Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Dimension: px
Commencer à balayer dès la page:

Download "Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI"

Transcription

1 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI

2 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage et mise en forme des données Étude statistique de la base d analyse Mise en oeuvre des algorithmes (classification, scoring ) Élaboration des modèles Validation et choix d un modèle Déploiement du modèle Formation des utilisateurs Suivi des modèles

3 3 Définition des objectifs Définir précisément le sujet et certains critères essentiels (variable cible). Exemple : «client à risque» et «client sans risque» Définir la population cible - tous les clients, les clients actifs, les prospects aussi - unité statistique : individu, famille, entreprise, groupe Déterminer la période à étudier Le sujet doit faire partie des objectifs de l entreprise et lui apporter un avantage réel Les objectifs doivent être réalistes (tenir compte des actions passées et de la saturation du marché) Prévoir l utilisation opérationnelle des modèles produits - forme de la restitution, périodicité de mise à jour, suivi

4 4 Inventaire des données utiles Recenser avec les spécialistes métier et les informaticiens, les données utiles : - accessibles raisonnablement - fiables - suffisamment à jour - légalement utilisables Il y a les données : - du système d information (SI) de l entreprise - stockées dans l entreprise, hors du SI (fichiers Excel...) - achetées ou récupérées à l extérieur de l entreprise - calculées à partir des données précédentes (indicateurs, ratios, évolutions au cours du temps)

5 5 Données à ne pas utiliser Non fiables - trop de valeurs aberrantes ou manquantes Disponibles sur une durée trop courte - soumises aux variations saisonnières Redondantes - dont le poids est artificiellement augmenté, ou dont la colinéarité rend instable les résultats de certaines méthodes Non pertinentes - qu il faut remplacer par de nouveaux indicateurs Trop peu corrélées à l objectif de l étude - qui créent du «bruit», des fluctuations aléatoires

6 6 Sélection des données à utiliser Choix des variables les plus discriminantes : test du χ², test de la variance paramétrique (ANOVA) Transformation des variables (recodage, normalisation par un logarithme ou une racine carrée) - permet de se rapprocher d une loi normale (var. quantitative) - permet de diminuer le nb de modalités (var. qualitative) Choix des discrétisations (découpage des var. continues) ex : en fonction de la variable cible, à la main. Choix des variables les moins corrélées entre elles : tests de multicolinéarité

7 7 Création de nouvelles variables Création d indicateurs pertinents (maxima, moyennes, présence/absence ) Calcul de ratios Calcul d évolutions temporelles de variables Création de durées, d anciennetés à partir de dates Croisement de variables, interactions Utilisation de coordonnées factorielles : pour obtenir presque autant d information avec moins de variables

8 8 Pour l élaboration des modèles prédictifs (Facultatif) Pré-segmentation (classification) de la population étudiée : - en groupes distincts selon les données disponibles (clients / prospects) - en groupes statistiquement pertinents vis-à-vis des objectifs de l étude - selon certaines caractéristiques sociodémographiques (âge, profession ) si elles correspondent à des offres marketing spécifiques Partition des données en : - un échantillon d apprentissage - un échantillon de test

9 9 Construction modèle : méthodes inductives Apprentissage : construction du modèle sur un premier échantillon pour lequel on connaît la valeur de la variable cible Test : vérification du modèle sur un deuxième échantillon pour lequel on connaît la valeur de la variable cible, que l on compare à la valeur prédite par le modèle : si le résultat du test est insuffisant (d après la matrice de confusion ou la courbe ROC), on recommence l apprentissage Validation du modèle sur un troisième échantillon, pour avoir une idée du taux d erreur non biaisé du modèle Application du modèle à l ensemble de la population

10 10 Validation modèle Etape très importante car des modèles peuvent : - donner de faux résultats (données non fiables) - mal se généraliser dans l espace (autre échantillon) ou le temps (échantillon postérieur) - être incompréhensibles ou inacceptables par les utilisateurs souvent en raison des variables utilisées - ne pas correspondre aux attentes Principaux outils de comparaison : matrices de confusion, courbes ROC, de lift, et indices associés

11 11 Préparation des données

12 12 Les différents formats de données Données continues (ou d échelle) dont les valeurs forment un sous-ensemble infini de R (exemple : salaire) Données discrètes dont les valeurs forment un sous-ensemble fini ou infini de N (exemple : nombre d enfants) Données catégorielles (ou qualitatives) dont l ensemble des valeurs est fini ces valeurs sont numériques ou alphanumériques, mais quand elles sont numériques, ce ne sont que des codes et non des quantités (ex : PCS, n de département) Données textuelles lettres de réclamation, rapports, dépêches AFP

13 13 Précisions sur les formats Les données continues et discrètes sont des quantités : - on peut effectuer sur elles des opérations arithmétiques, - elles sont ordonnées (on peut les comparer par la relation d ordre <) Les données catégorielles ne sont pas des quantités - mais sont parfois ordonnées : on parle de données catégorielles ordinales (exemple : «faible, moyen, fort») - données ordinales souvent traitées comme données discrètes - Les données catégorielles nominales ne sont pas ordonnées Les données textuelles contiennent : - des abréviations - des fautes d orthographe ou de syntaxe - des ambiguïtés (termes dont le sens dépend d un contexte non facilement détectable automatiquement)

14 14 Analyse exploratoire des données Explorer la distribution des variables Vérifier la fiabilité des variables - valeurs incohérentes ou manquantes imputation ou suppression Détecter les valeurs extrêmes : voir si valeurs aberrantes à éliminer Variables continues : tester la normalité des variables (surtout si petits effectifs) et les transformer pour augmenter la normalité : test de Kolmogorov-Smirnov, test Shapiro-Wilk,.. Variables discrètes : regrouper certaines modalités trop nombreuses ou avec des effectifs trop petits (poids trop grand)

15 15 Analyse exploratoire des données Créer des indicateurs pertinents d après les données brutes - prendre l avis des spécialistes du secteur étudié - exemple : date de naissance + date 1er achat âge du client au moment de son entrée en relation avec l entreprise Détecter les liaisons entre variables - entre variables explicatives et à expliquer (bon) - entre variables explicatives entre elles (multicolinéarité : mauvais dans certaines méthodes)

16 16 Analyse des données : Analyse factorielle

17 17 L analyse en composantes principales (ACP) On possède un tableau rectangulaire de mesure dont les colonnes sont des variables quantitatives (mensurations, taux, ) et dont les lignes représentent des individus statistiques (unités élémentaires telles que des êtres humains, des pays, des années )

18 18 L analyse en composantes principales (ACP) Objectifs : extraire l essentiel de l information contenue dans le tableau de données et d en fournir une représentation se prêtant plus aisément à l interprétation. Principe de l ACP : - À partir de n variables initiales continues, construire m ( n) autres variables, appelées composantes principales, combinaisons linéaires des variables initiales, telles que : les CP sont ordonnées selon l information (variance) qu elles restituent, la 1ère étant celle qui restitue le plus d information les CP sont des vecteurs indépendants, c est-à-dire des variables non corrélées entre elles

19 19 Intérêt de l ACP Représentation assez fidèle des individus d une population en 2 ou 3 dimensions Localisation des grandes masses d individus Détection des individus exceptionnels et d éventuels groupes isolés d individus Détection des liaisons entre les variables Outil de réduction des dimensions d un problème - diminuer le nombre de variables étudiées sans perdre beaucoup d information - utile avant un réseau de neurones ou une classification

20 20 Obtention des composantes principales Les composantes principales : obtenues en exprimant les variables initiales selon de nouveaux axes, les axes principaux, qui sont les vecteurs propres de la matrice - des covariances si on a des données hétérogènes, avec des ordres de grandeur différents - des corrélations lorsque les unités de mesure ne sont pas les mêmes pour toutes les variables (Variables non centrées et réduits)

21 21 Etude de cas d un ACP Les données mesurent la consommation de protéines dans 25 pays européens par rapport à 9 groupes d aliments Variables : VR : viande rouge VB : viande blanche Strach : aliments à base de sucres lents (pâtes, riz, lentilles, pois chiche, pommes de terres,.)

22 22 Etude de cas d un ACP Deux critères empiriques pour sélectionner le nombre d axes : - Critère du coude : sur l évolution des valeurs propres, on observe un décrochement (coude) suivi d une décroissance régulière. On sélectionne les axes avant le décrochement - Critère de Kaiser: on ne retient les axes associés à des valeurs propre supérieures à 1 Conclusion : On retient 4 axes, qui représentent presque 86% de l inertie totale (on explique 86% de l information du tableau)

23 23 Construction des nuages de points projetés Chaque nuage de points (variables et individus) est construit en projection sur les plans factoriels : un plan factoriel est un repère du plan défini par deux des q axes factoriels retenus. L examen des plans factoriels permettra de visualiser les corrélations entre les variables et d identifier les groupes d individus ayant pris des valeurs proches sur certaines variables.

24 24 Construction des nuages de points projetés - Comment interpréter les axes factoriels? - Comment interpréter la proximité entre les points (individus et variables)?

25 25 Interprétation des axes Pour chaque axe retenu et chaque nuage, on regarde - Quelles sont les variables qui participent le plus à la formation de l axe (ce sont celles qui ont une grande coordonnée en valeur absolue sur l axe) - Quels sont les individus qui participent le plus à la formation de l axe. Outil de mesure : contributions des points (individus et variables) à l inertie de cet axe.

26 26 Interprétation des axes Contribution de l individu i à l inertie de l axe k : Pi : poids attribué à l individu i Cik : coordonnée de la projection orthogonale de l individu i sur l axe k Λk : valeur propre de l axe factoriel k En pratique: - On retient pour l interprétation les individus dont la contribution est > à la contribution moyenne (>1/n) - Si les individus à poids égaux, les individus contribuant :

27 27 Interprétation des axes Contribution de la variable j à l inertie de l axe factoriel k djk : coordonnée de la variable j sur l axe factoriel k En pratique: - On retient pour l interprétation les variables dont la contribution est > à la contribution moyenne (>1/p) - En ACP normée, ce sont les variables qui sont proches du bord Du cercle qui contribuent le plus

28 28 Interprétation des axes :synthèse L analyse se fera à l aide des individus et variables contribuant le plus à l axe : si une variable a une forte contribution positive à l axe, les individus ayant une forte contribution positive à l axe sont caractérisés par une valeur élevée de la variable. N.B. : une contribution trop importante d un des points à un axe doit être regardé avec prudence (~25% d inertie). Il faut l enlever s il est mal représenté.

29 29 Interprétation des axes :exemple Contribution des individus

30 30 Interprétation des axes :exemple Contribution des variables

31 31 Interprétation des axes :exemple Interprétation axe 1 : Conclusion : L axe 1 oppose les Balkans ayant une forte consommation de noix, graines et céréales aux pays qui comme l Irlande consomment plutôt des protéines animales.

32 32 Interprétation des axes :exemple Interprétation axe 2 : Conclusion : L axe 2 caractérise les pays Ibériques, consommant beaucoup de poisson.

33 33 Interprétation des axes :exemple Interprétation axe 3 : Conclusion : L axe 3 oppose la Hongrie, et plus généralement les pays d europe centrale, grands consommateur de viande blanche, aux pays qui n en consomment pas, comme certains pays Scandinaves et l albanie.

34 34 Interprétation des axes :exemple Interprétation axe 4 : Conclusion : L axe 4 caractérise les pays qui consomment beaucoup de viande rouge comme certains pays d europe de l ouest et méditerranéens.

35 35 Etude de proximité entre les points Une fois les axes interprétés, on peut regarder les graphiques et analyser plus finement les proximités entre points. Un point est dit bien représenté sur un axe ou un plan factoriel si il est proche de sa projection sur l axe ou le plan. S il est éloigné, on dit qu il est mal représenté. Indicateur =angle formé entre le point et sa projection sur l axe : au plus il est proche de 90 degrés, au moins le point est bien représenté

36 36 Etude de proximité entre les points Qualité de représentation de l individu i sur l axe k : Lorsque l angle est proche de 0, c'est-à-dire que l individu est bien représenté, le cosinus est proche de 1. Dans le cas inverse, l angle est proche de 90 et le cosinus est proche de 0.

37 37 Etude de proximité entre les points Qualité de représentation de la variable j sur l axe k: En ACP normée, une variable est d autant mieux représentée sur un axe qu elle est proche du bord du cercle des corrélations et de l axe, d autant plus mal représentée qu elle est proche de l origine. Remarque : En ACP normée, les variables qui contribuent le plus à l axe sont aussi celles qui sont le mieux représentées et inversement.

38 38 Etude de proximité entre les points La proximité dans l espace entre deux individus bien représentés traduit la ressemblance de ces deux individus du point de vue des valeurs prises par les variables. Lorsque la qualité de représentation de deux individus est bonne, leur proximité observée retrace leur proximité réelle (dans l espace). La proximité entre deux variables sur un axe donne, si les deux variables sont bien représentées sur l axe ( proches de l axe et du Bord du cercle), une approximation de leur corrélation. Deux variables proches sont corrélées positivement Deux variables qui s opposent sont corrélées négativement Deux variables orthogonales sont non corrélées.

39 39 Qualité de représentation : exemple

40 40 Etude des points bien représentés Trois groupe de pays distincts se détachent quant à leurs habitudes de consommation : les pays ibériques, qui se caractérisent par une consommation élevée, les balkans ayant une importante consommation de graines et certains pays d europe du nord et de l ouest consommant de la viande des oeufs et du lait

41 41 Etude des points bien représentés Pour les pays consommant des protéines animales, La consommation de viande blanche réduit du sud au nord.

42 42 Limite de l ACP Principale faiblesse de l ACP: sensibilité aux points extrêmes. L'ACP est inadaptée aux phénomènes non linéaires.

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr 1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L 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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 détail

données en connaissance et en actions?

données 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 détail

La classification automatique de données quantitatives

La 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 détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction 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 détail

1 Complément sur la projection du nuage des individus

1 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 détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le 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 détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe 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 détail

Introduction au datamining

Introduction 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 détail

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES

INTRODUCTION 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 détail

LES MODELES DE SCORE

LES MODELES DE SCORE LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet 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 détail

INF6304 Interfaces Intelligentes

INF6304 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 détail

Introduction à l approche bootstrap

Introduction 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 détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation 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 détail

Table des matières. I Mise à niveau 11. Préface

Table 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 détail

Introduction au Data-Mining

Introduction 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 détail

Analyses 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 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 détail

1. Vocabulaire : Introduction au tableau élémentaire

1. 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 détail

Arbres binaires de décision

Arbres 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 détail

L'analyse des données à l usage des non mathématiciens

L'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 détail

Statistique Descriptive Élémentaire

Statistique 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 détail

INTRODUCTION AU DATA MINING

INTRODUCTION 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 détail

Introduction. Préambule. Le contexte

Introduction. Préambule. Le contexte Préambule... INTRODUCTION... BREF HISTORIQUE DE L ACP... 4 DOMAINE D'APPLICATION... 5 INTERPRETATIONS GEOMETRIQUES... 6 a - Pour les n individus... 6 b - Pour les p variables... 7 c - Notion d éléments

Plus en détail

Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.

Data 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 détail

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de

Plus en détail

ACP Voitures 1- Méthode

ACP 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 détail

LA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE

LA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau

Plus en détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane

Plus en détail

Cours de méthodes de scoring

Cours de méthodes de scoring UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-

Plus en détail

www.styleanalytics.com

www.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 détail

Statistique Descriptive Multidimensionnelle. (pour les nuls)

Statistique 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 détail

Aide-mémoire de statistique appliquée à la biologie

Aide-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 détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel 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 détail

Analyse en Composantes Principales

Analyse en Composantes Principales Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

Le data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires

Le data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires Le data mining et l assurance Mai 2004 Charles Dugas Président Marianne Lalonde Directrice, développement des affaires AGENDA Qu est-ce que le data mining? Le projet et les facteurs de réussite Les technologies

Plus en détail

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

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 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 détail

Évaluation de la régression bornée

Évaluation de la régression bornée Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement

Plus en détail

FONCTION DE DEMANDE : REVENU ET PRIX

FONCTION DE DEMANDE : REVENU ET PRIX FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE 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 détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - CHAINES DE MESURES CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,

Plus en détail

Statistiques 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 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 détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

Plus en détail

FORMULAIRE DE STATISTIQUES

FORMULAIRE DE STATISTIQUES FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)

Plus en détail

SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE

SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE 1 Factures de doit p. 9 Processus 1 2 Réductions sur factures de doit p. 11 Processus 1 3 Frais accessoires sur factures p. 13 Processus 1 4 Comptabilisation

Plus en détail

Scénario: Données bancaires et segmentation de clientèle

Scénario: 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 détail

Solutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision

Solutions 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 détail

Séries Statistiques Simples

Séries 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 détail

Structure 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 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 détail

Traitement des données avec Microsoft EXCEL 2010

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 détail

Les objets très lointains

Les objets très lointains Les objets très lointains Lorsque les étoiles sont proches il est possible de mesurer la distance qui nous en sépare par une méthode dite abusivement directe, la trigonométrie, qui permet de déduire les

Plus en détail

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE 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 détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Accélérer l agilité de votre site de e-commerce. Cas client

Accélérer l agilité de votre site de e-commerce. Cas client Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible

Plus en détail

Les algorithmes de fouille de données

Les algorithmes de fouille de données Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités

Plus en détail

EVALUATION DE LA MISE EN ŒUVRE DE LA CONSOLIDATION DU PROGRAMME DE

EVALUATION DE LA MISE EN ŒUVRE DE LA CONSOLIDATION DU PROGRAMME DE REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L AGRICULTURE ET DU DEVELOPPEMENT RURAL EVALUATION DE LA MISE EN ŒUVRE DE LA CONSOLIDATION DU PROGRAMME DE DÉVELOPPEMENT AGRICOLE Evaluation

Plus en détail

SOUS TITRAGE DE LA WEBÉMISSION DU PROGRAMME DE MATHÉMATIQUES 11 e ET 12 e ANNÉE

SOUS TITRAGE DE LA WEBÉMISSION DU PROGRAMME DE MATHÉMATIQUES 11 e ET 12 e ANNÉE SOUS TITRAGE DE LA WEBÉMISSION DU PROGRAMME DE MATHÉMATIQUES 11 e ET 12 e ANNÉE Table de matières INTRODUCTION 2 ITINÉRAIRE MEL3E/MEL4E 6 ITINÉRAIRE MBF3C/MAP4C 9 ITINÉRAIRE MCF3M/MCT4C 12 ITINÉRAIRE MCR3U/MHF4U

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data

Plus en détail

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr

Régression 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 détail

Classe de première L

Classe de première L Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous

Plus en détail

Optimisation des ressources des produits automobile première

Optimisation des ressources des produits automobile première EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients

Plus en détail

Spécificités, Applications et Outils

Spécificités, Applications et Outils Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining

Plus en détail

Les Entrepôts de Données

Les Entrepôts de Données Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations

Plus en détail

Mémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des

Plus en détail

Méthode du commentaire de document en Histoire

Méthode du commentaire de document en Histoire Méthode du commentaire de document en Histoire I. Qu est-ce qu un commentaire de document? En quelques mots, le commentaire de texte est un exercice de critique historique, fondé sur la démarche analytique.

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

1 Modélisation d être mauvais payeur

1 Modélisation d être mauvais payeur 1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage

Plus en détail

Que fait SAS Enterprise Miner?

Que fait SAS Enterprise Miner? Développez une connaissance plus précise avec un processus data mining plus productif La transformation de données brutes en informations utiles reste une problématique pour les entreprises. Pour apporter

Plus en détail

Valeur verte des logements d après les bases Notariales BIEN et PERVAL Synthèse

Valeur verte des logements d après les bases Notariales BIEN et PERVAL Synthèse Valeur verte des logements d après les bases Notariales BIEN et PERVAL Synthèse La valeur verte correspond à l augmentation de valeur 1 engendrée par la meilleure performance énergétique et environnementale

Plus en détail

SAS ENTERPRISE MINER POUR L'ACTUAIRE

SAS ENTERPRISE MINER POUR L'ACTUAIRE SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de

Plus en détail

Travaux pratiques avec RapidMiner

Travaux pratiques avec RapidMiner Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Plan de la séance 3 : Le risque de crédit (1) Les opérations de crédit Définition d un crédit La décision de crédit Les crédits aux petites

Plus en détail

Premiers 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 (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 détail

TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN

TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons

Plus en détail

Une comparaison de méthodes de discrimination des masses de véhicules automobiles

Une comparaison de méthodes de discrimination des masses de véhicules automobiles p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans

Plus en détail

IBM SPSS Regression 21

IBM SPSS Regression 21 IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics

Plus en détail

T de Student Khi-deux Corrélation

T de Student Khi-deux Corrélation Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes

Plus en détail

Introduction à la B.I. Avec SQL Server 2008

Introduction 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 détail

4. Résultats et discussion

4. Résultats et discussion 17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les

Plus en détail

La 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 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 détail

Stages de Formation en Statistique Appliquée et Logistique

Stages de Formation en Statistique Appliquée et Logistique Stages de Formation en Statistique Appliquée et Logistique Un aperçu de nos stages Titre Avec PC Durée Info Visualisation de données de laboratoire avec Excel oui 2 jours p. 3 Analyse de données de laboratoire

Plus en détail

Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION

Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Leçon N 4 : Statistiques à deux variables

Leçon 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

ESIEA PARIS 2011-2012

ESIEA PARIS 2011-2012 ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire

Plus en détail

Théorie des sondages : cours 5

Théorie des sondages : cours 5 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur

Plus en détail

COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE

COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE Le cours de la première année concerne les sujets de 9ème et 10ème années scolaires. Il y a bien sûr des différences puisque nous commençons par exemple par

Plus en détail

CHAPITRE 1 : DE LA FONCTION DE DEMANDE DU CONSOMMATEUR À LA DEMANDE DE MARCHÉ

CHAPITRE 1 : DE LA FONCTION DE DEMANDE DU CONSOMMATEUR À LA DEMANDE DE MARCHÉ CHAPITRE : DE LA FONCTION DE DEMANDE DU CONSOMMATEUR À LA DEMANDE DE MARCHÉ..Introduction.2. Le point de départ de l analyse micro-économique du consommateur.3. La fonction de demande individuelle.4. Effets

Plus en détail

RAPPELS DU COURS PRÉCÉDENT

RAPPELS DU COURS PRÉCÉDENT RAPPELS DU COURS PRÉCÉDENT PIB + M = CF+ FBCF + S + X Demande intérieure Valeur 2006 en milliard s d'euros ) Évolutions en volume au prix de l'année précédente Évolutions en volume au prix de l'année précédente

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail