Yassine EL BOUCHIKHI - 1 Etudes quantitatives par M. Stephane Magne
|
|
- Dominique Roux
- il y a 8 ans
- Total affichages :
Transcription
1 Yassine EL BOUCHIKHI - 1
2 Analyse quantitative Données concérnées : enquetes ou indicateurs économiques Logiciels utilisés : SPSS ou Sphinx Lexica Shéma du cours : 1- Choisir la méthode d analyse de données 2- Savoir utiliser SPSS 3- Intérpréter les listings des résultats SPSS Cours 1 : Le choix d une méthode d analyse de données Rappels sur la démarche d une EDM 2- Analyse documentaire 1- Définir le probléme à résoudre Objectifs de l étude : Approche Quali / Quanti 3- Terrain Quali 4- Terrain Quanti Entretiens libres, et semidirectifs «guide d entretien» Réunions de groupe «Guide d animation» Population échantillon (méthodes aléatoires ou empiriques» Rédaction du questionnaire Pré-test Administration du questionnaire Analyse de contenu VERBATIM Analyse de données 5- Rapport EDM et recommandations Q1 : quels sont les objecttifs de l étude? Q2 : quel est le type de données à analyser? Q3 : quelle méthode choisir? Yassine EL BOUCHIKHI - 2
3 Projet à faire Pour les études Quantitatives: Rapport à remettre pour le 4 mars 2004, Mesurer la perception d un nouveau service (loisir, ou culture) pour le consommateur. 1. Constituer un groupe de 4 personnes 2. Choisir un nouveau service 3. Recherche documentaire compléte (tendance du marché, produits, services, concurrents ) 3 à 5 pages avec source et année. 4. Elaborer un guide d entretien (Réaliser 3 entretiens individuels par personnes intégralement enregistrés et retranscrits sur Word). 5. Analyse de contenu thématique (Manuelle ou sous sphinx Lexica) 6. Receuillir et analyser les données : - Analyses univariées «Sphinx lexica» - Analyses bivariées «Sphinx Lexica» - Analyses multivariées «SPSS» - Graphiques sous «Microsoft Excel» - 30 Questionnaire par personne 7. Rédiger le rapport et les principales recommandations «5 Pages minimum» Notre sujet : La vente de meubles sur Internet Yassine EL BOUCHIKHI - 3
4 1- Les objectifs de l étude : 1-1 : Les deux grands types d EDM : Les études descriptives Les études explicatives «Pourquoi» Il s agit de réduire, c est à dire décrire le marché sur 2 dimensions maximum, et Classer. Il s agit d expliquer «La baisse du CA» ou e prédire «évaluer le risque d accorder un crédit» EX : Question 1 : Les jeans CK sont-ils confortables? Dimension ITEM : Libéllé BNP CL Réduire Pas du tout d accord Plutot pas Plutot d ac cord Tout à fait d ac cord L échelle Dimension 1 Var V1 V2 V3 V4 Vn N Tableau de données Brutes Profil de réponse Question = ITEM + Echelle de mesure Nom de la variable : CONFO Les modalités de réponse Ancrage numérique : 1, 2, 3, 4, etc.. Ancrage verbal : Oui, Non, Pas du tout, etc.. élégance CK Roberto Dépouillement : prendre les données du questionnaire pour les mettre dans un tableau de données brutes. Levi s utilitaire Mapping «Cartographie : Dimensions perceptuelles» V Explicative 1 V Explicative 2 V Explicative 3 Variable à expliquer Réduire : ACP «Analyse en composantes principales», AFC «Analyse factorielle des correspondances» Classer : Typologies et classifications (hiérarchiques et non-hiérarchiques) 1-2 : Les objectifs et les méthodes : Expliquer : Régressions simples, multiples, linéaires ou non linéaires, analyse de la variance. Prédire : Analyse discriminante Méthodes Logit, Probit, Etc Yassine EL BOUCHIKHI - 4
5 2- Quel est le type de données à analyser? : 2-1 : Le nombre de variables présentes dans l étude : Nombre de variables 1 Variable Analyse univariée Tris à plat Etude de la distribution Tendance centrale et dispersion 2 variables Analyse bivariée Tris croisés Mesures d association entre 2 Var Tests statistiques pour vérifier si l association n est pas due au hasard. Ex illustratifs : -3 Type d analyse = 47.5 Moyenne // Dispersion Ecrat type = + 3 ou 3 (Comment ça varie autour de la moyenne) Tendance centrale = âge moyen Ex : âge et revenu Coefficent de corrélation r Fort Fort R =0 Si r (age/revenu) évoluent dans le même sens avec r 0.5 On dit alors que les deux variables sont fortement liées Alors on obtient soit : Revenu Revenu Revenu 1 Age 2 Age 3 Age 1 : Liées évoluent dans le même sens 2 : Liées évoluent dans un sens différent 3 : r = 0 il n existe pas de lien (pas de corrélation) Tableau de contingence : l intersection d une ligne et d une colonne contient un nombre de personnes, et la somme des lignes et des colonnes a un sens, on applique la méthode AFC. + de 2 variables Analyse multivariée : traiter simultanément un ensemble de variables Echelle au choix forcé : Elle vous oblige à faire un choix on ne peut être neutre (+ ou -) 2-2 : La nature des variables à analyser : Nature de la Var Définition Exemple Nominale «catégorielle» Elle sert d étiquette, aucune hiérarchie n existe entre les modalités. Situation de famille Ordinale Elle peut être dichotomique «Oui Non» /// mutli-chotomique «QCM» Lorsqu il existe un ordre entre les modalités mais les intervalles ne sont pas égaux. Oui NON NSP Mars Twix Lion Classez ces critéres par ordre d importance : 1 le plus important jusqu à 3 le moins important Yassine EL BOUCHIKHI - 5
6 Echelle Echelle de likert (Aptitude) : Pas du tout d accord Pas D accord Sans opinion Plutot d accord Tout à fait d accord Sémantiques différentielles (images de marque) : Ecoeurante Bonne Echelle d intervalle «Intervalles égaux avec origine arbitraire» Pseudo-Intervalle : Echelle de STAPEL : Solidité de la marque A -1-2 Icones ou «Smiling Faces» : Bon pour les enfants et les personnes ayant du mal à s exprimer Les echelles à support sémantique : Excellent Très bonne Bonne Moyenne Faible Mauvaise 7 Très Mauvaise Ex : Comment évaluez-vous la solidité de la marque A? (Voir au-dessus) Les echelles d intention d achat : Ex : Envisagez-vous d acheter la marque Mars lors de vos prochains Achats? (Voir en dessous) Je n achéterai certainement pas Mars J achéterai certainement Mars Les probabilités subjectives : Ex : Combien y a t il de chances que vous achetiez la marque Mars lors de vos prochains Achats? «De 0 à 100 % de chances» Echelle a Ratio : Intervalles égaux et présence d un zéro naturel à l origine, Lorsque le 0 a un sens. Ex : Température C, Vitesse en KM/H, Poids, Taille, Volume, etc.. Les sommes constantes Ex : Vous avez 10 points à répartir entre les marques Mars et Twix en fonction de vos préférences, Combien donneriez vous à : Mars.. Twix Yassine EL BOUCHIKHI - 6
7 2-3 : Niveau de mesure des variables : Qualitatives // Non - métriques Echelle nominale «catégorielle» EX : N INSEE, CSP, Type de Magasin, Statut matrimonial, QCM, Oui-Non, etc Stat : Tendance centrale, Mode, Tendance de dispersion, Fréquence. Echelle ordinale EX : Nombre d étoiles d un hotel, Classement préférentiel entre marques, etc Stat : Médianes, Fractiles. Quantitatives /// Métriques Echelle d intervalle EX : Température en C, Echelle de Likert, etc Stat : Moyenne, Ecrat-type Echelle de Ratio Rapport Proportion EX : Age, Revenu, CA, Part de marché, probabilités subjectives, etc Stat : Moyenne, Ecrat-type Pour ne jamais se tromper sur les modalités Départ Sont-elles ordonnées? NON Nominales Intervalles égaux entre catégories? NON Ordinales OUI OUI Y a t il un zéro naturel? NON Intervalle OUI Ratio ou proportion Ex : Analyse sur revenu Q1 : quel est votre revenu? Possibilité 1 : 4500 euros On peut calculer la moyenne «Salaire moyen» Possibilité 2 : Votre tranche de revenus euros euros on peut calculer le mode «salaire moyen» Yassine EL BOUCHIKHI - 7
8 3- Quels sont les méthodes à utiliser? : 3-1 : Les méthodes factorielles : Méthodes factorielles Carte factorielle, Mapping Méét thhooddeess ddeessccr ri iippt ti iivveess Var Quali Quali Var Quanti «Métriques» AFC : Analyse factorielle ACP : Analyse en des correspondances composantes principales CSP CA Mode hébérgement Budget Pub TEST de KHI-2 Plan ACP Décrire et réduire : COEF Corrélation a. A quelles données appliquer l analyse? b. Les données sont-elles factoriasables? c. Combien de facteurs retenir? d. Comment intérpréter les résultats? e. Conclusion : les risques de l ACP Déf. Il s agit de décrire et de réduire, Ex : Livre de 500 pages à résumer en 2 pages. Pour simplifier Pour le logiciel 1- Retenir les idées importantes 1- Recherche des tendances 2- Regrouper les idées semblables «Synthése» 2- Regroupe les Variables qui se ressemblent 3- Proportion 3- Pourcentage de l information % 4- Eliminer ce qui n a pas d importance 4- Eliminer les variables qui n apportent pas l information Exemple illustratif : Enquete sur une banque CL Q1 ou Var 1: J aime beacoup les locaux de cette banque Q2 ou Var 2 : J adore le décor de cette agence Q3 ou Var 3 : Je déteste le mobilier de cette banque Seront résumés sur un même axe factoriel «facteur ou composante» = axe esthétique. Appréciation esthétique de l agence bancaire CL Axe 1 = α 1 Locaux + α 2 Décor + α 3 Mobilier + ε «erreur» α 1 + α 2 + α 3 = Le poids ou contribution Individus / VAR Var 1 Var 2 Var 3 Var 4 Var Tableau de données brutes Yassine EL BOUCHIKHI - 8
9 Objectifs de la méthode : - Résumer l information et se demander quelles sont les variables les plus importantes. - Mesurer le consensus «Ecart-type» entre les variables - Quelles sont les variables qui différencient le mieux les individus? - Créer de nouvelles variables synthétiques indépendantes - Fournir 2 représentations graphiques. a. A quelles données appliquer l analyse? *** SEULEMENT les données QUANTITATIVES dites METRIQUES : - Variables d intervalle - Variables de Ratio *** ELIMINER les données ABERRANTES : - Les variables à valeurs extremes (Très fortes ou très faibles) - Les individus pour lesquels les non-réponses sont nombreuses ATTENTION : Les données abérrantes risquent de fausser l analyse!!! X CA Y = a X + b CA = a Pub + b Budget Pub Droite de régression b. Les données sont-elles factorisables? Premiére régle : Le BON SENS Données liées à un même phénoméne pour pouvoir y chercher les dimensions communes. Ex : Satisfaction et qualité de service // Attitude envers une marque et indicateurs économiques. CA Espace OUI NON r = 0 Budget / An Absence de direction d allongement principale, équivaut absence d une corrélation globale r = 0. Corrélation = OUI Sphére, Aucune direction ou axe n est privilégié. Yassine EL BOUCHIKHI - 9
10 Deuxiéme régle : Les TESTS 1- Le MSA «Mesure of sampling adequacy» appelé KMO de KAISER (MEYER et OLKIN sous SPSS) Qui doit tendre vers 1. NON! pas factorisable 0 2- Le test de sphérécité de BARTLETT. 05 KMO 1 «OK Factorisable» Très significatif : Signification = Significatif : Signification < 0.05 Acceptable : 0.10 > Signification > 0.05 Rejet : Signification > 0.10 Troisiéme régle : Les CORRELATIONS entre variables Calculer une matrice de corrélations entre variables. - 1 er CAS : Les coefficients de corrélations sont FORTS > 0.5 OK - 2 ème CAS : Les coefficients de corrélations sont FAIBLES < 0.5 Les Variables ne mesurent pas un phénoméne commun et ne sont pas factorisables c. Combien de facteurs retenir? AXE : F2 2 AXES : F1 et F2 Plan factoriel (1,2) AXE : F1 AXE : F2 AXE : F3 3 AXES : F1 et F2 et F3 On aura 3 Plans factoriels : (1,2) et (1,3) et (2,3) AXE : F1 Avec 4 Axes : ça nous fera 6 plans factoriels. Yassine EL BOUCHIKHI - 10
11 Premiére régle : La RESTITUTION MINIMALE souhaitée par le chargé d études (se fixer un seuil minimal de restitution d information ou POURCENTAGE de VARIANCE). Ex : On veut que les 2 axes retenus fournissent au moins 80% de l information initiale, si tel n est pas le cas, il faut conserver l axe suivant jusqu'à obtention du pourcentage fixé. Deuxiéme régle : Régle de KAISER sur l information restituée pour chaque facteur, il faut retenir les facteurs aux valeurs propres supérieures à 1 (λ > 1). Troisiéme régle : Graphique des valeurs propres Examen de la courbe des valeurs propres (SCREE-TEST ou TEST DE COUDE) Le shéma doit ressembler à une falaise pour la régle graphique. Valeur propre On retient les facteurs avant le changement de concavite : Point 3. Component number d. Comment intérpréter les résultats? Il s agit de la phase la plus DELICATE de l analyse de données = Donner des noms aux AXES. Il faut procéder en 3 temps : 1. Examen des corrélations et de la qualité de représentation des variables. 2. Projections des variables. 3. Projection des individus. 1- Examen des corrélations «Variables / Facteurs» F = α 1 V1 + α 2 V2 + α 3 V3 + + ε α 1 + α 2 + α 3 = contribution de la variable dans la formation de l AXE. Variables // Facteurs F1 F2 V V V V Tableau : MATRICE DES COMPOSANTES Yassine EL BOUCHIKHI - 11
12 Objectif: Répérer quelles variables sont les plus liées à l axe à intérpréter pour comprendre la logique des combinaisons entre les variables. Ex : L AXE F2 : F2 = 0.75 V V4 + ε F1 = 0.95 V V2 + (0.10 V V4). La régression multiple : Y = a1x1 + a2x2+ + ε Méthode d extraction : ACP = Analyse en composantes principales. 2- Projections des variables : (Tableau de la MATRICE DES COMPOSANTES) Carte Factorielle F1 & F F2 OP 2 = PI 2 + IO 2 AXE critére P Cr P -1 Cr & I F1 +1 Cr Cr 3 On se trouve dans le cercle de corrélations Un mauvais critére est proche du cercle de corrélation Il existe 2 types de Mappings : Projection de variables et projection des individus, Il est dangereux de projeter les variables et les individus sur une même carte factorielle. Les Var les plus intéréssantes Proches d un axe et proches du bord du cercle de corrélations (De centre O et de rayon 1). Les Var les moins intéréssantes - Variable proche du centre du cercle (contribue peu à forger l axe) - Variable au milieu d un quart de cercle (contribue à la formation de plusieurs axes) Yassine EL BOUCHIKHI - 12
13 Les variables qui sont à éliminer : Var // Facteurs F1 F2 F3 V V V V V V V MATRICE DES COMPOSANTES 1 er CAS : V5 Corrélations faibles. 2 ème CAS : V6 Corrélations partagées. 3 ème CAS : V7 F3 = 0.95V7 λ < 1 ( une Variable sur un seul Axe) e. Conclusion : - En général, on fait plusieurs ACP consécutives avant de trouver une solution convenable. - La représentation regroupant variables et individus et un ABUS. - On ne peut pas intérpréter la proximité entre une variable et un individu. Schéma à suivre pour ne pas se tromper : Décrire ou expliquer un phénoméne? Méthodes DESCRIPTIVES Méthodes EXPLICATIVES Variables métriques Combien de variables à expliquer? Plus ACP OUI Typologie NON Ordinales? OUI Analyse des similarités et des préférences NON AFC Une OUI Variables explicatives métriques Métrique? NON Variables explicatives non-métriques OUI NON OUI NON Régression linéaire Analyse de la variance Analyse discriminante Analyse conjointe Voir Chapitre suivant sur les classifications Yassine EL BOUCHIKHI - 13
14 Yassine EL BOUCHIKHI - 14
15 Yassine EL BOUCHIKHI - 15
16 3-2 : Les Typologies (classifications) : Methodes descriptives 1- Réduire Tableau de données brutes. Sphinx : AFC QUALI SPSS : ACP QUANTI F(Dde) = α1confo + α2conso Classer EX: Segments Marché de l'automobile S1 Confort S2 Conso S3 Sécurité S4 puissance S5 Prix S6 Espace Objectif : Classer des individus et des objets ou des marques. Introduction sur les méthodes Typologiques : Ex 1: Rapport Taille / Poids Individu // Var Taille Poids Poids Typologie des 2 groupes constituant le tableau Grands costauds Petits légers Taille Ex 2: Tableau de données brutes Si on projete l individu 1 et 3 dans l espace ils seront proches car ils ont 2 différences seulement. Indiv // Var V1 V2 V3 V4 V.. V30 I I I I Après une ACP, On projete les individus dans l espace, on recherche les groupes à vue d œil, et puis on compte le nombre de types repérés Projection des individus dans l'espace Groupe 2 Groupe 1 Electron ATTENTION : Ne jamais projeter les individus et les variables sur le même repére, les coordonnées sont différentes. Les problémes majeurs des typologies : - Palette de méthodes différentes - Probléme de choix des méthodes (hiérarchiques, non-hiérarchiques) - Risque d artefact de mesure très fort (la méthode crée le résultat sans tenir compte des données). Yassine EL BOUCHIKHI - 16
17 1- Qu est-ce que la typologie? : 1-1 : Intérêt Marketing des classifications : - Rechercher des segments de clientèle (Segmentation marketing) - Classer différentes marques d un produit pour établir leurs positionnements respectifs (Quelles marques se ressemblent, marques différentes). - Etudes de styles de vie : attitudes, activités, centres d intérêt, opinions, etc 1-2 : Objet de la méthode : Déf. La description d un ensemble d individus ou objets caractérisés par un ensemble d attributs, à l aide de leur regroupement en classes. Dans le même classe : Objets ou individus les plus semblables possibles. Dans 2 classes différentes : Objets ou individus les plus dissemblables possibles. 1-3: Des individus ou des Objets «Proches»? : Réfléchir au calcul des proximités : 1- Entre les individus «si l on souhaite classer les répondants» 2- Entre les objets «si l on souhaite classer des produits ou des modéles». Ex3 : Proximité entre 2 individus Voir tableau de données brutes Ex2 page précédente Proximité (P1 : N de points communs /// P2 : N de points différents) Entre I1 et I3 ( P1=3 // P2 = 2) Entre I2 et I3 (P 1 =0 // P 2 = 5). 1-4: Les problémes à résoudre? : 1- Distance 2 - Affectation «G1, G2,..» 3- Description «Qui sont-ils?» 2- Comment faire une classification? : 2-1: Quel type de données? : : Variables ACTIVES et variables PASSIVES : Variables ACTIVES : Qualité de service Varibales PASSIVES : Fiche signalétique Indiv // Var V1 V2 V3 V4 V.. V30 I I I I Les variables ACTIVES : participent à la constitution des groupes. Ex 1 : Satisfaction vis-à-vis d une banque Typologie en 4 Groupes : Satisfaits, Indifférents, Mécontents justifiés, Eternels insatisfaits. Les variables PASSIVES ou «ILLUSTRATIVES»: servent à décrire les groupes. Ex 1 : Satisfaction vis-à-vis d une banque Les Eternels insatisfaits : 60% femmes (Var Sexe), entre 45 et 50 ans (Var Age), niveau educ Sup (Var niveau etudes). Yassine EL BOUCHIKHI - 17
18 2-1-2 : Variables QUALI et variables QUANTI Les donnés quanti sont les plus simples à traiter à condition de les STANDARDISER si unités de mesure hétérogénes. Il s agit de centrer réduire (Tendance centrale, Dispersion) = Obtenir des unités homogénes. Ex : Tableau comparatif de voitures Voiture / Option ABS N ESP N AIRBAGS (Max 5) TWINGO Oui 2 4 FORD KA Non 1 3 Transformer les données QUALI en données binaires 0 et 1, Présence ou absence d une caractéristique pour chaque objet à classer. Alors pour les AIRBAGS cela devient : Individu /// Var N AIRBAGS Sexe CSP 1 4 «QUANTI» 1 «QUALI» 2 «QUALI» Individu // Var AIRB1 AIRB2 AIRB3 AIRB4 AIRB Régle d or QUANTI vers QUALI = OUI!! QUALI vers QUANTI = NON!!!!!! «Ex : Transformer tranches d age en age réel» A 2-2: Distance entre les individus? : OA 2 = AB 2 + OB 2 (Distance euclidienne) Pour les Données QUANTI : utiliser les variables STANDARDISEES NON-CORRELEES entre elles. O O B Si les Var sont trop corrélées faire une ACP avant, pour avoir les facteurs orthogonaux (noncorrélés, et non liées) r F1F2= 0 /// Faire le typologie sur les scores factoriels. 2-3: Affectation (Indicateur de proximité entre les groupes)? : : La méthode du plus proche voisin (SAUT- MINIMUM) GR 1 A GR2 B : La méthode du voisin le plus éloigné (DIAMETRE DE LA REUNION) C GR 1 GR2 D : La méthode du Chainage moyen (AGREGATION PAR LA MOYENNE) Le centre Point G du nuage c est le profil type (Individu-moyen ) GR 1 GR2 G G ATTENTION : Utiliser plusieurs méthodes typologiques pour voir si les résultats convergent. 2-4: Comment constituer les groupes? : Yassine EL BOUCHIKHI - 18
19 2-4-1 : Les méthodes Hiérarchiques : Les méthodes non-hiérarchiques On les utilise lorsque : - Le nombre de groupes n est pas fixé au départ - Un arbre de classification (DENDOGRAMME) en PIED de GIRAFFE. - Méthodes très LOURDES si le nombre d individus ou objets > 100. Ex : Procédure de constitution de groupe Indiv / Var Var 1 Var 2 A 8 10 B 2 8 C 6 3 D 5 2 E 6 9 A B C D E Matrice des distances Indice de distance A B C D E DENDOGRAMME groupes C D A E B Nom de l'individu 3 groupes On coupe le DEDNDOGRAMME au GRAND SAUT de l indice de distance (Coupure en 3 classes). ATTENTION : Si on arrive pas à voir le SAUT de l indice c est le principe de la réalité qui prévaut, voir si on arrive à donner une définition claire au groupe sinon on l élimine. 2-5: Comment DECRIRE les groupes et valider la typologie? : - La méthode la plus connue en marketing est la méthode des NUEES DYNAMIQUES «QUICK CLUSTER». - Traiter un grand nombre d individus plus de Fixer à priori K, le nombre de groupes souhaités (Encore faut-il avoir une idée). Comment avoir une idée sur le nombre de segments? 1- Faire une ACP et projeter les individus. 2- Etudes préalables 3- Experience professionnelle. Ex : Processus de l opération si K=3 I / Var V1 V2 V3 V4 Vn V30 1 X1 Y1 Z1 2 3 X2 Y2 Z2 Yassine EL BOUCHIKHI X3 Y3 Z3 1-SPSS choisit 3 profils aussi différents que possible (1;2,3) qu on appelle les CENTRES INITIAUX! I2 CF G2 G 2 V1 V2 V3 Cr1 X1 Y1 Z1 Cr2 X2 Y2 Z2 Cr3 X3 Y3 Z3 2-SPSS fait les ITERATIONS (Calculs), si < 10 BON, ASSEZ STABLE. I25 I9 I70 CF I5 G1 G 1 I150 3-SPSS détérmine les CENTRES FINAUX pour chaque groupe et nous offre un TABLEAU D EFFECTIFS Groupe N individus Total 180 CONSEILS : - Faire plusieurs simulation pour aboutir à des groupes suffisament HOMOGENES et DIFFERENTS. - Les groupes doivent être à peu prés HOMOGENES en taille. - Ne pas conserver un groupe < 10 % de l échantillon.
20 1- A partir des variables ACTIVES (Celles qui ont participé à la formation du groupe) : Calcul de moyennes. 2- A partir des variables PASSIVES (Ces variables n ont pas étés utilisées pour former les groupes) : En général celles-ci figurent dans la partie signalétique du questionnaire (Age, Sexe, CSP, Revenu,..) Ex : Etude qualitative sur ce que le voyage inspirait aux étudiants (Nouveauté, Souvenirs, ) 3- Conclusion: Les risques des classifications : - Il n existe pas une mais des typologies - Le choix des indices de distance et des critéres d affectation affectent la solution trouvée. - La typologie obtenue peut être différente selon les méthodes utilisées (Hiérarchique ou Non). - Il faut croiser les méthodes pour voir si elles convergent vers la même solution typologique. INFOS PRATIQUES : Qualité de représentation : indice entre 0 et plus il est proche de 1 meilleure est la qualité. Rotation VARIMAX : Pour rapprocher les individus en les voyant d un angle différent. Apres une ACP : On obtient les scores factoriels ou facteurs orthogonaux non-corrélés. Projection pour les individus : L individu peut se retrouver projeté plusieurs fois (Non-pertinent), à manier avec précaution. Yassine EL BOUCHIKHI - 20
Traitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
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 détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailSPHINX Logiciel de dépouillement d enquêtes
SPHINX Logiciel de dépouillement d enquêtes sphinx50frversion4.doc 1 Les trois stades du SPHINX sont ceux que comporte habituellement toute enquête d opinion: Elaboration du questionnaire (fiche outil
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 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 DIFFERENTS TYPES DE MESURE
LES DIFFERENTS TYPES DE MESURE Licence - Statistiques 2004/2005 REALITE ET DONNEES CHIFFREES Recherche = - mesure. - traduction d une réalité en chiffre - abouti à des tableaux, des calculs 1) Qu est-ce
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailLa définition La méthode. Les échelles de mesure L ENQUETE PAR SONDAGE : LA METHODE
L ENQUETE PAR SONDAGE : LA METHODE La définition La méthode Le questionnaire Les biais La passation du questionnaire La validité des réponses Les échelles de mesure Les échelles d évaluation Les échelles
Plus en détailSatisfaction des stagiaires de BRUXELLES FORMATION Résultats 2013
Satisfaction des stagiaires de BRUXELLES FORMATION Résultats 2013 Cahier méthodologique, tableau récapitulatif 2009-2013 et Matrices importance/performance Mars 2014 Service Études et Statistiques Table
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
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 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 détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
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 détailACP Voitures 1- Méthode
acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détail1. Les types d enquêtes
La conduite d une enquête par questionnaire La conception d un questionnaire ne doit pas être réalisée de façon hasardeuse. Elle suit une méthodologie stricte qui permet d atteindre des résultats utilisables
Plus en détailLE TABLEAU DE BORD DE SUIVI DE L ACTIVITE
TABLEAU DE BORD LE TABLEAU DE BORD DE SUIVI DE L ACTIVITE DEFINITION Le tableau de bord est un support (papier ou informatique) qui sert à collecter de manière régulière des informations permettant de
Plus en détailLogiciel Le Sphinx Plus 2 version 5. Le Sphinx Développement 74650 Chavanod
Logiciel Le Sphinx Plus 2 version 5 Le Sphinx Développement 74650 Chavanod 2005-2006 Plan Présentation générale du logiciel Stade Élaboration du questionnaire Stade Collecte des réponses Stade Traitements
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 détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailLocalisation des fonctions
MODALISA 7 Localisation des fonctions Vous trouverez dans ce document la position des principales fonctions ventilées selon l organisation de Modalisa en onglets. Sommaire A. Fonctions communes à tous
Plus en détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
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 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 détailPratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
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 détailLe Sphinx Millenium Modes opératoires Préparer, administrer, Dépouiller les enquêtes
Le Sphinx Millenium Modes opératoires Préparer, administrer, Dépouiller les enquêtes Le Sphinx Développement Parc Altaïs 74650 CHAVANOD Tél : 33 / 4.50.69.82.98. Fax : 33 / 4.50.69.82.78. Web : http://www.lesphinx-developpement.fr
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailGuide méthodologique de mise en place d une enquête de satisfaction
Guide méthodologique de mise en place d une enquête de satisfaction Dans ce guide, vous trouverez 4 étapes qui vous permettront de réaliser, pas à pas, votre enquête de satisfaction. Ce guide : Contient
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en 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 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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
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 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 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 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 détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
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 détailFormation PME Etude de marché
Formation PME Etude de marché Fit for Business (PME)? Pour plus de détails sur les cycles de formation PME et sur les business-tools, aller sous www.banquecoop.ch/business L étude de marché ou étude marketing
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 détailENQUETE DE SATISFACTION (Guide méthodologique)
Guide méthodologique ENQUETE DE SATISFACTION (Guide méthodologique) L enquête satisfaction tient une place importante dans la gestion de la qualité. Du moment que l organisation attribue un caractère prioritaire
Plus en détailRésultats d Etude. L étude de marché. Résultats d Etude N 1889 : Conciergerie privée. Testez la fiabilité de votre projet.
Résultats d Etude L étude de marché Testez la fiabilité de votre projet 1 Sommaire : Introduction... 4 Synthèse... 6 PAGE 1 :... 7 Question 1/13... 7 Vous vivez :... 7 PAGE 2 :...10 Question 2/13...10
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 détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailLes critères de segmentation Critères Variables retenues Description Exemple Pays, région, ville, Chauffage,
SYNTHÈSE DU CHAPITRE 11 : LA SEGMENTATION DE LA DEMANDE. La segmentation. La segmentation de la demande consiste à définir des groupes de clients (des segments de clientèle) ayant des comportements homogènes
Plus en détailLes conditions de fiabilité des études online
Les conditions de fiabilité des études online Le Club Études et Internet Ambitions du «club études et internet»: Engager des programmes de «Research on Research» Diffuser et partager les résultats Identifier
Plus en détailL analyse de la gestion de la clientèle
chapitre 1 - La connaissance du client * Techniques utilisées : observation, recherche documentaire, études de cas, études qualitatives (entretiens de groupes ou individuels, tests projectifs, analyses
Plus en détailInfolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
Plus en détailwww.styleanalytics.com
www.styleanalytics.com Style Analytics EuroPerformance a le plaisir de vous présenter Style Analytics, outil de mesure des risques et de la performance des fonds d investissement. Style Analytics offre
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 détailLES FRANÇAIS ET LA COMPLEMENTAIRE SANTE
Centre de Recherche pour l Etude et l Observation des Conditions de Vie LES FRANÇAIS ET LA COMPLEMENTAIRE SANTE Anne LOONES Marie-Odile SIMON Août 2004 Département «Evaluation des Politiques Sociales»
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailUNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand
UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)
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 détailFiche qualité relative à l enquête Santé et Itinéraire Professionnel 2010 (SIP) Carte d identité de l enquête
Fiche qualité relative à Santé et Itinéraire Professionnel 2010 (SIP) Nom Années de Périodicité Panel (suivi d échantillon) Services concepteurs Service réalisant Sujets principaux traités dans Carte d
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailVeille Opérationnelle Chapitre 5 Mesure de l efficacité des moyens de communication
Annonce presse, spot télé, affichage Évalue ensemble de la campagne I) Définitions Pré-tests : ce sont des études qualitatives portant sur des projets et soumises à un public limité représentatif de la
Plus en détailConstruire un tableau de bord par Marc Maisonneuve
Construire un tableau de bord par Marc Maisonneuve Le tableau de bord On peut le définir comme la présentation synoptique d indicateurs relatifs au suivi d une bibliothèque, d un projet, d un service.
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailChapitre trois : Etude Empirique CHAPITRE TROIS ETUDE EMPIRIQUE Section I : Méthodologie de l étude 100 Section II : Analyse des résultats de recherche.. 106 99 Chapitre trois : Etude Empirique 100 Après
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 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 détailCHAPITRE 2. Les variables
CHAPITRE 2 Les variables 1. La nature des variables Définition 2.1 (Variable). Une variable est une caractéristique étudiée pour une population donnée. Le sexe, la couleur préférée, le nombre de téléviseurs
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 détailInformation et communication
Information et communication Pour les nouveaux diplômés HES en information documentaire, en communication ainsi qu en traduction, l insertion professionnelle s avère difficile. Près de la moitié d entre
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 détailWhy Software Projects Escalate: The Importance of Project Management Constructs
Why Software Projects Escalate: The Importance of Project Management Constructs Why Software Projects Escalate: The Importance of Project Management Constructs 1. Introduction 2. Concepts de la gestion
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 détailLicence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015.
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015. Thèmes des séances de TD Thème n.1: Tableaux statistiques et représentations graphiques. Thème
Plus en détailArticulation entre mesures sociales du casino et lieux d aide spécialisés lors des mesures de limitation et d exclusion Lisiane SCHÜRMANN
Articulation entre mesures sociales du casino et lieux d aide spécialisés lors des mesures de limitation et d exclusion Lisiane SCHÜRMANN Neuchâtel, 17.01.2014 Introduction Vote populaire de 1993 sur les
Plus en détailL ANALYSE DU «PARC SOCIAL DE FAIT» PARISIEN EN 2003 : UNE ANALYSE TERRITORIALISÉE DES PROFILS D OCCUPATION DES PARCS ET DES QUARTIERS
ATELIER PARISIEN D URBANISME - 17, BD MORLAND 75004 PARIS TÉL : 01 42 71 28 14 FAX : 01 42 76 24 05 http://www.apur.org Observatoire de l'habitat de Paris L ANALYSE DU «PARC SOCIAL DE FAIT» PARISIEN EN
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 détailIBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
Plus en détailDocuments mis à disposition par : www.marketing-etudiant.fr. Attention :
Documents mis à disposition par : www.marketing-etudiant.fr Ecueils à éviter Il ne faut surtout pas sous-estimer les changements culturels dans l'organisation des entreprises. D'un côté, la technologie
Plus en détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailLe profil des acheteurs à distance et en ligne
Le profil des acheteurs à distance et en ligne Étude réalisée pour le compte de La FEVAD, La Poste, Reed Exhibitions, CCI Grand Lille 24 octobre 2012 Synthèse de l étude - 1 LES HABITUDES DE CONSOMMATION
Plus en détailL'analyse des données à l usage des non mathématiciens
Montpellier L'analyse des données à l usage des non mathématiciens 2 ème Partie: L'analyse en composantes principales AGRO.M - INRA - Formation Permanente Janvier 2006 André Bouchier Analyses multivariés.
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 détailScénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
Plus en détailSolutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision
Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailACTIVITE. principal Animation Fournisseur C54 Participer à une animation fournisseur Mise en rayon et analyse de rayon
Vademecum de toutes les missions 2006-2014 Règle des 70/30 Exemple d'activité «Vendre» ACTIVITES Exemple d'activité «Assurer la qualité de service à la clientèle» OM Exemple d'activité «Mettre en place
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 détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
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 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 détail