CHAPITRE 10 LE TRAITEMENT DES ERREURS ET DES NON-REPONSES

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "CHAPITRE 10 LE TRAITEMENT DES ERREURS ET DES NON-REPONSES"

Transcription

1 CHAPITRE 10 LE TRAITEMENT DES ERREURS ET DES NON-REPONSES

2 PLAN DU CHAPITRE Les erreurs dans une enquête 10.2 Les non-réponses 10.3 L imputation 10.4 La méthode des réponses aléatoires 2

3 10.1 LES ERREURS DANS UNE ENQUETE Il existe, dans une enquête par sondage aléatoire, 4 sources principales d'erreur. La première est l erreur d échantillonnage. Les trois autres sont appelées «méthodologiques» : l erreur de couverture, l erreur de mesure et l erreur de non-réponse Erreur d'échantillonnage Cette erreur découle du caractère aléatoire du tirage d'un échantillon; elle a été examinée dans les chapitres précédents Erreur de couverture Elle est due au fait que certains individus dans la population ont une probabilité nulle de figurer dans l'échantillon Base de sondage Population 3

4 Erreur de mesure Elle provient des inexactitudes des réponses enregistrées Les principales causes de cette erreur sont: l'effet induit par l'enquêteur sur les réponses des enquêtés (enquête en face à face) l'erreur due aux défauts du questionnaire ou de l'instrument de mesure (enquête par questionnaire) l'erreur due au répondant (incapacité de répondre aux questions, désir de valorisation,...) Erreur due à la non-réponse Nous étudierons cette erreur dans ce chapitre Erreur totale Erreur d échantillonnage Erreur totale Erreur méthodologique N.B. : Il existe d autres erreurs (saisie, traitement ) 4

5 10.2 LES NON-REPONSES Types de non-réponses a) Définition On est en présence de non-réponse lorsque, pour au moins une unité de l'échantillon, au moins une question posée (par un enquêteur, dans un questionnaire ) n'a pas reçu de réponse ou encore que cette dernière n'est pas utilisable Il y a donc de la non-réponse quand il y a au moins une valeur manquante dans l'échantillon pour au moins une variable de l'enquête b) Non-réponse totale Pour une unité donnée de l'échantillon, si toutes les variables mesurées sont manquantes, on est en présence de non-réponse totale N.B. : Ce cas concerne aussi le cas de relevés où le nombre de réponses utilisables est faible par rapport à celui des autres Notation : nrt 5

6 c) Non-réponse partielle Pour une unité donnée de l'échantillon, si certaines des variables mesurées sont manquantes, on est en présence de non-réponse partielle Remarque : on ne qualifie pas de non-réponse partielle celle qui est déjà cataloguée comme non-réponse totale Notation : nrp d) Non-réponse ignorable Si le fait qu'une personne réponde ou non à une question n'est pas relié à la réponse à cette question, on est en présence d'une non-réponse ignorable Exemple : c'est le cas d'une personne qui ne renvoie pas le questionnaire simplement par paresse Notation : nri Si l'on a une non-réponse non ignorable, cette situation tend à biaiser les résultats de l'enquête Exemple : enquête sur la satisfaction des employés où seuls les employés non satisfaits renvoient le questionnaire 6

7 e) Partition de la population Population [N] Echantillon [n] Non-réponses totales [n nrt ] Réponses complètes [n rc ] Non-réponses partielles [n nrp ] Remarque : Si n r est le nombre de réponses : nr = nrc + nnrp 7

8 f) Remarques 1 ) Enquêtes répétées dans le temps Une enquête répétée dans le temps permet d'estimer non seulement des paramètres de la population mais aussi des quantités liées à son évolution Les différentes applications de l'enquête s'appellent des vagues v1 v2 v3 v4 v t Une non-réponse de vague (nrv) est une non-réponse qui se produit lors d'une ou de plusieurs vagues, mais pas de façon permanente Elle crée des «trous» dans la série de vagues 2 ) Raffinements On peut aussi distinguer les personnes qui, dans la population (et aussi dans l'échantillon), sont éligibles à l'enquête (e) et celles qui n'ont pas pu être contactées par les enquêteurs (nc); leurs effectifs sont généralement désignés respectivement par n e et n nc 8

9 Les causes de non-réponses a) Facteurs liés à la non-réponse totale Objectifs de l'enquête irréalistes Type d'enquête (obligatoire versus volontaire) Population (ou sous-population) difficile à joindre Méthode de collecte (interview par la poste, par enquêteur en face à face, téléphonique ) Période de l'année pendant laquelle se fait la collecte Durée de la période de collecte Réputation de l'organisme chargé de l'enquête Formation et expérience des interviewers Déménagement Nature du sujet Refus de répondre Absence de la personne à interviewer Incapacité à répondre (problème de langue...) Importance de l'enquête pour les enquêtés Fardeau de réponse (enquêtes répétées, enquêtes menées par d'autres organismes, durée de l'entrevue) Perte de questionnaires ou problème de transmission des données 9

10 b) Facteurs liés à la non-réponse partielle Objectifs de l'enquête irréalistes Méthode de collecte Formation et expérience de l'interviewer Refus de répondre (question délicate) Questionnaire mal conçu (questionnaire complexe, questions difficiles à comprendre,...) Fardeau de réponse Oubli de l'interviewer Donnée non disponible La personne interviewée ne connait pas la réponse (note: une réponse «ne sait pas» sur une question d'opinion peut effectivement être la vraie valeur) Réponse incohérente ou inutilisable 10

11 c) Le cas des enquêtes longitudinales 1 ) Erosion ou attrition Réduction de la taille du panel causée par la non-réponse totale chronique 2 ) Causes possibles Augmentation des refus catégoriques, difficulté à retracer les unités longitudinales (changements d'adresse, fusion d'entreprises...), pas de rotation au sein de l'échantillon (haut fardeau de réponse au cours du temps...) 3 ) Remarques Les unités non répondantes sont souvent celles qui sont d'intérêt L'érosion peut souvent être réduite en utilisant des incitatifs (cadeaux,...) et en utilisant de la rotation au sein de l'échantillon L'érosion doit être traitée avec soin à cause de biais potentiels si la non-réponse est non ignorable 11

12 Les taux de réponse a) Taux de réponse opérationnel Ces taux servent à fournir de l'information sur le déroulement du processus de collecte 1 ) Taux de réussite de l'enquête T () n + n = n + n + n 1 c nrp c nrp nrt Rappel : n c = effectif des réponses complètes n nrp n nrt = effectif des (non-) réponses partielles = effectif des non-réponses totales N.B.: Ce taux se calcule généralement au niveau des personnes éligibles seulement 2 ) Performance des interviewers T ( ) n = n + n + n 2 c c nrp nrt N.B. : Ce taux mesure la capacité des interviewers à compléter leurs entrevues 12

13 3 ) Rendement des entrevues T ( ) n + n = n + n + n + n 3 c nrp c nrp nrt nc Rappels: Définitions de n c, n nrp et n nr : voir ci-dessus n nc = nombre de personnes non contactées N.B.: Ce rendement est calculé par rapport au nombre de contacts possibles auprès des personnes 4 ) Autre taux T ( ) n = n + n + n + n 4 c c nrp nrt nc Ce taux mesure le rapport entre le nombre d'entrevues complétées et le nombre d'entrevues potentielles 13

14 b) Taux de réponse correcteur Donne aussi de l'information sur le processus de collecte Ramène le sous-échantillon des répondants à l'échantillon initial Sert à corriger les poids de sondage pour tenir compte de la non-réponse (voir plus tard) Spécifiquement relié au rapport des unités répondantes sur le nombre d'unités dans l'échantillon Exemple : T = nombre de répondants taille d'échantillon Les personnes non contactées parce qu'elles sont hors du champ de l'enquête font partie des répondants (et non des non-répondants) mais leurs variables mesurées sont toutes mises à zéro (estimation par domaine) Peuvent être calculés pour des sous-groupes de la population, comme les strates, par exemple; ces sousgroupes peuvent être formés de sorte que la propension à réponse des personnes inclues dans ces ensembles soit relativement homogène Possibilité de séparer les personnes hors-champ des autres unités 14

15 Effet des réponses manquantes Les non-réponses créent généralement un biais qui dépend : Du taux de non-réponse De l'écart entre les comportements des répondants et des non-répondants en ce qui concerne la (les) variable(s) étudiée(s) Pour éviter ces inconvénients, deux approches peuvent généralement être envisagées: La prévention des non-réponses Le traitement des non-réponses 15

16 La prévention de la non-réponse La prévention de la non-réponse peut s'effectuer aux différentes étapes de l'enquête : Planification Construction de la base de sondage Choix du plan de sondage Conception du questionnaire Collecte des données Traitement des données et estimation Autres étapes a) Prévention au niveau de la planification Il est judicieux de : Retenir des objectifs de l'enquête réalistes D'exprimer des définitions claires des concepts à étudier De bien choisir la période de l'année où l'on fait l'enquête De disposer de ressources (humaines et financières) suffisantes pour la collecte De bien planifier chacune des étapes de l'enquête 16

17 b) Prévention au niveau de la base de sondage Disposer d'informations de contact correctes (adresse, téléphone, nom) Posséder des informations de classification correctes (langue, secteur d'activité,...) pour permettre l'envoi des "bons" questionnaires D'éviter des redondances (fardeau de réponse potentiellement élevé) c) Prévention au niveau du plan de sondage 1 ) Cas d'un échantillon commun à plusieurs enquêtes Contrôler le nombre de questionnaires qu'un répondant peut recevoir (fardeau de réponse) 2 ) Choix d'un échantillonnage plus efficace En réduisant la taille d'échantillon, on permet d'allouer plus de ressources à la collecte et de faire un meilleur suivi 3 ) Prendre un sous-échantillon des non-répondants Permet de réduire le biais de non-réponse si le taux de réponse lors du suivi est élevé Nécessite une période de collecte plus longue Coûteux Pourrait éventuellement être utilisé pour déterminer les caractéristiques des non-répondants 17

18 d) Prévention au niveau du questionnaire Un questionnaire bien conçu va permettre de réduire les réponses incohérentes Privilégier des questions simples, faciles à comprendre et courtes Eviter les abréviations Faire de bonnes traductions si recours à plusieurs langues Donner des instructions minimales sur le questionnaire (manuel) Evaluer les enquêtes précédentes Réaliser des tests et enquête pilote Recourir à la recherche cognitive (groupes de discussions,...) Impliquer tous les partis concernés Tenir compte du mode de collecte: la présentation est importante si le questionnaire est envoyé par courrier questionnaire complexe : Interview Assistée par Ordinateur (IAO) Attention aux questions sensibles (voir plus loin) 18

19 e) Prévention au niveau de la collecte des données Choix adéquat du (des) mode(s) de collecte Tests préalables Evaluation des résultats antérieurs éventuels Période de collecte suffisamment souple Bon programme de recrutement des enquêteurs Formation adéquate et continue Etablir un rapport de confiance avec l'enquêté assurer de l'aspect confidentiel des données susciter l'intérêt pour les résultats offrir éventuellement divers modes de collecte donner des incitatifs (si nécessaire cadeau, publication,...) effectuer un suivi de la collecte 19

20 f) Prévention au niveau du traitement et de l'estimation Méthode de traitement de la non-réponse et d'estimation efficace (utilisation d'information auxiliaire) permet de réduire la taille d'échantillon et, par conséquent, permet d'allouer plus de ressources à la collecte et de faire un meilleur suivi Minimiser le nombre de questions en effectuant des appariements pour obtenir l'information g) Prévention au niveau des autres étapes Une bonne évaluation et une analyse approfondie des données de l'enquête peuvent être utiles pour apporter des correctifs et ainsi mieux prévenir la non-réponse lors d'enquêtes ultérieures Etablir une documentation des améliorations à apporter et des études d'évaluation et d'analyse Veiller à la qualité de chaque étape de l'enquête 20

21 Le traitement de la non-réponse totale a) Relance des non-répondants (méthode de Hansen) Dans l'ensemble des non-répondants (de taille n 2 ), on tire de façon équiprobable et sans remise un sous-échantillon ' 2 2 =λ 2 0<λ< 1, et on s'arrange pour obtenir les réponses des n individus ré-enquêtés ' s, de taille n n ( ) ' 2 s U s 1 ' s 2 1 ) Estimateur de Hansen n n μ= yh = y + y n n 1 2 ' 1 2 où y 1 et et s 2 ' y 2 sont les moyennes des valeurs observées dans s 1 N.B. : En désignant par y 2 la moyenne qui résulterait des observations auprès des non-répondants, y 2 peut être estimée par ' y 2 21

22 2 ) Propriétés de y H y H est un estimateur sans biais de μ V y N n 1 N 1 λ = σ + σ Nn n N λ ( ) 3 ) Remarque H 1, corr 2, corr On peut formuler un problème de coût dans ce contexte; soient C 1 le coût unitaire de tirage lors de la première étape et C 2 le coût unitaire de tirage lors de la relance ; on peut admettre, en général, que C1 < C2 Considérons le coût global : C = C n+ C n ' Pour un budget fixé a priori C, on peut chercher les valeurs de n et λ qui minimise V( y H ); on peut ainsi démontrer que: CN n = C N + C λ N C λ= C N N σ 1 2; corr σcorr N2σ2; corr où N 2 est le nombre (à estimer) de non-répondants de la 2 population et σ 2;corr leur variance corrigée 22

23 b) Repondération 1 ) Définition La repondération consiste à: Eliminer les unités comportant des données manquantes Ajuster les poids de sondage des répondants pour compenser ceux qui ont été éliminés 2 ) Rappel où 1 w i = π i τ= ˆ wy i i i s est le poids de sondage 3 ) Poids ajusté Si on dispose du taux de réponse correcteur on remplace nombre de répondants T = taille d'échantillon 1 w i par wi, ajust= wi T T peut être considéré comme un estimateur de la probabilité de réponse p ri d'un individu i de U (supposée dans un premier temps constante) Pour tenir compte de la spécificité de certaines sous-populations, on peut construire un modèle de réponse qui intègre cette situation 23

24 4 ) Caractéristiques de la repondération Il faut choisir un modèle de réponse qui permette d'obtenir une bonne approximation des vraies probabilités de réponse; dans ce cas, le biais sera petit, quelque soit le paramètre d'intérêt (par exemple, les corrélations entre les variables pourront être préservées) Pour obtenir un meilleur ajustement, le taux de réponse correcteur peut se calculer au niveau de strates, ou de quelque autre classification Exemples : Pour les enquêtes auprès des entreprises, les taux de réponse, calculés au niveau des strates suffisent souvent à ajuster les poids de sondage Pour les enquêtes sociales, les probabilités de réponse dépendent souvent de facteurs autres que les seules variables de stratification; ainsi, les personnes qui changent d'adresse sont moins susceptibles d'être retracées et ont donc des probabilités de réponse inférieures aux personnes sédentaires Une solution très intéressante consiste à utiliser de l'information auxiliaire pour modéliser les probabilités de réponse, par exemple à l'aide de la régression logistique Dans ce contexte, une stratégie de calage (au niveau de la population et au niveau de l'échantillon) peut être utilisée pour réduire la variance (et même le biais) 24

25 5 ) Remarques Les techniques de repondération utilisées en pratique sont souvent simples Aucune donnée artificielle n'est créée, ce qui a moins tendance à donner une fausse impression de précision (comparativement à l'imputation) Plusieurs logiciels sont disponibles pour obtenir les estimations désirées Dans le cas de la non-réponse totale, les méthodes de repondération conduisent à un seul ensemble de poids, ce qui est très pratique du point de vue des utilisateurs Si on voulait traiter de la même manière le cas de la non-réponse partielle, un très grand nombre d'ensembles de poids pourrait être requis ce nombre peut devenir rapidement très grand s'il y a un très grand nombre de variables Pour ces raisons, la repondération n'est en pratique utilisée que pour le traitement de la non-réponse totale; l'imputation est préférée à la repondération pour traiter la non-réponse partielle 25

26 c) Imputation L'imputation consiste à assigner une valeur plausible à l'ensemble des variables d'une personne non répondante Il existe plusieurs méthodes d'imputation : le choix de l'une ou l'autre dépend du nombre d'informations extérieures que l'on désire associer à la valeur imputée de sorte qu'elle reflète le mieux possible la vraie valeur manquante Exemple : l'imputation par la moyenne On remplace la valeur manquante par une moyenne calculée à partir des unités répondantes L'imputation est surtout utilisée pour traiter la nonréponse partielle bien qu'elle puisse également être utilisée pour le traitement de la non-réponse totale 26

27 Le traitement de la non-réponse partielle a) Le recours aux répondants Il s'agit d'éliminer toutes les observations comportant au moins une valeur manquante Risques de biais sauf si les non-réponses sont indépendantes des variables Nombre restreint d'individus utilisés dans l'estimateur b) Repondération Principe : voir paragraphe b) Inconvénients : il faut créer un poids ajusté pour chacune des variables mesurées par l'enquête En outre, il faudrait des poids ajustés par des analyses multivariées Exemple : si on a 3 variables, on a besoin en tout de 7 ensembles de poids : 3 ensembles de poids pour faire les analyses univariées 3 ensembles de poids pour faire les analyses bivariées 1 ensemble de poids pour faire les analyses impliquant les 3 variables 27

28 c) Imputation 1 ) Avantages Elle mène à la création d'un fichier de données complet Les résultats issus de différentes analyses seront vraisemblablement cohérents Contrairement aux méthodes de repondération, l'imputation permet l'utilisation d'un poids de sondage unique L'information disponible sur les répondants partiels peut être utilisée comme information auxiliaire pour améliorer la qualité des valeurs imputées 2 ) Risques L'inférence n'est généralement valide que si certaines hypothèses sous-jacentes (concernant le mécanisme de non-réponse et/ou le modèle d'imputation) sont satisfaites Certaines méthodes d'imputation ont tendance à distordre la distribution des variables d'intérêt L'imputation a tendance à distordre les relations entre les variables Le fait de traiter les valeurs imputées comme des valeurs observées peut entraîner une sous-estimation substantielle de la variance de l'estimateur, surtout si le taux de non-réponse n'est pas négligeable 28

29 10.3 L IMPUTATION Rappels L'imputation consiste à assigner une valeur plausible à l'ensemble des variables qui ne peuvent être mesurées du fait de non-réponse (totale ou partielle) d'une ou de plusieurs personnes sélectionnées dans l'échantillon Elle mène à la création d'un fichier de données complet Si y i est manquante, nous désignerons par y * i la valeur imputée qui la remplace L'imputation est surtout utilisée pour traiter la non-réponse partielle bien qu'elle puisse également être utilisée pour le traitement de la non-réponse totale; nous supposerons donc être dans le cas d'une non-réponse partielle, sauf mention contraire 29

30 Estimateur imputé a) Hypothèse de base Soit un plan de sondage ignorable, tel que où ( Z = y ) = ( Z = ) P 1,x P 1 x i Z i 1 sii s = 0 sinon i ( y: variable d'intérêt, x: vecteur de variables auxiliaires) b) Estimateurs de τ et μ 1 ) S'il n'y a pas de non-réponse τ= w y ˆ i i i s où w = 1/ π est le poids de sondage i i 2 ) S'il y a des non-réponses s = sr snr, où s r est composé des répondants et s nr des non-répondants de l'échantillon: où * i τ ˆ = w y + * imp i i i i i s i s r nr w y y est une valeur imputée, à définir N.B.: τˆ imp τ μ ˆ imp = ou ˆ N Nˆ imp, avec Nˆ = 1/ πi i S 30

31 Méthode d estimation a) Types de méthodes On distingue les méthodes d'imputation dites déterministes de celles dites aléatoires Les méthodes déterministes sont celles qui fournissent une valeur fixe étant donnée l'échantillon si le processus d'imputation est répété Les méthodes aléatoires sont celles qui ont une composante aléatoire; elles ne fournissent donc pas nécessairement la même valeur si l'on répète le processus d'imputation pour un échantillon donné 1 ) Modèle de base y ( x ) = f +ε i i i où x est un vecteur de variables auxiliaires, disponible pour i s, et ε i un résidu aléatoire tel que 2 2 E ε = 0, E ε ε = 0 i j, E ε =σ ( ) ( ) ( ) ( ) i i j i i 2 ) Imputation déterministe Soit f ˆr l'estimation de f à partir de s r * y = fˆ x i s ( ) i r i nr y i x i 31

32 3 ) Imputation aléatoire ( x ) y = fˆ +σˆ e i s * * i r i i i nr où σ ˆ j est un estimateur de σ j et e * i un résidu tiré au hasard (PESR) dans l'ensemble des résidus standardisés : 1 e ˆ j = yj fr( x j) σˆ, pour j sr j b) Quelques méthodes simples 1 ) Imputation par la moyenne y = y i s * i r nr où y r est la moyenne des valeurs y i données par les répondants ( i s r ) 2 ) Imputation par le plus proche voisin y = y i s * i j nr où j s est le répondant tel que nr distance ( i, j) x x est minimum N.B. : la distance est à définir en fonction du problème 32

33 c) Classes homogènes d'imputation Il s'agit de subdiviser la population U en classes (sous-population) de manière telle que les individus d'une même classe ont un comportement semblable en termes de nonréponses Les classes peuvent être les strates d'une stratification Les classes peuvent être définies par des individus dont on estime, au vu de variables auxiliaires, qu'ils devraient avoir une probabilité de réponse semblable Il existe des méthodes alternatives permettant de créer ces classes 33

34 d) Imputation par régression linéaire simple 1 ) Imputation par régression linéaire simple On suppose disposer des valeurs d'une seule variable auxiliaire x ( i) 0 1 f x =β +β x et i 2 2 σ i =σ y = bˆ + bˆ x, où * i 0r 1r i et ( )( ) w x x y y bˆ bˆ y bˆ x w x x i i r i r i sr 1r =, 2 0r = r 1r r i s r ( ) i i r 1 1 y = w y, x = w x w w r i i r i i i i sr i i sr i s i s r r 2 ) Imputation par le quotient Cas particulier de l'imputation par régression: ( ) f xi =β xi et σ 2 2 i =σ * y ˆ i = br xi où ˆ yr br = x 3 ) Imputation par la moyenne (rappel) r xi 2 2 * ( ) ( ) x = 1, f x =β, σ =σ y = y i s i i i i r nr 34

35 4 ) Imputation par régression linéaire ' ( x ) x f = β=β +β x +β x + +β x où ( ) i i 0 1 i1 2 i2 m im 1 2 m ' β= β β β est un vecteur de paramètres inconnus 2 2 Posons σ ' i =σ λ x, i où λ est un vecteur de constantes λ ; la valeur imputée vaut alors: y = * ' xbˆ i i r où 1 ' ' ' ˆbr = wi xi x i / λ xi wi x i yi / λ xi i s i s r r N.B. : ˆb r est un estimateur MC de β 5 ) Imputation par régression avec résidus Imputation par régression + résidu aléatoire tiré (PESR) dans l'ensemble des résidus standardisés fournis par s r * où e e ( j s ) y = xbˆ + λ ( x) 1/2 * ' ' * i i r i i * =, tel que P( ei = ej) = wj / wk et i j r e 1/2 ' ' ( x ) ( y x bˆ ) = λ j j j j r e k s r 35

36 e) Autres méthodes 1 ) «Hot deck» Consiste à tirer au hasard un des répondants de l'échantillon que l'on appelle alors un donneur; les valeurs des variables du donneur sont ensuite assignées à un non-répondant donné Particulièrement utile parce qu'elle assigne automatiquement des valeurs cohérentes aux nonrépondants provenant directement des répondants Fonctionne autant pour les variables quantitatives que qualitatives Peut s'employer à l'intérieur de classes d'imputation 2 ) «Cold deck» Elle diffère du «hot deck» du fait qu'elle choisit le donneur parmi une source de données externe (exemple: données administratives ou enquêtes précédentes) 36

37 3 ) Imputation multiple Consiste à imputer, pour un non-répondant donné, différentes valeurs; les estimations sont alors calculées en utilisant un ou plusieurs des ensembles de données produites Exemple : Plusieurs imputations par «hot deck» Permet de mesurer la variabilité introduite par l'utilisation de valeurs imputées Peu employée en pratique, principalement à cause de la multiplication des ensembles de données 37

38 Imputation pour les enquêtes longitudinales a) Spécificité du problème Pour les enquêtes longitudinales, les méthodes d'imputation doivent tenir compte des données des vagues précédentes et suivantes, en plus de la vague courante Utiliser seulement les données de la vague courante peut créer des changements (ou transitions) artificiels Utiliser les données des vagues précédentes et suivantes seulement peut sous-représenter les changements b) Méthodes d'imputation utilisables Imputation par le plus proche voisin (imputation par donneur) en utilisant les données des vagues précédentes, suivantes et actuelle pour aider à trouver le donneur Imputation par modélisation en utilisant des variables auxiliaires provenant des vagues précédentes, suivantes et actuelle Exemple : Valeurs pour j Vague 1 Vague 2 Vague 3 ventes ? profits moyenne des ventes

39 1 ) Imputation par la moyenne Vente imputée = (pas plausible si comparées aux vagues 1 et 3) 2 ) Imputation historique : Vente imputée = (pas plausible si comparées à la moyenne des ventes pour la vague 2 et aussi si les profits sont corrélés avec les ventes) 3 ) Imputation par modélisation Solution utilisant les données des vagues précédentes, suivantes et actuelle : Modèle 1 : VENTES = α + β MOYVENTES = MOYVENTES vente imputée = Modèle 2 : VENTES = α + β PROFITS = PROFITS 39

40 10.4 LA METHODE DES REPONSES ALEATOIRES Introduction Comment peut-on estimer la proportion de personnes qui possèdent une «caractéristique délicate» à partir d un échantillon s (PESR)? Stratégie de base Une urne contient une proportion θ de boules blanches et une proportion ( 1 θ ) de boules noires. L'enquêté tire au hasard une boule de l'urne sans la montrer à l'enquêteur Si la boule est blanche, il répond «oui» ou «non» à une affirmation A Si la boule est noire, il répond «oui» ou «non» à l'affirmation contraire A On cherche à estimer affirmation A p A, la proportion de «oui» à une 40

41 a) Estimation de p A Soit π la probabilité de recevoir une réponse «oui» : A ( 1 )( 1 p ) π=θ p + θ Si ˆπ est la proportion de «oui» obtenue dans s: A ˆp A = πˆ ( 1 θ) 2θ 1 ˆp Aestime sans biais p A. En outre: 1 V p V ( ˆ A ) = ( πˆ 2 ) ( 2θ 1) pa( 1 pa) 1 θ( 1 θ) 2 n n( 2θ 1) + étant donné que V( π ˆ ) = π( 1 π ) n N.B. : les valeurs de θ qui minimisent le second terme de V( ˆp A ) sont θ= 0 etθ = 1. Mais dans ces cas, le secret de la réponse est peu sûr comment se rendre compte du risque de connaître la vérité à partir de la réponse fournie par l enquêté? 41

42 a) Degré de protection Tentons de reconstituer la probabilité de posséder A: ( ) P A oui ( ) P A non θp A = θ + θ = pa ( 1 )( 1 pa) ( 1 θ) pa ( 1 θ ) p +θ( 1 p ) A A Supposons que θ soit plus grand que 1 2, ce qui ne nuit pas à la généralité de la procédure. Dans ce cas, on peut montrer que: ( ) P ( A non) P A oui Or, plus la valeur de Max P( A oui ),P( A non) petite, plus les individus sont protégés est Dès lors, ( ) P A oui peut servir à mesurer le degré de protection de l'individu 42

43 Stratégie de substitution Reprenons le principe de la stratégie de base Si la boule tirée est blanche, l'enquête répond «oui» ou «non» à la proposition A Si la boule tirée est noire, il répond «oui» ou «non» à un énoncé B, indépendant de A Dès lors : A A ( 1 ) p ( 1 θ) π =θ p + θ ˆp = πˆ 2θ 1 B a) Si p B est connu, on a: V ( ˆp ) A = π ( 1 π) nθ 2 b) Si p B n'est pas connu, on l'estimera par une valeur obtenue à partir d une pré-enquête: * p B ( ˆp ) A ( 1 θ) * π ˆ pb ˆp A =, θ V ( 1 π) p ( 1 p )( 1 θ) π = + nθ B B 2 * 2 n θ 2 où * n est la taille de l'échantillon de la pré-enquête N.B. : On peut aussi introduire une mesure de la protection de l'individu 43

Estimation. Anita Burgun

Estimation. Anita Burgun Estimation Anita Burgun Estimation Anita Burgun Contenu du cours Sondages Mesures statistiques sur un échantillon Estimateurs Problème posé Le problème posé en statistique: On s intéresse à une population

Plus en détail

a) Considérons le cas où N est un multiple de n : N = Mn

a) Considérons le cas où N est un multiple de n : N = Mn 5.2 TIRAGE SYSTEMATIQUE a) Considérons le cas où N est un multiple de n : N = Mn où M N 0 Prélever un échantillon systématique consiste à tirer de manière équiprobable un individu i 1 parmi {1,..., M},

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

2. Formalisation ... Or les variables sont indépendantes. Donc si

2. Formalisation ... Or les variables sont indépendantes. Donc si L'estimation 1. Concrètement... Dernièrement un quotidien affichait en première page : en 30 ans les françaises ont grandi de... je ne sais plus exactement, disons 7,1 cm. C'est peut-être un peu moins

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

POL-24 Politique d évaluation du personnel enseignant à la formation continue. Adoptée par le Conseil d administration le 12 décembre 2005.

POL-24 Politique d évaluation du personnel enseignant à la formation continue. Adoptée par le Conseil d administration le 12 décembre 2005. POL-24 Politique d évaluation du personnel enseignant à la formation continue Adoptée par le Conseil d administration le 12 décembre 2005. POLITIQUE D ÉVALUATION DU PERSONNEL ENSEIGNANT À LA FORMATION

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Échantillonnage et estimation Dans ce chapitre, on s intéresse à un caractère dans une population donnée dont la proportion est notée. Cette proportion sera dans quelques cas connue (échantillonnage),

Plus en détail

Centrale électrique à Bobo-Dioulasso, Burkina-Faso. Jorgen Schytte/StillPictures

Centrale électrique à Bobo-Dioulasso, Burkina-Faso. Jorgen Schytte/StillPictures Centrale électrique à Bobo-Dioulasso, Burkina-Faso Jorgen Schytte/StillPictures 3 Collecte des données Questions traitées dans ce chapitre Quels outils utiliser pour recueillir des données sur l économie

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

Enquête unifiée auprès des entreprises Énoncé de la qualité des données Industrie de la construction Année de référence 1999

Enquête unifiée auprès des entreprises Énoncé de la qualité des données Industrie de la construction Année de référence 1999 Enquête unifiée auprès des entreprises Énoncé de la qualité des données Industrie de la construction Année de référence 1999 1. Concepts Les résultats de l'enquête de 1999 sur l'industrie de la construction

Plus en détail

Sources et méthodes. Enquête sur l accès au financement des PME employant au moins 10 personnes

Sources et méthodes. Enquête sur l accès au financement des PME employant au moins 10 personnes Sources et méthodes Enquête sur l accès au financement des PME employant au moins 10 personnes L enquête s intéresse aux difficultés rencontrées par les PME employant au moins 10 personnes pour se financer,

Plus en détail

CODES CORRECTEURS D'ERREURS

CODES CORRECTEURS D'ERREURS CODES CORRECTEURS D'ERREURS Marc URO TABLE DES MATIÈRES DÉTECTION ET CORRECTION D'ERREURS... 6 CAS D'UN CANAL SANS SYMBOLE D'EFFACEMENT...6 CAS D'UN CANAL AVEC SYMBOLE D'EFFACEMENT...7 GÉNÉRATION ET DÉTECTION

Plus en détail

LIGNES DIRECTRICES POUR LA NOTIFICATION DES EIG

LIGNES DIRECTRICES POUR LA NOTIFICATION DES EIG LIGNES DIRECTRICES POUR LA NOTIFICATION DES EIG 1. Introduction Le règlement (CE) n 1223/2009 relatif aux produits cosmétiques («règlement Cosmétiques») 1 a jeté les fondements d une gestion uniforme des

Plus en détail

Estimation de la variance à l aide des poids de bootstrap Guide de l usager du programme BOOTVARF_V30.SAS (VERSION 3.0)

Estimation de la variance à l aide des poids de bootstrap Guide de l usager du programme BOOTVARF_V30.SAS (VERSION 3.0) Estimation de la variance à l aide des poids de bootstrap Guide de l usager du programme BOOTVARF_V30.SAS (VERSION 3.0) 1. Introduction Ce guide s adresse aux utilisateurs du programme SAS BOOTVARF_V30.SAS

Plus en détail

Econométrie des données d'enquête

Econométrie des données d'enquête Econométrie des données d'enquête Groupe de lecture - Réunion 1 Marine GUILLERM et Ronan LE SAOUT INSEE, division MAEE 24 Novembre 2014 Marine GUILLERM et Ronan LE SAOUT Econométrie des données d'enquête

Plus en détail

PROJET (propositions du groupe de travail)

PROJET (propositions du groupe de travail) APPUI OPERATIONNEL A L ELABORATION DES OUTILS PRATIQUES DE MISE EN PLACE DES CLASSIFICATIONS AU SEIN DE LA BRANCHE DE LA FORMATION PROFESSIONNELLE PROJET (propositions du groupe de travail) Préambule Pourquoi

Plus en détail

Introduction aux sondages

Introduction aux sondages Service Universitaire d Enseignement à Distance Licence AES - Troisième année Introduction aux sondages Université Rennes 2 Place du Recteur H. le Moal CS 24307-35043 Rennes Tel : 02 99 14 18 21 Mel :

Plus en détail

Révisions ISO Livre blanc

Révisions ISO Livre blanc Révisions ISO ISO Revisions Révisions ISO Livre blanc Quelle est la différence entre une approche procédure et une approche processus? Aborder le changement Processus vs procédures : Qu est-ce que cela

Plus en détail

auprès des entreprises

auprès des entreprises Méthodologie des enquêtes structurelles auprès des entreprises De la théorie à la pratique : le cas Alice Introduction Le travail du statisticien d enquête consiste à maximiser la qualité et la fiabilité

Plus en détail

RAPPORT NATIONAL SUR LE DÉVELOPPEMENT DE L ÉDUCATION. Propositions relatives à la préparation des rapports pour 2008

RAPPORT NATIONAL SUR LE DÉVELOPPEMENT DE L ÉDUCATION. Propositions relatives à la préparation des rapports pour 2008 ED/BIE/CONFINTED/48/RN Genève, 7 décembre 2007 Original : anglais RAPPORT NATIONAL SUR LE DÉVELOPPEMENT DE L ÉDUCATION Propositions relatives à la préparation des rapports pour 2008 A. INTRODUCTION 1.

Plus en détail

4.1 Planification d une expérience complètement randomisée

4.1 Planification d une expérience complètement randomisée Chapitre 4 La validation des hypothèses d ANOVA à un facteur Dans le modèle standard d ANOVA, on a fait quelques hypothèses. Pour que les résultats de l analyse effectuée soient fiables, il est nécessaire

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Directives pour le contrôle interne Association suisse des banquiers (ASB) Juin 2002

Directives pour le contrôle interne Association suisse des banquiers (ASB) Juin 2002 Directives pour le contrôle interne Association suisse des banquiers (ASB) Juin 2002 2 Table des matières Préambule 3 I. Définition, objectifs et délimitation 4 II. Surveillance par le management et culture

Plus en détail

APPEL D'OFFRES. 1. Contexte de l appel d offres... 1 2. Objet de la prestation... 2 3. Modalités d exécution de la prestation... 6

APPEL D'OFFRES. 1. Contexte de l appel d offres... 1 2. Objet de la prestation... 2 3. Modalités d exécution de la prestation... 6 APPEL D'OFFRES Vérification, actualisation et recherche de coordonnées téléphoniques ; prise de rendez-vous et envoi de courriers d invitation pour le projet «Rendez-vous des droits élargi» 1. Contexte

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

ECGE 1224 - Statistiques en économie et gestion : TP 1

ECGE 1224 - Statistiques en économie et gestion : TP 1 ECGE 14 - Statistiques en économie et gestion : TP 1 Exercice 1 Un dé parfaitement équilibré est lancé. Soit X la variable aléatoire (v.a.) correspondant au résultat obtenu avec le dé. a) Justifer pourquoi

Plus en détail

LA THÉORIE DES FILES D ATTENTE

LA THÉORIE DES FILES D ATTENTE LA THÉORIE DES FILES D ATTENTE Origine de la théorie de la fille d attente Cette théorie est une approche mathématique permettant d analyser les files d attente. Elle est basée sur l étude des équipements

Plus en détail

Cartographie de compétences : conception d un plan d affaire

Cartographie de compétences : conception d un plan d affaire Cartographie de compétences : conception d un plan d affaire Processus Activité Attitudes / comportements Capacités Connaissances Définition de l idée Utilise des méthodes et des techniques d évaluation

Plus en détail

EVALUATION, BILAN/SUIVI, INDICATEURS

EVALUATION, BILAN/SUIVI, INDICATEURS EVALUATION, BILAN/SUIVI, INDICATEURS NOTION EVALUATION L évaluation, c est la production d un jugement de valeur concernant une politique publique. Elle vise à mesurer les effets de la politique évaluée.

Plus en détail

SONDAGE DANS LA MISSION D AUDIT UNITE MONETAIRE. Fethi NEJI & Mounir GRAJA

SONDAGE DANS LA MISSION D AUDIT UNITE MONETAIRE. Fethi NEJI & Mounir GRAJA SONDAGE DANS LA MISSION D AUDIT UNITE MONETAIRE Le sondage est une sélection d'éléments que l'auditeur décide d'examiner afin de tirer, en fonction des résultats obtenus, une conclusion sur les caractéristiques

Plus en détail

Statistique (MATH-F-315, Cours #1)

Statistique (MATH-F-315, Cours #1) Statistique (MATH-F-315, Cours #1) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1 Les algorithmes évolutionnistes INF6953 Les algorithmes évolutionnistes (1) 1 Métaheuristiques et algorithmes évolutionnistes Les métaheuristiques recherche locale consistent fondamentalement à faire évoluer

Plus en détail

Leçon 2 : Les études de marché internationales 2

Leçon 2 : Les études de marché internationales 2 Leçon 2 : Les études de marché internationales 2 I. Déroulement de l étude de marché internationale 2 1. Le marché des études de marché internationales 2 2. La nécessité de l étude de marché internationale

Plus en détail

COMMISSION EUROPÉENNE. Bruxelles, le 22.6.2015 C(2015) 4163 final ANNEX 1 ANNEXE

COMMISSION EUROPÉENNE. Bruxelles, le 22.6.2015 C(2015) 4163 final ANNEX 1 ANNEXE COMMISSION EUROPÉENNE Bruxelles, le 22.6.2015 C(2015) 4163 final ANNEX 1 ANNEXE FR FR ANNEXE 26 03 77 02 Projet pilote «Gouvernance et qualité des codes logiciels Audit des logiciels libres et open source»

Plus en détail

Modèle de règlement intérieur d un Conseil de la vie sociale A adapter par chaque structure

Modèle de règlement intérieur d un Conseil de la vie sociale A adapter par chaque structure Proposition APF -Association des paralysés de France- (Groupe de travail Mars 2009) Modèle de règlement intérieur d un Conseil de la vie sociale A adapter par chaque structure Article 1 Fondement Le Conseil

Plus en détail

Système d information : Maximiser le retour sur investissement

Système d information : Maximiser le retour sur investissement Améliorer le contrôle interne Système d information : Maximiser le retour sur investissement LAURA FREDERICK, CONSULTANTE EN TI ET GESTION DU CHANGEMENT, ECHANGE, LLC, (MARS 2002) WWW.GLOBALECHANGE.COM

Plus en détail

Conseil économique et social

Conseil économique et social Nations Unies Conseil économique et social ECE/CES/GE.41/2010/6 Distr. générale 23 avril 2010 Original: français Commission économique pour l Europe Conférence des statisticiens européens Groupe d experts

Plus en détail

2.1. Le risque de révision (3 décembre 1993) 58

2.1. Le risque de révision (3 décembre 1993) 58 2. METHODOLOGIE DE LA REVISION 2.1. Le risque de révision (3 décembre 1993) 58 1. Introduction 1.1.L objectif essentiel de la révision des comptes annuels est d assurer le lecteur du fait que ce document

Plus en détail

Questions Réponses. Pour tout renseignement complémentaire : 01.47.17.64.51 edoni@edoni.org

Questions Réponses. Pour tout renseignement complémentaire : 01.47.17.64.51 edoni@edoni.org EDI : Messages commerciaux Questions Réponses Pour tout renseignement complémentaire : 01.47.17.64.51 edoni@edoni.org 1 EDI : Questions Réponses 1. L architecture 3 2. Le niveau de service 4 3. La relation

Plus en détail

Radio Enfant 2001 sur Internet Présentation

Radio Enfant 2001 sur Internet Présentation Radio Enfant 2001 Présentation du volet Internet Radio Enfant 2001 sur Internet Présentation Ça y est, voici enfin tous les détails concernant la possibilité de participer au volet Internet de Radio Enfant

Plus en détail

Enquête nationale sur les taux salariaux dans le secteur de la construction en Colombie-Britannique

Enquête nationale sur les taux salariaux dans le secteur de la construction en Colombie-Britannique Enquête nationale sur les taux salariaux dans le secteur de la construction en Colombie-Britannique 28 juin 2001 Préparé par : La Division des méthodes des enquêtes auprès des entreprises et La Division

Plus en détail

TD1, sur la Régression Logistique (STA 2211)

TD1, sur la Régression Logistique (STA 2211) TD, sur la Régression Logistique STA 22) Exercice : Un sondage international cité dans un article de presse le 4 décembre 2004) rapportait le faible taux d approbation de la politique du Président des

Plus en détail

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

Plus en détail

Guide Sudoe - Pour l'élaboration et la gestion de projets Version Française Fiche 6.0 La sélection des projets

Guide Sudoe - Pour l'élaboration et la gestion de projets Version Française Fiche 6.0 La sélection des projets Guide Sudoe - Pour l'élaboration et la gestion de projets Version Française Fiche 6.0 La sélection des projets 2 Fiche 6.0 La sélection des projets Index 1 Le cycle d instruction des dossiers de candidature...

Plus en détail

Introduction à la théorie des sondages Challenge Graines de sondeur

Introduction à la théorie des sondages Challenge Graines de sondeur Introduction à la théorie des sondages Challenge Graines de sondeur Camelia Goga IMB, Université de Bourgogne-Dijon camelia.goga@u-bourgogne.fr Dijon, novembre 2015 C. Goga (Univ. de Bourgogne) Sondages

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Ioannis Parissis UFR IMA Laboratoire LIG. Test logiciel

Ioannis Parissis UFR IMA Laboratoire LIG. Test logiciel Test logiciel Objectif et plan du du cours Présenter les concepts de base sur le test logiciel Introduire des techniques simples pour construire des tests A partir de la spécification informelle du programme

Plus en détail

UP : Unified Process

UP : Unified Process UP : Unified Process 1 UP : Unified Process Table des matières 1DÉFINITION... 2 1.1UP est itératif... 2 1.2UP est centré sur l'architecture...2 1.3UP est piloté par les cas d'utilisation d'uml... 2 2VIE

Plus en détail

COMITÉ DE VÉRIFICATION DE VOLLEYBALL CANADA MANDAT

COMITÉ DE VÉRIFICATION DE VOLLEYBALL CANADA MANDAT COMITÉ DE VÉRIFICATION DE VOLLEYBALL CANADA MANDAT 16 NOVEMBRE 2008 I. OBJECTIF A. La principale fonction du Comité de vérification (le «Comité») est d'aider le Conseil d administration à s acquitter de

Plus en détail

Les premiers contacts du directeur avec l étudiant Contexte

Les premiers contacts du directeur avec l étudiant Contexte Fiche pour les directeurs: Accepter un étudiant/ page 1 Contexte À l occasion du premier contact entre un professeur (directeur potentiel) et un étudiant à la recherche d un superviseur dans le cadre de

Plus en détail

(Quels résultats dans les services publics pour mieux affronter les défis du développement économique et social?)

(Quels résultats dans les services publics pour mieux affronter les défis du développement économique et social?) Centre Africain de Formation et de Recherche Administratives pour le Développement Observatoire des Fonctions Publiques Africaines Gouvernement de la République du Bénin VERS UNE ADMINISTRATION ET UNE

Plus en détail

Expériences Economiques

Expériences Economiques Expériences Economiques Analyse comportementale en situation d incertitude Expérience de laboratoire sur l aversion au risque et la préférence pour la liquidité. Thibault GIBERT 2010 / 2011 Contenu 1 Expérience

Plus en détail

Définition des Besoins

Définition des Besoins 1 Génie Logiciel (d'après A.-M. Hugues) Définition des Besoins Renaud Marlet LaBRI / INRIA http://www.labri.fr/~marlet màj 22/03/2007 2 Position dans le cycle de vie Contexte : un problème posé chez le

Plus en détail

Planification Mise en œuvre Evaluation Programmation Suivi TRF Grille d évaluation

Planification Mise en œuvre Evaluation Programmation Suivi TRF Grille d évaluation 1- La place du Suivi dans un cycle de projet Le suivi est un processus continu prenant en compte la dimension dynamique du cycle de projet. Le contexte change, l exécution des activités modifie la réalité

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 Statistiques IUT Biotechnologie 2ème année Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 version du 04 octobre 2008 Table des matières 1 Lois de probabilité usuelles 1 1.1 Dénombrement................................

Plus en détail

CORRIGÉ LES BONBONS BARNIER Proposition de barème sur 70 points Questions à traiter Travaux demandés. 24 points 3 points. 4 points.

CORRIGÉ LES BONBONS BARNIER Proposition de barème sur 70 points Questions à traiter Travaux demandés. 24 points 3 points. 4 points. CORRIGÉ LES BONBONS BARNIER Proposition de barème sur 70 points Questions à traiter Travaux demandés Dossier 1 LA MISE EN PLACE DES VISITES D ENTREPRISE 1.1 Pourquoi peut-on dire que les visites d entreprise

Plus en détail

Document de travail - Méthode de calcul des primes de la SADC et niveau cible de financement

Document de travail - Méthode de calcul des primes de la SADC et niveau cible de financement 6. Analyse La tarification, le financement et le caractère procyclique des régimes d assurance-dépôts sont étroitement liés. De fait, lorsque les primes sont relativement basses, elles ne permettent pas

Plus en détail

Quelles données pour l évaluation des politiques publiques. Bruno Crépon, CREST

Quelles données pour l évaluation des politiques publiques. Bruno Crépon, CREST Quelles données pour l évaluation des politiques publiques Bruno Crépon, CREST Quelques aspects saillants Il ya un problème fondamental de l évaluation qui est l identification C est la question qui prime

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

Enquête longitudinale auprès des immigrants du Canada

Enquête longitudinale auprès des immigrants du Canada Enquête longitudinale auprès des immigrants du Observatoire statistique d immigration et métropoles Montréal, Québec 17 janvier 2003 Sylvain Tremblay Immigration Enquête longitudinale auprès des immigrants

Plus en détail

Maître de stage : Fonction : Nom de l entreprise : Adresse : Code postal : Téléphone : Courriel :

Maître de stage : Fonction : Nom de l entreprise : Adresse : Code postal : Téléphone : Courriel : . Identification des personnes supervisant le stagiaire * Entreprise : Maître de stage : Fonction : Nom de l entreprise : Adresse : Code postal : Téléphone : Courriel : Autres personnes qui accompagnent

Plus en détail

Enoncé : Planification agile et gestion des risques

Enoncé : Planification agile et gestion des risques Enoncé : Planification agile et gestion des risques Tout projet a besoin d'être planifié. La planification est une tâche véritablement complexe pour un chef de projet et ses membres de l équipe, surtout

Plus en détail

Québec, le 6 novembre 2012

Québec, le 6 novembre 2012 Québec, le 6 novembre 2012 1 L'aquaresponsabilité municipale Une approche intégrée Englobe toutes les actions réalisées par une ville Pour garantir : la gestion responsable de la ressource eau sur son

Plus en détail

SCHEDULING. 1.1 Simultanéité, ressources On appelle simultanéité l'activation de plusieurs processus au même moment.

SCHEDULING. 1.1 Simultanéité, ressources On appelle simultanéité l'activation de plusieurs processus au même moment. Chapitre SCHEDULING. ASPECTS GENERAUX DES PROCESSUS Un processus est un programme qui s'exécute, ainsi que ses données, sa pile, son compteur ordinal, son pointeur de pile et les autres contenus de registres

Plus en détail

Comment réaliser une enquête par questionnaire?

Comment réaliser une enquête par questionnaire? Comment réaliser une enquête par questionnaire? 1. L objectif d une enquête : L enquête de satisfaction est un baromètre qui permet de prendre le pouls de la clientèle. Simple et peu coûteuse, elle révèle

Plus en détail

«Cours Statistique et logiciel R»

«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 détail

Bilan du concours pilote de bourses de recherche du printemps 2013 tenu dans le cadre de la réforme des programmes ouverts

Bilan du concours pilote de bourses de recherche du printemps 2013 tenu dans le cadre de la réforme des programmes ouverts Bilan du concours pilote de bourses de recherche du printemps 2013 tenu dans le cadre de la réforme des programmes ouverts Table des matières Introduction... 3 Méthodes... 4 Résumé des résultats... 5 Conclusion

Plus en détail

SOL1020- Hiver 2016 INTRODUCTION À LA STATISTIQUE SOCIALE El Hadj Touré, Ph. D. Sociologie

SOL1020- Hiver 2016 INTRODUCTION À LA STATISTIQUE SOCIALE El Hadj Touré, Ph. D. Sociologie Faculté des arts et des sciences Département de sociologie SOL1020- Hiver 2016 INTRODUCTION À LA STATISTIQUE SOCIALE El Hadj Touré, Ph. D. Sociologie Horaire du cours : Théorie :, 13:00-15:00 (B-3325 Pav.

Plus en détail

Les défis posés par les sondages Internet

Les défis posés par les sondages Internet Les défis posés par les sondages Internet Claire Durand, Professeur titulaire, Département de sociologie, Université de Montréal C. Durand, 2013 1 Plan de la présentation P Pourquoi parler de sondages

Plus en détail

SECTION 2 BILAN DES COMPÉTENCES

SECTION 2 BILAN DES COMPÉTENCES SECTION 2 BILAN DES COMPÉTENCES Bilan des compétences INTRODUCTION... 3 LES OBJECTIFS DU BILAN DES COMPETENCES... 3 LE DEROULEMENT DE VOTRE BILAN DES COMPETENCES... 3 LE BILAN DES COMPETENCES DU PROGRAMME...

Plus en détail

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS DIU Infirmières de Santé au Travail - IDF Faculté de Médecine Paris VII - Denis Diderot Mardi 7 juin 2016 STATISTIQUES EN SANTE AU TRAVAIL : NOTIONS ESSENTIELLES Service Central de Santé au Travail de

Plus en détail

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique 6.1.1 Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications,

Plus en détail

Mise à jour : octobre 2011. Chapitre 8 La mission d audit La planification

Mise à jour : octobre 2011. Chapitre 8 La mission d audit La planification Mise à jour : octobre 2011 Chapitre 8 La mission d audit La planification Table des matières 1. Les procédés préliminaires... 1 2. L approche de partenariat avec le gestionnaire... 2 3. La connaissance

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Chapitre n 3 : Présentation des méthodes agiles et Scrum

Chapitre n 3 : Présentation des méthodes agiles et Scrum Chapitre n 3 : Présentation des méthodes agiles et Scrum I. Généralités sur les méthodes agiles I-1. Définition Les méthodes agiles sont des méthodologies essentiellement dédiées à la gestion de projets

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple 4.3.1 Equation et Estimation 4.3.2 Inférence 4.3.3 Coefficients de détermination 4.3.4 Spécifications Régression linéaire multiple 1 / 50 Chapitre

Plus en détail

Les sondages médias : évolutions et perspectives

Les sondages médias : évolutions et perspectives Les sondages médias : évolutions et perspectives 7 ème Colloque francophone sur les sondages Rennes, le 6 novembre 2012 Introduction La fin du principe d unicité Encore au début des années 1990 le principe

Plus en détail

Informations complémentaires sur l ordonnancement

Informations complémentaires sur l ordonnancement Chapitre 5 Annexe D1 Informations complémentaires sur l ordonnancement Cette annexe présente les informations complémentaires utiles pour réaliser l ordonnancement d un événement. Ordonnancement Aspect

Plus en détail

Résumé du chapitre 8 Ressources et interblocage

Résumé du chapitre 8 Ressources et interblocage Résumé du chapitre 8 Ressources et interblocage Jacques Mossière 12 août 2004 1 Introduction Ce chapitre est consacré à l étude d un problème classique dans les systèmes, l interblocage, c est à dire l

Plus en détail

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2012-2013 B. Derbel L. Jourdan A. Liefooghe Contenu Classification

Plus en détail

Le tableau blanc interactif (TBI)

Le tableau blanc interactif (TBI) Le tableau blanc interactif (TBI) Depuis quelques années, Les TBI apparaissent dans les écoles primaires et leur déploiement est en constante augmentation. Contrairement à beaucoup d idées reçues, ce ne

Plus en détail

Modalités d attribution de la bourse

Modalités d attribution de la bourse pour l avancement du bénévolat et de la société civile Modalités d attribution de la bourse 1. La bourse a été établie pour offrir un congé sabbatique à un leader du secteur des ONG et des organismes sans

Plus en détail

Chapitre 7 Solutions des problèmes

Chapitre 7 Solutions des problèmes Chapitre 7 Solutions des problèmes 1. Modifications à apporter à un réseau. Dans le réseau proposé, la tâche H ne précède pas la tâche F, contrairement à ce qui est spécifié dans le tableau des prédécesseurs

Plus en détail

MATHÉMATIQUES ET INFORMATIQUE Principales formes prises par les formations aux utilisations didactiques de l'ordinateur en mathématiques 1

MATHÉMATIQUES ET INFORMATIQUE Principales formes prises par les formations aux utilisations didactiques de l'ordinateur en mathématiques 1 149 Principales formes prises par les formations aux utilisations didactiques de l'ordinateur en mathématiques 1 Jean Bernard ROUX Études pédagogiques de l'enseignement secondaire, Centre d'enseignement

Plus en détail

Étude des coûts de l administration et de la gestion à l OMS : recommandations préliminaires

Étude des coûts de l administration et de la gestion à l OMS : recommandations préliminaires A COMITÉ DU PROGRAMME, DU BUDGET ET DE L ADMINISTRATION DU CONSEIL EXÉCUTIF Dix-septième réunion Point 3.1 de l ordre du jour provisoire EBPBAC17/INF./2 17 janvier 2013 Étude des coûts de l administration

Plus en détail

Chapitre 6 TESTS STATISTIQUES

Chapitre 6 TESTS STATISTIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 6 TESTS STATISTIQUES Les tests statistiques sont des méthodes de la statistique inférentielle qui, comme

Plus en détail

Agence canadienne de développement international 200, promenade du Portage Gatineau (Québec) K1A 0G4 Tél. : (819) 997-5006 Sans frais :

Agence canadienne de développement international 200, promenade du Portage Gatineau (Québec) K1A 0G4 Tél. : (819) 997-5006 Sans frais : Agence canadienne de développement international 200, promenade du Portage Gatineau (Québec) K1A 0G4 Tél. : (819) 997-5006 Sans frais : 1-800-230-6349 Télécopieur : (819) 953-6088 (Pour les malentendants

Plus en détail

CONSEIL CANADIEN DE DÉVELOPPEMENT SOCIAL. Stratégie d accès communautaire aux statistiques sociales

CONSEIL CANADIEN DE DÉVELOPPEMENT SOCIAL. Stratégie d accès communautaire aux statistiques sociales CONSEIL CANADIEN DE DÉVELOPPEMENT SOCIAL Stratégie d accès communautaire aux statistiques sociales La Stratégie d accès communautaire aux statistiques sociales est un projet du Conseil canadien de développement

Plus en détail

Méthodes du contrôle (maîtrise) statistique de la qualité

Méthodes du contrôle (maîtrise) statistique de la qualité MTH 231 Méthodes statistiques maîtrise statistique des processus : SPC Méthodes du contrôle (maîtrise) statistique de la qualité SPC 1 Méthodes statistiques de la qualité : Statistical Quality Control

Plus en détail

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES CHAPITRE SUITES RÉELLES ET COMPLEXES Les suites sont un objet fondamental à la fois en mathématiques et dans l application des mathématiques aux autres sciences. Nous verrons dans ce cours et les travaux

Plus en détail

CONSIDÉRATIONS DE BASE SUR L ESTIMATION DE LA FRÉQUENTATION DES ÉVÈNEMENTS RÉCRÉOTOURISTIQUES

CONSIDÉRATIONS DE BASE SUR L ESTIMATION DE LA FRÉQUENTATION DES ÉVÈNEMENTS RÉCRÉOTOURISTIQUES MONTRÉAL 1180, rue Drummond Bureau 620 Montréal (Québec) H3G 2S1 T 514 878-9825 QUÉBEC 3340, rue de La Pérade 3e étage Québec (Québec) G1X 2L7 T 418 687-8025 WWW.SOM.CA CONSIDÉRATIONS DE BASE SUR L ESTIMATION

Plus en détail

R-3492-2002 Réponses aux demandes d'informations de l'acef de Québec suite à la 4 e rencontre technique sur les structures tarifaires

R-3492-2002 Réponses aux demandes d'informations de l'acef de Québec suite à la 4 e rencontre technique sur les structures tarifaires A R-3492-2002 Réponses aux demandes d'informations de l'acef de Québec suite à la 4 e rencontre technique sur les structures tarifaires 1) Nous aimerions avoir des explications sur vos affirmations en

Plus en détail

ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE COMITE PERMANENT DES TECHNIQUES DE L INFORMATION

ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE COMITE PERMANENT DES TECHNIQUES DE L INFORMATION OMPI SCIT/7/8 ORIGINAL : anglais DATE : 26 avril 2002 ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE F COMITE PERMANENT DES TECHNIQUES DE L INFORMATION COMITÉ PLÉNIER Septième session Genève,

Plus en détail

ITIL V2. La gestion des problèmes

ITIL V2. La gestion des problèmes ITIL V2 La gestion des problèmes Création : novembre 2004 Mise à jour : août 2009 A propos A propos du document Ce document de référence sur le référentiel ITIL a été réalisé en 2004 et la traduction des

Plus en détail

Création d un fichier

Création d un fichier 37 Création d un fichier 37 La "Nouvelle" commande dans le FILE Menu (menu du fichier) permet la création de n'importe quel fichier évoqué ci-dessus. Dépendant du type de fichier à créer, les interfaces

Plus en détail

Commande par retour d états ou placement des pôles

Commande par retour d états ou placement des pôles Cas continu Commande par retour d états ou placement des pôles Position de problème Soit le système décrit par l équation d état. = + X AX BU Y = CX est dont le polynôme caractéristique est n P( λ) = λ

Plus en détail

Espaces de probabilités.

Espaces de probabilités. Université Pierre et Marie Curie 2010-2011 Probabilités et statistiques - LM345 Feuille 2 Espaces de probabilités. 1. Donner un exemple d'une famille de parties d'un ensemble qui ne soit pas une tribu.

Plus en détail