Cours de méthodes de scoring

Dimension: px
Commencer à balayer dès la page:

Download "Cours de méthodes de scoring"

Transcription

1 UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire Cours de méthodes de scoring- Hassen MATHLOUTHI Page 1

2 AVANT PROPOS Ce cours polycopié sur les méthodes de scoring est le résultat d une expérience d enseignement de ce module durant ces dernières années à l Ecole de Statistique et d Analyse de l Information Il profite également de l expérience acquise à travers l encadrement dans la même école de projets de fin d études ayant porté sur des applications de gestion qui ont utilisé les méthodes de scoring. Ce cours reste néanmoins très incomplet. Il ne traite en effet en tout que deux méthodes de scoring qui sont la méthode d analyse discriminante de Fisher et la méthode de discrimination logistique. Ces deux méthodes sont les plus connues mais d autres méthodes également intéressantes existent dans la littérature statistique et devraient être aussi étudiées par tout lecteur cherchant à approfondir ses connaissances en la matière. Il reste également assez théorique. En effet, les considérations d ordre pratique liées notamment à l échantillonnage et aux techniques de sélection des variables explicatives ne sont que partiellement ou pas du tout abordées. D autre part et quoique ayant fait l objet de plusieurs lectures et de vérifications, ce cours risque de contenir quelques erreurs mathématiques (et erreurs de langue aussi). Je serais très reconnaissant aux lecteurs me signalant les éventuelles erreurs ou incompréhensions. L auteur Cours de méthodes de scoring- Hassen MATHLOUTHI Page 2

3 TABLE DE MATIERES Désignation Page Avant propos 2 Chapitre1 : Introduction générale 4 1. Présentation des méthodes de scoring 2. Démarche pratique 3. Portée et limites Chapitre 2 : L approche géométrique 9 1. Position du problème et notation 9 2. Concepts de base Principe de classement 16 Chapitre 3 : Classifieurs Bayesiens Eléments de la théorie de la décision Classifieur de Bayes Mise en application 24 Chapitre 4 : Analyse discriminante de Fisher Présentation Modélisation Estimation 28 Chapitre 5 : Analyse discriminante logistique Présentation Modélisation Estimation 31 Chapitre 6 : Validation d un modèle de scoring Concepts de base Principaux outils Illustration 39 Bibliographie. 41 Cours de méthodes de scoring- Hassen MATHLOUTHI Page 3

4 Chapitre 1 INTRODUCTION GENERALE Cette introduction générale a pour but de présenter l objet des méthodes de scoring ainsi que leurs principales applications en gestion. La portée et les limites de ces méthodes ainsi que la démarche pratique pour leur mise en œuvre sont également discutées. 1. PRESENTATION Dans cette présentation des méthodes de scoring, nous nous proposons de définir l objet de ces méthodes. Nous examinons par la suite les principales applications des dites méthodes dans le domaine de la gestion des entreprises. 1.1 Objet Selon le langage courant, le terme score peut signifier «classement», «résultat», «marque» etc. En statistique, c est l idée de «classement» qui est surtout retenue. Le scoring (statistique) se présente en effet comme un ensemble de méthodes conduisant à un classement d individus au sein de groupes préalablement définis. La notion de classement mérite à son tour d être élucidée compte tenu des confusions souvent constatées avec le terme «classification». Ce dernier terme signifie en effet la mise en évidence de groupements inconnus dans une population. En revanche, un classement désigne toute méthode d affectation des individus d une population dans des groupes définis à priori. Formellement, étant donné un ensemble d individus pouvant être décrits par un certain nombre de variables. Ces individus se répartissent entre quelques groupes définis à priori. Un individu se présente. On ne connait pas son groupe d appartenance. Peut-on, sur la base des observations qu il présente vis-à-vis des variables considérées, prévoir le groupe auquel il appartient? C est le problème auquel les méthodes de scoring cherchent à donner une solution. Une méthode de scoring se présente en effet comme une technique statistique permettant de classer un individu dans l un des quelques groupes définis à priori et ce au vu de certaines caractéristiques de cet individu. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 4

5 Il s agit bien d une méthode de classement statistique car elle est basée d abord sur un traitement statistique des données issues d un échantillon d individus. D autre part, les facteurs derrière l appartenance d un individu à tel ou tel autre groupe reste en partie inconnus. En fait, les méthodes de scoring relèvent de méthodes générales de classement statistiques (et non de classification) comme l analyse discriminante, la régression logistique, etc. 1.2 Domaines d application Les techniques de scoring sont appliquées dans plusieurs domaines comme la médecine, l agronomie, l archéologie, l informatique, la gestion des entreprises, etc. Dans ce dernier domaine, deux principaux types de score sont utilisés : le score d appétence et le score de risque Score d appétence Utilisé notamment en marketing, le score d appétence est une mesure de la propension d acheter d un client. En pratique, on utilise notamment ce type de score pour apprécier la probabilité d un client d être intéressé par un nouveau produit. En effet, dans les domaines où il est possible d atteindre directement (par , SMS, ou par voie postale par exemple) un grand nombre de clients potentiels (téléphonie, services bancaires, etc.), la promotion de nouveaux produits gagnerait à être ciblée auprès des clients les plus intéressés. Dans ce contexte, on est ainsi en présence de deux groupes : celui des clients qui sont intéressés par le nouveau produit et celui des clients qui ne le sont pas. La construction d un score d appétence permet alors de prévoir le groupe d appartenance des différents clients de l entreprise au vu de leur caractéristiques et partant : De n atteindre que les clients les plus réceptifs D éviter d importuner les clients non intéressés Ce qui assure une utilisation optimale du budget alloué à cet effet. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 5

6 1.2.1 Score de risque Le score de risque ou de comportement est une mesure de la probabilité pour un client de subir un certain événement défavorable pou l entreprise. L exemple typique est le crédit scoring utilisé par les banques pour apprécier les risques de non remboursement des crédits accordés à leurs clients. Dans ce contexte, les groupes en présence sont le groupe des «bons clients» et celui des «mauvais clients». Une méthode de scoring se présente alors comme un précieux outil d aide à la décision à la disposition des banquiers leur permettant lors de demandes de crédit par leur clients de détecter si ces derniers présentent ou non un grand risque de non remboursement. Ce type de score peut être aussi utilisé par les compagnies d assurance pour apprécier le niveau de sinistralité d un nouveau client. L utilisation d un score de risque permet ainsi de réduire les impayés. Elle permet également de fournir les bases d une tarification du risque. 2. DEMARCHE PRATIQUE La mise en place d un système de scoring passe par un certain nombre d étapes qu il convient de réaliser. 2.1 Cas du score d appétence Pour fixer les idées considérons le cas d une entreprise de téléphonie qui projette de lancer un nouveau service (par exemple téléphoner à moitié prix entre 22 heures et six heures du matin moyennant une cotisation mensuelle de 5 dinars). Comment procède t elle pour faire connaitre ce nouveau produit? La solution la plus facile est d envoyer un SMS présentant ce produit à l ensemble des abonnés. Cette solution n est pas évidemment la plus appropriée car un certain nombre de ces abonnés n est pas intéressé. Il serait plus judicieux de distinguer au préalable entre les clients non intéressés et les clients intéressés et procéder par la suite à la promotion du nouveau produit auprès de ces derniers. Extraction d un échantillon de la base des données des clients de l entreprise Dans le cadre d une enquête, présenter le nouveau produit aux clients de l échantillon et solliciter leur niveau d appétence. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 6

7 Utiliser la moitié des données de l échantillon (données indiquées par la base d une part et niveau d appétence fournies par l enquête d autre part) pour modéliser le score d appétence (expliquer le niveau d appétence comme une fonction des caractéristiques des clients) Utiliser l autre moitié des données de l échantillon pour valider le modèle de scoring spécifié. Calculer le score pour l ensemble des clients Cibler les clients les plus scorés compte tenu du budget alloué. 2.2 Cas du score de risque La mise en place d un système de crédit scoring dans une banque passe à priori par les étapes suivantes : Extraire dans les dossiers de crédits accordés dans le passé un échantillon de «bons clients» et de «mauvais clients» NB : On ne cherche pas à respecter la structure de la population entre «bons» et «mauvais» clients. On considère plutôt pour le besoin de la modélisation un échantillon plus ou moins également réparti. Analyse préliminaire des données issues de l échantillon choisi (élimination des erreurs et incohérences, recodage des variables, sélection des variables explicatives, etc.) Utilisation de la moitié des données de l échantillon pour modéliser le score de risque (explication de la probabilité d être un mauvais client comme une fonction de ses caractéristiques) Utilisation de l autre moitié des données de l échantillon pour valider le modèle de scoring spécifié. Fixation d un seuil de score en déca du quel un client est considéré comme «mauvais». NB : Ce seuil est généralement fixé à travers un calcul économique. Application du modèle adopté sur les nouvelles demandes de crédits. 3. PORTEE ET LIMITES En pratique, on pourrait utiliser d autres méthodes plus ou moins subjectives pour apprécier la probabilité d appartenance d un individu à un groupe donné. Par rapport à ces méthodes, les techniques statistiques de scoring présentent un certain nombre d avantages et inconvénients dont les principaux sont présentés ci après. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 7

8 3.1 Principaux avantages Par rapport à un système de notation subjective, le scoring statistique présente les avantages suivants : Evaluation quantitative de la probabilité d appartenance ce qui permet d ordonner les individus. Caractère immuable (fixe) des résultats Cohérence des résultats : deux individus ayant les mêmes caractéristiques auront le même score. Caractère explicite : méthodologie d évaluation pouvant être clairement présentée. Prise en compte de plusieurs facteurs de risque. Aptitude d être testée au préalable Explication du lien existant entre le niveau de risque et les facteurs de risque Aptitude à donner lieu à des calculs sur les effets sur la rentabilité de l entreprise. 3.2 Principaux inconvénients Les méthodes statistiques de scoring soufrent néanmoins de quelques insuffisances dont entre autres : La décision pouvant être prise suite à l utilisation des méthodes de scoring est basée sur une probabilité et non sur une certitude Les méthodes statistiques de scoring supposent comme toute autre méthode statistique que le futur est identique au passé. Le risque est expliqué par les seules variables disponibles Il existe un vrai problème de biais de sélection dans l élaboration d une méthode de crédit scoring. En effet, les dossiers refusés ne sont pas pris en considération. L application d un système de scoring nécessite un grand nombre de données et de variables statistiques et serait de ce fait impossible à réaliser sans l outil informatique. La mise en place d un système de scoring dans une entreprise n est pas toujours facile à réaliser du fait de la nécessité de son intégration informatique avec les autres systèmes d information. Remarque : dans tous les cas, il convient de se rappeler que la statistique est juste un outil d aide à la prise de décision et ne permet en aucun cas d arrêter cette décision. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 8

9 Chapitre 2 APPROCHE GEOMETRIQUE Ce chapitre présente la méthode de scoring la plus intuitive. Il s agit en effet d une méthode simplement basée sur des outils géométriques et statistiques. La règle d affectation qui se déduit de cette approche géométrique se présente comme un cas particulier important de la méthode d analyse discriminante de Fisher qui sera examinée en détail plus loin dans ce cours. 1. NOTATION ET POSITION DU PROBLEME L objet de cette section est de placer le problème de classement dans un cadre géométrique. Pour ce faire, nous devons au préalable fixer les notations. 1.1 Notations On considère une population E composée de n individus. On collecte auprès de ces individus des données relatives à p variables quantitatives. La donnée relative à la variable j chez l individu i est notée x i,j L ensemble des données collectées peut alors être représenté par un tableau ayant la forme suivante : x 1,1 x 1,2 x 1,j x 1,p x 2,1 x 2,2 x 2,j x 2,p x i,1 x i,2 x i,j x i,p x n,1 x n,2 x n,j x n,p où par convention, on a placé les p données relatives à l individu i dans la ligne n i (et donc les n données concernant la variable j dans la colonne n j) Pour la formalisation mathématique, ce tableau est identifié à une matrice X de n et p dimensions. De même, on identifie la colonne n j de ce tableau, représentant la variable j, à un point de R n qu on note X j. Pareillement, on identifie la ligne n i représentant l individu i de ce même tableau à un point de R p. Ce point est noté X (i) Cours de méthodes de scoring- Hassen MATHLOUTHI Page 9

10 Les points variables X j forment un nuage de p points dans de R n. Il en est de même en ce qui concerne les points individus qui forment un nuage de n points de R p. X =,,.,,,,.,,..,,.,,.,,.,,, X j =,,,., et X (i) =,,,., Illustration géométrique : On considère un nuage de 5 individus décrits par deux variables ( p=2) On observe également auprès de chacun des n individus son appartenance à l un des m groupes E 1, E 2,,E k,,e m définis à priori. Un individu appartient à un et un seul groupe. On a ainsi : et E k E l = k l. Si on note n 1, n 2,,n k,,n m les effectifs respectifs des m groupes considérés, on a ainsi : Les données disponibles concernent aussi les poids p i associés à chaque individu i. Ce poids mesure l importance relative de l individu dans l analyse à effectuer. On a par définition : 0 1 à 1 Un cas particulier important est celui où les poids sont uniformes : 1 1 à Cours de méthodes de scoring- Hassen MATHLOUTHI Page 10

11 Remarques Le poids d un groupe est naturellement défini par la somme des poids des individus format ce groupe :. Dans le cas uniforme Les poids associés aux groupes ne sont pas uniformes car les effectifs des groupes ne sont pas en général égaux. 1.2 Position du problème Etant donné un nouvel individu dont on ne connait pas le groupe d appartenance. Soit x =,,.,, ses coordonnées. Le problème posé consiste à prévoir le groupe d appartenance de cet individu au vu de ses caractéristiques définies par x. Il convient de signaler qu il s agit d une prévision et non d une détermination du groupe d appartenance. Il y a donc un risque de procéder à un classement erroné. 2 CONCEPTS DE BASE Utilisant le système de notation sus présenté nous donnons dans ce qui suit les concepts statistiques et géométriques nécessaires pour définir la méthode de classement considérée. 2.1 Moyennes arithmétiques et centre de gravité Pour chaque variable X j on calcule sa moyenne arithmétique, NB : Dans le cas uniforme, cette formule prend la forme habituelle, Le vecteur g des p moyennes arithmétiques est appelé centre de gravité du nuage des individus : g = (,,,,,. Ce point définit un nouvel Cours de méthodes de scoring- Hassen MATHLOUTHI Page 11

12 individu. C est l individu moyen. Dans la suite, on suppose que g = (0,0,,0). Cette hypothèse a l avantage de simplifier les calculs sans modifier les résultats de l analyse. Remarque : Pour satisfaire cette hypothèse en pratique, on commence par centrer le nuage des individus. On pose à cet effet,, où les, désignent les données initiales. On calcule également pour chaque variable X j sa moyenne arithmétique dans chaque groupe k, : Cela permet de définir un centre de gravité pour le sous nuage associé à ce groupe, soit g k =,,,,, Remarque : avec des poids uniformes, on a :, Ce point de R p s identifie ainsi avec l individu moyen du groupe k. On le considère comme le représentant de ce groupe. On a la propriété suivante : La moyenne de la population coïncide avec la moyenne pondérée des moyennes des groupes, les pondérations étant les importances numériques des groupes : Il s ensuit que : (= 0 si le nuage est centré) Cours de méthodes de scoring- Hassen MATHLOUTHI Page 12

13 2.2 Matrice de variances et covariances La variance de la variable j est définie par : soit en développant, ² Remarque : Avec des données centrées, on a, ²,. Lorsqu en plus les poids sont uniformes, la formule se simplifie davantage :, 1 La covariance des variables j et h est donnée par :, NB : Avec des poids uniformes, on a :,,,,, ou encore si le nuage est centré :,,, 1 On note V la matrice de variances et covariances : V=,.,,,.,,..,,.,.,,., Cours de méthodes de scoring- Hassen MATHLOUTHI Page 13

14 On peut remarquer qu en présence d un nuage centré et des poids uniformes, on a : 1 On sait que c est une matrice symétrique définie positive, inversible sauf s il existe une relation linéaire entre les variables. De même on définit pour chaque groupe k une matrice de variances et covariance spécifique, soit V k =,.,,,.,,..,,.,.,,.,, et (, si les poids sont uniformes),,,,,, si les poids sont uniformes) Remarque: les moyennes ne sont pas nulles car les sous nuages ne sont pas centrés. Soit W la matrice définie par la moyenne arithmétique des variances V k. Cette matrice est appelée matrice des variances et covariances intra groupes: A signaler que la matrice W est en général inversible. On définit également une autre matrice B appelée matrice des variances et covariances intergroupes. C est la matrice des variances et covariances calculée Cours de méthodes de scoring- Hassen MATHLOUTHI Page 14

15 au niveau des représentants des différents groupes. A rappeler que chaque représentant d un groupe d eux est caractérisé par les moyennes des variables considérées dans le groupe considéré, c'est-à-dire le centre de gravité de ce groupe. Les données concernant les représentants des groupes peuvent être consignées dans une matrice G prenant la forme suivante : G = La matrice B est alors définie comme suit : B =,.,,,.,,..,,.,.,,., ² ² et, car le nuage est centré. On peut vérifier que :. C est une matrice carrée de dimension p mais en en général de rang inférieur à p. Cette matrice n est donc pas en général inversible. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 15

16 On a le résultat important suivant connu sous le nom de formule de l analyse de la variance : V= W + B. Cette propriété s énonce ainsi : les variances (et covariances) totales (au niveau de la population) telles que présentés par la matrice V coïncident avec la somme des variances (et covariances) intragroupes (au sein des groupes) données par la matrice W et des variances (et covariances) intergroupes (entre les groupes) fournies par la matrice B. 2.3 Métrique Pour définir la distance, non nécessairement euclidienne, entre deux individus e et f, on a besoin d une métrique M. Il s agit d une matrice symétrique définie positive de dimension p: d²(e,f) = (e-f) M(e-f). La norme associée à cette distance est alors donnée par : e ² = d²(o,e) = e Me Remarque : Lorsque M =I, matrice identité, on a la distance euclidienne 3. PRINCIPE DE CLASSEMENT Rappelons qu on cherche à classer un nouvel individu dans l un des m groupes sur la base des données relatives aux p variables considérées telles que observées chez cet individu. L approche géométrique, connue sous le nom de règle de Mahalanobis Fisher, consiste tout simplement à classer cet individu dans le groupe le plus proche. On sait qu un individu et un représentant d un groupe sont deux points de R p. Le groupe recherché est donc celui pour le quel la distance entre son centre de gravité et le point individu concerné est la plus faible. La métrique considérée pour calculer cette distance est celle de Mahalanobis définie par l inverse de la matrice intra groupes W. La règle d affectation prend une formulation particulière lorsqu on est en présence de deux groupes seulement. Aussi, distingue t- on dans ce qui suit le cas général du cas de deux groupes. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 16

17 3.1 Cas général Soit x = (x 1, x 2,.., x j,, x p ) les coordonnées du nouvel individu. Désignons par d²(x,g k ) le carré de la distance entre x (le nouvel individu) et g k (le centre de gravité du groupe k). Par définition, l on a : d où en développant : d²(x,g k )= (x-g k ) W -1 (x-g k ) d²(x,g k )= x W -1 x + g k W -1 g k -2x W -1 g k On note que le premier terme du second membre de l égalité précédente (x W -1 x) ne dépend pas des groupes. On peut donc ne pas en tenir compte et se limiter à la quantité : S k (x) = x W -1 g k ½ g k W -1 g k En calculant ces quantités pour k = 1 à m et les triant selon l ordre croissant, on identifie le groupe pour le quel cette quantité est la plus grande. C est ce groupe qui définit le groupe d affectation de l individu considéré. On peut noter que l expression précédente est une fonction linéaire des coordonnées du nouvel individu : ce qui constitue un avantage pratique important du fait de la simplicité des calculs à effectuer. 3.2 Cas de deux groupes Soit x = (x 1, x 2,.., x j,, x p ) les coordonnées du nouvel individu. Cet individu est ainsi à affecter au groupe 1 lorsque soit en remplaçant, d²(x,g 1 ) < d²(x,g 2 ) x W -1 x + g 1 W -1 g 1-2x W -1 g 1 < x W -1 x + g 2 W -1 g 2-2x W -1 g 2 D où en simplifiant et en factorisant on trouve, Cours de méthodes de scoring- Hassen MATHLOUTHI Page 17

18 (g 1 -g 2 ) W -1 (x- ½(g 1 +g 2 )) > 0 On remarque que le premier membre de cette inégalité est une fonction linéaire de x. En notant cette fonction S, l individu dont les coordonnées sont données par x est ainsi à affecter dans le groupe 1 lorsque : S(x) > 0 ( et donc à affecter au groupe 2 lorsque S(x) < 0). La fonction S est communément appelée fonction de score. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 18

19 Chapitre 3 CLASSIFIEUR BAYESIEN Le problème de classement d un individu sur la base de ses caractéristiques dans l un de quelques groupes définis à priori peut être placé dans un cadre probabiliste. Il sera ainsi possible d utiliser tous les outils de la théorie de probabilité dont en particulier les méthodes de choix dans l incertain. Un avantage important de l approche probabiliste par rapport aux méthodes géométriques présentées dans le chapitre précédent est alors de permettre d apprécier quantitativement les risques de mauvais classement. 1. ELEMENTS DE LA THEORIE DE DECISION On considère une population E de n individus répartis entre m groupes E 1, E 2,,E k,,e m définis à priori : et E k E l = k l. Si on note n 1, n 2,,n k,,n m les effectifs respectifs des m groupes considérés, on a ainsi : Soit un individu e de E, dont on ne connait pas le groupe d appartenance et qu on cherche à classer dans l un des m groupes. Cet individu peut être considéré comme le résultat d une expérience aléatoire de tirage au hasard d un élément de E. Vu de cette manière, le problème de classement peut être placé dans le cadre de la théorie probabiliste. L ensemble E se présente ainsi comme un ensemble de résultats possibles d une expérience aléatoire auquel on peut adjoindre une tribu ξ et une probabilité P pour former un espace probabilisé. 1.1 Etats de la nature : Pour un individu e dont on ne connait pas le groupe d appartenance, on définit m états de la nature, c'est-à-dire des éventualités, concernant son groupe d appartenance. Ces états de la nature sont notés : θ k : «l individu e E k» et on désigne par Θ ={θ 1,θ 2, θ k,,θ m } l ensemble des états de la nature. Soit T une application de E dans Θ associant à chaque individu son état de la nature. On peut considérer T comme une variable qualitative prenant les modalités θ 1,θ 2, θ k,,θ m et les probabilités à priori d appartenance au groupe k : p k = P(T= θ k ) comme sa loi de probabilité. NB : T est non observable. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 19

20 1.2 Espace des observations : Soit x = ( x 1, x 2,, x j,,x p ) un vecteur de p observations relevés auprès de l individu e. On peut considérer x comme une réalisation d un vecteur aléatoire X= ( X 1, X 2,, X j,,x p ). On note χ ={ x R p / x réalisation de X). C est l espace des observations. La variable X est alors une application de E dans χ (vérifiant les conditions de mesurabilité). 1.3 Espace des décisions : On a à affecter un individu e dans l un des m groupes. C est une décision. On note a k la décision d affecter l individu e dans le groupe k. On note A l ensemble des décisions : A={a 1,a 2, a k,,a m } 1.4 Règle de décision : C est une méthode de classement (on dit aussi classifieur). Formellement, c est une application de χ dans A. On note δ cette application. Techniquement, c est un procédé permettant de prendre une décision «a» au vu de la réalisation x de X : a=δ(x). Nb : Comme x résulte du hasard a=δ(x) résulte aussi du hasard. Aussi, définit on la variable aléatoire Y =δ(x) qui prend les valeurs a 1,a 2, a k,,a m avec des probabilités définies par : P( Y=a) = P(x χ/ a=δ(x)}=p(δ -1 (a)). 1.5 Fonction de perte : A chaque règle de décision on associe une fonction de perte définie par une application L de (A, Θ) dans R + : L(a k, θ l ) 0. On l interprète comme la perte (ou le coût) supportée en affectant e au groupe k alors qu en réalité il appartient au groupe l. On note que L(a k, θ k ) = 0 pour tout k = 1 à m. D autre part, comme a k et θ l résulte du hasard, la perte encourue z = L(a k, θ l ) résulte aussi du hasard. C est une réalisation d une variable aléatoire Z = L(Y,T). Dans la suite, on est amené à calculer la perte moyenne d une règle de décision : E(Z) =,,,, Cours de méthodes de scoring- Hassen MATHLOUTHI Page 20

21 1.6 Illustration : E est l ensemble des champignons pouvant être récoltés dans un foret. On suppose que ces champignons appartiennent à deux groupes. E 1 : les champignons combustibles et E 2 : les champignons vénéneux. On observe sur les champignons une seule variable aléatoire X, prenant les valeurs 3, 5 et 8 (par exemple leur diamètre exprimé en cm). On suppose disposer des lois conditionnelles de X sachant T=θ et de la loi marginale de X : X / T= θ 1 X / T=θ 2 X 3 9/10 0 3/4 5 1/10 1/4 1/ /4 1/8 ainsi que la loi de T : / P(T=θ 1 ) = 5/6 et P(T=θ 2 ) = 1/6. On cueille un champignon e. Soit deux décisions a 1 : «Manger ce champignon» a 2 : «Ne le pas manger». On suppose que les coûts sont comme suit : a 1 a 2 θ θ Considérons enfin la règle de décision suivante : δ(x) = a 1 si x =3 et δ(x) = a 2 si x > 3. Trouvons la loi de Y = δ(x), la loi du couple (T,Y) et E(Z). Loi de Y Loi de (T,Y) Y a 1 a 2 P(Y=a i ) 3/4 1/4 On calcule E(Z) =1/12 a 1 a 2 T θ 1 3/4 1/12 5/6 θ 2 0 1/6 1/6 Y 3/4 1/4 1 Cours de méthodes de scoring- Hassen MATHLOUTHI Page 21

22 2 CLASSIFIEUR DE BAYES 2.1 Définition : Etant donné un espace d états de la nature Θ, un espace d observations χ, un espace de décision A et une fonction de perte L, le classifieur de Bayes est la règle de décision minimisant la perte moyenne parmi toutes les règles de décision possibles. Soit l ensemble de toutes les règles de décisions possibles de χ dans A. Le classifieur de Bayes δ * est donc tel que : E(L(δ * (X),T)) E(L(δ (X),T)) δ 2.2 Caractérisation : Proposition Soit δ 0 minimisant E(L(δ (X),T)/X=x) x χ alors δ 0 minimise E(L(δ (X),T)). Preuve : E(L(δ 0 (X),T)/X=x) E(L(δ(X),T)/X=x) x χ et δ E x (E(L(δ 0 (X),T)/X=x)) E x (L(δ(X),T)/X=x) δ E(L(δ 0 (X),T)) E(L(δ (X),T)) δ La règle de Bayes est donc telle que : E(L(δ*(X),T)/X=x) E(L(δ(X),T)/X=x) x χ et δ Soit donc,, PT θ /X x, PT θ /X x x χ et δ Or d après la formule de Bayes, D où en remplaçant, P(T=θ k /X=x) = Cours de méthodes de scoring- Hassen MATHLOUTHI Page 22

23 ,, x χ et δ Ainsi, étant donné un individu e et x e la réalisation de X chez cet individu. Notons a l* la décision prise au vue de x e si on applique la règle de Bayes (a l* =δ*(x e )) et a l la décision prise au vue de x e si on applique une autre règle (a l =δ (x e )). Comme L(a k, θ k ) = 0 k = 1 à m, on a ainsi :,, D où la règle pratique suivante, étant donné un individu e de caractéristiques x : On commence par calculer la quantité :, pour chaque groupe l = 1 à m. Le groupe à retenir pour l affectation de l individu e est celui pour le quel cette quantité est la plus faible. 2.3 Cas particulier important Les coûts varient d une application à une autre. Si l on suppose que les coûts sont égaux, la règle de Bayes prend une formulation assez simple. En effet, en développant la formule précédente on trouve:,,, Après simplification, on obtient: Soit après division des deux membres par, PT θ /X x PT θ /X x, Ce qui signifie que le classifieur de Bayes affecte l individu e au groupe pour le quel la probabilité d appartenance à posteriori est la plus élevée. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 23

24 Bien que l hypothèse d égalité des coûts ne soit pas plausible, c est cette règle qui est la plus retenue en pratique. Ainsi, étant donné un individu e et x ses caractéristiques, On commence par calculer la quantité C k (x) = p k f k (x) pour k =1 à l. Le groupe d affectation de e est celui pour le quel la quantité C k (x) est la plus élevée. Remarques : Toute transformation monotone de C k (x) peut être considérée comme une fonction donnant le score de e dans E k. En particulier, la transformation «Logarithme» est souvent utilisée pour les facilités de calcul qu elle permet. Dans le cas de deux groupes (k=1,2), la règle d affectation précédente est équivalente à la suivante : On affecte l individu e au groupe 1 si : R(x)= [p 1.f 1 (x)/ p 2.f 2 (x)] > 1 Ou ce qui est équivalent en passant aux logarithmes, si 3. MISE EN APPLICATION r(x)=ln(p 1 /p 2 ) +L n(f 1 (x)/f 2 (x)) > 0 Pour la mise en application du classifieur de Bayes, il faut disposer des probabilités à priori p k et des probabilités conditionnelles f k. En pratique, ces grandeurs sont en général inconnues. Il convient en conséquence de les estimer à partir de données issues d un échantillon. On peut procéder à une estimation directe de ces probabilités dans le cas où X= ( X 1, X 2,, X j,,x p ) est discret et p petit (estimation non paramétrique) Rappelons que l on a à estimer : p k = P(e E k ) k = 1 à m f k (x) = P( X=x/ E k ) k = 1 à m et x χ NB : l ensemble χ est fini.il est défini par le produit cartésien χ = χ 1 χ 2 χ j χ p ou χ j est l espace des observations relatives à la variable X j. C est un ensemble fini contenant les modalités de cette variable puisque celle-ci est discrète. Cours de méthodes de scoring- Hassen MATHLOUTHI Page 24

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining GUIDE DU DATA MINER Scoring - Modélisation Data Management, Data Mining, Text Mining 1 Guide du Data Miner Scoring - Modélisation Le logiciel décrit dans le manuel est diffusé dans le cadre d un accord

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

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

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction du Baccalauréat S Amérique du Nord mai 2007 Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Pour l épreuve d algèbre, les calculatrices sont interdites.

Pour l épreuve d algèbre, les calculatrices sont interdites. Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.

Plus en détail

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide)

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide) Épreuve pratique de mathématiques Printemps 2009 Descriptifs (Page vide) Sujet 001 Épreuve pratique de mathématiques Descriptif Étude d une fonction dépendant d un paramètre Étant donné une fonction dépendant

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table 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 détail

Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de

Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Classification non supervisée

Classification non supervisée AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Théorie de l information : historique

Théorie de l information : historique Théorie de l information : historique Développée dans les années quarante par Claude Shannon. Objectif : maximiser la quantité d information pouvant être transmise par un canal de communication imparfait.

Plus en détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 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 détail

LES MODELES DE SCORE

LES MODELES DE SCORE LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d

Plus en détail

Exercices Corrigés Premières notions sur les espaces vectoriels

Exercices Corrigés Premières notions sur les espaces vectoriels Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.

Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée. ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

Le modèle de régression linéaire

Le modèle de régression linéaire Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le

Plus en détail

Arbres binaires de décision

Arbres binaires de décision 1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010 N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES 1 Les énoncés La plupart des phrases que l on rencontre dans un livre

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

Choix sous incertitude

Choix sous incertitude 1/38 à l analyse microéconomique - Monitorat ENS (2014-2015) Janvier 2015 2/38 Plan du cours 1 2 3 4 5 3/38 Dans les chapitres précédents, hypothèse implicite de situations certaines et d information parfaite

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3

Plus en détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

Apprentissage automatique

Apprentissage automatique Apprentissage automatique François Denis, Hachem Kadri, Cécile Capponi Laboratoire d Informatique Fondamentale de Marseille LIF - UMR CNRS 7279 Equipe QARMA francois.denis@lif.univ-mrs.fr 2 Chapitre 1

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

Modèles et Méthodes de Réservation

Modèles et Méthodes de Réservation Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine

Plus en détail