STATISTIQUE. Sept.-Nov.2010 Bruno Depay

Transcription

1 STATISTIQUE Sept.-Nov.2010 Bruno Depay

2 Quelques rappels :

3 Nous avons besoin des maths et il ne s agit surtout pas des les dénigrer. Cependant l objet de ce cours n est pas de manipuler des outils comme ceux de la diapo précédente. Exemple de ce que vous devrez être capable de comprendre, produire ou expliquer :

4 Utilisation d outils statistiques pour une étude marketing au profit de la marque Von Zipper Extrait d un cas traité avec des données réelles :

5 Proposition 5 : conquérir le segment «haut» du milieu de gamme

6 Vous serez capables D utiliser utilement des outils simples mais puissants D avoir une vision critique des chiffres que l on vous présentera, pour éviter de vous faire manipuler

7 Buts du cours Faire le lien entre des données et un modèle mathématique Utiliser les bons outils statistiques pour quantifier des données (fourchettes de valeur, degré de crédibilité d une hypothèse) Comprendre qu on ne peut pas toujours conclure ou que l on se peut se tromper

8 Principes à retenir Les chiffres ne parlent pas d eux même La statistique permet de quantifier les impressions et de passer d un sentiment subjectif à un indicateur objectif Elle est une aide à la décision (mais ne la prend pas)

9 Informations pratiques Evaluation : projet (1/3) : étude d un cas par groupe de 5, restitution «professionnelle» de 10 mn examen final (2/3) : 2h, documents autorisés Coordonnées : depayhec@gmail.com Cours et données diverses sont sur le site HEC de Xavier Boute :

10

11 Cours de Xavier Boute en podcast sur ITunes U

12 Autres références M.TENENHAUS

13 Esprit du cours Ce qui est à connaître est vu en cours et en TP Exercices et révisions sont faits en cours, il n est pas nécessaire de faire plus donc faites l effort d être présents (même le vendredi matin ) Avoir une calculatrice pour les séances Le plus important : être capable d expliquer ses résultats à un collaborateur en situation professionnelle

14 INTRODUCTION A quoi servent les statistiques? «There are three kinds of lies : lies, damned lies and statistics.» Mark Twain

15 INTRODUCTION A quoi servent les statistiques? Extraire des connaissances à partir de données pour décrire, expliquer, ou prévoir.

16 A quoi servent les statistiques? Simplifier une réalité complexe à l aide de graphiques. Simplifier une réalité complexe à l aide de modèles mathématiques. Outils de manipulation de grosses bases de données pour identifier et segmenter la clientèle d une entreprise (data mining).

17 Décrire? Ex.1 : enquête sur les réseaux de métro 28 réseaux de métros 7 caractéristiques Longueur nombre de stations vitesse âge nombre de voyageurs transportés nombre de lignes zone géographique

18

19

20 Ex. 2 les races canines R ace Taille Poids Vitesse Intell. A ffect. A gress. Fonction Beauceron Basset Berger-Allemand Boxer Bull-Dog Bull-M astiff Caniche Chihuahua Cocker Colley Dalmatien Doberman Dogue Allemand Epagneul Breton Epagneul Français Fox-Hound Fox-Terrier Grd Bleu de Gascogne Labrador Lévrier M astiff Pékinois Pointer Saint-Bernard Setter Teckel Terre-Neuve TA++ TA- TA++ TA+ TA- TA++ TA- TA- TA+ TA++ TA+ TA++ TA++ TA+ TA++ TA++ TA- TA++ TA+ TA++ TA++ TA- TA++ TA++ TA++ TA- TA++ PO+ PO- PO+ PO+ PO- PO++ PO- PO- PO- PO+ PO+ PO+ PO++ PO+ PO+ PO+ PO- PO+ PO+ PO+ PO++ PO- PO+ PO++ PO+ PO- PO++ V++ V- V++ V+ V- V- V+ V- V- V++ V+ V++ V++ V+ V+ V++ V+ V+ V+ V++ V- V- V++ V- V++ V- V- INT+ INT- INT++ INT+ INT+ INT++ INT++ INT- INT+ INT+ INT+ INT++ INT- INT++ INT+ INT- INT+ INT- INT+ INT- INT- INT- INT++ INT+ INT+ INT+ INT+ AF+ AF- AF+ AF+ AF+ AF- AF+ AF+ AF+ AF+ AF+ AF- AF- AF+ AF- AF- AF+ AF- AF+ AF- AF- AF+ AF- AF- AF- AF+ AF- AG+ AG+ AG+ AG+ AG- AG+ AG- AG- AG+ AG- AG- AG+ AG+ AG- AG- AG+ AG+ AG+ AG- AG- AG+ AG- AG- AG+ AG- AG- AG- Utilité Chasse Utilité Compagnie Compagnie Utilité Compagnie Compagnie Compagnie Compagnie Compagnie Utilité Utilité Chasse Chasse Chasse Compagnie Chasse Chasse Chasse Utilité Compagnie Chasse Utilité Chasse Compagnie Utilité

21 Le tableau disjonctif complet Race T- T+ T++ P- P+ P++ V- V+ V++ I- I+ I++ Af- Af+ Ag- Ag+ Compagnie Chasse Utilité Beauceron Basset Berger all Boxer Bull-dog Bull Mastiff Caniche Chihuahua Cocker Colley Dalmatien Doberman Dogue all Epagneul br Epagneul fr Fox-Hound Fox-Terrier Grd Bl de G Labrador Lévrier Mastiff Pékinois Pointer St-Bernard Setter Teckel Terre neuve x ij = 1 si l individu i possède la modalité l de la variable j = 0 sinon

22

23 Classification ascendante hiérarchique C A S E Label Num bull-dog 5 òûòø teckel 26 ò ùòø chihuahua 8 òûò ùòø pékinois 22 ò ó ùòòòòòòòòòòòòòø caniche 7 òòòòò ó ó cocker 9 òòòûòòò ùòòòòòòòòòòòòòòòòòòòòòòòòòòòø fox-terrier 17 òòò ó ó epagneul breton 14 òûòòòø ó ó labrador 19 ò ùòòòòòòòòòòòòòòò ó boxer 4 òûòòò ó dalmatien 11 ò ó dogue allemand 13 òûòòòø ó mastiff 21 ò ùòòòòòòòòòòòòòòòø ó saint-bernard 24 òûòø ó ó ó terre-neuve 27 ò ùò ó ó bull-mastiff 6 òòò ó ó berger allemand 3 òûòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòò dobermann 12 ò ùòòòòòòòòòø ó beauceron 1 òòò ó ó pointer 23 òø ó ó setter 25 òôòø ùòòòòòòò levrier 20 ò ùòø ó epagneul français 15 òòò ùòòòòòø ó colley 10 òòòòò ùò fox-hound 16 òûòòòø ó grd bleu de gasc 18 ò ùòòòòò basset 2 òòòòò

24 Visualisation de la classification des chiens en 4 groupes 4 epagneul breton 3 2 labrador dalmatien boxer colley epagneul français setter pointer levrier 1 0 caniche grd bleu de gasc fox-hound berger allemand dobermann beauceron Facteur fox-terrier cocker teckel bull-dog pékinois chihuahua -2 basset 0 terre-neuve dogue allemand saint-bernard bull-mastiff mastiff 2 4 Facteur 1

25 Expliquer?

26 Salaire des professeurs du Groupe HEC DEPARTEMENT CRAN AGE SEXE HEC DOC PHD DIRECT PEDAGO RECH Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M Compta-Contrôle M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M S.P.E M Salaire Cran

27 Salaire en fonction de l age HEC CRAN 0 OUI NON AGE

28 Pédagogie et HEC PEDAGOGIE Count 0 2 NON OUI HEC

29 Recherche et HEC HEC OUI NON Count RECHERCHE HEC OUI NON Count RECHERCHE

30 Modèle de salaire des professeurs Cran = β + β Age + β HEC + β Doctorat + β PhD β10 2 β 7 + β 5Directeur + β 6Homme β 11 + ε 3 β 8 4 β12 4 β9 { 5 β { 13 Pédagogie Recherche

31 Estimation du modèle par la méthode des moindres carrés Model 1 (Constant) AGE HEC DOC PHD DIRECT HOMME P2 P3 P4 R2 R3 R4 R5 a. Dependent Variable: CRAN Unstandardized Coefficients Coefficients a Standardized Coefficients 95% Confidence Interval for B B Std. Error Beta t Sig. Lower Bound Upper Bound

32 Estimation du modèle par la méthode des moindres carrés Cran théorique = Age HEC +.972Doctorat PhD Directeur Homme Pédagogie Recherche

33 Qualité du modèle Cran observé Cran théorique

34 Prévoir?

35 La méthode de Winters Exemple : Ventes de Champagne Janvier Février Mars Avril Mai Juin Juillet Août Septembre Octobre Novembre Décembre On exclut les douze derniers mois pour valider la méthode.

36 Ventes de Champagne CHAMPAGNE JUL 1962 JAN 1962 JUL 1963 JAN 1963 JUL 1964 JAN 1964 JUL 1965 JAN 1965 JUL 1966 JAN 1966 JUL 1967 JAN 1967 JUL 1968 JAN 1968 JUL 1969 JAN 1969 JUL 1970 JAN 1970 Date On exclut les douze derniers mois pour valider la méthode.

37 Résultats sur l historique utilisé (prévision à l horizon 1) Champagne 0 Prévision JUL 1969 FEB 1969 SEP 1968 APR 1968 NOV 1967 JUN 1967 JAN 1967 AUG 1966 MAR 1966 OCT 1965 MAY 1965 DEC 1964 JUL 1964 FEB 1964 SEP 1963 APR 1963 NOV 1962 JUN 1962 JAN 1962 Date

38 Résultats sur la période test (prévision sur l horizon 1 à 12) Champagne 0 Prévision SEP 1970 AUG 1970 JUL 1970 JUN 1970 MAY 1970 APR 1970 MAR 1970 FEB 1970 JAN 1970 DEC 1969 NOV 1969 OCT 1969 Date

39 Évolution de la population des bouquetins Parc national des Ecrins

40 Objectifs : - comparer la population observée et la population estimée - calculer un modèle permettant de prédire l évolution future de la population

41 Evolution de la population des bouquetins : estimation et modèle mathématique Estimation Modèle Borne - Borne

42 Ce que nous étudierons : «Décrire» : statistique descriptive, estimation d une moyenne et d une proportion «Expliquer» : régression simple, régression multiple «Prévoir»: non Utilisation du logiciel SPSS

43 Calendrier + 2 séances de TP à programmer Date Cours Vendredi 24-sept-10 Introduction Mercredi 29-sept-10 Statistique descriptive unidimensionnelle + loi normale Vendredi 1-oct-10 Estimation d'une moyenne Mercredi 6-oct-10 Estimation d'une proportion Mercredi 13-oct-10 Exercice : estimations. Cours : test Mercredi 20-oct-10 Régression simple Vendredi 22-oct-10 Régression simple Mercredi 27-oct-10 Ex. de révision : estimations, régression simple Vendredi 5-nov-10 Régression multiple Mercredi 10-nov-10 Régression multiple Vendredi 12-nov-10 Ex. de révision : régression multiple Mercredi 24-nov-10 Restitution de projet

44 Prochain cours Mercredi 29 septembre : Statistique descriptive unidimensionnelle Loi normale

45 «The only statistics you can trust are those you falsified yourself.» Winston Churchill

46 Some people hate the very name of Statistics, but I find them full of beauty and interest. Whenever they are not brutalized, but delicately handled by the higher methods, and are warily interpreted, their power of dealing with complicated phenomena is extraordinary. They are the only tools by which an opening can be cut through the formidable thicket of difficulties that bars the path of those who pursue the Science of man. Francis Galton