Rôle des femmes dans la société
|
|
- Fabien Blanchette
- il y a 7 ans
- Total affichages :
Transcription
1 Rôle des femmes dans la société Matthieu Pache 14 octobre 2012 Résumé Ce rapport étudie le rôle des femmes dans la société en analysant des données recueillies dans un sondage. Ce-dernier consiste à demander à un certain nombre de personnes si elles sont d accord ou non avec l affirmation «Les femmes devraient s occuper d entretenir les maisons et laisser les hommes entretenir le pays». Après avoir exposé et justifié les méthodes utilisées dans notre analyse, nous allons tenter d établir un modèle adéquat pour expliquer ces données en fonction du sexe et du nombre d années d éducation des individus ayant participés. Nous ajusterons donc différents modèles, les comparerons et déterminerons un modèle approrié pour nos données. Nous déduirons ainsi comment le sexe et le niveau d éducation influencent la probabilité qu un individu soit d accord avec l affirmation. Introduction Le rôle des femmes dans la société est un sujet possédant une longue histoire et qui de nos jours encore fait parler de lui. En effet, depuis des siècles, le déséquilibre entre le statut des femmes et celui des hommes a été contesté. Certes, la condition des femmes s est largement améliorée depuis quelques décennies, notamment dans le monde du travail et dans le monde politique. Néanmoins, une si longue discrimination nous amène à nous poser des questions sur l opinion publique de cette inégalité. Pour avoir une réponse, nous allons étudier des données recueillies sur le sujet. Description des données Les données à disposition sont un sondage fait entre 1974 et 1975 qui consistait à demander à des personnes si elles étaient d accord ou non avec l affirmation «Les femmes devraient s occuper d entretenir les maisons et laisser les hommes entretenir le pays». Des femmes et des hommes ont été interrogé et pour chacun d entre eux le nombre d années d éducation a aussi été enregistré. Comme expliqué dans [1, p.10], sur les 2927 individus interrogés, trois n ont pas donné leur nombre d années d éducation et 53 n avaient pas matthieu.pache@epfl.ch 1
2 d opinion précise sur l affirmation. Le sondage comporte donc 2871 individus, dont 1305 hommes et 1566 femmes. Celui-ci est représenté sur la table 1. Hommes Femmes Nombres d années d éduaction D accord Pas d accord D accord Pas d accord Table 1: Table des données. Au vu de la table 1, il est naturel de se demander si le sexe et les années d éducation ont une relation avec la réponse donnée, et si telle est le cas, de quelle forme est-elle? C est à ces questions là que nous allons tenter de répondre en analysant les données. Analyse exploratoire Les deux variables que nous connaissons pour chaque individus sont le nombre d années d éducation et le sexe. Intéressons nous premièrement à la relation entre le niveau d éducation et la réponse. Pour cela, il est utile de regarder la proportion de gens d accord avec l affirmation pour un niveau d éducation fixe, les deux sexes confondus. Ces proportions sont illustrées sur la figure 1. La figure 1 montre, comme on pouvait raisonnablement le prévoir, que le niveau d éducation semble influencé la réponse des individus. En effet, l allure générale de la 2
3 Figure 1: Proportion de personnes d accord en fonction du nombres d années d éducation. figure 1 laisse croire que les personnes ayant un plus haut niveau d éducation vont généralement plus facilement désaprouver l assertion que ceux ayant un niveau plus bas. Secondement, approfondissons la relation entre le sexe de l individu et sa réponse. A cette fin, nous calculons en moyenne quel pourcentage d hommes et de femmes ont dit être d accord, tous niveaux d éducation confondus. De plus, afin de pouvoir comparer convenablement ces moyennes, nous calculons aussi la variance correspondante. Les résultats sont dans la table 2. Hommes Femmes Moyenne Variance Table 2: Table illustrant la moyenne des hommes et des femmes étant d accord. Ainsi, une proportion de 36% des hommes, respectivement 35% des femmes, ont été d accord avec l affirmation. Ces chiffres nous laisseraient croire que le sexe influence peu significativement. Néanmoins, bien que ces moyennes sont proches, les variances sont très grandes, soit dans les deux cas égales à Cette grande variance ne nous permet donc pas de tirer de conclusions car rend les valeurs des moyennes insignifiantes. En résumé, une brève analyse des données nous conduit à penser que plus les gens ont d années d éducation, plus ils seraient contre l inégalité entre hommes et femmes. Nous ne pouvons en revanche rien déduire du rôle du sexe. Une analyse statistique plus avancée va nous permettre de confirmer, réfuter et approfondir ces hypothèses. 3
4 Méthodologie Nous cherchons désormais un modèle statistique qui expliquerait nos données. La première chose à traiter pour trouver un tel modèle est le fait que la réponse soit une variable catégorielle. En effet, les individus disent seulement s ils sont d accord ou non avec le fait que «Les femmes devraient s occuper d entretenir les maisons et laisser les hommes entretenir le pays». La réponse y i d un individu i peut donc être écrite de la manière suivante : { 1 si l individu i est d accord, y i = 0 s il ne l est pas. De ce fait, si l on pose la convention qu être d accord est un "échec", alors y i suit donc une loi binomiale Bin(1, p i ), où p i est la probabilité que le ième individu soit d accord avec l affirmation. Il nous faut donc trouver une famille de modèles qui s occupe de données binaires. Une solution est d utiliser la régression logistique, qui permet de traiter ces cas. Nous aimerions calculer p i en fonction de certaines variables x 1i,..., x ki. L expression générale de la régression logistique est alors ( ) pi logit(p i ) log = β 0 + β 1 x 1i β k x ki, i = 1,..., n, (1) 1 p i avec β 0, β 1,..., β k des coefficients réels et n le nombre d individus. Une fois la régression logistique faite, nous pouvons trouver p i en écrivant l équation (1) sous la forme p i = exp(β 0 + β 1 x 1i β k x ki ), i = 1,..., n. (2) 1 + exp(β 0 + β 1 x 1i β k x ki ) Dans notre cas, les variables à disposition sont le nombre d années d éducation et le sexe de l individu. Nous pouvons donc étudier la relation entre le nombre d années d éducation contre le logit des probabilités empiriques qu un individu soit d accord afin de justifier la régression logistique. Les probabilités empiriques sont la proportion d individus étant d accord avec l affirmation dans notre échantillon pour un niveau d éducation et un sexe donné. Cette relation est présentée sur la figure 2. Sur cette figure, la tendance semble bien être linéaire. Ceci justifie ainsi l utilisation d un modèle logistique, car l expression générale de ces modèles donnée par (1) est linéaire pour les variables. La régression logistique se fait ensuite en utilisant la méthode du maximum de vraisemblance. L ajustement du modèle se fait donc en maximisant la vraisemblance par rapport au paramètre β = (β 0,..., β k ) T. L expression de celle-ci est donnée par L(β) = n i=1 p y i i (1 p i) (1 y i), 4
5 Figure 2: Logits empiriques de la proportion des individus étant d accord avec l affirmation en fonction du nombre d années d éducation, pour les hommes et les femmes. avec p i = p i (β) selon l équation (2). La log-vraisemblance est alors n n l(β) = log(p i ) y i + log(1 p i ) (1 y i ) i=1 i=1 n n = log(p i ) 1 succès + log(1 p i ) 1 échec. i=1 i=1 Lors de nos régressions, il s agira donc de maximiser le log-vraisemblance afin de déterminer nos coefficients. Analyse statistique et inteprétation des résulats Maintenant que les méthodes statistiques ont été expliquées, ajustons des modèles. Premièrement, comme nous avons deux variables à disposition, nous ajustons un modèle contenant ces deux variables, sans interaction quelconque. Modèle prenant en compte le nombre d années d éducation et le sexe Le premier modèle exprime le logit en fonction du nombre d années d éducation et le sexe. Son expression est donc ( ) pi logit(p i ) log = β 0 + β 1 education + β 2 1 Femmes, i = 1,..., n, (3) 1 p i 5
6 avec β 0 l intercept, β 1 le coefficient du nombre d années d éducation et β 2 celui exprimant l influence du sexe. La variable eduaction représente le nombre d années d éducation que l individu a eut. Les valeurs des coefficients trouvés en utilisant la méthode de maximum de vraisemblance sont présentés sur la table 3, avec leurs erreurs standards et leurs p-valeurs. Estimation Erreur std p-valeur β < β < β Table 3: Résultat de la régression logistique avec le modèle (3). Commentons les résutlats obtenus. Tout d abord, observons que β 1 est négatif, et donc a une influence négative. Ceci confirme l hypthèse que plus l individu a eu d années d éducation, moins il y a de chance pour qu il soit d accord avec l affirmation. Ensuite, remarquons que les p-valeurs de l intercept et de β 1 sont très petites, ce qui veut dire que les variables correspondantes sont très significatives. En effet, ces valeurs sont trouvées en testant l hypothèse nulle que le coefficients en question soit égale à zéro. Ainsi, si la p-valeur est petite, on rejette l hypothèse nulle et le paramètre est significatif, et si celle-ci est plus grande que 0.05 alors on ne rejette pas l hypothèse nulle et donc le paramètre n est pas significatif. Ainsi l intercept et le nombre d années d éducation expliquent comme il faut la réponse. En revanche, on constate que la p-valeur pour le sexe est de 0.892>0.05. Cela signifie que ce paramètre n est pas significatif et donc nous amène au fait que le sexe ne semble pas avoir d influence sur la réponse. Les coefficients exprimés dans la table 3 représentent les coefficients des droites de régression pour le graphe de la figure 2. Comme le logit d une probabilité n a pas d interprétation, il nous faut retrouver les probabilités qu un individu soit d accord en utilisant l équation (2). La figure 3 donne ces probabilités pour chaque sexe en fonction de l éducation. Remarquons que la figure 3 nous indique que les probabilités d acquiescement sont les mêmes pour un homme et pour une femme. En effet, les points du graphe se superposent pour chaque années d éducation. Cette observation est de plus en totale cohérence avec les résultats de la table 3. Ainsi l opinion ne semble pas dépendre du sexe avec ce modèle. Ces conclusions nous amène donc à ajuster un modèle ne prenant pas en compte le sexe de l individu. Modèle prenant en compte que le nombre d années d éducation Le premier modèle nous laisse croire que l opinion sur le rôle des femmes ne dépend pas du sexe des individus. Si cela est vrai, la variable sexe est négligeable et nous pouvons ajuster un modèle qui ne dépend que du nombre d années d éducation. Son expression est 6
7 Figure 3: Probabilité trouvé avec le modèle (3) qu un individu soit d accord avec l affirmation en fonction de son éducation et son sexe. logit(p i ) = β 0 + β 1 education, i = 1,..., n. (4) A nouveau, la méthode de maximum de vraisemblance nous permet d estimer ces paramètres. Les résultats de la régression sont sur la table 4. Estimation Erreur std p-valeur β < β < Table 4: Résultat de la régression logistique avec le modèle (4). On observe tout d abord que les estimations des coefficients β 0 et β 1 sont très proches de ceux de β 0 et β 1. Ceci reflette bien le fait que ces coefficients expliquaient la majorité de l information dans le modèle (3). De plus les p-valeurs sont à nouveau très petites ce qui renforce une fois encore le fait que l éducation joue un rôle dans la réponse que va donner un individu quelconque. Les probabilités qu une personne soit d accord avec l affirmation en fonction de son nombre d années d éducation, calculées avec les résutats de la table 4, sont représentées sur la figure 4. 7
8 Figure 4: Probabilité que l individu soit d accord avec l affirmation en fonction de son éducation. Le graphe de la figure 4 est similaire à celui de la figure 3. Effectivement, les deux graphes sont pour ainsi dire les mêmes. Ceci signifie que nous avons trouvés un modèle plus simple, car avec un paramètre en moins, qui néanmoins donne les mêmes probabilités qu un individu soit d accord. Test de rapport de vraisemblance Les deux modèles étudiés jusqu à présent suggère fortement que le sexe n est pas une variable significative. Nous aimerions dès lors tester ceci via un test statistique. Comme les modèles (3) et (4) sont emboités, nous pouvons appliquer un test de rapport de vraisemblance. Un test de rapport de vraisemblance calcule la statistique de rapport de vraisemblance W = 2( l modèle1 l modèle2 ) 0, où l A représente l estimateur du maximum de la log-vraisemblance pour un modèle A. Ensuite, comme le modèle (4) a un paramètre de moins que le modèle (3), alors s il est le vrai modèle on a W χ 2 1. Le test de rapport de vraisemblance va donc tester l hypothèse nulle β 2 = 0 dans le modèle (3) et la p-valeur nous indiquera si on rejette ou pas l hypothèse nulle. Les valeurs du test de rapport de vraisemblance sont données dans la table 5. 8
9 Log Vraisemblance W p-valeur Modèle (3) Modèle (4) Table 5: Résultats du test de rapport de vraisemblance entre les modèles (3) et (4). Comme la p-valeur est bien supérieure à 0.05, on ne rejette pas l hypothèse nulle et donc on préférera le modèle (4) au modèle (3). Ce test n a été qu une confirmation des résultats précédents, à savoir que d ajouter une variable sexe dans le modèle (3) n aide pas à mieux modéliser les données. Modèle prenant en compte le nombre d années d éducation, le sexe et leur interaction Jusqu ici, notre analyse nous a conduit à croire que le sexe ne jouait pas de rôle dans l opinion des individus. Cela dit, il est indiscutable qu un homme ou une femme n ont pas le même point de vue sur la question du rôle des femmes dans la société. En effet, le problème avec les modèles (3) et (4) est que la variable sexe n est capable que d influencer l ordonnée à l origine des droites de régression (faites sur le logit des p i ). La pente de ces droites est pour les deux modèles uniquement déterminée par la variable education. En somme, les précédents modèles manquaient d une variable d intercation entre le sexe et le niveau d éducation, afin que le sexe puisse faire varier la pente de la régression. Un modèle prenant en compte cette interaction est le suivant, logit(p i ) = β 0 + β 1 education + β 2 1 Femmes + β 3 education 1 Femmes, i = 1,..., n. (5) Les résultats des cette régression logistique sont illustrés sur la table 6. Estimation Erreur std p-valeur β < β < β β Table 6: Résultat de la régression logistique pour le modèle (5). La première remarque au vu de la table 6 est que toutes les variables sont significatives désormais. Ainsi ce modèle nous montre que le sexe peut en effet jouer un rôle dans la probabilité qu un individu soit d accord, ce qui semble effectivement plus logique. Ces probabilités sont représentées sur la figure 5 pour chaque sexe en fonction du niveau d éducation, où les probabilités empiriques ont aussi été notées. On remarque alors que contrairement au modèle (3), les probabilités sont différentes pour les hommes et pour les femmes. 9
10 Figure 5: Probabilité pour chaque sexe que l individu soit d accord avec l affirmation en fonction de son éducation. Dès lors, il vient de se demander si le sexe doit apparaître dans notre modèle ou pas. Comme nos modèles sont emboités, nous pouvons à nouveau effectuer un test de rapport de vraisemblance afin de répondre à cette question. Le test va comparer les modèles (5) et (4), car on sait déjà que le modèle (4) est plus adéquat que le modèle (3), où l influence du sexe n était pas bien modélisée car il n y avait pas de terme d interaction. Le test de rapport de vraisemblance va donc nous permettre de tester l hypothèse que prendre en compte le sexe améliore significativement notre modèle ou pas. Les résultats du test sont donnés dans la table 7. Log Vraisemblance W p-valeur Modèle (4) Modèle (5) Table 7: Résultats du test de rapport de vraisemblance entre les modèles (3) et (5). La p-valeur trouvée est inférieure à 0.05, ainsi nous rejettons l hypothèse nulle, qui est ici que les coefficients β 2 = β 3 = 0. Ce résultat affirme que le modèle est significativement mieux lorsqu on ajoute la variable sexe et la variable d interaction. On préfèrera donc le modèle (5) aux autres modèles. 10
11 Ainsi, les modèles des logit(p i ) pour les hommes et les femmes sont Hommes : logit(p i ) = education, Femmes : logit(p i ) = education. En résumé, ce modèle s interprète de la manière suivante : la probabilité qu un homme avec peu d années d éducation soit d accord avec l affirmation est plus petite que la probabilité correspondante pour une femme, mais pour les femmes cette probabilité décroit plus rapidement lorsque le nombre d années d éducation augmente. Améliorer le modèle Le modèle (5) semble expliqué correctement nos données sur le rôle des femmes dans la société. Cependant, il pourrait certainement être amélioré et c est ce dont nous allons discuter à présent. Tout d abord, recueillir plus de données le perfectionnerait probablement. En effet, bien que certains niveaux d éducation sont bien représentés, on constate dans la table 1 que certains le sont très peu. Par exemple, que 4 individus ayant 2 ans d éducation ont participé au sondage. Ainsi ces 4 individus ont une grande influence dans la régression, bien plus grande que 4 individus ayant 12 ans d éducation par exemple, où près de 950 individus ont donnés leurs avis. Ainsi augmenter le nombre de données où il y a peu d observations rendrait l échantillon plus représentatif de la société et donc améliorerait le modèle. Ensuite, nous pouvons argumenter que la réponse d un individu dépend encore d autres variables que son niveau d éducation et son sexe. Nous pourrions donc rajouter des variables succeptibles d expliquer l opinion des individus, comme par exemple l âge ou la religion des individus interrogés. L ajout de variables va certainement améliorer le modèle, il faudra alors faire des tests statistiques pour comparer les modèles et déterminer quelles variables ont leur place dans le modèle. Conclusion Après avoir introduit la régression logistique, nous avons ajusté différents modèles à nos données afin de déterminer le modèle le plus adéquat. Premièrement, nous avons ajusté un modèle supposant que le logit des p i dépendait linéairement du nombre d années d éducation et du sexe de l individu. Cette régression nous a montré que le niveau d éducation influencait négativement les log(p i ). De plus, la variable sexe n était pas significative, ce qui nous a conduit a ajusté un modèle ne dépendant que du nombre d années d éducation. La seconde régression sur ce deuxième modèle étant faite, nous avons observé que les coefficients étaient proches de ceux du premier modèle. Ayant deux modèles emboités expliquant les données, nous avons effectuer un test de rapport de vraisemblance afin de les comparer. Nous avons alors trouvé que le deuxième modèle était favorable au premier. 11
12 Par la suite, comme intuitivement le sexe joue un rôle dans l opinion de l individu, nous avons revisité le premier modèle en rajoutant un terme d interaction entre l éducation et le sexe. En effet, de cette façon le sexe n influençait plus seulement l ordonnée à l origine des droites de régression (comme dans le premier modèle), mais ces-dernières pouvaient dès lors avoir des pentes différentes pour chaque sexe. En ajustant ce modèle, nous avons obtenus que toutes les variables étaient significatives. Nous avons donc terminer notre analyse par refaire un test de rapport de vraisemblance entre le second et le dernier modèle. Ce test nous amené à garder notre dernier modèle qui, bien qu il ait deux paramètres de plus, semble être celui qui explique le mieux les données. Son interprétation est que lorsque le niveau d éducation est bas, alors la proportion de femmes d accord avec la phrase «Les femmes devraient s occuper d entretenir les maisons et laisser les hommes entretenir le pays» est plus grande que celle des hommes, mais que cette proportion diminue plus rapidement chez les femmes que chez les hommes lorsque le niveau d éducation augmente. Enfin, bien que le modèle trouvé semble expliqué correctement les données, il pourrait certainement être amélioré. Nous avons donc terminé par donner deux démarches afin de perfectionner le modèle, qui sont de recueillir plus de données ou d ajouter de nouvelles variables explicatives. Références [1] D. Collett, Modelling Binary Data, Chapman and Hall/CRC, London, 2nd Edition,
«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
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 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 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 détailConcurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
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 détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
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 détailSoit 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 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 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 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 détailI. Une nouvelle loi anti-discrimination
Extrait du Bulletin de Liaison Le Défi n 17, LHFB, Juillet 2004 Discriminations et assurances ; les apports de la Loi du 25 février 2003 et le rôle du Centre pour l'égalité des chances et la lutte contre
Plus en détailAnalyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)
Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle
Plus en détailESSEC. 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 détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
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 détailBaccalauréat 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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailrv de septembre - 09/09/2008 - XC
rv de septembre - 09/09/2008 - XC Rendez-vous de septembre 9 septembre 2008 - Monte Carlo LE TRANSFERT DE RISQUES DANS SOLVABILITÉ II Xavier Cognat Fédération Française des Sociétés d Assurances rv de
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailFormat de l avis d efficience
AVIS D EFFICIENCE Format de l avis d efficience Juillet 2013 Commission évaluation économique et de santé publique Ce document est téléchargeable sur www.has-sante.fr Haute Autorité de santé Service documentation
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailexigences des standards ISO 9001: 2008 OHSAS 18001:2007 et sa mise en place dans une entreprise de la catégorie des petites et moyennes entreprises.
R E S U M E de la Thése de doctorat Perfectionnement du systemé de management intégré qualité-responsabilité sociale-santé et sécurité occupationnelle élaborée par Monsieur le thésard Denuntzio C. Romeo,
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
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 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 détailBaccalauréat 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 détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
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 commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailConvention de «management fees»: qu en est-il aujourd hui?
81 rue du pré Catelan 59110 La Madeleine Tél : 03 20 39 33 47 Fax : 03 20 63 92 21 lille@valoxy.fr www.valoxy.fr Convention de «management fees»: qu en est-il aujourd hui? Attention aux prestations de
Plus en détailPrimaire. analyse a priori. Lucie Passaplan et Sébastien Toninato 1
Primaire l ESCALIER Une activité sur les multiples et diviseurs en fin de primaire Lucie Passaplan et Sébastien Toninato 1 Dans le but d observer les stratégies usitées dans la résolution d un problème
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 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 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 détailQuestionnaire de sondage: de la communication interne dans l organisation
Cours 7 Audit : Exemple de questionnaire Questionnaire de sondage: de la communication interne dans 1. Votre organisation s est-elle dotée officiellement d une stratégie, d un programme ou d une politique
Plus en détailAurélie Merle Professeur associé, Grenoble École de Management Chercheur associé au CEROG et à Coactis (EA 41 61) aurelie.merle@iae-aix.
LA VALEUR PERCUE DE LA CUSTOMISATION DE MASSE : PROPOSITION ET TEST D UN MODELE CONCEPTUEL INTEGRATEUR Aurélie Merle Professeur associé, Grenoble École de Management Chercheur associé au CEROG et à Coactis
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 détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en 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 détailChapitre 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 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 détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailIntroduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
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 détailEnquête CTIP/CREDOC. 22 février 2008 L OPINION DES SALARIÉS ET DES EMPLOYEURS SUR LA COMPLÉMENTAIRE SANTÉ ET LES RÉFORMES DE L ASSURANCE MALADIE
Enquête CTIP/CREDOC L OPINION DES SALARIÉS ET DES EMPLOYEURS SUR LA COMPLÉMENTAIRE SANTÉ ET LES RÉFORMES DE L ASSURANCE MALADIE 22 février 2008 www.ctip.asso.fr Sondage auprès de 1000 salariés et 300 employeurs
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailDEPOSER UNE MARQUE : Quel intérêt et comment faire?
DEPOSER UNE MARQUE : Quel intérêt et comment faire? FICHE CONSEIL Page : 1/7 Le choix d un nom sous lequel exercer son activité, la création d un logo, l élaboration d une charte graphique ne sont pas
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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailFonctions 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 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 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 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 détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailCegid OPEN SECURITE PREMIUM
Cegid OPEN SECURITE PREMIUM Livret Services Ref_N08_0001 ARTICLE 1 DEFINITIONS Les termes définis ci après ont la signification suivante au singulier comme au pluriel: Demande : désigne un incident reproductible
Plus en détailCODES DE BONNE CONDUITE : QUAND LES SOCIETES JOUENT A L APPRENTI LEGISLATEUR
CODES DE BONNE CONDUITE : QUAND LES SOCIETES JOUENT A L APPRENTI LEGISLATEUR Marie Brac Allocataire de rechercheà l Université Paris-X Nanterre 1. Actuelement, un nombre important d entreprises 1 se dotent
Plus en détailBac 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 détailMigration: un plus pour la Suisse Relations entre État social et migration: la position de Caritas
Migration: un plus pour la Suisse Relations entre État social et migration: la position de Caritas Prise de position de Caritas_mars 2011 Migration: un plus pour la Suisse En bref: Quel est l effet de
Plus en détailFOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS
FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS 550, RUE SHERBROOKE OUEST MONTRÉAL (QUÉBEC) H3A 1B9 BUREAU 900 TOUR EST T 514 849-8086, POSTE 3064 Réflexions méthodologiques Depuis des années,
Plus en détailRÉSUMÉ (TRADUCTION) Credit Suisse International
RÉSUMÉ (TRADUCTION) Credit Suisse International Notes zéro coupon, liées à un indice, remboursables automatiquement, d un montant maximum total de EUR 100.000.000, échéance 2011, Série NCSI 2006 469 ISIN
Plus en détailFonctions linéaires et affines. 1 Fonctions linéaires. 1.1 Vocabulaire. 1.2 Représentation graphique. 3eme
Fonctions linéaires et affines 3eme 1 Fonctions linéaires 1.1 Vocabulaire Définition 1 Soit a un nombre quelconque «fixe». Une fonction linéaire associe à un nombre x quelconque le nombre a x. a s appelle
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailCharte de la laïcité à l École Charte commentée
Charte de la laïcité à l École Charte commentée Ce document propose un commentaire de la phrase de préambule et de chacun des articles de la Charte de la laïcité à l École. Il explicite le sens des principales
Plus en détailRECOMMANDATIONS PROPOSÉES
SYNDICAT CANADIEN DE LA FONCTION PUBLIQUE RECOMMANDATIONS PROPOSÉES (Ce guide doit être utilisé avec le Programme de vérification des syndics) **Ce n est pas nécessaire de le retourner au Bureau national**
Plus en détailSection des Formations et des diplômes
Section des Formations et des diplômes Rapport d évaluation de la licence professionnelle Référenceur et rédacteur web de l Université de Haute-Alsace Vague C 2013-2017 Campagne d évaluation 2011-2012
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 détailFICHE 1 Fiche à destination des enseignants
FICHE 1 Fiche à destination des enseignants 1S 8 (b) Un entretien d embauche autour de l eau de Dakin Type d'activité Activité expérimentale avec démarche d investigation Dans cette version, l élève est
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 détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailGuide de connexion Wi-Fi sur un hotspot ADP Télécom
Sommaire Que faut-il pour se connecter? 2 Disposer du matériel adéquat 2 Disposer des droits d accès 2 Comment se connecter? 3 Etape 1 : s attacher au réseau Wi-Fi 3 Etape 2 : authentification 4 Comment
Plus en détailConsignes pour les travaux d actualité Premier quadrimestre
Consignes pour les travaux d actualité Premier quadrimestre Principes de base Durant le premier semestre, vous serez amenés à remettre un travail effectué en groupe. Le but de celui-ci est de s intéresser
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
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 détailMéthodes de simulation des décès. appliquées au régime de retraite de la. fonction publique d État
Méthodes de simulation des décès appliquées au régime de retraite de la fonction publique d État Hady Senghor et Benoît Buisson Service des retraites de l État Septembre 2014 1 2 Sommaire Résumé... 4 I
Plus en détailI. OUVERTURE D UNE PROCEDURE COLLECTIVE SUR ASSIGNATION DU CREANCIER
DROITS DES CREANCIERS 23/07/2012 Lorsqu une entreprise éprouve des difficultés financières telles qu elle se trouve en état de cessation des paiements, il y a lieu d ouvrir une procédure judiciaire. Cette
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
Plus en détailBAROMÈTRE DE LA PROTECTION SOCIALE DES AGENTS TERRITORIAUX
BAROMÈTRE DE LA PROTECTION SOCIALE DES AGENTS TERRITORIAUX Avril 2009 SOMMAIRE 1. La méthodologie 3 A. L évolution du système de protection sociale 5 B. Les pratiques en matière de protection sociale 9
Plus en détailCompte bancaire ou assurance vie? 5. Amortissement direct ou indirect?
92 LE GUIDE FINANCIER DU PROPRIÉTAIRE Compte bancaire ou assurance vie? La décision de prendre un compte bancaire dépendra du profil du client et de ses besoins. Par exemple, si l emprunteur est célibataire
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailUne étude de différentes analyses réalisées par le BIT
Association internationale de la sécurité sociale Quinzième Conférence internationale des actuaires et statisticiens de la sécurité sociale Helsinki, Finlande, 23-25 mai 2007 Comparaison des hypothèses
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailTests de sensibilité des projections aux hypothèses démographiques et économiques : variantes de chômage et de solde migratoire
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 16 décembre 2014 à 14 h 30 «Actualisation des projections» Document N 5 Document de travail, n engage pas le Conseil Tests de sensibilité des projections
Plus en détailEVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO
EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO Auteur Baguinébié Bazongo 1 Ingénieur Statisticien Economiste Chef de l Unité de recherche à l Institut national
Plus en détailCour de justice de l Union européenne COMMUNIQUE DE PRESSE n 70/14
Cour de justice de l Union européenne COMMUNIQUE DE PRESSE n 70/14 Luxembourg, le 13 mai 2014 Presse et Information Arrêt dans l'affaire C-131/12 Google Spain SL, Google Inc. / Agencia Española de Protección
Plus en détail