Université Lumière Lyon 2 Faculté de Sciences Economiques et de Gestion M1 - Economie et Management
|
|
- Jean-Marie Pépin
- il y a 8 ans
- Total affichages :
Transcription
1 Université Lumière Lyon 2 Faculté de Sciences Economiques et de Gestion M1 - Economie et Management Rak Abdesselam rak.abdesselam@univ-lyon2.fr rabdesselam/documents/ Année Universitaire
2 du cours 1 2 descriptive - Rappels 1 Terminologie 2 tests du khi-deux 3 Coecients de et de 4 Rapport de
3 L'objet de ce cours est de présenter l'analyse des variables catégorielles, courante en biostatstique, trouve maintenant des applications et de plus en plus nombreuses dans des domaines très variés comme l'économie, le marketing en gestion, la nance, l'assurance, les sciences humaines, etc. De nombreuses mesures d'association, comme celles de dans le cas continu, sont présentées pour étudier l'intensité et le sens des liaisons entre les variables catégorielles (qualitatives). D'autres mesures d'association que le khi-deux de contingence sont appliquées et explicitées.
4 Les résultats de ces techniques associées à l'analyse des données catégorielles sont fournis dans la plupart des gestionnaires de données (Excel) et logiciels statistiques standards (SPSS, SPAD, etc.), et en particulier dans SAS, qui est la référence dans ce domaine. D'un point de vue pédagogique, les diérents tests, modèles et mesures d'association sont décrits, commentés et appliqués sur des exemples réels et variés.
5 de Généralités Le niveau d'études atteint dépend-t-il du milieu social des parents? Est-ce que les ventes d'un produit dépend du type de publicité choisie? Est-ce que l'impact d'une campagne électorale ou publicitaire dépend du type de média choisi? Est-ce que le cours du CAC40 dépend de celui du baril de pétrole? Est-ce que la rémunération des employés dépend de leur sexe? Toutes ces questions concernent 2 variables observées sur la même population d'individus ou d'objets.
6 de Terminologie Une variable catégorielle synonyme de qualitative prend un nombre ni de valeurs, appelées modalités de la variable. Si un ordre entre les diérentes modalités de la variable existe, la variable sera dite ordinale, Mention (TB, B, AB, P) Tranches d'âges ( 18 ans, ]18-25], ]25-45], ]45-60], > 60 ans). Sinon elle est tout simplement nominale, Couleurs (Bleu, Blanc, Rouge, Vert) C.S.P.( Artisan/Commerçant, C.Supérieur, C.Moyen, Employé, Ouvrier, Retraité) Si la variable nominale est à k = 2 modalités, elle est dite binaire ou dichotomique, Signal-codage (0: Absence, 1: Présence) Genre (Femme, Homme)
7 de Rappels on souhaite étudier simultanément deux variables X et Y sur une même population. On cherche à caractériser le lien, s'il existe, entre X et Y. Plusieurs cas se présentent selon la nature ou le type de ces deux variables : 1 X et Y sont deux variables quantitatives (continues ou discrètes) Exemple : Peut-on conclure qu'il existe un lien () entre le montant des ventes d'un produit et le montant alloué pour sa publicité? 2 X est qualitative et Y est quantitative. Exemple : L'acceptation ou le refus d'un crédit bancaire X (Oui, Non) est-il associé au revenu du ménage Y? 3 X et Y sont deux variables qualitatives Exemple : L'acceptation ou le refus d'un crédit bancaire X (Oui, Non) est-il associé au type de contrat de travail Y (CDI, CDD, Autre)?
8 de Diérents tests X et Y qualitatives respectivement à p et q modalités. Le test de Pearson communément appelé test du khi-deux est un outil statistique qui permet de vérier la concordance entre une distribution expérimentale et une distribution théorique. Il s'agit là de 3 tests statistiques non paramétriques du khi-deux dont les objectifs sont totalement diérents. La même quantité χ 2 du test de Pearson est utilisée dans les trois cas bien distincts : 1. Est-il plausible d'armer que deux variables observées sont indépendantes ou au contraire elles présentent un certain degré d'association?
9 de Diérents tests 2. conformité - Ajustement. Est-il plausible d'armer que la répartition des observations d'un échantillon selon les modalités d'une seule variable puisse s'apparenter à une répartition théorique sous l'hypothèse d'un comportement probabiliste particulier (loi uniforme, loi binomiale, loi normale, etc.) pour le caractère qualitatif étudié? 3. d'homogénéité Il s'agit dans ce cas, de comparer k populations entre elles pour en vérier l'homogénéité suivant les modalités d'une variable particulière. Peut-on armer que les proportions d'individus dans chaque modalité de la variable étudiée sont les mêmes dans les k populations ou au contraire elles sont diérentes dans les k populations pour au moins une modalité?
10 de Diérents tests Dans les trois cas précédents, pour comparer les répartitions théorique et observée, on calcule, sous l'hypothèse nulle H 0 la quantité : χ 2 calculé = p j q k (n jk n jk ) H 0 : les variables X p et Y q sont indépendantes. Distribuée sous H 0 selon une loi du χ 2 (p 1)(q 1) d.d.l.. 2 d'ajustement - H 0 : Distribuée sous H 0 selon une loi du χ 2 (p 1) d.d.l.. 3 d'homogénéité - H 0 : Distribuée sous H 0 selon une loi du χ 2 (p 1)(k 1) d.d.l. n jk Décision et conclusion du test statistique : L'hypothèse nulle H 0 est rejetée, au niveau α choisi, si χ 2 calculé χ2 α (le test statistique est toujours unilatéral).
11 de du khi-deux Le test du khi-deux est fréquemment utilisé pour tester si deux variables, qualitatifs ou quantitatifs (répartis en classes), observés dans une population sont indépendants ou si, au contraire, ils sont dépendants : présentent un certain degré d'association (liaison). Principe général du test : 1 Un échantillon aléatoire de taille n est prélevé d'une population et est observé selon deux caractères X à p modalités et Y à q modalités. 2 La répartition des n observations suivant les modalités croisées des deux variables se présente sous la forme d'un tableau à double entrée appelé tableau de contingence. 3 Il s'agit par la suite de tester, à l'aide du khi-deux de Pearson, si les deux caractères sont indépendants ou non.
12 de Démarche du du χ 2 Pour rechercher l'indépendance entre la variable ligne et la variable colonne d'un tableau de contingence, on va comparer la distribution statistique observée dans l'échantillon, à une distribution théorique. Cette distribution théorique est celle qu'on doit avoir si les 2 variables sont indépendantes, c'est-à-dire sous l'hypothèse nulle H 0. On veut savoir si les écarts entre ces deux distributions sont imputables aux uctuations d'échantillonnage, ou si au contraire, les écarts sont trop importants pour que l'on puisse accepter l'hypothèse H 0. Conclusion : l'expérience contredit-elle l'hypothèse nulle H 0 que l'on suppose vraie?
13 de Tableau de contingence Tableau des eectifs observés : y 1... y k... y q Total ligne x 1 n n 1k... n 1q n 1. = k n 1k : :... :... : : x j n j 1... n jk... n jq n j. : :... :... : : x p n p1... n pk... n pq n p. Total colonne n.1 = j n jk... n.k... n.q n = n.. = j k n jk Les hypothèses statistiques peuvent s'énoncer ainsi : { H0 : les caractères X et Y sont indépendants H 1 : les caractères X et Y sont dépendants Sous l'hypothèse nulle H 0 : indépendance des deux caractères, on a, p jk = p j. p.k (j = 1, p et k = 1, q) (probabilités conjointes p jk = n jk ). n l'estimation des eectifs théoriques s'obtient en répartissant la taille de l'échantillon n dans les proportions obtenues selon les estimations des probabilités conjointes (indépendance en probabilité) : p jk = n j. n n jk = n j. n.k n n.k n = n jk n d'où,
14 de du khi-deux Pour comparer les répartitions théorique et observée, on calcule, sous l'hypothèse nulle H 0 la quantité : χ 2 calculé = p q (n jk n jk ) 2 j k n jk laquelle sous H 0 est distribuée selon la loi du khi-deux χ 2 (p 1)(q 1)d.d.l., noté χ2 table pour le risque d'erreur α choisi. Décision et conclusion du test statistique : L'hypothèse nulle H 0 est rejetée, au niveau α, si χ 2 calculé χ2 table unilatéral). (le test statistique est toujours
15 de Exemple d'application : taux de guérison et coût du médicament. Pour comparer l'ecacité de 2 médicaments comparables, mais de prix très diérents, la Sécurité sociale a eectué une enquête sur les guérisons obtenues avec ces deux traitements. Les résultats sont présentés dans le tableau suivant : Original Générique Total des lignes Guérisons Non-guérisons Total des colonnes Au seuil de signication α = 5%, peut-on conclure que ces deux médicaments ont la même ecacité? 1 Hypothèses statistiques : 2 Seuil de signication : 3 Conditions d'application du test : 4 Degré de liberté : 5 de test : 6 Calcul de la statistique du χ 2 calculé sous l'hypothèse nulle H 0 : 7 Règle de décision et conclusion :
16 de Exemple d'application Tableau des pourcentages Original Générique Total ligne Guérisons Non-guérisons Total colonne Tableau des prols-lignes (%) Original Générique Total ligne Guérisons Non-guérisons Tableau des prols-colonnes (%) Original Générique Guérisons Non-guérisons Total colonne
17 de Exemple d'application Tableau de contingence - Eectifs Observés : n jk Original Générique Total Guérisons Non-guérisons Total Tableau de contingence - Eectifs Théorique : n jk Original Générique Total Guérisons Non-guérisons Total χ 2 calculé = 2 2 (n jk n jk ) n jk = 3.37
18 de Exemple d'application - Solution 1 Hypothèses statistiques { H0 : indépendance du taux de guérison et du coût du médicament H 1 : dépendance 2 Seuil de signication : α = 5% 3 Conditions d'application du test : Un échantillon aléatoire de taille n = 255 observé selon deux caractères qualitatifs à p = 2 et q = 2 modalités. 4 Degré de liberté : (p 1)(q 1) = 1 d.d.l. 5 de test : p=2 q=2 (n jk n jk ) 2 j=1 k=1 χ 2 n jk 1 d.d.l. 6 Calcul de la statistique de test sous H 0 : χ 2 calculé = 3.37 Probabilité critique ( p-value ) : Prob[χ 2 1 d.d.l. > 3.37] = = 6.7% 7 Décision et conclusion : fractile de la loi du χ 2 1 (cf. table): χ2 1;α=5% = La valeur du χ 2 calculé appartient à la zone de non-rejet de H 0. En eet, χ 2 calculé = 3.37 < χ2 = Il n'y a pas de dépendance signicative 1;5% entre les deux caractères : le taux de guérison et le coût du médicament sont indépendants. Au seuil de signication α = 5%, on peut conclure que ces deux médicaments ont la même ecacité
19 de Exercice d'application Etude du lien entre la structure de propriété et le comportement stratégique des moyennes entreprises industrielles. Les résultats sont présentés dans le tableau suivant : Interne Externe Conservateur Entrepreneurial Total Attachement Détachement/soumission Détachement/Autonomie Total Peut-on conclure, avec un risque d'erreur α = 5%, qu'il y a un lien entre les structures de propriété et les diérents types de comportement stratégique? Résultats : Value = ; 6 d.d.l. ; p-value < Conclusion :
20 de 1- descriptive - Rappels X et Y deux variables quantitatives. Pour mesurer le degré d'associattion () entre deux variables quantitatives X et Y, le coecient de r(x, Y ) de Pearson est généralement calculé. Il est considéré comme un estimateur de la ρ(x, Y ) et ses valeurs sont comprises entre 1 et +1. Plus formellement, ce coecient r(x, Y ) peut être utilisé pour tester l'hypothèse nulle H 0 : ρ(x, Y ) = 0 : X et Y sont ment indépendantes. Evidemment, ce coecient n'est plus applicable pour des variables qualitatives puisqu'il mesure des relations s entre les variables.
21 de sur le coecient de Il s'agit là d'un test paramétrique. Condition d'application : Le test sur le coecient de (Bravais-Pearson) est valable que si les distributions des variables X et Y sont normales. En supposant H 0 : ρ(x, Y ) = 0 : Indépendance vraie et selon les conditions mentionnées, la statistique de test : n 2 R(X,Y ) T n 2 d.d.l. 1 R 2 (X,Y ) où, R(X, Y ) désigne l'estimateur du coecient de, l'estimation étant la valeur r(x, Y ) du coecient de calculé sur l'échantillon. Ainsi, l'hypothèse nulle H 0 : La entre X et Y n'est pas signicative, au seuil de signication α choisi, si : n 2 r(x,y ) > t 1 r 2 ( (X,Y ) α 2,n 2)
22 de Autre coecient de Coecient ρ s de concordance des de Spearman. Il s'agit là d'un test non paramétrique. Le degré de dépendance entre deux variables quantitatives X et Y peut être mesuré par le coecient ρ s que l'on estime par : ρ s = ρ s (X, Y ) = 1 6 x y x (R i (x,y) R j (x,y)) 2 n(n 2 1) Où, R i (X, Y ) et R j (X, Y ) désignent les respectifs de X et de Y. Cette dénition montre ainsi que l'indépendance ne repose pas sur les valeurs numériques des deux variables mais sur les des valeurs induits sur les couples de points. Il s'agit là d'un test de de Spearman, comme on pourrait aussi utiliser un test non linaire de de Kendall.
23 de Coecient de de cette formule s'établit à partir du coecient de de Pearson en supposant que tous les sont diérents : il n'y a pas d'ex-æquo. Les des ex-aequo sont remplacés par le rang moyen. La valeur observée r s du coecient de de de Spearman n'est pas une mesure de mais simplement une mesure de dépendance entre les deux caractères étudiés. Donc la seule hypothèse nulle H 0 que l'on peut tester avec ce coecient est que les 2 variables concernées sont mutuellement indépendants. Hypothèses statistiques : H 0 : ρ s (X, Y ) = 0 les deux classements sont indépendants H 1 : ρ s (X, Y ) 0 les deux classements sont dépendants ou H 1 les deux classements sont dans le même sens ou H 1 les deux classements sont en sens inverse.
24 de Coecient de de Décision et interprétation du test pour un risque d'erreur α donné, Si n < 30 (petits échantillons) : il existe une table permettant d'obtenir directement les valeurs critiques r s du coecient de de de Spearman. On rejette l'hypothèse nulle si : r s > r s H 1 : les deux classements sont dépendants r s > r s H 1 : les deux classements sont dans le même sens r s < r s H 1 : les deux classements sont en sens inverse. Si n > 30 (grands échantillons) : la distribution de R s est approximativement normale de paramètres E(R s ) = 0 et V (R s ) = 1 n 1. Sous H 0, R s (n 1) N(0; 1). On rejette alors l'hypothèse nulle si : r s > u α/2 H 1 : les deux classements sont dépendants r s > u α/2 H 1 : les deux classements sont dans le même sens r s < u α/2 H 1 : les deux classements sont en sens inverse.
25 de Exercice d'application Une entreprise oeuvrant dans le domaine alimentaire veut obtenir une évaluation de 10 nouveaux desserts qu'elle envisage de mettre sur le marché prochainement. Chaque dessert a été évalué par un groupe de consommateurs selon son goût et son apparence sur une échelle de 1 (la plus faible préférence) à 5 (la plus forte préférence). On a par la suite déterminé, pour chaque dessert, le niveau moyen de préférence de chaque critère. Les résultats se présentent comme suit : Dessert A B C D E F G H I J X : Goût 4,03 3,92 3,88 3,83 3,82 3,70 3,60 3,50 3,35 3,32 Y : Apparence 3,08 3,11 3,51 2,91 2,78 3,33 2,89 3,18 2,75 2,83 Rang(X) Rang(Y) er, au seuil de signication α = 5%, l'hypothèse selon laquelle le niveau de préférence associé au goût est indépendant de celui associé à l'apparence du dessert. Résultats : X et Y normalement distribuées. Corrélation : r(x,y) = ; p-value = P( ρ > ) = Corrélation de de Spearman : rs(x,y) = ; p-value = P( ρ s > ) = Conclusion :
26 de Rapport de X qualitative et Y quantitative, on cherche à mettre en évidence l'existence d'un lien entre deux variables l'une quantitative et l'autre qualitative. Pour cela, on utilise le empirique ηy 2 /X. Cet indicateur numérique va mesurer la diérence entre les moyennes conditionnelles de Y par classe de X par rapport à la moyenne globale de Y (sur toute la population). Il est basé sur la décomposition de la variance de Y : V inter (Y ) = 1 q n j=1 n j(y j y) 2 : variance des moyennes conditionnelles V intra (Y ) = 1 q n n j=1 i=1 n j(y ij y j ) 2 = 1 q n j=1 n j s 2 j : moyenne des variances conditionnelles V totale (Y ) = 1 n n i=1 (y i y) 2 = V inter (Y ) + V intra (Y ) où, j = 1,, q, y j et s 2 j = V (Y /X j ) désignent les moyennes et variances conditionnelles à chaque sous-classe d'eectif n j et y la moyenne globale.
27 de - Rappel Le empirique de Y par rapport à X est déni par : η 2 Y /X = V inter (Y ) V totale (Y ) = 1 V intra(y ) V totale (Y ) Cet indicateur est compris entre 0 et 1. Plus la variance inter-classes est grande, plus il y a de disparités entre les moyennes conditionnelles de chaque classe et donc plus la variable X inue sur la variable Y. Plus η 2 Y /X est proche de 1 (V inter(y ) V intra (Y )) plus l'hétérogénéité d'une classe à l'autre est importante, donc il existe une forte liaison entre X et Y. Lorsque η 2 Y /X est proche de 0 (V inter(y ) V intra (Y )), cela se traduit par des moyennes conditionnelles qui inuent peu entre elles, il n'y a pas de lien entre X et Y. D'un point de vue graphique, on peut représenter pour Y des "boîtes parallèles ou à moustaches" pour chaque sous-population dénie par X.
28 de Exemple d'application Les données représentent les prix d'un même jus d'orange relevés dans 19 grandes surfaces selon 3 types d'emballage. On cherche à savoir s'il y a une disparité du prix en fonction de l'emballage de commercialisation. Population étudiée : 19 grandes surfaces Y : prix du jus d'orange (en euros) est une variable quantitative (continue) X : l'emballage est une variable qualitative à 3 modalités-types d'emballage du produit (Verre, Carton, Plastique). Table: Le prix du produit selon son type d'emballage. Verre Carton Plastique Eectif n j Moyenne y j Variance s 2 j
29 de Calculs & Décomposition de la variance Table: Le prix du produit selon son type d'emballage. Verre Carton Plastique Total Eectif n j n = 19 Moyenne y j Variance s 2 j n j n y j 1,7145 1,0819 1,0116 y = n j n s2 j V intra (y) = n j n (y j y) V inter (y) = V totale (y) = η 2 (y/x) = 0.401
30 de Exemple d'application V intra (Y ) = est égale à la moyenne des variances conditionnelles. Elle mesure la variabilité résiduelle. V inter (Y ) = est égale à la variance des moyennes conditionnelles. Elle mesure la variabilité entre les classes (types d'emballage). V totale (Y ) = est égale à la variance de Y (prix) tous types d'emballage confondus. Elle mesure la variabilité globale ou totale. Pour quantier la liaison entre le prix du produit et le type d'emballage, on calcule le empirique : η 2 Y /X = V inter (Y ) V totale (Y ) = 1 V intra(y ) V totale (Y ) = < η Y 2 /X = < 1. Il est dicile de conclure s'il existe ou pas une disparité signicative entre les prix moyens par les types d'emballage. Le type d'emballage inue-t-il sur le prix? Il faudrait faire appel à la théorie des tests pour conclure sur ce résultat avec un risque d'erreur!
31 : F = η 2 Y /X q 1 1 η 2 Y /X n q = n q q 1 η 2 Y /X 1 η 2 Y /X de F = η 2 Y /X q 1 1 η 2 Y /X n q
32 de Exemple d'application - Solution { H0 : η 2 = 0 (pas d'eet de X sur Y) Y /X 1 Hypothèses statistiques H 1 : η 2 > 0 (eet de X sur Y) Y /X 2 Seuil de signication : α = 5% 3 Conditions d'application du test : Hypothèses de normalité et d'homoscédasticité (égalité des variances). Le estimé est : η 2 Y /X = Calcul de la statistique de test sous l'hypothèse nulle H 0 : η 2 Y /X = 0 F 0 = F Value = η Y 2 /X q 1 1 η Y 2 /X n q = = Règle de décision : fractile de la loi de Fisher F (q 1=2,n q=16) (cf. table statistique de Fisher): f 5% = 3.63, P[F (2,16) > 3.63] = 5% 6 Décision et conclusion : F 0 appartient à la zone de rejet de H 0. En eet, F 0 = 5.35 > f 5% = 3.63, on peut donc conclure, avec risque d'erreur α = 5% qu'il y a bien un eet de l'emballage sur le prix du produit, autrement dit, il y a une diérence signicative du prix moyen du produit selon son type d'emballage.
33 de Remarque D'un point de vue modélisation, il s'agit là d'un modèle ANOVA (ANalyse Of VAriance) à un facteur contrôlé, qui n'est autre qu'une régression sur variable explicative qualitative (nominale). L'analyse de variance ANOVA est une technique statistique de tests et d'estimation qui permet d'analyser l'eet d'une voire plusieurs variables qualitatives sur une variable continue. Conditions d'application à vérier avant toute utilisation d'une analyse de la variance : 1 Les échantillons doivent être indépendants. 2 Les distributions des populations considérées doivent être normales (hypothèse de normalité - test paramétrique). 3 Les populations d'où sont prélevés les échantillons doivent posséder la même variance : σ 2 = σ 2 1 = σ 2 2 =... =σ 2 q (hypothèse d'homocédasticité).
34 de Conditions d'application Eet du type d'emballage sur le prix du produit. 1 Hypothèse de normalité : Table: The Univariate Procedure: s for Normality. Statistic p Value Verre Shapiro-Wilk W Pr < W Carton Shapiro-Wilk W Pr < W Plastique Shapiro-Wilk W Pr < W Hypothèse d'homoscédasticité - Egalité des variances : Table: The GLM Procedure: Bartlett's for Homogeneity of Production Variance. Source DF Chi-Square Pr > ChiSq Emba
35 de Principaux résultats - SAS Table: The MEANS Procedure: Analysis Variable : Prix. Département N Mean Std Dev Minimum Maximum Verre Carton Plastique Table: The ANOVA Procedure: Eet du Type d'emballage sur le prix. Source Somme des Carrés DF Mean square F value Pr > F Model Error Total η 2 Y /X = SC Model SC Total = = = 1 SC Error SC Total Table: Means with the same letter are not signicantly dierent. Tukey Groupement Moyenne N EMBA A Verre B A Plastique B Carton
36 de Exercice d'application Une entreprise comprend 2 liales. Les salaires moyens des n = 500 employés relevés dans ces deux liales se présentent comme suit : Filiale A B Eectif n A = 100 n B = 400 Salaire mensuel moyen observé y A = 1500 y B = 1200 Ecart-type observé s A = 120 s B = 100 Décomposition de la variance des salaires. er, au seuil de signication α = 5%, l'hypothèse selon laquelle il y a un eet liale sur le salaire des employés dans cette entreprise, autrement dit, est-ce qu'il y a une disparité de salaires entre ces deux liales. Résultats : Salaire moyen : y = 1 n (n Ay A + n B y B ) = 1260 Variance globale : V (y) = { 1 n [n As 2 A + n Bs 2 B ]} + { 1 n [n A(y A y) 2 + n B (y B y) 2 ]} = { Variance intra } + { Variance Inter } = = Rapport de : η 2 Y /F = Conclusion :
Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
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 détailCours (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,
Plus en détailPrincipe 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
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 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 détailAnalyse de corrélation Étude des dépendances - Variables quantitatives
Ricco Rakotomalala Analyse de corrélation Étude des dépendances - Variables quantitatives Version 1.1 Université Lumière Lyon 2 Page: 1 job: Analyse_de_Correlation macro: svmono.cls date/time: 8-Mar-2015/7:21
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailIBM 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
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 détailStatistique 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
Plus en détailLE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.
LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches
Plus en détailÉtude des dépendances - Variables qualitatives
Ricco Rakotomalala Étude des dépendances - Variables qualitatives Tableau de contingence et mesures d'association Version 2.0 Université Lumière Lyon 2 Page: 1 job: Dependance_Variables_Qualitatives macro:
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détaildistribution 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
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailAnalyse 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,
Plus en détailTests 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.
Plus en détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailLES DIFFERENTS TYPES DE MESURE
LES DIFFERENTS TYPES DE MESURE Licence - Statistiques 2004/2005 REALITE ET DONNEES CHIFFREES Recherche = - mesure. - traduction d une réalité en chiffre - abouti à des tableaux, des calculs 1) Qu est-ce
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détailTD 3 : suites réelles : application économique et nancière
Mathématiques Appliquées Cours-TD : K. Abdi, M. Huaulmé, B. de Loynes et S. Pommier Université de Rennes 1 - L1 AES - 009-010 TD 3 : suites réelles : application économique et nancière Exercice 1 Calculer
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailLire ; 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....................................
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 détailComparaison de populations
Ricco Rakotomalala Comparaison de populations Tests paramétriques Version 1.2 Université Lumière Lyon 2 Page: 1 job: Comp_Pop_Tests_Parametriques macro: svmono.cls date/time: 11-Jun-2013/6:32 Page: 2 job:
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailEvaluation 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
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en 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 détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailUne 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
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailCopropriété: 31, rue des Abondances 92100 Boulogne-Billancourt
Eléments utilisés: Copropriété: 31, rue des Abondances 92100 Boulogne-Billancourt Notice explicative sur la ventilation de la facture EDF annuelle entre les différents postes de consommation à répartir
Plus en détailD'UN THÉORÈME NOUVEAU
DÉMONSTRATION D'UN THÉORÈME NOUVEAU CONCERNANT LES NOMBRES PREMIERS 1. (Nouveaux Mémoires de l'académie royale des Sciences et Belles-Lettres de Berlin, année 1771.) 1. Je viens de trouver, dans un excellent
Plus en détailen savoir plus sur les nouveaux barèmes C, H et A1 à A5
en savoir plus sur les nouveaux barèmes C, H et A1 à A5 Exemples Vous trouverez, dans l'aide au remplissage du formulaire "Déclaration pour le prélèvement de l'impôt à la source", plusieurs exemples avec
Plus en détailTests de normalité Techniques empiriques et tests statistiques
Ricco Rakotomalala Tests de normalité Techniques empiriques et tests statistiques Version 2.0 Université Lumière Lyon 2 Page: 1 job: Test_Normalite macro: svmono.cls date/time: 1-Oct-2011/7:43 Page: 2
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailLa correction des erreurs d'enregistrement et de traitement comptables
La correction des erreurs d'enregistrement et de traitement comptables Après l'étude des différents types d'erreurs en comptabilité (Section 1) nous étudierons la cause des erreurs (Section 2) et les techniques
Plus en détailINF2015 Développement de logiciels dans un environnement Agile. Examen intra 20 février 2014 17:30 à 20:30
Examen intra 20 février 2014 17:30 à 20:30 Nom, prénom : Code permanent : Répondez directement sur le questionnaire. Question #1 5% Quelle influence peut avoir le typage dynamique sur la maintenabilité
Plus en détail1. Introduction...2. 2. Création d'une requête...2
1. Introduction...2 2. Création d'une requête...2 3. Définition des critères de sélection...5 3.1 Opérateurs...5 3.2 Les Fonctions...6 3.3 Plusieurs critères portant sur des champs différents...7 3.4 Requête
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailAPPLICATION DU SCN A L'EVALUATION DES REVENUS NON DECLARES DES MENAGES
4 mars 1996 FRANCAIS Original : RUSSE COMMISSION DE STATISTIQUE et COMMISSION ECONOMIQUE POUR L'EUROPE CONFERENCE DES STATISTICIENS EUROPEENS OFFICE STATISTIQUE DES COMMUNAUTES EUROPEENNES (EUROSTAT) ORGANISATION
Plus en détailIntroduction 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
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailLe chi carré. Le sommaire. Approche quantitative
Approche quantitative Le chi carré Les objectifs pédagogiques Définir le test du chi carré Déterminer la nature des données propres au chi carré Savoir calculer le chi carré Savoir déterminer les fréquences
Plus en détailUtilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition
09-0749 1 WHO/EMP/MAR/2009.3 Utilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition Synthèse des résultats des études publiées entre 1990 et 2006 Organisation
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailA. Définition et formalisme
Les cardinalités et les différents types d'associations I. Les cardinalités A. Définition et formalisme Les cardinalités sont des couples de valeur que l'on trouve entre chaque entité et ses associations
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailLes conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident?
Les conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident? Nathalie LEPINE GREMAQ, Université de Toulouse1, 31042 Toulouse, France GRAPE, Université Montesquieu-Bordeaux
Plus en détailL'insertion professionnelle des diplômés DNSEP 2003 trois ans après le diplôme
IREDU-CNRS Ministère de la Culture et de la Communication Délégation aux Arts plastiques Magali Danner Gilles Galodé L'insertion professionnelle des diplômés DNSEP 2003 trois ans après le diplôme Enquête
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailFocus. Lien entre rémunération du travail et allocation de chômage
Focus Lien entre rémunération du travail et allocation de chômage Introduction Le travailleur qui devient chômeur et qui est admissible sur base de prestations de travail se voit, en application du principe
Plus en détailPar : Abdel YEZZA, Ph.D. Date : avril 2011 / mise à jour oct. 2012 (ajout de la section 3 et augmentation de la section 1)
1 Que signifient AON et AOA? Par : Abdel YEZZA, Ph.D. Date : avril 2011 / mise à jour oct. 2012 (ajout de la section 3 et augmentation de la section 1) Sommaire 1. Concepts... 2 2. Méthode PCM appliquée
Plus en détailLe taux d'actualisation en assurance
The Geneva Papers on Risk and Insurance, 13 (No 48, July 88), 265-272 Le taux d'actualisation en assurance par Pierre Devolder* Introduction Le taux d'actualisation joue un role determinant dans Ia vie
Plus en détailAnalyse tarifaire en ligne (TAO) de l'omc
Analyse tarifaire en ligne (TAO) de l'omc L'analyse tarifaire en ligne (TAO) permet d'effectuer des recherches et d'analyser les données tarifaires conservées dans deux bases de données de l'omc, à savoir
Plus en détailEmploi et Formation Secteur Publicité
Rapport statistique Emploi et Formation Secteur Publicité 2009-2010 AFDAS / R&D - Septembre 2012 Sommaire 1. DONNEES SUR L EMPLOI 3 1.1. POINT METHODOLOGIQUE ET PRECAUTIONS D USAGE 4 1.2. LES ENTREPRISES
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailModèle 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
Plus en détailMaster Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA
Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailLogiciels concernés. Situation. Ciel et le pont comptable. Note conçue et rédigée par Jalons sprl tous droits réservés - 27/06/2007.
Logiciels concernés Ciel Gestion Commerciale Premium, Evolution, et Réseau et Ciel Compta Premium, Evolution et Réseau. Situation Ciel Gescom et Ciel Compta ne sont pas des logiciels intégrés. C'est-à-dire
Plus en détailPRESENTATION DU LOGICIEL
PRESENTATION DU LOGICIEL Le logiciel permet de réaliser des études précises, claires, accompagnées d un rapport détaillé à remettre à votre client dans les domaines suivants : Choix du statut social du
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 détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
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 détail1 Imputation par la moyenne
Introduction au data mining L3 MIS - STA 1616-2010 V. Monbet Données manquantes L'objectif de ce TD est de manipuler et de comparer plusieurs méthodes d'imputation de données manquantes. La première partie
Plus en détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailModèle de calcul des paramètres économiques
Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé
Plus en détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailFPSTAT 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
Plus en détail