONCTIONS () : NOTIONS de FONCTIONS FONCTION LINEAIRE () : REPRESENTATIONS GRAPHIQUES * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 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 détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
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 détailFonctions linéaires et affines. 1 Fonctions linéaires. 1.1 Vocabulaire. 1.2 Représentation graphique. 3eme
Fonctions linéaires et affines 3eme 1 Fonctions linéaires 1.1 Vocabulaire Définition 1 Soit a un nombre quelconque «fixe». Une fonction linéaire associe à un nombre x quelconque le nombre a x. a s appelle
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 détailSites web éducatifs et ressources en mathématiques
Sites web éducatifs et ressources en mathématiques Exercices en ligne pour le primaire Calcul mental élémentaire : http://www.csaffluents.qc.ca/wlamen/tables-sous.html Problèmes de soustraction/addition
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailDIOGENE. Un logiciel de Génétique & Amélioration des Plantes
DIOGENE Un logiciel de Génétique & Amélioration des Plantes Utilisateurs Etudiants (DEA, thèse) Chercheurs confirmés (INRA, CIRAD, Universités Laval et Lyon 1) Gestionnaires de programmes d Amélioration,
Plus en détailGuide de l utilisateur du Système central IBM SPSS Statistics 20
Guide de l utilisateur du Système central IBM SPSS Statistics 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 458.
Plus en détailExprimer ce coefficient de proportionnalité sous forme de pourcentage : 3,5 %
23 CALCUL DE L INTÉRÊT Tau d intérêt Paul et Rémi ont reçu pour Noël, respectivement, 20 et 80. Ils placent cet argent dans une banque, au même tau. Au bout d une année, ce placement leur rapportera une
Plus en détailComment 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
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailAnalyse prédictive. L essor et la valeur de l analyse prédictive dans la prise de décisions
ÉTUDE TECHNIQUE Analyse prédictive L essor et la valeur de l analyse prédictive dans la prise de décisions «Donnez-moi un point d appui et un levier et je soulèverai le monde.» Archimède, 250 av. J.-C.
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailMaster MPS LE MANAGEMENT DE LA QUALITÉ DANS LES SERVICES N 2 MURIEL JOUGLEUX 2014/2015
Master MPS 1 LE MANAGEMENT DE LA QUALITÉ DANS LES SERVICES N 2 MURIEL JOUGLEUX 2014/2015 Construire une politique qualité dans les services Les différentes définitions de la qualité Une approche globale
Plus en détailCritères de validation des modèles internes en assurance vie :
Critères de validation des modèles internes en assurance vie : Use tests, intégration des modèles dans les processus de prise de décision et approche ERM Vladislav GRIGOROV, CRO, SwissLife France David
Plus en détailR01 Import de données
R01 Import de données A partir du package de base, R peut lire les données stockées dans des fichiers texte, à partir notamment des fonctions read.table, read.csv, read.delim, read.csv2, read.delim2, et
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailCinq impératifs prédictifs pour maximiser la valeur client Utilisation des analyses prédictives pour améliorer la gestion de la relation client
Cinq impératifs prédictifs pour maximiser la valeur client Utilisation des analyses prédictives pour améliorer la gestion de la relation client Table des matières : 1 Introduction 4 Les cinq impératifs
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
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 détailsatisfaction client Relation client : satisfaction? fidélisation?
Relation client : satisfaction? fidélisation? Un pilier fondamental de la GRC : la satisfaction client La gestion de la relation client Les missions de l entreprise Créer de la valeur pour les clients
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailFormation au logiciel SAS Statistical Analysis System
Formation au logiciel SAS Statistical Analysis System Odile Wolber (CNAM) Objectif du cours : acquérir les principes du langage de programmation SAS Etape DATA - import des données - saisie des données
Plus en détailFONCTION EXPONENTIELLE ( ) 2 = 0.
FONCTION EXPONENTIELLE I. Définition Théorème : Il eiste une unique fonction f dérivable sur R telle que f ' = f et f (0) =. Démonstration de l'unicité (eigible BAC) : L'eistence est admise - Démontrons
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailTableaux de bord de gestion du risque Rapport d audit permanent
www.coopami.org Tableaux de bord de gestion du risque Rapport d audit permanent TUNIS 17 décembre 2013 Michel Vigneul Conseiller Actuaire La bonne gestion financière d un système d assurance de soins de
Plus en détailDécouverte du logiciel ordinateur TI-n spire / TI-n spire CAS
Découverte du logiciel ordinateur TI-n spire / TI-n spire CAS Mémento Ouvrir TI-Nspire CAS. Voici la barre d outils : L insertion d une page, d une activité, d une page où l application est choisie, pourra
Plus en détailTâche complexe produite par l académie de Clermont-Ferrand. Mai 2012 LE TIR A L ARC. (d après une idée du collège des Portes du Midi de Maurs)
(d après une idée du collège des Portes du Midi de Maurs) Table des matières Fiche professeur... 2 Fiche élève... 5 1 Fiche professeur Niveaux et objectifs pédagogiques 5 e : introduction ou utilisation
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailSéminaire CRM Les directions de recherche et les perspectives du Customer Relationship Management 1
Faculté des Sciences économiques et sociales de l Université de Fribourg Séminaire CRM Les directions de recherche et les perspectives du Customer Relationship Management 1 Séminaire présenté auprès de
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailPratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailDocument d accompagnement. de la 1 re à la 8 e année. Exemples de tâches et corrigés. 1 re année Tâche 1... 5 Corrigé... 7 Tâche 2... 8 Corrigé...
Normes de performance de la Colombie-Britannique Document d accompagnement Mathématiques de la 1 re à la 8 e année Exemples de tâches et corrigés 1 re année Tâche 1... 5 Corrigé... 7 Tâche 2... 8 Corrigé...
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailVIPE CNAM 6 mars 2015. Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF
CNAM 6 mars 205 Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF 2 UCE / CRM-DA / PROF Application prototype pour l apprentissage multi-label interactif 2 sous-applications en ligne (utilisable par
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailMRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
Plus en détailSAN07 IBM Social Media Analytics:
SAN07 IBM Social Media Analytics: Vos clients partagent leurs connaissances Déployez une stratégie gagnante! Eric Martin Social Media Analytics Leader Europe IBM SWG, Business Analytics @Eric_SMA 1 Le
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
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 détailMODERATOR EFFECT OF CONGRUENCE ON THE TRANSFER IMAGE: THE CASE OF PARTICIPATION SPONSORSHIP AND CREATION SPONSORSHIP
MODERATOR EFFECT OF CONGRUENCE ON THE TRANSFER IMAGE: THE CASE OF PARTICIPATION SPONSORSHIP AND CREATION SPONSORSHIP TUNISIE TUNIS CHEDLIA FITOURI KAOUTHER SAIED BEN RACHED 1 Chedlia FITOURI: Doctorante,
Plus en détailBONUS MALUS. Voici, la façon de calculer la prime : Le montant de la prime à acquitter est égale à : P = PB. C où : P
BONUS MALUS Le propriétaire d un véhicule automobile est tenu d assurer sa voiture auprès d une compagnie d assurances. Pour un véhicule donné, le propriétaire versera annuellement une «prime» à sa compagnie.
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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détail