UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SJAP Année universitaire Cours de Statistiques et Économétrie.
|
|
- Francis Carrière
- il y a 8 ans
- Total affichages :
Transcription
1 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SJAP Année universitaire Master Droit-Éco Cours de M. Desgraupes Cours de Statistiques et Économétrie Séance 05 1 Analyse de série temporelle Manipulation des séries temporelles Représentation graphique Agrégation des valeurs Lissage Lissage par moyenne mobile Lissage par LOESS Lissage exponentiel Lissage de Holt-Winters Tendance linéaire
2 1 Analyse de série temporelle Séries temporelles On utilise une série temporelle constituée des températures mensuelles moyennes relevées à la station météorologique du Parc Montsouris (Paris 14ème) de janvier 1900 à février Cette série a été construite pour servir d illustration à cette séance à partir de données fournies par le projet European Climate Assessment & Dataset 1. Données originales : fichier TG_STAID txt dans l archive ECA_blend_tg.zip. Les températures sont indiquées en nombres entiers en dixièmes de degrés Celsius. Chargement des données : dftemp <- read.table(" Master1/TemperatureMontsouris.R", header=true) > names(dftemp) [1] "mois" "temp" > attach(dftemp) <environment: 0x1044d35f8> attr(,"name") [1] "dftemp" C est un dataframe. On crée une série temporelle stmp à partir du vecteur des températures comme ceci : > stmp<-ts(temp,start=c(1900,1),end=c(2010,2),freq=12) Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Voir la documentation de la fonction ts et la signification des arguments start, end, frequency et deltat : help(ts) Résumé des données : > summary(stmp) Min. 1st Qu. Median Mean 3rd Qu. Max > idx <- which(stmp==max(stmp)) 1. Klein Tank, A.M.G. et co-auteurs, Daily dataset of 20th-century surface air temperature and precipitation series for the European Climate Assessment. Int. J. of Climatol., 22, Données et métadonnées disponibles à http ://eca.knmi.nl 2
3 [1] 1279 > mois[idx] [1] > idx <- which(stmp==min(stmp)) [1] 674 > mois[idx] [1] L objet stmp est de classe ts. 1.1 Manipulation des séries temporelles Les attributs d une série temporelle peuvent être récupérés avec les fonctions start, end et frequency : > start(stmp) [1] > end(stmp) [1] > frequency(stmp) [1] 12 La fonction time crée un vecteur de valeurs numériques correspondant aux dates auxquelles la série temporelle a été échantilonnée : time(stmp) Jan Feb Mar Apr May Jun Jul Aug La fonction cycle renvoie un vecteur d indices de chaque valeur à l intérieur d un cycle : cycle(stmp) Jan Feb Mar Apr May Jun Jul Aug Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec C est utile pour retrouver l indice au sein d un cycle. Par exemple : > cycle(stmp)[temp==max(temp)] [1] 7 3
4 Cette commande indique que la température moyenne maximale a été relevée pendant un mois de juillet (=7). La fonction deltat permet d obtenir l intervalle de temps entre chaque observation sous forme d une fraction de la période (ici 1/12) : > deltat(stmp) [1] On peut extraire une partie d une série temporelle au moyen de la fonction window. Cette fonction accepte les mêmes arguments start, end, frequency et deltat que la fonction ts. Par exemple, extrayons une sous-série avec les données allant de janvier 1990 à décembre 1999 : st9099 <- window(stmp, start = c(1990,1), end = c(1999,12)) R connaît aussi un autre type d objet appelé série temporelle multiple (mts) : c est comme un dataframe dont chaque colonne serait une série temporelle. 1.2 Représentation graphique La fonction plot a un comportement particulier quand on l applique à un objet de classe ts : > plot(stmp) Le graphe est représenté sur la figure 1. Avec la fonction window, on peut tracer la courbe d une partie seulement de la série (ici de 1980 à 2010) : > plot(window(stmp, start = c(1980,1), end = c(2010,2)), main=' ',xlab='',ylab='températures') Le graphe est représenté sur la figure 2. La fonction boxplot couplée avec la fonction cycle permet de construire des boîtes à moustache pour chacune des périodes d un cycle : > boxplot(stmp ~ cycle(stmp)) Le vecteur cycle(stmp) est utilisé ici implicitement comme un facteur. Le graphe est représenté sur la figure 3. Cela met en évidence quelques valeurs aberrantes (outliers). 1.3 Agrégation des valeurs La fonction aggregate permet de calculer des statistiques (telles que moyenne, sommes, etc.) sur des sous-ensembles d une série temporelle. L argument nfrequency est le nombre d observations à utiliser par unité de temps. Il faut spécifier une valeur qui soit un diviseur de la fréquence de la série elle-même. Par exemple, pour une série de fréquence 12, si la valeur de nfrequency est 1, on obtiendra des statistiques par année. Si la valeur de nfrequency est 2, on obtiendra des statistiques par semestres car la fonction créera des sous-ensembles de 6 valeurs. Si la valeur de nfrequency est 4, on obtiendra des statistiques par trimestres. Dans l argument FUN, on indique la fonction à appliquer. Par exemple, calculons les valeurs moyennes par semestre sur les dix dernières années : > stmp0009 <- window(stmp, start = c(2000,1), end = c(2009,12)) 4
5 stmp Time FIGURE 1 Graphique de la série stmp. Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec > aggregate(stmp0009, FUN=mean, nfreq=2) Time Series: Start = c(2000, 1) End = c(2009, 2) Frequency = 2 [1] [7] [13]
6 Températures FIGURE 2 Graphique de 1980 à [19] Cela fait 20 valeurs. Les moyennes annuelles sont obtenues comme ceci : > aggregate(stmp0009, FUN=mean, nfreq=1) Time Series: Start = 2000 End = 2009 Frequency = 1 [1] [7] Voici les minima par trimestre : > aggregate(stmp0009, FUN=min, nfreq=4) Qtr1 Qtr2 Qtr3 Qtr
7 FIGURE 3 Boîtes à moustache par cycle On peut de même avoir un résumé par année comme ceci > aggregate(stmp0009, FUN=summary, nfreq=1) Time Series: Start = 2000 End = 2059 Frequency = 1 [1] [9] [17] [25] [33]
8 [41] [49] [57] Le résultat n est pas facile à lire. Les valeurs se lisent six par six : ce sont les six quantités renvoyées par summary comme dans : > summary(window(stmp, start = c(2000,1), end = c(2000,12))) Min. 1st Qu. Median Mean 3rd Qu. Max Une manière plus lisible d afficher ces données serait sous forme d une matrice de 10 lignes et 6 colonnes : > agg <- aggregate(stmp0009,fun=summary,nfreq=1) > matrix(agg,ncol=6, nrow=10) [,1] [,2] [,3] [,4] [,5] [,6] [1,] [2,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] Voici la représentation graphique des valeurs agrégées par année (voir la figure 4) : > plot(aggregate(stmp, FUN=mean, nfreq=1)) Pour voir les boîtes à moustache par périodes de 4 mois (nfreq=3), on écrirait l instruction suivante : semestres <- aggregate(stmp, FUN=mean, nfreq=3) boxplot(semestres ~ cycle(semestres)) 2 Lissage 2.1 Lissage par moyenne mobile Le lissage par moyenne mobile est exécuté par la fonction decompose. Par exemple : > dec <- decompose(stmp) > class(dec) [1] "decomposed.ts" > names(dec) 8
9 aggregate(stmp, FUN = mean, nfreq = 1) Time FIGURE 4 Valeurs agrégées par année. [1] "x" "seasonal" "trend" "random" "figure" [6] "type" L objet dec obtenu est de classe decomposed.ts. dans cet objet, on récupère les séries représentant la tendance, les variations saisonnières et les résidus sous la forme dec$trend, dec$seasonal et dec$random respectivement. Le terme dec$figure représente les variations saisonnières sur un cycle seulement tandis que dec$seasonal représente la répétition de cette figure cyclique sur toute la longueur de la série. dec$figure [1] [7] La fonction plot se comporte de manière particulière avec les objets de classe decomposed.ts comme on peut le voir sur la figure 5. La fonction plot, lorsqu elle est appliquée au résultat d une décomposition, produit quatre graphiques superposés représentant la série de départ, la tendance, la saisonnalité et les résidus : > plot(dec) On peut aussi effectuer à la main le calcul des moyennes mobiles : 9
10 Decomposition of additive time series random seasonal trend observed Time FIGURE 5 Graphique de décomposition par moyenne mobile. > len <- length(temp) > mmob<-vector(length=len) > for (i in 7:len) { mmob[i] <- sum( c(temp[i-6]/2, temp[(i-5):(i+5)], temp[i+6]/2) )/12 } On obtient les mêmes valeurs que dans dec$trend. Voici les 24 premières : > dec$trend[1:24] [1] NA NA NA NA NA NA [7] [13] [19] > mmob[1:24] [1] [7] [13] [19]
11 Calcul à la main des variations saisonnières : on élimine les 6 valeurs initiales et finales qui sont NA et on soustrait la tendance dans la série obtenue, on calcule les moyennes pour chacun des 12 mois. > len <- length(temp) > idx <- 7:(len-6) > msaison <- by(temp[idx]-mmob[idx],cycle(stmp)[idx],mean) La moyenne de ces moyennes mensuelles est proche de 0 : mean(msaison) [1] On soustrait cette moyenne pour obtenir la saisonnalité définitive : > saisons <- as.vector(msaison-mean(msaison)) [1] [6] [11] Remarque : à la fin de ce calcul, on ne trouve pas tout-à-fait les mêmes valeurs que dans le terme dec$figure ci-dessus car R fait quelques corrections de lissage sur les valeurs initiales et finales de la série. Finalement le vecteur des résidus est obtenu en retirant à la fois la tendance et la saisonnalité : > residus <- temp-mmob-saisons[cycle(stmp)] 2.2 Lissage par LOESS La technique LOESS est implémentée dans R pour les séries temporelles par la fonction stl. Cette fonction renvoie un objet de classe stl comportant en particulier une composante appelée time.series qui est une série temporelle multiple composée de colonnes appelées trend, seasonal et remainder, correspondant respectivement à la tendance, l effet saisonnier et le reste (résidus). Le premier argument de la fonction stl est la série temporelle et le second argument (appelé s.window) est soit le mot-clé periodic, soit une valeur numérique indiquant la taille de la fenêtre pour extraire localement les données. Voici un exemple d utilisation : > loessdec <- stl(stmp, s.window="periodic") > class(loessdec) [1] "stl" > names(loessdec) [1] "time.series" "weights" "call" "win" [5] "deg" "jump" "inner" "outer" On obtient : 11
12 remainder trend seasonal data time FIGURE 6 Graphique de décomposition par LOESS. loessdec$time.series seasonal trend remainder Jan Feb Mar Apr May La fonction plot, comme précédemment, produit quatre graphiques : > plot(loessdec) Le graphe est représenté sur la figure 6. Exercice : refaisons les calculs en se restreignant aux 20 dernières années : > stmp20 <- window(stmp, start = c(1990,1), end = c(2010,2)) > loessdec20 <- stl(stmp20, s.window="periodic") > plot(loessdec20, main='loess ') Le graphe est représenté sur la figure 7. 12
13 LOESS remainder trend seasonal data time FIGURE 7 Graphique loess Lissage exponentiel Afin d obtenir un lissage exponentiel, on utilise la fonction HoltWinters avec les arguments beta et gamma égaux à 0 (FALSE) : > expdec <- HoltWinters(stmp, beta=0, gamma=0) Holt-Winters exponential smoothing with trend and additive seasonal component. Call: HoltWinters(x = stmp, beta = 0, gamma = 0) Smoothing parameters: alpha: beta : 0 gamma: 0 Coefficients: [,1] a b
14 s s s s s s s s s s s s L objet expdec est de classe HoltWinters et comporte les termes suivants : > class(expdec) [1] "HoltWinters" > names(expdec) [1] "fitted" "x" "alpha" [4] "beta" "gamma" "coefficients" [7] "seasonal" "SSE" "call" En particulier, le terme SSE représente la valeur minimale de la somme des carrés des erreurs de prédiction à une période (SCEP1) : > expdec$sse [1] Les coefficients a, b, s1,..., s12 sont les valeurs initales des suites de récurrence : niveau estimé a t, pente b t, effets saisonniers s t. Le terme fitted est une série temporelle multiple comportant les valeurs estimées ˆx, le niveau, la tendance et la saisonnalité. Voici un extrait : expdec$fitted xhat level trend season Jan Feb Mar Apr May On peut les représenter sur un même graphique grâce à la fonction plot : > plot(expdec$fitted) Le graphe est représenté sur la figure 8. Le α obtenu ( ) indique un faible degré de lissage : la valeur de référence est de l ordre de 0.2. En règle générale, on n utilise pas ce type de lissage sur de longues séries. Refaisons les calculs en se restreignant aux 20 dernières années : 14
15 expdec$fitted season trend level xhat Time FIGURE 8 Graphique expdec. > stmp20 <- window(stmp, start = c(1990,1), end = c(2010,2)) > expdec20 <- HoltWinters(stmp20,beta=0,gamma=0) > plot(expdec20$fitted, main='temperatures ') Le graphe est représenté sur la figure Lissage de Holt-Winters On utilise aussi la fonction HoltWinters, comme dans la section précédente, mais en laissant cette fois R calculer une estimation pour les arguments beta et gamma : > hwdec <- HoltWinters(stmp) Holt-Winters exponential smoothing with trend and additive seasonal component. Call: HoltWinters(x = stmp) Smoothing parameters: alpha:
16 Temperatures trend level season xhat Time FIGURE 9 Graphique de lissage exponentiel de 1990 à beta : gamma: Coefficients: [,1] a b s s s s s s s s s s s s Le graphe est représenté sur la figure 10 : 16
17 Temperatures season trend level xhat Time FIGURE 10 Graphique de lissage par Holt-Winters (α estimé). > plot(hwdec$fitted, main='temperatures ') Le α obtenu ( ) indique faible degré de lissage. Refaisons les calculs en imposant α = 0.2 : > hwdec2 <- HoltWinters(stmp, alpha=0.2) Holt-Winters exponential smoothing with trend and additive seasonal component. Call: HoltWinters(x = stmp, alpha = 0.2) Smoothing parameters: alpha: 0.2 beta : gamma: Coefficients: [,1] a b
18 Temperatures alpha = 0.2 season trend level xhat Time FIGURE 11 Graphique de lissage par Holt-Winters (α = 0.2). s s s s s s s s s s s s Le graphe est représenté sur la figure 11 : > plot(hwdec2$fitted, main='temperatures alpha = 0.2') 2.5 Tendance linéaire On peut rechercher un modèle linéaire dans une série temporelle comme dans n importe quel vecteur d observations. Ici, le temps sert de variable explicative. On utilise la fonction lm : 18
19 > reg <- lm(dec$trend ~ time(stmp)) Call: lm(formula = dec$trend ~ time(stmp)) Coefficients: (Intercept) time(stmp) > summary(reg) Call: lm(formula = dec$trend ~ time(stmp)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e e <2e-16 *** time(stmp) 1.797e e <2e-16 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 1308 degrees of freedom (12 observations deleted due to missingness) Multiple R-squared: , Adjusted R-squared: F-statistic: 1305 on 1 and 1308 DF, p-value: < 2.2e-16 Représentation graphique (voir la figure 12) : > plot(time(stmp),dec$trend,type='l',main="tendance lineaire", ylab="temperature") > abline(reg) 19
20 Tendance lineaire Temperature time(stmp) FIGURE 12 Régression linéaire sur les températures. 20
Exercices 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 détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailLes dates SAS expliquées à ma fille
Les dates SAS expliquées à ma fille Eternel sujet de questionnements, les dates SAS ont un fonctionnement qui a tout pour surprendre. Petite série d explications avant qu il vous prenne l envie de passer
Plus en détailRéunion publique/téléconférence
Réunion publique/téléconférence Dorval Cornwall Kingston Watertown Oswego Burlington Rochester Kingston/Oswego Téléconférence: 1-877-413-4814 486 9841 (français) 447 9980 (anglais) Appeler entre 18h45-18h55
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailINTRODUCTION AU LOGICIEL R
INTRODUCTION AU LOGICIEL R Variables et mise en jambe Anne Dubois, Julie Bertrand, Emmanuelle Comets emmanuelle.comets@inserm.fr INSERM UMR738 (UMR738) 1 / 68 Sur le site www.cran.r-project.org : Ou trouver
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailImpact on revenue requirements no Description (000$)
IMPACT OF THE CHANGE IN COST OF GAS ON THE REVENUE REQUIREMENT RESULTING FROM THE 2010 VOLUMES COMPONENTS: Transportation, load balancing and commodity 2010 RATE CASE Impact on revenue Line requirements
Plus en détailCours d analyse technique. Henri Janssen INVESTA
Cours d analyse technique Henri Janssen INVESTA hj@benetis.be www.geocities.com/easylink2000 Moyennes mobiles, sommaire Définitions et calcul des moyennes mobiles SMA, EMA, WMA Les moyennes mobiles et
Plus en détailAnalyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en 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 détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailINTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R
INTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R Y. BROSTAUX (1) RÉSUMÉ Cette note constitue une introduction au langage et à l'environnement de programmation 5 dans sa version 1.4.1 pour
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailSecteur de la construction au Canada
PIB en G$ CAD Survol des tendances de l industrie Secteur de la construction au Canada Principaux développements T2/214 214 Le PIB réel a atteint un sommet de 1 69 millions de dollars canadiens en novembre
Plus en détailGestion des données avec R
Gestion des données avec R Christophe Lalanne & Bruno Falissard Table des matières 1 Introduction 1 2 Importation de fichiers CSV 1 2.1 Structure du fichier de données...................................
Plus en détailREUNION PRESSE JEUDI 13 FEVRIER 2014. Contact presse CAPmedias / Anne COPEY 01 83 62 55 49 / 06 80 48 57 04 anne.copey@capmedias.
REUNION PRESSE JEUDI 13 FEVRIER 2014 Contact presse CAPmedias / Anne COPEY 01 83 62 55 49 / 06 80 48 57 04 anne.copey@capmedias.fr SOMMAIRE LE MARCHE DU PNEUMATIQUE EN FRANCE EN 2013 (Sources : ventes
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailConférence téléphonique. Tél.: (+33) 1 42 60 06 06 Fax: (+33) 1 42 60 06 22 www.prigest.com
Conférence téléphonique mercredi 6 octobre 2010 11 heures 223, rue Saint honoré 75001 PARIS Tél.: (+33) 1 42 60 06 06 Fax: (+33) 1 42 60 06 22 www.prigest.com THEMES DE LA CONFERENCE TELEPHONIQUE 1 ère
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 détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailDERIVES SUR ACTIONS ET INDICES. Christophe Mianné, Luc François
DERIVES SUR ACTIONS ET INDICES Christophe Mianné, Luc François Sommaire Notre activité Nos atouts La gestion du risque Conclusion 2 Notre activité 3 Les métiers Distribution de produits dérivés actions
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 détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailAnalyse exploratoire des données
Analyse exploratoire des données Introduction à R pour la recherche biomédicale http://wwwaliquoteorg/cours/2012_biomed Objectifs Au travers de l analyse exploratoire des données, on cherche essentiellement
Plus en détailEstimations définitives des prix pour les bobines d acier laminé à chaud européens, reconnues par le secteur
Estimations définitives des prix pour les bobines d acier laminé à chaud européens, reconnues par le secteur Marchés concernés Rejoignez la tendance Si vous êtes activement impliqué sur le marché des tôles
Plus en détail1. Structure d'un programme FORTRAN 95
FORTRAN se caractérise par la nécessité de compiler les scripts, c'est à dire transformer du texte en binaire.(transforme un fichier de texte en.f95 en un executable (non lisible par un éditeur) en.exe.)
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailLE RENFORCEMENT DES CAPACITÉS DES ACTEURS DES FILIÈRES AGRICOLES: L EXPERIENCE DU PROJET MISTOWA. Plan
LE RENFORCEMENT DES CAPACITÉS DES ACTEURS DES FILIÈRES AGRICOLES: L EXPERIENCE DU PROJET MISTOWA Plan Le Projet MISTOWA Activités et Outils Quelques résultats Leçons et recommandations MISTOWA En Bref
Plus en détail1 Importer et modifier des données avec R Commander
Université de Nantes 2015/2016 UFR des Sciences et Techniques Département de Mathématiques TP1 STATISTIQUE DESCRIPTIVE Frédéric Lavancier Avant propos Ouvrir l application R Saisir dans la console library(rcmdr)
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailDynAmiser vos investissements
DynAmiser vos investissements Aequam en quelques mots Jeune entreprise indépendante et innovante Agréée AMF n GP-10000038 Incubée par le Pôle Sponsorisée par Fondatrice de Savoir-faire / Innovation 5 associés
Plus en détailPlan du cours 2014-2015. Cours théoriques. 29 septembre 2014
numériques et Institut d Astrophysique et de Géophysique (Bât. B5c) Bureau 0/13 email:.@ulg.ac.be Tél.: 04-3669771 29 septembre 2014 Plan du cours 2014-2015 Cours théoriques 16-09-2014 numériques pour
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailLES TYPES DE DONNÉES DU LANGAGE PASCAL
LES TYPES DE DONNÉES DU LANGAGE PASCAL 75 LES TYPES DE DONNÉES DU LANGAGE PASCAL CHAPITRE 4 OBJECTIFS PRÉSENTER LES NOTIONS D ÉTIQUETTE, DE CONS- TANTE ET DE IABLE DANS LE CONTEXTE DU LAN- GAGE PASCAL.
Plus en détailNOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE
NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE Avec le développement des produits dérivés, le marché des options de change exerce une influence croissante sur le marché du change au comptant. Cette étude,
Plus en détailDates and deadlines 2013 2014
(Version française à la page 3) Dates and deadlines 2013 2014 The following are proposed dates and deadlines for the annual renewal cycle. Clubs in BC and Alberta, please note: you may have deadlines preceding
Plus en détailÉVOLUTION DE L'ACCIDENTALITÉ ROUTIÈRE DANS LE DÉPARTEMENT DE LA HAUTE-VIENNE Valeurs cumulées sur les 12 derniers mois avec courbe de tendance
ÉVOLUTION DE L'ACCIDENTALITÉ ROUTIÈRE DANS LE DÉPARTEMENT DE LA HAUTE-VIENNE Valeurs cumulées sur les 12 derniers mois avec courbe de tendance Définition Un accident corporel (mortel ou non mortel) de
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailMANIPULATION ET VISUALISATION DE GROSSES BASES DE DONNÉES AVEC R
MANIPULATION ET VISUALISATION DE GROSSES BASES DE DONNÉES AVEC R Jeudi 10 octobre 2013 CHAIGNEAU Alicia GAZAN Rozenn DAUFOUY Camille JOURDAN Sandra Introduction 2 Evolution des outils de collecte Big data
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 détailCours 1. I- Généralités sur R II- Les fonctions de R et autres objets III-Les vecteurs
Cours 1 I- Généralités sur R II- Les fonctions de R et autres objets III-Les vecteurs IV-Les facteurs I-1 Généralités sur R R (1995, AT&T Bell Laboratories) est un logiciel d analyse statistique et graphique,
Plus en détailLes informations sur l accessibilité et les conditions d accès pour les vélos sont disponibles sur eurostar.com.
Performance qualité de service Eurostar Sommaire 1) Informations voyage et achat de billets 2) Ponctualité et annulations 3) Propreté 4) Satisfaction clients 5) Plaintes et compensation 6) Assistance 1)
Plus en détailModèle de budget mensuel
Modèle de budget mensuel Ce modèle de budget a été créé pour vous aider à vous fixer un budget adapté à votre situation. Que vous épargniez en vue de votre mariage ou de l arrivée d un enfant, établir
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 détailRÉSULTATS 2013 RÉUNION SFAF PARIS, LE 21 FÉVRIER 2014
RÉSULTATS 2013 RÉUNION SFAF PARIS, LE 21 FÉVRIER 2014 DES ALLIAGES, DES MINERAIS ET DES HOMMES. DES ALLIAGES, DES MINERAIS ET DES HOMMES. SOMMAIRE RÉSULTATS 2013 3 ACTIVITÉ DES BRANCHES 15 PERSPECTIVES
Plus en détailAvril 2014 FC 154/4. Cent cinquante-quatrième session. Rome, 26-30 mai 2014. Rapport sur les placements 2013
Avril 2014 FC 154/4 F COMITE FINANCIER Cent cinquante-quatrième session Rome, 26-30 mai 2014 Rapport sur les placements 2013 Pour toute question relative au contenu du présent document, prière de s'adresser
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailInvestissement dans la construction de nouveaux bâtiments résidentiels (travaux mis en place) Méthodologie
Investissement dans la construction de nouveaux bâtiments résidentiels (travaux mis en place) Méthodologie Division de l investissement et du stock de capital Méthodologie L'investissement dans la construction
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailAvec Skandia Euro Guaranteed Fund 2012 Maîtrisez les yo-yo des marchés financiers
Avec Skandia Euro Guaranteed Fund 2012 Maîtrisez les yo-yo des marchés financiers Skandia 1, 1, rue de la la Pépinière 75008 PARIS Tél : 01 58 22 27 00 Fax : 01 58 22 27 09 E-mail : servicepartenaires@skandia.fr
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailModèle de budget mensuel
Modèle de budget mensuel Ce modèle de budget a été créé pour vous aider à vous fixer un budget adapté à votre situation. Que vous épargniez en vue de votre mariage ou de l arrivée d un enfant, établir
Plus en détail1 Introduction - Qu est-ce que le logiciel R?
Master 1 GSI - Mentions ACCIE et RIM - ULCO, La Citadelle, 2012/2013 Mesures et Analyses Statistiques de Données - Probabilités TP 1 - Initiation au logiciel R 1 Introduction - Qu est-ce que le logiciel
Plus en détailChapitre 5. Calculs financiers. 5.1 Introduction - notations
Chapitre 5 Calculs financiers 5.1 Introduction - notations Sur un marché économique, des acteurs peuvent prêter ou emprunter un capital (une somme d argent) en contrepartie de quoi ils perçoivent ou respectivement
Plus en détailSMART Manufacturing. Alcoa, Produits primaires mondiaux. Séminaire régional OSIsoft Montréal : 16 Septembre 2014
SMART Manufacturing Alcoa, Produits primaires mondiaux Séminaire régional OSIsoft Montréal : 16 Septembre 2014 1 Survol du projet - SMART Manufacturing Bruno Longchamps, ing. Leader, Projet SMART Manufacturing
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailManipuler des données calendaires
Fiche TD avec le logiciel : tdr1b Manipuler des données calendaires D. Chessel La fiche contient quelques exercices élémentaires pour lire, éditer et manipuler des dates d événements. On pourra y revenir
Plus en détailRapport statistique De Mars - 2015
Rapport statistique MOTOCYCLETTES Le mois de mars a été marqué par une remontée significative des ventes en comparaison du même mois de 2014, soit 17 % ou plus de 1000 unités. La catégorie routière a été
Plus en détailOptimiser ses graphiques avec R
Optimiser ses graphiques avec R Jérôme Sueur MNHN Systématique et Evolution UMR CNRS 7205 OSEB sueur@mnhn.fr 28 Avril 2011 1 Typologie 2 Base 3 ggplot2 4 Références Outline 1 Typologie 2 Base 3 ggplot2
Plus en détailCOURS CALCULS FINANCIERS STATISTIQUE
UNIVERSITÉ JOSEPH FOURIER M1 MIAGE UFR IMA COURS DE CALCULS FINANCIERS ET STATISTIQUE Serge Dégerine 4 octobre 2007 INTRODUCTION Ce document comporte trois parties consacrées à deux thèmes très indépendants
Plus en détailDEA ès Sciences de Gestion. DES en Sciences Economiques. Ingénieur diplômé de l'ecole Polytechnique de Paris.
Education René Demeestere Emeritus Professor, Department Accounting and Management Control DEA ès Sciences de Gestion. DES en Sciences Economiques. Ingénieur diplômé de l'ecole Polytechnique de Paris.
Plus en détailPartie 1 - Séquence 3 Original d une fonction
Partie - Séquence 3 Original d une fonction Lycée Victor Hugo - Besançon - STS 2 I. Généralités I. Généralités Définition Si F(p) = L [f(t)u (t)](p), alors on dit que f est l original de F. On note f(t)
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 détailhttp://cermics.enpc.fr/scilab
scilab à l École des Ponts ParisTech http://cermics.enpc.fr/scilab Introduction à Scilab Graphiques, fonctions Scilab, programmation, saisie de données Jean-Philippe Chancelier & Michel De Lara cermics,
Plus en détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailTP 1. Prise en main du langage Python
TP. Prise en main du langage Python Cette année nous travaillerons avec le langage Python version 3. ; nous utiliserons l environnement de développement IDLE. Étape 0. Dans votre espace personnel, créer
Plus en détailTendances du Marché Publicitaire
Tendances du Marché Publicitaire Rapport 2015/07 Compte-rendu mensuel de l évolution du marché suisse de la publicité Les points culminants en juillet 2 Pression publicitaire pour l ensemble du marché
Plus en détailINFRAQUITAINE. Présentation des services. Jean Philippe LAFOND Directeur Technique INFRAQUITAINE
2011 Présentation des services INFRAQUITAINE Ensemble valorisons votre infrastructure informatique... Jean Philippe LAFOND Directeur Technique INFRAQUITAINE Table des matières 1. Présentation du périmètre
Plus en détailLE RÉSEAU INTERNATIONAL D IMPLANTATION D ENTREPRISES. Philippe CHAMPEMOND Directeur Adjoint Erai Chine S IMPLANTER EN CHINE STRATEGIES & SOLUTIONS
LE RÉSEAU INTERNATIONAL D IMPLANTATION D ENTREPRISES Philippe CHAMPEMOND Directeur Adjoint Erai Chine S IMPLANTER EN CHINE STRATEGIES & SOLUTIONS PEKIN TOKYO SHANGHAI NEW DELHI AHMEDABAD BANGALORE SHENZHEN
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailTrès légère hausse de la confiance des chefs d entreprise en février
25-2-24 29-5-26 Liens: NBB.Stat Information générale Enquête mensuelle de conjoncture auprès des entreprises - février 25 Très légère hausse de la confiance des chefs d entreprise en février Le baromètre
Plus en détailMesurage de la qualité acoustique de revêtements. acoustique de revêtements
Monitoring de la performance acoustique d un d revêtement phonoabsorbant en milieu urbain François Aballéa, Pierre-Jean René a Olivier Schalbetter, Lucien Pignat b Daniel Vaucher de la Croix, Fabien Lassablière
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailLe centre sera fermé du 20 au 31 juillet 2015
Calendrier officiel des 2015-2016 Date des 2 premières Cours de jour : Mercredi 26 août 2015 Mardi 8 septembre 2015 du 1 e juin au 8 juillet ET du 3 au 5 août 2015 Cours de soir : Inscriptions les lundis
Plus en détailwww.kaeser.com Récupération de calories pour le chauffage et la production d eau chaude
Récupération calories pour le et la production d eau chau moins d émissions La récupération calories Pourqui récupérer s calories? Ou plutôt : pourquoi pas? Chaque compresseur à vis transforme 100 % l
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 détailTP de Statistiques: Utilisation du logiciel R
TP de Statistiques: Utilisation du logiciel R Année 2006-2007 2 Table des matières Introduction i 1 Premiers pas avec R 1 1.1 R est une calculatrice............................................. 1 1.2 R
Plus en détail# let rec concat l1 l2 = match l1 with [] -> l2 x::l 1 -> x::(concat l 1 l2);; val concat : a list -> a list -> a list = <fun>
94 Programmation en OCaml 5.4.8. Concaténation de deux listes Définissons maintenant la fonction concat qui met bout à bout deux listes. Ainsi, si l1 et l2 sont deux listes quelconques, concat l1 l2 constitue
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 détailProgramme canadien pour l épargne-études Rapport statistique annuel
Programme canadien pour l épargne-études Rapport statistique annuel Décembre 2008 TABLE DES MATIÈRES MESSAGE AUX INTERVENANTS... 3 PROGRAMME CANADIEN POUR L ÉPARGNE-ÉTUDES (PCEE)... 4 MÉTHODOLOGIE DU RAPPORT...
Plus en détailSEMIN. Données sous R : stockage et échange. Julio PEDRAZA ACOSTA
SEMIN Données sous R : stockage et échange Julio PEDRAZA ACOSTA UMR 5202 Origine Structure et Evolution de la Biodiversité Département Systématique et Evolution, MNHN pedraza@mnhn.fr SEMIN R du MNHN 10
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailR01 Import de données
R01 Import de données A partir du package de base, R peut lire les données stockées dans des fichiers texte, à partir notamment des fonctions read.table, read.csv, read.delim, read.csv2, read.delim2, et
Plus en détailSurveillance épidémiologique : application à la détection et la prédiction des épidémies
Surveillance épidémiologique : application à la détection et la prédiction des épidémies Philippe Vanhems Service Hygiène Hospitalière, Epidémiologie et Prévention Pôle Santé, Recherche, Risques et Vigilances
Plus en détailTRANSPORT CONVECTIF TROPOSPHERE-STRATOSPHERE Importance l échelle globale? Jean-Pierre Pommereau CNRS LATMOS, Guyancourt, France
TRANSPORT CONVECTIF TROPOSPHERE-STRATOSPHERE Importance l échelle globale? Jean-Pierre Pommereau CNRS LATMOS, Guyancourt, France Transport Troposphere-Stratosphere 0-14 km Convection. Rapide (heures) jusqu
Plus en détailProjet évaluation : précipitation et
Projet évaluation : précipitation et nuages du Global-Meso Groupe Global-Meso Meso: Stéphane Bélair,, Michel Roch,, Anne- Marie Leduc, Paul Vaillancourt Objectifs du projet d évaluation Développer des
Plus en détailLaFourchette.com IMC AWARD E-COMMERCE
LaFourchette.com IMC AWARD E-COMMERCE Problématique & objectifs DEVENIR LE LEADER DE L INTERMÉDIATION DE RESTAURANTS EN EUROPE Mettre en relation les internautes et les restaurateurs Permettre aux premiers
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailCompléments de documentation Scilab : affichage de texte et formatage de nombres
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Agrégation externe Année 2002-2003 Compléments de documentation Scilab : affichage de texte et formatage de
Plus en détailRésultats annuels Exercice clos au 30 avril 2015. 18 juin 2015
Résultats annuels Exercice clos au 30 avril 2015 18 juin 2015 1 Alan Parker Président 2 Agenda i. Synthèse ii. iii. iv. Comptes annuels Les 4D Initiatives de croissance 3 Synthèse 4 Nouvelle Confiance
Plus en détailIndicateur du Marché du Transport (Transport Market Monitor)
Indicateur du Marché du Transport (Transport Market Monitor) La récupération des prix du transport est encore loin Édition : 11 (Mai 2012) Ce document confidentiel est la propriété de Capgemini et TRANSPOREON
Plus en détail