Chapitre 5. Chapitre 5: Prévision 115. Slide 186
|
|
- Théodore Mongeau
- il y a 8 ans
- Total affichages :
Transcription
1 Chapitre 5: Prévision 115 Slide 186 Chapitre 5 Prévision Dans ce chapitre, nous aordons les prolèmes de prévision de la demande, qui sont très importantes à moyen terme pour l étlissement du plan agrégé, ainsi qu à long terme pour les décisions stratégiques
2 5.1 Principes fondamentaux 116 Tale des matières Chapitre Principes fondamentaux Procédure générale de prévision 192 Slide Modèle constant 194 Moyenne moile simple Lissage exponentiel simple Modèle linéaire 200 Régression linéaire Lissage exponentiel doule Slide Variations saisonnières 205 Facteurs de saisonnalité Lissage doule Méthode de Holt Méthode de Winters Analyse des erreurs de prévision 218 Intervalle de confiance sur la prévision Détection automatique des erreurs de prévision Méthodes auto-adaptatives
3 5.1 Principes fondamentaux 117 Sources d informations 5.1 Principes fondamentaux Slide 189 expérience, sentiment du personnel de terrain jugement des experts et managers analyse de données antérieures autres données quantitatives méthodes de jugement OU méthodes quantitatives complexes Caractéristiques Prévisions décisions importantes Toujours fausses! (prudence, estimation de l erreur) Choix des méthodes pour répondre aux esoins (simplicité, efficacité) Prévisions ojectifs de vente Méthodes Slide 190 Méthodes qualitatives (enquêtes, jugements d experts,...) long terme, nouveaux produits Analyse de séries chronologiques Utilisation du passé pour prévoir le futur (régression, moyenne moile, lissage exponentiel) Méthodes causales (régression multiple, économétrie) Liens entre la demande et des facteurs externes Méthodes de simulation Modèle dynamique incorporant les variales internes et environnementales
4 5.2 Procédure générale de prévision 118 Composantes de la demande Slide 191 Oservations X t Variation aléatoire ɛ t Variations saisonnières Tendance 5.2 Procédure générale de prévision Notations Slide 192 Période actuelle : T Oservations : X t, t = 1,..., T Prévisions : ˆX T +τ, τ = 1, 2,... Choix du modèle Sujectif, asé sur intuition, oservation de la tendance générale Modèle constant : X t = a + ɛ t Modèle avec tendance linéaire : X t = a + t + ɛ t Modèle avec tendance quadratique : X t = a + t + ct 2 + ɛ t Modèle avec tendance linéaire et var. saisonnière : X t = (a + t)c t + ɛ t ɛ t : variation aléatoire non expliquée. E(ɛ t ) = 0, V (ɛ t ) = σ 2 ɛ.
5 5.3 Modèle constant 119 Estimation des paramètres du modèle Slide 193 Paramètres a,, c t + oservations X 1,..., X t estimations â(t ), ˆ(T ), ĉ(t ) (estimations sur ase des oservations jusqu en T ) Prévision de la demande Projection dans le futur de modèle estimé. Exemple : X t = a + t + ɛ t â(t ), ˆ(T ) Prévision : ˆXT +τ = â(t ) + ˆ(T )(T + τ), τ = 1, 2, Modèle constant Moyenne moile simple Modèle : X t = a + ɛ t. Estimation du paramètre a : Slide 194 â(t ) = 1 N T t=t N+1 X t (moyenne des N dernières oservations) Prévision : ˆX T +τ = â(t ), τ = 1, 2,... Remarque : minimise la somme des carrés des écarts : min a T t=t N+1 (X t a) 2
6 5.3 Modèle constant 120 Choix de N Slide 195 N grand : variance diminue (σ 2 ɛ /N) Meilleure élimination de l aspect aléatoire. N petit : prise en compte plus rapide des variations/tendances de la demande. N petit N grand Inconvénient : nécessite de mémoriser un grand nomre de valeurs antérieures. Lissage exponentiel simple Idée : donner plus d importance aux oservations récentes Moindres carrés pondérés exponentiellement 1 Slide 196 β β 2 min a T β T t (X t a) 2 t=1 avec 0 < β < 1 (poids décroissant avec l âge) T -5 T -4 T -3 T -2 T -1 T
7 5.3 Modèle constant 121 Valeur de l estimateur : Slide 197 â(t ) = S T = 1 β 1 β T T β T t X t t=1 S T = 1 β 1 β T X T + 1 βt 1 1 β T βs T 1 Grand nomre d oservations : T β T 0. S T = αx T + (1 α)s T 1 α = 1 β, 0 < α < 1. Lissage exponentiel simple : â(t ) = αx T + (1 α)â(t 1) Slide 198 avec â(t 1) : estimateur de a lorsque les demandes X 1,..., X T 1 sont connues. â(t ) : estimateur de a lorsque les demandes X 1,..., X T sont connues. Remarques : 1. S T prend en compte toutes les données passées sans devoir les mémoriser 2. Initialisation : calcul de S 0 : moyenne moile ou régression. 3. Choix de α?
8 5.4 Modèle linéaire 122 Interprétation de α Slide 199 S T = αx T + (1 α)s T 1 = S T 1 + α (X T S T 1 ) } {{ } Erreur de prévision α = coefficient de réponse aux erreurs de prévision Nouvelle prévision = ancienne prévision + α erreur de prévision α grand : grande réponse, ajustement rapide à des variations permanentes α petit : stailité de la prévision, peu d importance donnée à des événements non répétitifs. 5.4 Modèle linéaire Régression linéaire Slide 200 a Modèle : X t = a + t + ɛ t Estimation de a et : Minimiser la somme des carrés des écarts : min a, T (X t a t) 2 t=1 â(t ), ˆ(t) solution de T â(t ) + T (T +1) 2 â(t ) + T (T +1) 2 T (T +1)(2T +1) 6 ˆ(T ) = T X t t=1 T ˆ(T ) = tx t t=1
9 5.4 Modèle linéaire 123 Désavantage : Poids égal pour tous les écarts passés. Il est proale que la demande future soit plus influencée par les demandes passées récentes critère pondéré : Slide 201 min a, T β t (X t a t) 2 t=1 avec β t : poids de l erreur de période t. β t décroit quant l âge augmente. T Normalisation : β t = 1. t=1 Lissage exponentiel doule Lissage exponentiel simple si tendance linéaire (X t = a + t + ɛ t ) retard systématique pour la prise en compte de la tendance. Slide 202 S T = αx t + (1 α)s T 1 E(S T ) = (a + T ) 1 α } {{ α } iais systématique S T seul ne permet pas d estimer les deux paramètres a et. Augmenter α permet de réduire le iais mais augmente l instailité de la prévision (la variance de l estimateur).
10 5.5 Variations saisonnières 124 Slide 203 Lissage doule Lissage simple des demandes + lissage des valeurs lissées. S T = αx t + (1 α)s T 1 E(S T ) = (a + T ) 1 α α S T = αs t + (1 α)s T 1 E(S T ) = E(S T ) 1 α α On peut en déduire que : E(S T ) E(S T ) = 1 α α ˆ(T ) = α 1 α (S T S T ) E(X T ) = a + T = E(S T ) + 1 α α = 2E(S T ) S T â(t ) + ˆ(T )T = 2S T S T Prévision Slide 204 Initialisation ˆX T +τ = ˆX T + τˆ(t ) τ = 1, 2,... ( ) ( ) α α = 2 + τ S T 1 + τ ST 1 α 1 α Choix de a 0 et 0 (analyse sujective, régression linéaire) a 0 = 2S 0 S 0 0 = α 1 α (S 0 S 0) S 0 = a 0 1 α α 0 S0 = a α α 0
11 5.5 Variations saisonnières 125 Slide 205 Principe général 5.5 Variations saisonnières Facteurs de saisonnalité 1. Extraire la composante saisonnière 2. Prévision sur les demandes désaisonnalisées (méthodes précédentes) 3. Saisonnaliser les prévisions Types de facteurs saisonniers Additifs (X t = a + t + c t + ɛ t ) Slide 206 Multiplicatifs (X t = (a + t)c t + ɛ t ) Longueur du cycle : L périodes, c 1 + c c L = L.
12 5.5 Variations saisonnières 126 Exemple Slide 207 En moyenne, vente de 1000 unités/an dans le passé. Saison Ventes Facteur de saisonnalité Printemps /250 = 0.8 Eté /250 = 1.4 Automne /250 = 1.2 Hiver /250 = Prévision de vente de 1100 unités pour l année prochaine (i.e. 275/trimestre) Saison Prévision Printemps = 220 Eté = 385 Automne = 330 Hiver = 165 Slide 208 Calcul des facteurs de saisonnalité 1. Otention des données rutes 700 Année Printemps Eté Automne Hiver
13 5.5 Variations saisonnières 127 Slide Calcul des moyennes centrées M t sur L périodes élimination de l effet saisonnier moyenne non iaisée par la tendance Remarque : L pair : M t = 1 1 L 2 X t L/2 + t+l/2 1 i=t L/ Année Printemps Eté Automne Hiver X i X t+l/2 3. Calcul des facteurs de saisonnalité F t = X t M t, c t = moyenne des F t de même période du cycle. Slide 210 Année c t Printemps Eté Automne Hiver
14 5.5 Variations saisonnières 128 Procédure de prévision 1. Calcul des facteurs c t 2. Désaisonnalisation de la demande Slide 211 XD t = X t /c t t = 1,... T 3. Calcul de prévisions désaisonnalisées ˆ XD T +τ, τ = 1, 2,... (moyenne moile, lissage, régression,...) 4. Prévision saisonnalisée ˆX T +τ = ˆ XD T +τ c T +τ Lissage doule 1. Calcul des facteurs c t 2. Désaisonnalisation de la demande XD t = X t /c t t = 1,... T Slide Mise à jour du modèle de lissage doule S T = αxd t + (1 α)s T 1 S T = αs t + (1 α)s T 1 4. Prévision saisonnalisée ( ) ˆX T +τ = XD ˆ T + τˆ(t ) ( = 2S T ST + c T +τ α 1 α (S T S T )τ ) c T +τ
15 5.5 Variations saisonnières 129 Méthode de Holt Principe : lisser séparément les deux paramètres a et du modèle 2 constantes de lissage R a et R. (Flexiilité) Slide 213 Principe de lissage : Nouvelle valeur = ancienne valeur + réponse erreur oservée. Erreur : e T = XD T (a T 1 + T 1 ) a T = (a T 1 + T 1 ) +R a e t T = T 1 +R e t Procédure de Holt 1. Calcul des facteurs c t 2. Désaisonnalisation de la demande XD t = X t /c t t = 1,... T 3. Calcul de l erreur de prévision Slide Mise à jour des valeurs lissées e T = XD T (a T 1 + T 1 ) a T = (a T 1 + T 1 ) +R a e t T = T 1 +R e t 5. Prévision saisonnalisée ˆX T +τ = (a T + T τ) c T +τ
16 5.5 Variations saisonnières 130 Slide 215 Choix de R a et R R a 2 N+1 (moyenne moile) Si R proche de R a, ajustement trop rapide de la pente. Holt lissage doule (α) R = α 2 R a = α(2 α) R = 2 R a 2 1 R a (Winters) R max = Ra 2 > 2 R a 2 1 R a En pratique : R a = 2 N + 1 R [2 R a 2 1 R a, R 2 a] Valeurs typiques : R a = 0.25, R = Méthode de Winters Lissage doule et Holt : calcul des c t par moyennes grand nomre de données. Slide 216 Idée : calculer c t par lissage 3 paramètres à estimer. Estimateurs : a(t ) : demande lissée en période T (T ) : pente lissée c T (T L) : valeur lissée de c T calculée en T L (un cycle complet avant T )
17 5.6 Analyse des erreurs de prévision 131 Calcul des valeurs lissées X T a(t ) = α + (1 α) (a(t 1) + (T 1)) C T (T L) (T ) = β (a(t ) a(t 1)) + (1 β)(t 1) Slide 217 c T (T ) = γ X T a(t ) + (1 γ)c T (T L) Valeurs typiques : α = 0.25, β = 0.02, γ = 0.3. Prévision : ˆX(T + τ) = (a(t ) + τ(t )) c T +τ (T L + (τ mod L)) 5.6 Analyse des erreurs de prévision Intervalle de confiance sur la prévision Slide 218 Avantages du lissage : simplicité (compréhension, implémentation) faile nomre de données à conserver procédures de contrôle de la fiailité des prévisions Types de contrôle : signal d alarme + corrections manuelles modèles auto-adaptatifs Détection automatique des erreurs de prévision (modèle estimé s écarte de la réalité) intervalle de confiance sur la prévision
18 5.6 Analyse des erreurs de prévision 132 Erreur de prévision : e t = X t ˆX t Hypothèse : Modèle conforme à la réalité. Slide 219 X t = modèle + ɛ t erreur oservée (e t ) conforme aux variations aléatoires (ɛ t ) E(e t ) = 0, V (e t ) = σ 2 e e t N (0, σ 2 e) Non corrélation des e t successifs. (distriution normale) Intervalle de confiance estimer σ e. Soit l espérance de déviation asolue : Slide 220 = E ( e E(e) ) = E( e ) = E( ɛ ) = 2 0 ef ɛ (e)de = σ e π σ e 0.8σ e Estimation de : moyenne des e t Lissage exponentiel : MAD T = α e T + (1 α)mad T 1, σ e 1.25MAD T (MAD = Mean Average Deviation)
19 5.6 Analyse des erreurs de prévision 133 Intervalle de confiance e t = N (0, σ 2 e) P ( 2σ e e T 2σ e ) = 0.95 Slide 221 donc P ( 2.5MAD T 1 X T ˆX ) T 2.5MAD T 1 = 0.95 ( P ˆXT 2.5MAD T 1 X T ˆX ) T + 2.5MAD T 1 = 0.95 Intervalle de confiance à 95 % de X T : [ ˆX T 2.5MAD T 1, ˆX T + 2.5MAD T 1 ] Détection automatique des erreurs de prévision Hypothèse : modèle correct σ e = 1.25MAD T intervalle de confiance. Slide 222 Test d hypothèse : si e T est trop grand (> 3MAD T ) alors proailité faile que le modèle soit correct. Test de la validité du modèle sur ase des oservations e t et valeurs calculées MAD t. 3 types d erreurs : 1. donnée douteuse 2. modèle de prévision iaisé 3. erreurs de prévision trop grandes
20 5.6 Analyse des erreurs de prévision 134 Donnée douteuse Modèle correct jusqu en T, erreur très grande en T. Slide 223 Filtre : Si e T > n 1 MAD T (n 1 3) alors la dernière donnée X T est douteuse. Si événement exceptionnel, non répétitif ne pas incorporer e T dans la mise à jour des estimateurs. Modèle iaisé Biais : sur-estimation ou sous-estimation systématique erreur systématiquement de même signe. MAD T : Erreur asolue lissée. Slide 224 Soit E t = moyenne lissée des erreurs (avec leur signe) E T = αe T + (1 α)e T 1 Filtre : si E T > n 2 (trop proche de 1) MAD T alors persistance des signes des e t.
21 5.6 Analyse des erreurs de prévision 135 Remarque : σ 2 E 1 N σ2 e = α α 2 α (1.25)2 MAD 2 n 2 = α n 2 MAD 2.33σ E, intervalle de confiance à 98 % Slide 225 n 2 = 0.3 pour α = 0.1 Variailité des erreurs Modèle non iaisé mais e t très grands Filtre : si MAD T > n 3 ˆX T alors erreur relative trop grande Méthodes auto-adaptatives Détection des erreurs et correction du modèle automatiques. Slide 226 Idée : faire varier les paramètres de lissage en fonction des erreurs oservées. Exemple : α ou R a = E t MAD t α petit lorsque le modèle est non iaisé on lissage. α grand lorsque le modèle est iaisé on ajustement en cas de changement de tendance.
Chapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailIFT2880 Organisation des ordinateurs et systèmes
Représentation des nombres flottants Notation exponentielle Représentations équivalentes dans la base 10 de 1,234 1 2 3, 4 0 0. 0 x 1 0-2 1 2, 3 4 0. 0 x 1 0-1 1, 2 3 4. 0 x 1 0 1 2 3. 4 x 1 0 1 2. 3 4
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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailSociété Générale SCF Société Anonyme au capital de 150.000.000 euros Siège social : 17 cours Valmy - 92800 PUTEAUX 479 755 480 RCS NANTERRE
Société Générale SCF Société Anonyme au capital de 150.000.000 euros Siège social : 17 cours Valmy - 92800 PUTEAUX 479 755 480 RCS NANTERRE Rapport sur la qualité des actifs au 31 mars 2014 (Instruction
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
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 détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailMarketing et Communication qui Améliorent significativement la Rentabilité de votre activité. la vision créative.
la vision créative de votre réussite Marketing et Communication qui méliorent significativement la Rentailité de votre activité www.soreat.com contact@soreat.com Tél : 03 29 55 48 01 SOMMIRE Notre histoire,
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailÊtre Anticiper Innover. Une technologie dont on ne peut se passer
Être Anticiper Innover Une technologie dont on ne peut se passer Soyez assuré de la qualité et de la performance de nos produits Grâce à l ALPHA2, vous pouvez compter sur la qualité et la fiabilité reconnues
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTEPZZ 568448A_T EP 2 568 448 A1 (19) (11) EP 2 568 448 A1 (12) DEMANDE DE BREVET EUROPEEN. (51) Int Cl.: G07F 7/08 (2006.01) G06K 19/077 (2006.
(19) TEPZZ 68448A_T (11) EP 2 68 448 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 13.03.2013 Bulletin 2013/11 (1) Int Cl.: G07F 7/08 (2006.01) G06K 19/077 (2006.01) (21) Numéro de dépôt:
Plus en détailCOURS CALCULS FINANCIERS STATISTIQUE
UNIVERSITÉ JOSEPH FOURIER M1 MIAGE UFR IMA COURS DE CALCULS FINANCIERS ET STATISTIQUE Serge Dégerine 4 octobre 2007 INTRODUCTION Ce document comporte trois parties consacrées à deux thèmes très indépendants
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailCours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailSystèmes à guirlandes pour câbles et tuyaux
Darwinstraat 10 N 6718 XR Ede Pays Bas Flexile en énergie! Tél. +31 (0)342 403900 Fax +31 (0)342 403912 email info@akapp.com UR www.akapp.com Systèmes à guirlandes pour câles et tuyaux Une installation
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailSOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE
SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE 1 Factures de doit p. 9 Processus 1 2 Réductions sur factures de doit p. 11 Processus 1 3 Frais accessoires sur factures p. 13 Processus 1 4 Comptabilisation
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
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 détailSYSTEMES LINEAIRES DU PREMIER ORDRE
SYSTEMES LINEIRES DU PREMIER ORDRE 1. DEFINITION e(t) SYSTEME s(t) Un système est dit linéaire invariant du premier ordre si la réponse s(t) est liée à l excitation e(t) par une équation différentielle
Plus en détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
Plus en détailwww.styleanalytics.com
www.styleanalytics.com Style Analytics EuroPerformance a le plaisir de vous présenter Style Analytics, outil de mesure des risques et de la performance des fonds d investissement. Style Analytics offre
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailLicence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015.
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015. Thèmes des séances de TD Thème n.1: Tableaux statistiques et représentations graphiques. Thème
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailLa loi de financement de la
Document de travail de la Branche Retraites de la Caisse des dépôts et consignations n 99-16/17 Contact : Laurent Vernière 1 4 49 89 55 Réalisation : Direction de la Communication Février/Mars 99 Fonds
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailSignaux numériques : Multiplexage temporel : TDM
Signaux numériques : Multiplexage temporel : TDM Pour la hiérarchie TDM, il y a deux catégorie : Le multiplexage dans les systèmes informatiques : La transmission TDM dans des lignes haute vitesse à partir
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailDu Thermostat à l ordinateur climatique. Vincent Aubret Hortimax
Du Thermostat à l ordinateur climatique Vincent Aubret Hortimax 1 Introduction 2 Régulateurs de type thermostat Applications : Idéal pour la régulation simplifiée de type Tunnels, Hall Alarme haute et
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailSMALL DATA DANS LA VEILLE
SMALL DATA DANS LA VEILLE Collecte et valorisation de l information stratégique dans l entreprise OCP El Jadida 25 Septembre 2014 25 Septembre 2014 OCP - El Jadida 2 Ordre du jour Définitions Etat de la
Plus en détailPROJET DE GESTION PORTEFEUILLE. Evaluation d une Stratégie de Trading
PROJET DE GESTION PORTEFEUILLE Evaluation d une Stratégie de Trading Encadré par M. Philippe Bernard Master 1 Economie Appliquée-Ingénierie Economique et Financière Taylan Kunal 2011-2012 Sommaire 1) Introduction
Plus en détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Plus en détailBio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité
Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion
Plus en détailL'évaluation par les pairs dans un MOOC. Quelle fiabilité et quelle légitimité? Rémi Bachelet Ecole Centrale de Lille 24 novembre 2014, Université
L'évaluation par les pairs dans un MOOC. Quelle fiabilité et quelle légitimité? Rémi Bachelet Ecole Centrale de Lille 24 novembre 2014, Université Paris-Est séminaire annuel IDEA Les diapos seront tweetées
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailLOGICIELS DE PRÉVISIONS
Pour vos appels d offre Mars 2014 LOGICIELS DE PRÉVISIONS 4 e ÉDITION BARLOWORLD SCS New Optimiza SupplyChainMagazine.fr 19, rue SaintGeorges 94700 MaisonsAlfort 1. NOM de l'éditeur BARLOWORLD Supply Chain
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailDEUXIÈME ÉTUDE D'IMPACT QUANTITATIVE SUR LE RISQUE DE MARCHÉ SOMMAIRE DES RÉSULTATS
Deuxième étude d impact quantitative sur le risque de marché Sommaire des résultats Comité mixte BSIF, AMF et Assuris Janvier 2011 DEUXIÈME ÉTUDE D'IMPACT QUANTITATIVE SUR LE RISQUE DE MARCHÉ SOMMAIRE
Plus en détailDans une année, il y a 12 mois. Dans une année, il y a 52 semaines. Dans une année, il y a 4 trimestres. Dans une année, il y a 365 jours.
Dans un siècle, il y a 100 ans. Dans une année, il y a 12 mois. Dans une année, il y a 52 semaines. Dans une année, il y a 4 trimestres. Dans une année, il y a 365 jours. Dans un trimestre, il y a 3 mois.
Plus en détaili7 0 Guide de référence rapide Français Document number: 86141-1 Date: 11-2010
i7 0 Guide de référence rapide Français Document number: 86141-1 Date: 11-2010 FRANÇAIS Document number: 86141-1 Date: 02-2011 Commandes d instrument Disposition des commandes et fonctions. Mise en marche
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailNote technique. Consommation électrique d'un poêle à granulés à émission directe
Note technique Consommation électrique d'un poêle à granulés à émission directe Version / Date Version 1.0 du 06/02/2012 Auteur David Chénier 2012, Amoès SAS. Toute utilisation, reproduction intégrale
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détail1 Importer et modifier des données avec R Commander
Université de Nantes 2015/2016 UFR des Sciences et Techniques Département de Mathématiques TP1 STATISTIQUE DESCRIPTIVE Frédéric Lavancier Avant propos Ouvrir l application R Saisir dans la console library(rcmdr)
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détail(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailCorrection de l exercice 2 du quiz final du cours Gestion financière (2010-2011 T2) : «Augmentation de capital de Carbone Lorraine»
Correction de l exercice 2 du quiz final du cours Gestion financière (2010 2011 T2) : «Augmentation de capital de Carone Lorraine» Question 1 : déterminer formellement la valeur du droit préférentiel de
Plus en détailTransmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
Plus en détailCOURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
COURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
Plus en détailSimulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailLe suivi de la qualité. Méthode MSP : généralités
Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois
Plus en détailBUSINESS FORECASTING SYSTEM
Septembre 2012 Pour vos appels d offre LOGICIELS DE PRÉVISION 3 e ÉDITION BUSINESS FORECASTING SYSTEM XE - Unlimited SC Trac SC SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort 1. NOM
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailRDP : Voir ou conduire
1S Thème : Observer RDP : Voir ou conduire DESCRIPTIF DE SUJET DESTINE AU PROFESSEUR Objectif Compétences exigibles du B.O. Initier les élèves de première S à la démarche de résolution de problème telle
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailCapacité étendue d utilisation en réseau
Fiche technique n VIBOFF_1A_f Emonitor Odyssey introduit une nouvelle conception de la maintenance conditionnelle (prédictive) en automatisant les opérations de routine afin d améliorer les vitesses de
Plus en détailGENERALITES... 2. Sélection du fichier... 7 TRANSFERT DES ECRITURES... 8
GENERALITES... 2 Présentation... 2 Définition du format du fichier d import/export... 4 Gestion des Profils... 6 Sélection d un profil existant... 6 Création d un profil... 6 Sélection du fichier... 7
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailInteractions des rayonnements avec la matière
UE3-1 : Biophysique Chapitre 2 : Interactions des rayonnements avec la matière Professeur Jean-Philippe VUILLEZ Année universitaire 2011/2012 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailCOMITÉ ADMINISTRATIF ET JURIDIQUE. Quarante-huitième session Genève, 20 et 21 octobre 2003
ORIGINAL : anglais DATE : 18 juillet 2003 F UNION INTERNATIONALE POUR LA PROTECTION DES OBTENTIONS VÉGÉTALES GENÈVE COMITÉ ADMINISTRATIF ET JURIDIQUE Quarante-huitième session Genève, 20 et 21 octobre
Plus en détailCompteurs d énergie iem3000
Les compteurs d énergie PowerLogic série iem3000 offrent une gamme compétitive de compteurs montés sur rail DIN, idéale pour les applications de refacturation et d affectation des coûts. Associée à un
Plus en détailDEHN protège les équipements de sécurité
DEHN protège les équipements de sécurité www.dehn.de www.dehn.fr 2 Pour un fonctionnement fiable des systèmes de sécurité Pas de compromis au niveau de la sécurité Qu il s agisse des alarmes incendie,
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailHEG Gestion de la Qualité L.Cornaglia. Les référentiels SMI, normes, processus de certification
Les référentiels SMI, normes, processus de certification 1 Définitions selon le Guide ISO/IEC 2:2004 Norme Document, établi par consensus et approuve par un organisme reconnu, qui fournit, pour des usages
Plus en détailACP Voitures 1- Méthode
acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788
Plus en détailRapport du projet CFD 2010
ISAE-ENSICA Rapport du projet CFD 2010 Notice explicative des différents calculs effectués sous Fluent, Xfoil et Javafoil Tanguy Kervern 19/02/2010 Comparaison des performances de différents logiciels
Plus en détail