Marketing quantitatif M2-MASS
|
|
- Marie-Thérèse Marcil
- il y a 8 ans
- Total affichages :
Transcription
1 Marketing quantitatif M2-MASS UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
2 Première partie I Analyse Analyse conjointe métrique Analyse conjointe non métrique Analyse conjointe des choix Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
3 Chapitre UCBN Marketing quantitatif M2-MASS 2 décembre / 61
4 Analyse conjointe Objectifs Outils modéliser le choix d une persone ou d un groupe de personne devant plusieurs alternatives. marketing : choix d un produit à acheter parmi plusieurs. psychométrie : modélisation du comportement des consommateurs. anova modèles linéaires transformations monotones. modèle de régression logistique et multinomial. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
5 Pour concevoir un cours, un professeur se pose les questions suivantes : 1. Quel est la difficulté mathématiques des notions enseignées : difficile, peu difficile, aucune. 2. Adequation du cours avec des demandes professionnelles : bonne, moyenne, aucune. 3. Quel doit être l investissement hebdomadaire moyen de l étudiant : plus de cinq heures,entre une et cinq heures, aucun. On dit que trois questions sont des attributs ;difficulté, adéquation, investissement. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
6 Choix possibles L ensemble des modalités des variables qualitatives ou attributs est un ensemble ordonné. Quels sont les choix possibles quand on pose une seule question : difficulté aucune peu difficile difficile adequation aucune moyenne bonne investissement aucun entre 1h et 5h plus de 5h Le choix par attribut se fera en sélectionnant les modalités extrémales. Par exemple sur la question de l invetissement, on pourra avoir : profil 1 aucun investissement. profil 2 +5h. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
7 Un cours idéal pourrait être mathématiquement difficile, Choix optimal ayant une bonne adéquation avec le monde industriel ne demandant aucun investissement de la part de l étudiant. Problèmes : L étudiant aura -il assimilé les notions? Quel va être le coût horaire de conception du cours pour le prof? Ce cours existe t-il? On cherche une solution optimale en cherchant à prendre les meilleurs alternatives sur plusieurs critères : est ce possible? Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
8 Difficulté et adéquation etu1 difficulté adéquation difficile peu difficile facile bonne moyenne aucune Table: trade-off adéquation et difficulté rang etu1 etu2 difficulté adéquation difficile peu difficile facile bonne moyenne aucune Table: trade-off adéquation et difficulté rang etu2 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
9 Etudes des classements les deux étudiants préfèrent la même solution : notions difficiles et une bonne adéquation du cours vis à vis du monde professionnel. Les deux étudiants sont aussi d accord sur la solution qu il préfère le moins : notion facile et aucune adéquation vis à vis du monde professionnel. Le premier étudiant classe en première et deuxième position de préférence une bonne adéquation du cours et des notions difficiles ou peu difficile : il ne fait pas de compromis, (trade-off) sur l adéquation du cours quand il doit la comparer à la difficulté des notions enseignées. Le deuxième étudiant préféfère en première et deuxième solution un cours avec des notions difficiles, et une adéquation bonne ou moyenne. Il choisit en premier la difficulté mathématique et en second l adéquation. Il ne fait pas de compromis sur la difficulté quand elle est comparée à l adéquation. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
10 Modélisation du rang A chaque modalité, on associe un nombre ou utilité partielle. L utilité totale d une combinaison sera la somme des utilités partielles des modalités utilités dans la combinaison. etu1 difficulté adéquation difficile/ 50 peu difficile/ 25 facile/ 0 bonne/ 100 1/150 2/125 4/100 moyenne/ 60 3/110 5/100 6/85 aucune/ 00 7/50 8/25 9/0 Table: trade-off adéquation et difficulté Pour cet étudiant on voit que l attribut ayant une utilité partielle maximale est la modalité bonne de l attribut adéquation (coefficient 100), tandis que la deuxième variable a une utilité partielle maximale de 50. Le rang des utilités correspond exactement aux rangs des préférences. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
11 Difficulté et investissement On étudie ici les choix que l étudiant fait quand il croise investissement personnel et difficulté des notions. On voit que cet étudiant préfère apprendre des notions difficiles, puis après dépenser le moins de temps possible en investissement. etu1 difficulté investissement difficile/ 50 peu difficile/ 25 facile/ 0 aucun/20 1/70 4/45 7/20 1-5h/5 2/55 5/30 8/5 +5h/0 3/50 6/25 9/0 Table: trade-off adéquation et difficulté Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
12 Utilités partielles pour etu1 On dégage l ensemble des utilités partielles des modalités des attributs pour l étudiant numéro 1. adéquation u.p. difficulté u.p. investissement u.p. bonne 100 difficile 50 aucun 20 moyenne 60 peu difficile h 5 aucune 0 facile 0 +5h 0 Table: Tableau des utilités partielles Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
13 Prédiction de choix Solution 1 Solution 2 adéquation bonne 100 moyenne 60 difficulté aucune 0 difficile 50 investissement 1-5h 5 +5h 0 utilité totale Table: Prédiction des utilités L étudiant 1 devrait donc préférer la deuxième soluion à la première solution. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
14 Résumé Une étude d analyse conjointe se décompose en 1. Déterminer l ensemble des attributs 2. Déterminer le plan d expériences 3. Pour chaque personne de l échantillon, déterminer les préférences. 4. Estimer les utilités partielles. 5. Prédire l achat du consommateur ou du groupe de consommateurs. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
15 Chapitre UCBN Marketing quantitatif M2-MASS 2 décembre / 61
16 On étudie les préférences des consommateurs sur des produits : Chaque produit est décrit par p attributs qualitatifs X i = {m1 i, mi 2,, mi n i }. Les éléments de l ensemble des attributs X = X 1 X p sont appelés combinaisons d attributs ou stimulis. Le plan d expérience ou plan factoriel est une partie de l ensemble des attributs P X. Seuls ces combinaisons d attributs seront évaluées par les consommateurs La préférence Y d un individu pour une combinaison d attributs x P peut être note sur une échelle déterminée (rating, métrique) rang du stimuli parmi les stimulis présentés(ranking, non métrique). choix du stimuli préféré parmi un ensemble de combinaisons proposées (choice, binaires). Prédire Y (x) pour un individu, pour chaque combinaison d attributs x X. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
17 Chaque enquété doit Questionnaire trades-off classer par ordre de préférence sans ex aequo (premier=préféré) les combinaisons d attributs de couples d attributs. profils complets doit noter ou ordonner toutes les combinaisons de l ensemble des attributs. profils partiels doit noter ou ordonner une sélection de combinaisons d attributs. choix multiples doit sélectionner pour plusieurs ensembles de combinaisons, sa combinaison préférée par ensemble. choix binaire doit choisir sa combinaison préférée parmi plusieurs ensemble de deux combinaisons d attributs. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
18 Chapitre Analyse conjointe métrique UCBN Marketing quantitatif M2-MASS 2 décembre / 61
19 Paragraphe Analyse conjointe métrique UCBN Marketing quantitatif M2-MASS 2 décembre / 61
20 métrique Pour chaque enqueté, on modélise la note qu il a donné à une combinaison en fonction de cette combinaison d attributs. Attributs soit X = X 1 X p l ensemble des attributs. Echantillon indépendant on observe pour un individu (Y x ) x P les notes données à chaque combinaisons du plan d expériences d attributs x P. Un modèle métrique de la note en fonction des attributs est un modèle linéaire gaussien de variance σ 2. aléas Y µ N (µ, σ 2 ) fixe un modèle additif défini par le codage z : X M p,1 (R) lien β M p,1 (R), x X, µ(x) = z(x) β Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
21 Vocabulaire Utilité l utilité d une combinaison d attributs est { X R U : x z(x) β Utilité partielle Soit z i : X i M pi (R) un codage de l attribut X i et z un codage additif sans interactions z = z z p. l utilité partielle du ième attribut X i est { X i R U i : x z i (x) β i Importance L importance du i-ème attribut est I i = Max(U i) Min(U i ) Max(U) Min(U) Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
22 Paragraphe Analyse conjointe métrique UCBN Marketing quantitatif M2-MASS 2 décembre / 61
23 Problématique On modélise l utilité d un cours par un étudiant, en lui demandant de noter entre 1 et 9 certaines propositions. Attributs On définit trois attributs Le premier attribut est la nature du cours : X 1 = {professionnel, theorique} Le deuxième attribut caractérise les prérequis X 2 = {M1, sans} Le troisième attribut caractérise le niveau du cours X 3 = {difficile, facile} plan factoriel On choisit un plan factoriel complet P = X = X 1 X 2 3 Modele On considère un modèle additif sans interactions pour les utilités partielles : si z i est un codage de X i, alors on prend comme codage de X : z = z 1 + z 2 + z 3 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
24 Les données nature prerequis niveau note 1 professionnel M1 difficile 7 2 professionnel M1 facile 6 3 professionnel sans difficile 6 4 professionnel sans facile 4 5 theorique M1 difficile 9 6 theorique M1 facile 8 7 theorique sans difficile 9 8 theorique sans facile 7 Table: La notation d un étudiant Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
25 La régression linéaire On a choisit ici des contrastes à somme nulle, on a par exemple pour le contraste de l attribut nature z 1 (nature) = δ professionnel (nature) δ theorique (nature) Le signe plus est pour la première modalité (ordre alphabéthique). Estimate Std. Error t value Pr(> t ) (Intercept) nature prerequis niveau Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
26 prerequis Utilités partielles Pour l étudiant enquété, les utilités partielles sont nature niveau U 2 (prerequis) = 0.5(δ M1 (prerequis) δ sans (prerequis)) { 0.5 si prerequis = M1 = 0.5 si prerequis = sans U 1 (nature) = 1.25(δ professionnel (nature) δ theorique (nature { 1.25 si nature = professionnel = 1.25 si nature = theorique U 2 (niveau) = 0.75(δ difficile (niveau) δ facile (niveau)) { 0.75 si niveau = difficile = 0.75 si niveau = facile Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
27 Utilité L utilité d une combinaison d attributs x X est la somme des utilités partielles et du terme constant. U(x) = Cst + U 1 (x 1 ) + U 2 (x 2 ) + U 3 (x 3 ) Calculons l utilité de la combinaison x = (nature = theorique, prerequis = sans, niveau = difficile) X Cette combinaison est appréciée puisque que son utilité est estimée à U(x) = = 8.5 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
28 utilité les extrema de l utilité sont Importances Min(U) = Max(U) = Max(U) Min(U) = 2( ) = 5 nature L importance de l attribut nature est Min(U 1 ) = 1.25 Max(U 1 ) = 1.25 I 1 = Max(U 1) Min(U 1 ) Max(U) Min(U) = = 50% Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
29 X.pred=X;X.pred$note=predict(m) plot.design(note~.,data=x.pred) theorique Graphiques mean of note M1 sans difficile facile professionnel nature prerequis niveau Factors UCBN Marketing quantitatif M2-MASS 2 décembre / 61
30 X.pred=X;X.pred$note=predict(m) plot.design(note~.,data=x.pred) theorique Graphiques mean of note M1 sans difficile facile professionnel nature prerequis niveau Factors UCBN Marketing quantitatif M2-MASS 2 décembre / 61
31 Conclusions L attribut le plus important dans la préférence de cette étudiant est l attribut nature il compte pour moitié dans l appréciation du cours. L attribut le moins important sont le prérequis. Le cours le plus apprécié serait un cours de nature théorique, ayant des prerequis de M1 et difficile. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
32 Chapitre Analyse conjointe non métrique UCBN Marketing quantitatif M2-MASS 2 décembre / 61
33 Paragraphe Analyse conjointe non métrique UCBN Marketing quantitatif M2-MASS 2 décembre / 61
34 L individu questionné ordonne les combinaisons d attributs selon sa préférence. Le modèle n est plus un modèle linéaire, mais un modèle dit d analyse de la variance mononone. Soit n le nombre de combinaisons du plan factoriel Soit T η : R R croissante on cherche T η et β telque la fonction de lien s écrive : T η (µ x ) = z(x) β La procédure transreg permet de trouver cette tronsformation appelée MONANOVA. On analyse de la variance monotone. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
35 Paragraphe Analyse conjointe non métrique UCBN Marketing quantitatif M2-MASS 2 décembre / 61
36 UCBN Figure: MarketingTransformation quantitatif M2-MASS mononote 2 décembre / 61 Analyse Transformation monotone Voici la transformation trouvée par SAS dans l exemple précédent A n a l y s e c o n j o i n t e n o n m e t r i q u e f ( n o t e ) n o t e
37 Chapitre Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
38 Paragraphe Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
39 Choix discrets On désire modéliser le choix d individus faces à un ensemble finis d alternatives en fonction de covariables dépendant des alternatives et de variables dépendant de l individu. Marketing Choix d un produit, modéliser le choix, prédire le choix pour une population, études de l impact de prix. Trafic Choix d un trajet d un moyen de transport, problème de routage. Economique Modélisation du choix individuels de formation. L analyse conjointe traditionnelle estime d abord les préférences de chacun des alternatives possibles, puis les probabilités de choisir une des alternatives. Les modèles de choix discrets modélisent le choix de l alternative directement. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
40 Paragraphe Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
41 L abréviation veut dire Choice Based Conjoint Attributs Soit X = X 1 X p l ensemble des attributs (alternatives) Ensemble de choix Soit (C j ) 1 j q une famille de partie de X (choice sets). Réponse Parmi tous les ensembles de choix C j l enquêté doit choisir la combinaison d attributs préféré. La réponse est donc binaire par ensemble de choix. Objectif Modéliser la probabilité de choisir un élément ou une alternative d un ensemble de choix en fonctions des combinaisons d attributs. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
42 de décision discrète Choice sets Soit C j = {x 1,j,, x pi,j} X. Un ensemble de choix. individu A chaque individu i I de la population enquêtée, on associe le numéro de la modalité préférée du j-ème ensemble de choix n j opt Utilité L individu i définit utilités U i (x) pour chaque combinaisons d attributs. U i : X R. choix L individu i choisit l alternative n j opt de l ensemble de choix C j si l utilité de l alternative x n j opt,j est strictement plus grande que toutes les autres utilités de l ensemble de choix C j. U i (x n j opt,j) > U i(x k,j ), k [1, p i ], k c Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
43 Paragraphe Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
44 Modélisation de l utilité L utilité d une alternative x X pour l individu i I va être la somme de deux termes : 1. d un effet fixe qui dépend l individu et de l alternative. Soit z : X M p,1 (R) un codage caractérisant un modèle additif. 2. d un effet aléatoire qui dépend l individu et de l alternative. U i (x) = z(x) β + ɛ i,x On ne peut pas mesurer précisément l utilité ( analyse conjointe métrique ou non métrique). On recueille le choix fait pas l individu. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
45 Probabilité du choix L individu i choisit l alternative j C = [1, J] si U j = z(x j ) β + ɛ j > z(x j ) β + ɛ j j C j P j = Pr([U j > (U j ) j C j]) = Pr([ɛ j < z(x j ) β z(x j ) β + ɛ j, j C j]) = ɛj =+ ɛ2=z(x j ) β z(x 2) β+ɛ j ɛ j = ɛ 2=... ɛj =z(x j ) β z(x J ) β+ɛ j ɛ J = f (ɛ)dɛ ou l on suppose que f (ɛ) est la densité du vecteur (ɛ 1,, ɛ J ). Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
46 Indépendance Si on suppose l indépendance du vecteur ɛ alors P j = Pr( j C,j j[ɛ j < z(x j ) β z(x j ) β + ɛ j ]) Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
47 multinomial On suppose que 1. l indépendance des composantes (ɛ 1,, ɛ J ) On a alors f (ɛ) = Π k C f ɛj (ɛ j ) P j = = ɛj =+ ɛ j = ɛj =+ ɛ j = ( ) ɛk =z(x j ) β z(x k ) β+ɛ j f ɛj (ɛ j )Π k j f ɛk (ɛ k )dɛ k dɛ ɛ k = f ɛj (ɛ j ) ( Π k j F ɛk (z(x j ) β z(x k ) β + ɛ j ) ) dɛ j Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
48 Paragraphe Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
49 P j = ɛj =+ ɛ j = logit Hypothèses : indépendance L indépendance du vecteur ɛ loi la fonction de répartition est F ɛ = exp( e ɛ ). Ces lois doublement exponentielles sont dites de Gumbel. La densité est f ɛj (ɛ j ) = e ɛ j exp( e ɛ j ) = = = ɛj =+ ɛ j = ɛj =+ ɛ j = ɛj =+ ɛ j = e ɛ j exp( e ɛ j ) exp( e z(x j ) β z(x k ) β+ɛ j dɛ k j ( ) e ɛ j exp( e z(x j ) β z(x k ) β+ɛ j k e ɛ j exp( e z(x j ) β z(x k ) β+ɛ j )dɛ j k e ɛ j exp( e ɛ j e z(x j ) β z(x k ) β )dɛ j Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61 k
50 logit En faisant le changement de variable y = exp( ɛ j ). P j = = = = y= y=0 exp( y k 1 k ez(x j ) β z(x k ) β 1 k ez(x j ) β z(x k ) β e z(x j ) β k ez(x k) β e z(x j ) β z(x k ) β )dy [ exp( y k e z(x j ) β z(x k ) β ) ] y= y=0 On trouve un modèle ou les probabilités de choisir l alternative j sont proportionnelles aux exponentielles des utilités. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
51 Paragraphe Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
52 logit Si l ensemble des alternatives est constant et a deux éléments, on peut choisir le modèle linéaire généralisé binomial de fonction de lien logit. multinomial Si l ensemble des alternatives est toujours le même, on peut alors modéliser la décision par un modèle linéaire généralisé mutinomial. probit Si pour la variable ɛ on prend une loi gaussienne, on obtient des modèles multinomiaux probits. On peut alors construire des modèles emboîtés ou le choix est un arbre de décision. mult. probit Sans l hypothèse d indépendances, le choix à l intérieur d un ensemble d alternatives sont dépendants, on obtient des modèles mixtes. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
53 Paragraphe Analyse conjointe des choix de choix discrets multinomial logit UCBN Marketing quantitatif M2-MASS 2 décembre / 61
54 Plan factoriel noir texture noisette CHOICEID 1 lait elastique FALSE 1 2 lait elastique TRUE 2 3 lait tendre FALSE 3 4 lait tendre TRUE 4 5 noir elastique FALSE 5 6 noir elastique TRUE 6 7 noir tendre FALSE 7 8 noir tendre TRUE 8 Les alternatives sont codées par un nom ou un numéro, on trouve souvent le nom id. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
55 Choice sets SET CHOICE1 CHOICE2 CHOICE3 CHOICE4 CHOICE5 CHOICE6 CHOICE Table: un ensemble de choix, 8 alternatives SET CHOICE1 CHOICE2 CHOICE3 CHOICE Table: deux ensembles de choix à 4 alternatives L ensemble numéro 2 contient les alternatives numéro 5,6,7 et 8. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
56 Table résultats ID SET CHOICE L indivu 2 a choisi dans l ensemble de choix numéro 1, la 6 ème alternative. Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
57 Table avant analyse noir texture noisette CHOICEID CHOICE ID SET 1 lait elastique FALSE lait elastique TRUE lait tendre FALSE lait tendre TRUE noir elastique FALSE noir elastique TRUE noir tendre FALSE noir tendre TRUE Table: Choix du premier individu pour le premier ensemble Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
58 Résultats agrégés noir texture noisette noir tendre TRUE 0 FALSE 1 elastique TRUE 5 FALSE 2 lait tendre TRUE 0 FALSE 0 elastique TRUE 2 FALSE 0 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
59 Identification R > summary(m) Call: coxph(formula = Surv(2 - CHOICE, CHOICE == 1, type = "right") ~ noir + texture + noisette + strata(id), data = X1, method = "breslow", model = TRUE, x = TRUE) n= 80 coef exp(coef) se(coef) z p noirlait textureelastique noisettefalse Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
60 Résultats noir noisette texture Utilite proba 1 lait FALSE elastique lait TRUE elastique lait FALSE tendre lait TRUE tendre noir FALSE elastique noir TRUE elastique noir FALSE tendre noir TRUE tendre Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre / 61
61 Importances coefs importance noirlait textureelastique noisettefalse UCBN Marketing quantitatif M2-MASS 2 décembre / 61
SAS 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en 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 détail1 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 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailCONCOURS 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 détailLe 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
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 détailMoments 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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en 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 détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailM2 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 détailExemples 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailProgrammes 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 détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailEconomie 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 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 détailBiostatistiques 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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailChapitre 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 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailSouad 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 détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailDéroulement 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 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 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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailProjet 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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailLes 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 détailIntroduction 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en 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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailClassification 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 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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en 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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en 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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailCorrection 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 détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailLa 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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
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 détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailSimulation 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 détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
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 détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détail