Régression logistique avec plusieurs variables explicative
|
|
- Agathe Roux
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 17 Introduction à la statistique avec R Régression logistique avec plusieurs variables explicative
2 Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree + c discip + d abus
3 Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree + c discip + d abus > mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") > summary(mod2) Call: glm(formula = suicide.hr ~ abus + discip + duree, family = "binomial", data = smp.l) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) abus ** discip * duree *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 549 degrees of freedom Residual deviance: on 546 degrees of freedom (249 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4
4 Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree + c discip + d abus > mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") > summary(mod2) Call: glm(formula = suicide.hr ~ abus + discip + duree, family = "binomial", data = smp.l) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) abus ** discip * duree *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 549 degrees of freedom Residual deviance: on 546 degrees of freedom (249 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4
5 Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree + c discip + d abus > mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") > summary(mod2) Call: glm(formula = suicide.hr ~ abus + discip + duree, family = "binomial", data = smp.l) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) abus ** discip * duree *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 549 degrees of freedom Residual deviance: on 546 degrees of freedom (249 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4
6 Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree + c discip + d abus > mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") > summary(mod2) Call: glm(formula = suicide.hr ~ abus + discip + duree, family = "binomial", data = smp.l) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) abus ** discip * duree *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 549 degrees of freedom Residual deviance: on 546 degrees of freedom (249 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4
7 Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree + c discip + d abus > mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") > summary(mod2) Call: glm(formula = suicide.hr ~ abus + discip + duree, family = "binomial", data = smp.l) Deviance Residuals: Min 1Q Median 3Q Max Codage abus : «1» oui, «0» non discip : «1» oui, «0» non duree : 1 à 5 (gradation) Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) abus ** discip * duree *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 549 degrees of freedom Residual deviance: on 546 degrees of freedom (249 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4
8 Plusieurs variables explicatives > mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") > summary(mod2) Call: glm(formula = suicide.hr ~ abus + discip + duree, family = "binomial", data = smp.l) Deviance Residuals: Min 1Q Median 3Q Max Codage abus : «1» oui, «0» non discip : «1» oui, «0» non duree : 1 à 5 (gradation) Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) abus ** discip * duree *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 549 degrees of freedom Residual deviance: on 546 degrees of freedom (249 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4 > exp(coefficients(mod2)) (Intercept) abus discip duree
9 Incidentes Ce qui change peu ou pas avec le chapitre sur la régression linéaire Variables catégorielles à plus de 2 classes (prof),
10 Incidentes Ce qui change peu ou pas avec le chapitre sur la régression linéaire Variables catégorielles à plus de 2 classes (prof), drop1(mod1,.~., test="chisq"),
11 Incidentes Ce qui change peu ou pas avec le chapitre sur la régression linéaire Variables catégorielles à plus de 2 classes (prof), drop1(mod1,.~., test="chisq"), Interaction (smp.l$duree*smp.l$discip)
12 Conditions de validité Conditions de validité de la régression logistique
13 Conditions de validité Conditions de validité de la régression logistique «Au moins 5-10 évènements par variable explicative»
14 Conditions de validité Conditions de validité de la régression logistique «Au moins 5-10 évènements par variable explicative» Fichier «smp.l» : 799 détenus Variable à expliquer : «forme sévère de schizophrénie» : 54 détenus
15 Conditions de validité Conditions de validité de la régression logistique «Au moins 5-10 évènements par variable explicative» Fichier «smp.l» : 799 détenus Variable à expliquer : «forme sévère de schizophrénie» : 54 détenus Variables explicatives : age, trauma, prof
16 Conditions de validité Conditions de validité de la régression logistique «Au moins 5-10 évènements par variable explicative» Fichier «smp.l» : 799 détenus Variable à expliquer : «forme sévère de schizophrénie» : 54 détenus Variables explicatives : age (1), trauma (1), prof (7)
17 Conditions de validité Conditions de validité de la régression logistique «Au moins 5-10 évènements par variable explicative» Fichier «smp.l» : 799 détenus Variable à expliquer : «forme sévère de schizophrénie» : 54 détenus Variables explicatives : age, trauma, prof (1+1+7) 10 = pas bon
18 Conditions de validité Conditions de validité de la régression logistique «Au moins 5-10 évènements par variable explicative» Fichier «smp.l» : 799 détenus Variable à expliquer : «forme sévère de schizophrénie» : 54 détenus Variables explicatives : age, trauma, prof (1+1+7) 10 = pas bon (1+1+7) 5 = OK mais franchement limite
19 Conclusion mod2 <- glm(suicide.hr~abus+discip+duree, data=smp.l, family="binomial") summary(mod2) exp(coefficients(mod2))
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 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 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 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 détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
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 détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en 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 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 détailStatistique de l assurance
Statistique de l assurance Arthur Charpentier To cite this version: Arthur Charpentier. Statistique de l assurance. 3ème cycle. Université de Rennes 1 et Université de Montréal, 2010, pp.133.
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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
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 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 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 détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en 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 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 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 détailACTE D'ENGAGEMENT. Numéro de la consultation 2013-002. Gardiennage Sureté Sécurité
ACTE D'ENGAGEMENT Prestation Gardiennage Sureté Sécurité Numéro de la consultation 2013-002 Intitulé de la consultation Gardiennage Sureté Sécurité Procédure de passation Appel d offres ouvert SOMMAIRE
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 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 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 détailUNIVERSITE DE LORRAINE Référence GALAXIE : 465
UNIVERSITE DE LORRAINE Référence GALAXIE : 465 Numéro dans le SI local : 06MCF0567 Référence GESUP : Corps : Maître de conférences Article : 26-I-1 Chaire : Non Section 1 : 06-Sciences de gestion Section
Plus en détailThéorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Plus en détailRisque et assurance. Arthur Charpentier. Université Rennes 1. arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.
Risque et assurance Arthur Charpentier Université Rennes 1 arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.fr/ Journées d Études Statistique, Luminy, Novembre 2010. 1 1 Prise en compte
Plus en détailOPTIMISER SON PROCESSUS DE TEST AVEC UNE APPROCHE BOITE GRISE
OPTIMISER SON PROCESSUS DE TEST AVEC UNE APPROCHE BOITE GRISE Retour d expérience Benjamin Boutin QA Manager S2E www.s2e-services-epargne-entreprise.com Marc Rambert Director Dynamic Testing Solution Coverity/Synopsys
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 détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailLa méthode des scores, particulièrement de la Banque de France
La méthode des scores, particulièrement de la Banque de France Devant la multiplication des défaillances d entreprises au cours des années 80 et début des années 90, la Banque de France a produit des travaux
Plus en détailQUANTIFICATION DU RISQUE
QUANTIFICATION DU RISQUE Journées d études de Deauville, le 16 septembre 2011 OPÉRATIONNEL 1.Solvabilité 2 et le Risque Opérationnel 2.La gestion du Risque Opérationnel 3.Les méthodes de quantification
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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailAutoroute A16. Système de Repérage de Base (SRB) - Localisation des Points de repère (PR) A16- A16+
01 / 24 0 0!( 10 10 20 20 02 / 24 20 20 30 30 40 40 Système de Repérage de Base (SRB) - Localisation des Points de repère (PR) 03 / 24 40 40 50 50 60 60 60 60 04 / 24 70 70 80 80 80 80 Système de Repérage
Plus en détailIBM 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 détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailL AMORTISSEMENT III NOUVEAUTE AVEC L INSTRUCTION CODIFICATRICE M9.6
L AMORTISSEMENT I DEFINITION L amortissement est la constatation comptable de l amoindrissement de la valeur d un élément d actif sur sa durée probable de vie. Les immobilisations demeurent les éléments
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 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 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 détailLES GRADES PROGRAMME D EXAMEN DE LA CEINTURE JAUNE A LA CEINTURE MARRON
LES GRADES PROGRAMME D EXAMEN DE LA CEINTURE JAUNE A LA CEINTURE MARRON 1 CEINTURE JAUNE Objectif : savoir exécuter les coups simples de K1 Rules/ K1 Japan En statique sur cibles OUI OUI NON NON NON En
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détaill L immense majorité des condamnations concernent des délits
Prévention de la récidive et individualisation des peines Chiffres-clés Juin 2014 Les condamnations En 2012, environ 900 000 infractions ont donné lieu à environ 600 000 condamnations pénales prononcées
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailFormation logiciel ZSH Gestion commerciale. F.Krebs. Sommaire :
Formation logiciel ZSH Gestion commerciale F.Krebs Sommaire : Principe... 2 Activités de Gestion Commerciale... 2 Statut de validité... 2 Utilisation des statuts de validité dans les activités : principe...
Plus en détailConférence EIFR du 5 octobre Impact de solvabilité 2 sur l Asset Management. Marie-Agnès NICOLET Présidente de Regulation Partners 06 58 84 77 40
Conférence EIFR du 5 octobre Impact de solvabilité 2 sur l Asset Management Marie-Agnès NICOLET Présidente de Regulation Partners 06 58 84 77 40 2 Contexte : Contribution des OPCVM aux fonds propres des
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailRégression logistique. Benoit Crabbé
Plan 1 Modèles linéaires généralisés 2 multinomiale 3 Modèles à effets aléatoires 4 Predicting the dative alternation Modèle A (les variables corrélées) Modèle A (variabilité des sujets) Modèle B (variabilité
Plus en détailTraitement 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 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 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 détailCommande Prédictive des. Convertisseurs Statiques
Commande Prédictive des Convertisseurs Statiques 1 Classification des méthodes de commande pour les convertisseurs statiques Commande des convertisseurs Hystérésis MLI Cde Linéaire Fuzzy Logic Sliding
Plus en détailCARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION. Finance internationale, 9ème éd. Y. Simon & D. Lautier
CARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION 1 Section 1. La définition et les caractéristiques d une option Section 2. Les déterminants de la valeur d une option Section 3. Les quatre opérations
Plus en détail1 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 détailStatistique descriptive. Interrogation 2 : à rendre le Jeudi 18 novembre
Université de Perpignan IUT de Carcassonne Nathalie Villa-Vialaneix Année 2010/2011 IUT STID, 1 ère année & APPC Statistique descriptive Interrogation 2 : à rendre le Jeudi 18 novembre Avant propos : Cette
Plus en détailPerformance nette du Capital Investissement en France à fin 2007. Le 16 septembre 2008
Performance nette du Capital Investissement en France à fin 2007 1 Le 1 septembre 2008 Définition du TRI Net Définition du Taux de Rendement Interne (TRI) Le TRI est le taux d actualisation qui annule
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 détailCOMMANDES SQL... 2 COMMANDES DE DEFINITION DE DONNEES... 2
SQL Sommaire : COMMANDES SQL... 2 COMMANDES DE DEFINITION DE DONNEES... 2 COMMANDES DE MANIPULATION DE DONNEES... 2 COMMANDES DE CONTROLE TRANSACTIONNEL... 2 COMMANDES DE REQUETE DE DONNEES... 2 COMMANDES
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailREGLEMENT DE LA CONSULTATION
PRÉFET DE LA CHARENTE Direction des Ressources Humaines, Des Finances et de la Logistique Mutualisée Bureau Interservices de l Immobilier et de la logistique mutualisée REGLEMENT DE LA CONSULTATION ENTRETIEN
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailL application des deux idéaux-types de l évaluation participative : empowerment et «pratique»
L application des deux idéaux-types de l évaluation participative : empowerment et «pratique» Valéry Ridde Université Laval 29 octobre 2004 - SQEP 2 Plan de la présentation Introduction et définitions
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailEvolution de la collecte des RPU Réseau OSCOUR
Evolution de la collecte des RPU Réseau OSCOUR Vanina BOUSQUET InVS St MAURICE 20 Mai 2014 Journée plénière de la FEDORU SOMMAIRE Etat des lieux des remontée de RPU Etat des lieux des structures régionales
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 détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailOù investir en 2014? Grand colloque sur la gestion des actifs des caisses de retraite
Où investir en 2014? Grand colloque sur la gestion des actifs des caisses de retraite Optimisation de la politique de placement : vers quelles classes d actifs se tourner? Stéphan Lazure Conseiller principal
Plus en détailDérivés Financiers Options
Stratégies à base d options Dérivés Financiers Options 1) Supposons que vous vendiez un put avec un prix d exercice de 40 et une date d expiration dans 3 mois. Le prix actuel de l action est 41 et le contrat
Plus en détailLES AMORTISSEMENTS : CALCULS ENREGISTREMENTS
LES AMORTISSEMENTS : CALCULS ENREGISTREMENTS PRESENTATION DES MODES D AMORTISSEMENT Exemple 1 : CAS D UN AMORTISSEMENT VARIABLE On acquiert le 04/08/N une machine-outil pour une valeur HT de. Cette machine,
Plus en détailGESTION DE PROJET : LA METHODE AGILE
GESTION DE PROJET : LA METHODE AGILE Le SCRUM est une méthode de gestion de projet. Elle a pour but d améliorer la productivité des équipes. Ce terme est inspiré du terme Scrum en rugby qui désigne une
Plus en détailCILSS - PREDAS FICHE NORMATIVE FINANCEMENTS Pays Bas 1/6 AIDE BILATERALE NEERLANDAISE
CILSS - PREDAS FICHE NORMATIVE FINANCEMENTS Pays Bas 1/6 AIDE BILATERALE NEERLANDAISE AGENCY FOR INTERNATIONAL BUSINESS AND COOPERATION (EVD) COORDONNEES Siège Téléphone : (31) 70 778 8888 (08.30-15.00)
Plus en détailUNIVERSITE LYON 3 (JEAN MOULIN) Référence GALAXIE : 4140
UNIVERSITE LYON 3 (JEAN MOULIN) Référence GALAXIE : 4140 Numéro dans le SI local : Référence GESUP : 0202 Corps : Professeur des universités Article : 51 Chaire : Non Section 1 : 01-Droit privé et sciences
Plus en détailComment compléter votre contrat? Employee Privilege Programme by Belgacom (EPP)
Comment compléter votre contrat? Employee Privilege Programme by Belgacom (EPP) Cher client, Vous trouverez ci-dessous quelques explications qui vous aideront à compléter votre contrat EPP. Document A
Plus en détailInvitation / CTI. CeBIT 2015. «SWISS Pavilion» Research & Innovation Applied Research, Basic Research, Emerging Technologies, Start-ups, Spin-offs
Invitation / CTI «SWISS Pavilion» Research & Innovation Applied Research, Basic Research, Emerging Technologies, Start-ups, Spin-offs CeBIT 2015 Le pivot et la clé de voûte de l économie suisse des TIC
Plus en détailInformatique / Computer Science
Informatique / Computer Science Vous trouverez ici les conditions de candidature pour les différentes voies de M2 de la mention «Informatique / Computer Science». Certaines formations ne seront cependant
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 détailF-7a-v3 1 / 5. 7. Bourses de mobilité / Mobility Fellowships Formulaire de demande de bourse / Fellowship Application Form
F-7a-v3 1 / 5 7. Bourses de mobilité / Mobility Fellowships Formulaire de demande de bourse / Fellowship Application Form Nom de famille du candidat Langue de correspondance Français Family name of participant
Plus en détailExercices sur SQL server 2000
Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailpersonnalisé 24/7 adapté confiant préventif Fiche technique
personnalisé 24/7 adapté confiant préventif Fiche technique Exploitez tout le potentiel de votre solution CRM Avec le niveau de services et de support adapté. Profitez de votre CRM dans le cadre d un forfait
Plus en détailMANDAT D'EXPERTISE VALANT ORDRE CONTRACTUEL DE MISSION
COMPAGNIE NATIONALE DES EXPERTS IMMOBILIERS * 1 Alain MANZON Expert Immobilier-Consultant N d agrément - 1004 - Diplômé de l Enseignement Supérieur Route du littoral Beauvallon Guerrevieille 83310 GRIMAUD
Plus en détailProposition commerciale étude de référencement
A lʼattention de : Monsieur Fabien basset pour PARISLUXURYCAR 10, place Vendome 75001 Paris FRANCE Proposition commerciale étude de référencement Yann leroquais WEBMASTER +33.(0)1.75.50.59.04(ligne directe)
Plus en détailExemple d application en CFD : Coefficient de traînée d un cylindre
Exemple d application en CFD : Coefficient de traînée d un cylindre 1 Démarche générale Avec Gambit Création d une géométrie Maillage Définition des conditions aux limites Avec Fluent 3D Choix des équations
Plus en détailAnalyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)
Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle
Plus en 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 détailChapitre 6 : Consolidation par paliers et consolidation directe
Chapitre 6 : Consolidation par paliers et consolidation directe I Principe général II- Consolidation par paliers III - Consolidation directe Cas de synthèse 1 Case de synthèse 2 I. Principe général Les
Plus en détailJean-Claude Augros. Résumé
Evaluation des Bons de Souscription d Actions Ordinaires et des Bons de Souscription d Actions Remboursables Jean-Claude Augros Institut de Science Financière et d Assurances, Université Claude Bernard
Plus en détailUtilisation de la plate-forme collaborative Windchill
Product Lifecycle Management Utilisation de la plate-forme collaborative Windchill Tutorial - Niveau 3 https://www.windchilleducation.eu/windchill/ Sommaire : 1. Purger les fichiers :...2 Supprimer les
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
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 détailS. Kernéis, T. Ancelle, V. Naneix-Laroche, N. Amrane, JP. Leroy, T. Hanslik, O. Launay
Etude AMARCOR Tolérance et immunogénicité du vaccin contre la fièvre jaune chez des sujets recevant une corticothérapie par voie générale : étude de cohorte observationnelle S. Kernéis, T. Ancelle, V.
Plus en détail