Cours de Statistiques niveau L1-L2
7 mai 2018 la répartition statistique d'une variable au sein de la population est souvent voisine de modèles mathématiques proposés par le calcul des ...
Statistiques descriptives et exercices
Rappels de cours et exercices corrigés sur la statistique descriptive pour la compréhension et la gestion des phénomènes complexes.
PROGRAMMES DE COURS ECONOMIE-GESTION 2018-2019
L1 Économie-Gestion - mention économie et gestion - (septembre 2018) macro_1_table_des_matieres_2.pdf ... Il s'agit d'un cours de statistique.
Introduction et motivation du cours - Statistiques appliquées à la
Introduction et motivation du cours 1. Visualiser les données et comprendre le problème métier. ... Population : Étudiants de L3 Eco Gestion.
LICENCE mention ECONOMIE
Cette formation est exigeante en mathématiques et statistiques. + 1 mineure parmi [Gestion : Introduction à l'économie d'entreprise - Informatique ...
Résumé du Cours de Statistique Descriptive
15 déc. 2010 http://cran.r-project.org/doc/contrib/Paradis-rdebuts_fr.pdf ... 1 Variables données statistiques
Cours de Statistique Descriptive
(somme des fréquences de toutes les modalités d'une variable qualitative)=1. (somme de tous les pourcentages correspondant aux modalités d'une variable
Programmes de cours Economie-Gestion 2021-2022
L1 Economie et Gestion - parcours classique - Vaugirard 1. Cursus de Master en Ingénierie économie finance quantitative et statistique. (CMI-EFIQuaS) .
Résumés des cours dispensés en Licence Economie
L1 - Semestre 1 Informatique 1 (statistiques et probabilités avec Excel) . ... Le cours de gestion d'entreprise propose aux étudiants une.
Présentation Licence mention Économie et gestion parcours Section
Disposer des compétences mathématiques et statistiques indispensables à l'économie et à la gestion. Les enseignements d'économie et de gestion font en effet
Introduction et motivation du cours
Statistiques appliquées à la gestion
Ana Karina Fermin
Université Paris-Ouest-Nanterre-La Défense
http://fermin.perso.math.cnrs.fr/ MotivationDonnéesModélisationQuelques rappelsLa statistique dans les formations !
FerminAnalyse statistiqueCh. 0: Introduction 2 / 40 MotivationDonnéesModélisationQuelques rappelsLa statistique dans la presse !
Chef économiste de Google : Hal Varian
FerminAnalyse statistiqueCh. 0: Introduction 3 / 40 MotivationDonnéesModélisationQuelques rappelsLa statistique dans la presse !
FerminAnalyse statistiqueCh. 0: Introduction 4 / 40 MotivationDonnéesModélisationQuelques rappelsLa statistique dans la presse !
FerminAnalyse statistiqueCh. 0: Introduction 5 / 40 MotivationDonnéesModélisationQuelques rappelsCorrélation et causalité? Synonymes? NON!
Exemple :
La consommation mo yennede cho colatpa rhabitant est corrélée au nombre de lauréats du prix Nobel, d"après une étude de l"Américain Franz Messerli publiée en 2012. FerminAnalyse statistiqueCh. 0: Introduction 6 / 40 MotivationDonnéesModélisationQuelques rappels FerminAnalyse statistiqueCh. 0: Introduction 7 / 40 MotivationDonnéesModélisationQuelques rappelsDémarche à suivre
En statistique, comme dans la vraie vie, on se pose des questions,et on essaie d"y répondre. Le statisticien cherche à modéliser...1Visualiser les données et comprendre le problème métier.
2Traduire le problème métier en un problème statistique.
Proposer une modélisation mathématique de l"expérience générant ses données.Utiliser une méthode statistique pour proposer une réponse (régression, anova...).Utiliser des outils statistiques pour donner des garanties sur lesrésultats (intervalles de confiance, tests...).3Utiliser les résultats pour répondre au problème métier en
prenant en compte l"incertitude. FerminAnalyse statistiqueCh. 0: Introduction 8 / 40 MotivationDonnéesModélisationQuelques rappelsThèmes abordés dans ce cours
Rappels (menu du jour)
Test de comparaison de deux distributions (chapitre 1)Test de comparaison de moyennes
Test de proportions
Liaison entre deux variables (chapitre 2)
Régression (chapitre 3)
ANOVA (chapitre 4)
FerminAnalyse statistiqueCh. 0: Introduction 9 / 40 MotivationDonnéesModélisationQuelques rappelsDonnées
Les données proviennent d"une ou plusieurs variables qui sont mesurés simultanément sur un individu. Cet individu appartient à une population de taille généralement inconnue. On dispose d"un ensemble d"observations de taillenExemplePopulation : Étudiants de L3 Eco Gestion
Variable, notéeX: Note de Statistiques en L2Données :Dn=fx1;x2;:::;xngFerminAnalyse statistiqueCh. 0: Introduction 10 / 40
MotivationDonnéesModélisationQuelques rappelsExemple
Population : Étudiants de L3 Eco Gestion
Variables : Série du baccalauréat (X1), Age (X2), Sexe (X3), Type de licence (X4), Mention en L2 licence (X5), Durée du trajet domicile-université (X6).Données : D n=fx1;x2;:::;xngavecxi= (xi1;:::;xi6)lei-ème individu (i=1;:::;n).FerminAnalyse statistiqueCh. 0: Introduction 11 / 40
MotivationDonnéesModélisationQuelques rappelsLes données
IndividuX
1...X j...X p1x11...x
1j...x
1p2x21...x
2j...x
2p...............
ix i1...x ij...x ip............... nx n1...x nj...x npFerminAnalyse statistiqueCh. 0: Introduction 12 / 40 MotivationDonnéesModélisationQuelques rappelsLes données "histoire de vie"
Extrait de l"enquêtehistoire de vieréalisée par l"INSEE en 2003.La base des donnée, disponibles dans le
logiciel R , contient 2000 individus et 20 variables. Les 20 variables observées sont : [1] "id" "age" "sexe" "nivetud" [5] "poids" "occup" "qualif" "freres.soeurs" [9] "clso" "relig" "trav.imp" "trav.satisf" [13] "hard.rock" "lecture.bd" "peche.chasse" "cuisine" [17] "bricol" "cinema" "sport" "heures.tv" Remarque : Dans ce cours on apprendra à lire les graphiques et sorties produits à l"aide du logiciel R. FerminAnalyse statistiqueCh. 0: Introduction 13 / 40 MotivationDonnéesModélisationQuelques rappelsVariables: 20
$ id (int) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,... $ age (int) 28, 23, 59, 34, 71, 35, 60, 47, 20, 28, 65, 47... $ sexe (fctr) Femme, Femme, Homme, Homme, Femme, Femme, Fem... $ nivetud (fctr) Enseignement superieur y compris technique su... $ poids (dbl) 2634.3982, 9738.3958, 3994.1025, 5731.6615, 43... $ occup (fctr) Exerce une profession, Etudiant, eleve, Exerc... $ qualif (fctr) Employe, NA, Technicien, Technicien, Employe,... $ freres.soeurs (int) 8, 2, 2, 1, 0, 5, 1, 5, 4, 2, 3, 4, 1, 5, 2, 3... $ clso (fctr) Oui, Oui, Non, Non, Oui, Non, Oui, Non, Oui, ... $ relig (fctr) Ni croyance ni appartenance, Ni croyance ni a... $ trav.imp (fctr) Peu important, NA, Aussi important que le res... $ trav.satisf (fctr) Insatisfaction, NA, Equilibre, Satisfaction, ... $ hard.rock (fctr) Non, Non, Non, Non, Non, Non, Non, Non, Non, ... $ lecture.bd (fctr) Non, Non, Non, Non, Non, Non, Non, Non, Non, ... $ peche.chasse (fctr) Non, Non, Non, Non, Non, Non, Oui, Oui, Non, ... $ cuisine (fctr) Oui, Non, Non, Oui, Non, Non, Oui, Oui, Non, ... $ bricol (fctr) Non, Non, Non, Oui, Non, Non, Non, Oui, Non, ... $ cinema (fctr) Non, Oui, Non, Oui, Non, Oui, Non, Non, Oui, ... $ sport (fctr) Non, Oui, Oui, Oui, Non, Oui, Non, Non, Non, ... $ heures.tv (dbl) 0.0, 1.0, 0.0, 2.0, 3.0, 2.0, 2.9, 1.0, 2.0, 2... FerminAnalyse statistiqueCh. 0: Introduction 14 / 40 MotivationDonnéesModélisationQuelques rappelsDes données à une modélisation
Exemple : Packaging A ou packaging B
On demande à des consommateurs s"ils préfèrent, pour un produit de grande consommation qu"on veut relooker, le packaging A ou le packaging B. FerminAnalyse statistiqueCh. 0: Introduction 15 / 40 MotivationDonnéesModélisationQuelques rappelsDes données à une modélisation
Exemple : Packaging A ou packaging B
On demande à des consommateurs s"ils préfèrent, pour un produit de grande consommation qu"on veut relooker, le packaging A ou le packaging B.On interroge n personnes dans un panel de consommateurs et on inscrit les résultats dans un tableau.Consommateur n1 2 3 4 5 6 . . .Résultat A A B A B B . . .
Problème métier : choisir entre deux packaging. Choisir le packaging qui se vend le mieux !Idée : se baser sur des données pour prendre la décision FerminAnalyse statistiqueCh. 0: Introduction 16 / 40 MotivationDonnéesModélisationQuelques rappelsQuel est le travail du statisticien ?
Donner un modèle probabiliste
Proposer une méthodologie
Répondre au problème métier à partir des résultats obtenus en prenant en compte l"incertitude (on ne pas sure à 100 %, il faut prendre des risques et accepter de ne pas avoir toujours raison) FerminAnalyse statistiqueCh. 0: Introduction 17 / 40 MotivationDonnéesModélisationQuelques rappels Codage : on code la préférence pour A par 0 et celle pour B par 1.Consommateur numéro 1 2 3 4 5 6 . . .
Résultat 0 0 1 0 1 1 . . .
Contexte :
Population : Consommateurs
Variable : réponse du consommateur, codée par une variableX qui prends de valeurs 0 ou 1.On notex1,x2,x3,:::, les résultats successifs. Par exemple, le troisième consommateur interrogé préfère le packaging B (x3=1).Le mathématicien se place aux instants avant les interrogations d"un consommateur donné et considère celles-ci comme des expériences aléatoires : il noteX1;X2;X3;:::les variables aléatoires correspondantes. FerminAnalyse statistiqueCh. 0: Introduction 18 / 40 MotivationDonnéesModélisationQuelques rappels Précision mathématique du terme échantillonDans un étude statistique,
on choisit au hasard les individus sur lesquels on va effectuer la mesure d"une variableon considère que les mesures effectuées sont lesréal isations d"une variable aléatoire .Remarque : Dans le contexte d"une étude statistique, les résultatsxisont alors les réalisations des variables aléatoiresXi, on les appelle les valeurs observées ou les données. Notez bien la différence entre l"utilisation des majuscules pour les variables aléatoires et les minuscules pour leurs réalisations (les données). FerminAnalyse statistiqueCh. 0: Introduction 19 / 40 MotivationDonnéesModélisationQuelques rappels Imaginons qu"on tire un petit nombre de consommateurs dans un grand panel.Exemple : Packaging A ou BCons. n
Résultat1 0
2 0 3 1 ......La mesure n1 (x1) est la réalisation d"une variable aléatoireX1, la
mesure n2 (x2) est la réalisation d"une variable aléatoireX2, la
mesure n3 (x3) est la réalisation d"une variable aléatoireX3etc.Pour cet exemple, quel est la loi de chaque variable ?
FerminAnalyse statistiqueCh. 0: Introduction 20 / 40 MotivationDonnéesModélisationQuelques rappelsÉchantillon d"une loi
Les mesures sur les individus choisis au hasard sont considérées comme étant les réalisations d"une suiteX1,X2,:::,Xnde variables aléatoires.Definition On dit qu"une suiteX1,X2,:::,Xnde variables aléatoires est unéchantillon d"une variable aléatoireXsi :chaque variable aléatoireXia la mêmeloi que XLes variablesX1,:::,Xnsont mutuellement indépendantes.FerminAnalyse statistiqueCh. 0: Introduction 21 / 40
MotivationDonnéesModélisationQuelques rappelsModèle statistique paramétrique
La réponse d"un consommateur choisi au hasard est vue comme la valeur d"une variable aléatoire de loi Bernoulli .Loi BernoulliB(p), avecp2[0;1]On dit que la variableXsuit une loi Bernoulli siP(X=1) =petP(X=0) =1p;
oùpest un nombre réel compris entre 0 et 1 appelé paramètre de la loi. On note cette loiB(p).Simulation de N réalisations sous R : rbinom(N,1,p) > rbinom(20,1,0.4) [1] 0 1 1 0 1 0 1 1 0 0 1 0 1 0 0 0 0 1 1 0 FerminAnalyse statistiqueCh. 0: Introduction 22 / 40 MotivationDonnéesModélisationQuelques rappels Loi BernoulliB(p), avecp2[0;1]On dit que la variableXsuit une loi Bernoulli siP(X=1) =petP(X=0) =1p;
oùpest un nombre réel compris entre 0 et 1 appelé paramètre de la loi. On note cette loiB(p)siDans notre exemple, le paramètrepcorrespond à la proportionde consommateurs dans le grand panel en faveur de B.Si le panel de consommateurs est vraiment très grand, les
enquêteurs n"ont pas le temps d"interroger tout le monde et nepeuvent accéder à la vraie valeur dep.Il est important de remarquer que icipest inconnu.On a besoin de la théorie pour malgré tout, pouvoir dire des
choses avec un degré de confiance raisonnable surp.FerminAnalyse statistiqueCh. 0: Introduction 23 / 40
MotivationDonnéesModélisationQuelques rappels Loi BinomialeB(n;p), avecnun entier etp2[0;1]On dit queX B(n;p)siP(X=k) =n
k p k(1p)nkXmodélise le nombre de fois où l"évènement B s"est produitparminexpériences.Xprends ses valeurs entre 0 et nSimulation de N réalisations sous R : rbinom(N,n,p)
> rbinom(20,100,0.4) [1] 36 38 42 42 37 47 43 32 46 39 39 39 45 43 42 36 43 42 48 42 > rbinom(20,100,0.8) [1] 78 85 81 87 78 83 85 79 86 78 79 82 80 80 85 71 78 76 77 81 FerminAnalyse statistiqueCh. 0: Introduction 24 / 40 MotivationDonnéesModélisationQuelques rappels Simulation de 100000 réalisations d"une variableB(100;0:5)sous R.0 20004000
6000
8000
3040506070
X countRemarque : une BinomialeB(n;p)s"approche à une normale (lorsquenest grand etpn"est pas trop petit).FerminAnalyse statistiqueCh. 0: Introduction 25 / 40 MotivationDonnéesModélisationQuelques rappelsExercice :
supp osonsqu"en 100 consommateurs sondés, on ait eu58 votes en faveur de A et 42 en faveur de B. À partir de cet
échantillon,1que peut-on déduire sur la valeur dep?2peut on conclure "statistiquement" que le packaging A est
préféré au packaging B ? FerminAnalyse statistiqueCh. 0: Introduction 26 / 40 MotivationDonnéesModélisationQuelques rappelsEstimation d"une proportion
Estimateur ponctuelle dep:Xn.Exemple :n=100 consommateurs sondés, 58 votes en faveur de A et 42 en faveur de B.A partir de notre échantillon on obtientquotesdbs_dbs50.pdfusesText_50[PDF] cours statistique terminale es pdf
[PDF] cours statistique terminale s
[PDF] cours statistiques 4ème
[PDF] cours stm maroc
[PDF] cours structure de la matière 1er année st
[PDF] cours structure de la matière 1er année st pdf
[PDF] cours suite numérique terminale s
[PDF] cours suites terminale es
[PDF] cours sur l'économie sociale et solidaire
[PDF] cours sur lenvironnement ppt
[PDF] cours sur l'introduction aux politiques publiques pdf
[PDF] cours sur l'onu pdf
[PDF] cours sur la bonne gouvernance
[PDF] cours sur la cedeao pdf