REGRESSION SIMPLE :PRIX D UN APPARTEMENT EN FONCTION DE LA SUPERFICIE
|
|
- Gautier Durand
- il y a 7 ans
- Total affichages :
Transcription
1 REGRESSION SIMPLE :PRIX D UN APPARTEMENT EN FONCTION DE LA SUPERFICIE
2 Prix d appartements en fonction de la superficie 2
3 REGRESSION SIMPLE :PRIX D UN APPARTEMENT EN FONCTION DE LA SUPERFICIE On souhaite expliquer le prix d un appartement en fonction de la superficie. On fournira ensuite une prévision pour le prix d un appartement de 50 m 2 et d un appartement de 100 m 2 TABLEAU 3 Analyse de régression - Modèle linéaire: Y = a + b*x Variable à expliquer: PRIX Variable explicative: SURFACE Paramètre Estimation Erreur T Proba. type Ordonnée -147, ,228-0,7144 0,4813 Pente 26,7658 2, ,931 0,0000 Analyse de variance Source Somme des carrés Ddl Carré moyen F Proba. Modèle 6,31802E7 1 6,31802E7 167,21 0,0000 Résidu 9,82408E ,0 Total (Corr.) 7,30043E7 27 Coefficient de corrélation = 0, R-carré = 86,5431 % R-carré (ajusté pour les ddl) = 86,0256 % Estimation de l'écart-type du résidu = 614,694 Erreur absolue moyenne = 396,195 Test de Durbin-Watson = 2,09496 (P=0,4082) Autocorrélation résiduelle d'ordre 1 = -0, Le StatAdvisor Ce rapport montre les résultats de l'ajustement d'un modèle linéaire pour décrire la relation entre PRIX et SURFACE. L'équation du modèle ajusté est : PRIX = -147, ,7658*SURFACE Comme la valeur de la probabilité dans le tableau de l'anova est inférieure à 0.01, il y a un ajustement statistiquement significatif entre PRIX et SURFACE au niveau de confiance de 99%. La statistique de R-carré indique que le modèle ajusté explique 86,5431% de la variabilité dans PRIX. Le coefficient de corrélation vaut 0,930286, ce qui indique une relation forte entre les variables. L'erreur-type d'estimation indique que l'écart-type des résidus est de 614,694. Cette valeur peut être utilisée pour construire des limites de prévision pour de nouvelles observations en sélectionnant l'option Prévisions dans le menu pour les tableaux. L'erreur absolue moyenne de 396,195 est la valeur moyenne des résidus.la statistique de Durbin-Watson (DW) teste les résidus pour déterminer s'il y a une corrélation significative basée sur l'ordre dans lequel ils apparaissent dans le fichier des données. Comme la valeur de la probabilité est supérieure à 0.05, il n'y a pas de corrélation sérielle dans les résidus. Prix d appartements en fonction de la superficie 3
4 GRAPHIQUE 1 Graphique du modèle ajusté PRIX SURFACE GRAPHIQUE 2 Graphique de PRIX 8000 observé (X 1000) prévu Prix d appartements en fonction de la superficie 4
5 GRAPHIQUE 3 Résidu studentisé 4,4 2,4 0,4-1,6-3,6 Graphique des résidus SURFACE GRAPHIQUE 4 TEST DE NORMALITE DES RESIDUS: DROITE DE HENRY Graphique de normalité Pourcentages 99, , RESIDUS Prix d appartements en fonction de la superficie 5
6 TABLEAU 4 Intervalles de confiance à 95,0% pour les coefficients estimés Paramètre Estimation Erreur Limite inf. Limite sup. type CONSTANTE -147, , , ,579 SURFACE 26,7658 2, , , Le StatAdvisor Ce tableau montre les intervalles de confiance à intervalles de confiance à 95,0% pour les coefficients du modèle. Les intervalles de confiance indiquent la précision de l'estimation des coefficients en prenant en compte la quantité des données et le bruit présent dans ces données. TABLEAU 5 Matrice des corrélations des coefficients estimés CONSTANTE SURFACE CONSTANTE 1,0000-0,8263 SURFACE -0,8263 1, Le StatAdvisor Le tableau donne les corrélations estimées entre les coefficients du modèle ajusté. Ces corrélations peuvent être utilisées pour détecter la présence de sérieuses multicolinéarités, par exemple la corrélation entre les variables explicatives. Dans ce cas, il n'y a pas de corrélations en valeur absolue supérieure à 0.5 (sans inclure le terme constant). TABLEAU 6 Résidus non usuels Ligne Y Y Résidu Résidu prévu studentisé ,0 5098, ,77-2, ,0 2984, ,73 3, ,0 3599, ,11 2, Le StatAdvisor Le tableau des résidus non usuels liste les observations qui ont des résidus studentisés supérieurs à 2.0 en valeur absolue. Les résidus studentisés mesurent de combien d'écarts-types chaque valeur observée de PRIX varie si on ajuste un modèle utilisant toutes les observations sauf cette observation. Dans ce cas, il y a 3 résidus studentisés supérieurs à 2.0, un supérieur à 3.0. Vous devez bien analyser les observations qui ont des résidus studentisés supérieurs à 3.0 pour déterminer si ce sont des points extrêmes qui doivent être retirés du modèle et traités séparément. Prix d appartements en fonction de la superficie 6
7 TABLEAU 7 Points influents Ligne Levier Distance de DFITS Mahalanobis , , , , , , , ,9192 1, , , , , , , Levier moyen pour une observation = 0, Le StatAdvisor Le tableau des points influents liste les observations qui ont des leviers supérieurs à 3 fois celui d'un point moyen ou qui ont des valeurs particulièrement élevées du DFITS. Le levier est une statistique qui mesure l'influence de chaque observation dans la détermination des coefficients du modèle estimé. La statistique DFITS mesure de combien les coefficients estimés changent si chaque observation était retirée du jeu des données. Dans ce cas, un point moyen a un levier égal à 0, Il y a un point ayant un levier 5 fois plus grand que le levier moyen. Vous devez bien analyser les points qui ont un levier 5 fois plus grand que le levier moyen pour déterminer de combien le modèle changerait si ces points n'étaient pasprésents. Il y a 5 points qui ont des valeurs particulièrement grandes du DFITS. TABLEAU 8 Résultats de la régression pour PRIX Observé Ajusté Studentisé Ligne Résidu Résidu ,0 602,114 47,886 0, ,0 1190,96 209,038 0, ,0 2689,85 560,152 0, ,0 5098, ,77-2, ,0 1324,79 15,209 0, ,0 4938,18-988,176-1, ,0 2796,91-296,911-0, ,0 1458,62 141,38 0, ,0 1137,43 112,57 0, ,0 789, ,525 0, ,0 2154,53-404,531-0, ,0 1592,45-92,4492-0, ,0 709,177 65,8228 0, ,0 1244,49-19,4936-0, ,0 923,304 76,6962 0, ,0 6811,78 688,216 1, ,0 1726,28-101,278-0, ,0 2984, ,73 3, ,0 2261,59-371,595-0, ,0 655, ,646-0, ,0 2663,08-788,082-1, ,0 1244,49-244,494-0, ,0 1993,94-643,936-1, ,0 1458,62 16,3799 0, ,0 3599, ,11 2, ,0 387,987 37,0126 0, ,0 2529,25-54,2529-0, ,0 602, ,114-0, , , , , Prix d appartements en fonction de la superficie 7
8 Le StatAdvisor Ce tableau contient des informations concernant PRIX générées par le modèle ajusté. Ce tableau contient les informations suivantes: (1) valeurs observées de PRIX (si elles existent) (2) valeurs prévues de PRIX par le modèle ajusté (3) résidus (valeur observées - valeur prévues) (4) résidus studentisés Chaque élément correspond aux valeurs des variables explicatives pour une ligne donnée dans votre fichier de données. Pour générer des prévisions pour des lignes supplémentaires de données, ajouter des lignes additionnelles à la fin de votre fichier de données. Dans chacune de ces nouvelles lignes, entrer des valeurs pour les variables explicatives et laisser vide la cellule de la variable à expliquer. Lorsque vous revenez dans cette fenêtre, les prévisions seront ajoutées au tableau pour les nouvelles lignes, mais le modèle ne sera pas changé. TABLEAU 9 Valeurs prévues 95,00% 95,00% X Y Limites de prévision Limites de confiance prévu inf. sup. inf. sup. 50,0 1190,96-102, ,18 915, ,51 100,0 2529, , , ,9 2779,6 Le StatAdvisor Ce tableau montre les valeurs prévues de PRIX en utilisant le modèle ajusté. En plus des meilleures prévisions, le tableau donne : (1) intervalles de prévision à 95,0% pour la prévision pour de nouvelles observations (2) intervalles de confiance à 95,0% pour la confiance pour la moyenne d'un ensemble d'observations Les intervalles de prévision et de confiance correspondent aux limites internes et externes dans le graphique du modèle ajusté. TABLEAU 10 Régression après suppression des points et 25 Analyse de régression - Modèle linéaire: Y = a + b*x Variable à expliquer: PRIX Variable explicative: SURFACE Paramètre Estimation Erreur T Proba. type Ordonnée 140, ,078 1,2643 0,2188 Pente 20,6147 1, ,6181 0,0000 Analyse de variance Source Somme des carrés Ddl Carré moyen F Proba. Modèle 2,08974E7 1 2,08974E7 243,93 0,0000 Résidu 1,97043E ,1 Total (Corr.) 2,28678E7 24 Coefficient de corrélation = 0, Prix d appartements en fonction de la superficie 8
9 R-carré = 91,3834 % R-carré (ajusté pour les ddl) = 91,0087 % Estimation de l'écart-type du résidu = 292,696 Erreur absolue moyenne = 201,697 Test de Durbin-Watson = 1,71465 (P=0,2255) Autocorrélation résiduelle d'ordre 1 = 0, Nombre de lignes exclues: 3 TABLEAU 11 Prévisions après suppression des points et 25 Valeurs prévues 95,00% 95,00% X Y Limites de prévision Limites de confiance prévu inf. sup. inf. sup. 50,0 1171,17 550, , , ,77 100,0 2201, , , , ,82 Prix d appartements en fonction de la superficie 9
10 PROGRAMME SAS APPARTEMENTS OPTIONS LS=80; data appart; INPUT PRIX SURFACE ; datalines; ; proc reg data= appart; model PRIX = SURFACE / COVB CORRB INFLUENCE R CLM CLI ; quit; APARTEMENTS SAS 1
11 TABLEAU 1 MODELE: Dependent Variable: PRIX Analysis of Variance Sum of Mean Source DF Squares Square F Value Prob>F Model Error C Total Root MSE R-square Dep Mean Adj R-sq C.V Parameter Estimates Parameter Standard T for H0: Variable DF Estimate Error Parameter=0 Prob > T INTERCEP SURFACE TABLEAU 2 Covariance des estimations Variable Intercept SURFACE Intercept SURFACE Corrélation des estimations Variable Intercept SURFACE Intercept SURFACE APARTEMENTS SAS 2
12 TABLEAU 3: Prévisions Dep Var Predict Std Err Lower95% Upper95% Lower95% Upper95% Obs PRIX Value Predict Mean Mean Predict Predict APARTEMENTS SAS 3
13 TABLEAU 4: Etude des résidus et mesures d influence. Std Err Student Cook's Obs Residual Residual Residual D Rstudent * *** *** * * ** ***** * ** ** **** APARTEMENTS SAS 4
14 Hat Diag Cov INTERCEP SURFACE Obs H Ratio Dffits Dfbetas Dfbetas Sum of Residuals 0 Sum of Squared Residuals Predicted Resid SS (Press) APARTEMENTS SAS 5
Exemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en 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 détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailData mining II. Modélisation Statistique & Apprentissage
Publications du Laboratoire de Statistique et Probabilités Data mining II. Modélisation Statistique & Apprentissage Philippe BESSE Version janvier 2003 mises à jour : www.lsp.ups-tlse.fr/besse Laboratoire
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
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 détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
Plus en détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en 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 détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détail1 Imputation par la moyenne
Introduction au data mining L3 MIS - STA 1616-2010 V. Monbet Données manquantes L'objectif de ce TD est de manipuler et de comparer plusieurs méthodes d'imputation de données manquantes. La première partie
Plus en détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
Plus en détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailChristophe SANNIER christophe.sannier@sirs-fr.com
Systèmes d Information à Référence Spatiale Utilisation d un Estimateur de Régression avec des Données Landsat pour l Estimation de l Etendu et des Changements du Couvert Forestier du Gabon de 1990 à 2010
Plus en détailJEU BOURSIER 2015. Séance d introduction à la plateforme de trading SaxoWebTrader. - Pour débutants -
JEU BOURSIER 2015 Séance d introduction à la plateforme de trading SaxoWebTrader - Pour débutants - A partir d un ordinateur: a) Rends-toi sur le site suisse de SaxoBank: https://webtrader.saxobank.ch/sim/login/
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en 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 détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailFaire un semi variograme et une carte krigée avec surfer
Faire un semi variograme et une carte krigée avec surfer Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr avril 2004 Fichier de données Faire un fichier excel avec les données organisée en colonnes:
Plus en détailImporter un fichier CSV
Importer un fichier CSV Importer un fichier CSV - page 1 1 Qu'est ce que l'import d'un fichier CSV L'import d'un fichier CSV vous permet d'ajouter dans OBM les contacts et sociétés présents dans un fichier
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
Plus en détailAuto-Entreprise : Activités : Eric SOTY - Siret n 47868353500023. Formation Bureautique, continue d'adultes. Tél : 0953020032 - Fax : 0958020032
Auto-Entreprise : Activités : Eric SOTY - Siret n 47868353500023 Formation Bureautique, APE : 8559A formation continue d'adultes. identité visuelle, charte T.V.A. non applicable, article 293 B du CGI.
Plus en détail3 Les premiers résultats des plans d'actions
3 Les premiers résultats des plans d'actions Les résultats que nous avons obtenus en ce qui concerne les plans d'action, résultent de l'analyse de 48 entreprises seulement. Revenons sur notre échantillon.
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailTableau récapitulatif de l analyse fréquentielle
Tableau récapitulatif de l analyse fréquentielle Très Plutôt Quelque Ni Quelque Plutôt Très TOTAL peu ni peu 1. L utilité du d inclure le contexte dans la note de stratégie 4% 4% 4% 8% 64% 16% 100% 2.
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailIntroduction au logiciel SAS François-Xavier LEJEUNE
INSTITUT DE STATISTIQUE de l Université Pierre et Marie Curie Cycle Supérieur 1 ère année 2011-12 Introduction au logiciel SAS François-Xavier LEJEUNE Plan du cours Séance n 1 Débuts en SAS : Généralités
Plus en détailRépartition du tourisme de croisière dans la Caraïbe : quels déterminants?
Centre d Etude et de Recherche en Economie, Gestion, Modélisation et Informatique Appliquée www.ceregmia.eu Document de travail 2010-09 Décembre 2010 Répartition du tourisme de croisière dans la Caraïbe
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en 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 détailAnnexe A de la norme 110
Annexe A de la norme 110 RAPPORTS D ÉVALUATION PRÉPARÉS AUX FINS DES TEXTES LÉGAUX OU RÉGLEMENTAIRES OU DES INSTRUCTIONS GÉNÉRALES CONCERNANT LES VALEURS MOBILIÈRES Introduction 1. L'annexe A a pour objet
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailOrientations sur la solvabilité du groupe
EIOPA-BoS-14/181 FR Orientations sur la solvabilité du groupe EIOPA Westhafen Tower, Westhafenplatz 1-60327 Frankfurt Germany - Tel. + 49 69-951119-20; Fax. + 49 69-951119-19; email: info@eiopa.europa.eu
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détailLa Banque nationale doit contrôler le franc en se fixant un objectif de taux de change
CON FERENCE D E P R E S S E D U 6 F E V R I E R 2 0 1 5 Daniel Lampart, premier secrétaire et économiste en chef de l USS La Banque nationale doit contrôler le franc en se fixant un objectif de taux de
Plus en détailpyensae StockPrices September 1, 2015 1 Manipulation de séries financières avec la classe StockPrices
pyensae StockPrices September 1, 2015 1 Manipulation de séries financières avec la classe StockPrices La classe StockPrices facilite la récupération de données financières via le site Yahoo Finance ainsi
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
Plus en détailValeur cible et solveur. Les calculs effectués habituellement avec Excel utilisent des valeurs numériques qui constituent les données d'un problème.
Valeur cible et solveur Atteindre une valeur cible Les calculs effectués habituellement avec Excel utilisent des valeurs numériques qui constituent les données d'un problème. A l'aide d'un certain nombre
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailiforex - Instructions
iforex - Instructions Bienvenue dans le monde lucratif du trading du Forex. Seul récemment, le trading du Forex est devenu populaire dû aux mouvements rapides et ses retours sur investissement rapides.
Plus en détailAccédez au test ici http://myspeed.visualware.com/index.php
Test de vitesse VoIP Pourquoi faire le test? Un test de vitesse VoIP est un moyen efficace d évaluer la capacité de votre connexion Internet à prendre en charge un système de téléphonie VoIP. D autres
Plus en détailSamsung Drive Manager FAQ
Samsung Drive Manager FAQ Installation Q. Mon Disque dur externe Samsung est branché, mais rien ne se passe. R. Vérifiez le branchement du câble USB. Si votre Disque dur externe Samsung est correctement
Plus en détailLA CONVERGENCE DES NIVEAUX DE VIE DANS LES PAYS DE L'UNION ECONOMIQUE ET MONETAIRE OUEST AFRICAINE
Sciences sociales et humaines LA CONVERGENCE DES NIVEAUX DE VIE DANS LES PAYS DE L'UNION ECONOMIQUE ET MONETAIRE OUEST AFRICAINE Ali Henri OTROU Docteur d'etat en Sciences Economiques et de Gestion Université
Plus en détailComité permanent du droit des marques, des dessins et modèles industriels et des indications géographiques
F SCT/30/4 ORIGINAL : ANGLAIS DATE : 12 AOUT 2013 Comité permanent du droit des marques, des dessins et modèles industriels et des indications géographiques Trentième session Genève, 4 8 novembre 2013
Plus en détailInstructions concernant l'estimation des titres non cotés en vue de l'impôt sur la fortune
Instructions concernant l'estimation des titres non cotés en vue de l'impôt sur la fortune Circulaire 28 du 28 août 2008 A. Généralités 1 1 Les Instructions ont pour objectif l'estimation uniforme en Suisse,
Plus en détailCritère du choix des variables auxiliaires à utiliser dans l'estimateur par calage
des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailManuel de Trading Bienvenue dans le monde palpitant du trading des options binaires!
Manuel de Trading Bienvenue dans le monde palpitant du trading des options binaires! Ce manuel vous expliquera exactement ce que sont les options binaires, comment les trader et comment utiliser notre
Plus en détailComparaisons internationales de la dette
Annexe 2 Comparaisons internationales de la dette Faits saillants Selon les statistiques officielles publiées par le Fonds monétaire international (FMI) et l Organisation de coopération et de développement
Plus en détailExemples d utilisation de G2D à l oral de Centrale
Exemples d utilisation de G2D à l oral de Centrale 1 Table des matières Page 1 : Binaire liquide-vapeur isotherme et isobare Page 2 : Page 3 : Page 4 : Page 5 : Page 6 : intéressant facile facile sauf
Plus en détailUnités, mesures et précision
Unités, mesures et précision Définition Une grandeur physique est un élément mesurable permettant de décrire sans ambiguïté une partie d un phénomène physique, chacune de ces grandeurs faisant l objet
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailGANTTPROJECT. Julien TENDERO
GANTTPROJECT Julien TENDERO SOMMAIRE : 1 -Introduction : 2 -Installation et utilisation : 3-Édition, compilation et exécution dans Eclipse : 4-Améliorations apportées : 5-Conclusion: 1 -Introduction :
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 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 détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailMaster 2: Econométrie 2
Master 2: Econométrie 2 Partie 1 Michel BEINE michel.beine@uni.lu Université du Luxembourg Master 2: Econométrie 2 p. 1/22 Manuel La partie économétrique du cours est basé sur le livre Introductory Econometrics,
Plus en détailINF6304 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 détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailConception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, 35042 Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples
Plus en détailManuel utilisateur estat Clics
Manuel utilisateur estat Clics Médiamétrie-eStat Buropolis, Bât 3 1240, route des Dolines Sophia Antipolis 06560 Valbonne Tél : 04 92 38 38 20 Fax : 04 92 96 91 25 E-mail : support-pro@estat.com SAS au
Plus en détail