Méthodes statistiques appliquées au management
La démarche statistique appliquée au management. 2012 Pearson France – Méthodes statistiques appliquées au management – Corinne Hahn Sandrine Macé ...
Méthodes statistiques appliquées au management
Ensuite nous présentons les différentes étapes de l'analyse statistique : la troisième section est consacrée à la statistique descriptive dont les méthodes
Méthodes Statistiques Appliquées à la Qualité et à la Gestion des
Méthodes Statistiques Appliquées à la. Qualité et à la Gestion des Risques Management indicateurs ... Maîtrise statistique des processus.
Principes et Méthodes Statistiques
données les méthodes statistiques se répartissent en deux classes : Les probabilités appliquées proposent des modèles probabilistes du déroulement.
Glossaire.pdf
Méthodes statistiques appliquées au management. Coefficient du khi-deux. Le coefficient du khi-deux mesure l'intensité du lien entre.
Statistiques appliquées à la gestion Cours danalyse de donnés
On considère dans la pratique quatre tableaux de données sur lesquels s'appliquent des méthodes d'analyses factorielles différentes. - le tableau de variables (
Le Directeur
Méthodes Statistiques Appliquées aux Politiques publiques Management Digital et Innovation Technologique (MMDI). Marketing Digital et E-Business (MMDE).
Méthodes Statistiques Appliquées à la Qualité et à la Gestion des
Qu'est-ce qu'une carte de contrôle? Contrôle Statistique. Carte de Contrôle. Estimation. Propriétés. 2.1 Fluctuation d'échantillonnage.
Introduction et motivation du cours - Statistiques appliquées à la
Statistiques appliquées à la gestion. Ana Karina Fermin Utiliser une méthode statistique pour proposer une réponse. (régression anova...).
Présentation des méthodes de collecte et danalyse de données
d'analyse – la méthode pour analyser le « sens » des données en recherchant des Il existe d'autres sources de données notamment : les statistiques ...
Méthodes Statistiques Appliquées Au Management 2e édition
Méthodes Statistiques Appliquées Au Management 2e édition Livre Etext Plateforme E Learning Mymathlab Version Française By Corinne Hahn Sandrine Macé Méthodes Statistiques Appliquées Au Management 2e édition Livre Etext Plateforme E Learning Mymathlab Version Française By Corinne Hahn Sandrine Macé
Comment utiliser les méthodes statistiques ?
- Expliquer en validant statistiquement les résultats et en les généralisant à la population participante, en clarifiant les relations entre les variables. b. Que choisir ? Le choix de la ou les méthodes appropriées dépend donc de bien des facteurs tels que le type de variables et leur codage, va dépendre de l’objectif.
Quel est l’objet de la méthode statistique?
« L’objet de la méthode statistique est la réduction des données. Une masse de données doit être remplacée par un petit nombre de quantités représentant correctement cette masse, et contenant autant que possible la totalité de l’information pertinente contenue dans les données d’origine.
Qu'est-ce que la statistique appliquée ?
la fois une branche des mathématiques appliquées, une méthode et un ensemble de techniques. ... La statistique appliquée est utilisée dans presque tous les Passer au document
Qu'est-ce que le master statistiques appliquées et analyse de données ?
Le Master vise à former des spécialistes en statistiques appliquées et analyse de données disposant d'un solide bagage en informatique. À l'issue de la formation, les étudiants auront acquis de solides compétences dans les domaines suivants : Informatique décisionnelle.
J Gaudart, LERTIM, Aix-Marseille Université
1Jean Gaudart
Laboratoire d"
Enseignement et de
Recherche
sur leTraitement de l"
Information
Médicale
Méthodes Statistiques Appliquées à la
Qualité et à la Gestion des Risques
Le Contrôle Statistique
Faculté de Médecine
Université de la Méditerranée
jean.gaudart@univmed.fr 2009J Gaudart, LERTIM, Aix-Marseille Université
2 plan1. Principe du contrôle statistique
1.1 Introduction
1.2 Définition
2. Qu"est-ce qu"une carte de contrôle?
2.1 Fluctuations d"échantillonnage
2.2 Construction d"une carte de contrôle
3. Estimations des paramètres des cartes de contrôle
4. Propriétés et utilisation des cartes de contrôles
4.1 Séquences ou " runs »
4.2 Durée moyenne de séquences ou " Average Length Run »
4.3 Compléments
4.4 Quand changer le processus " act »
2009J Gaudart, LERTIM, Aix-Marseille Université
3Principe du Contrôle Statistique
Contrôle Statistique
Carte de ContrôleEstimationPropriétés
•Check - recueil et analyse d"indicateurs •Principe - Shewhart ~1920 (pour l"industrie) - Caractériser un processuséchantillons
de produits de ce processus CheckStatistical control process
fluctuations d"échantillonnages? lois statistiquesIntroductionDéfinition distributions, paramètres des lois estimation et prédiction1.1 Introduction
2009J Gaudart, LERTIM, Aix-Marseille Université
4Principe du Contrôle Statistique
Contrôle Statistique
Carte de ContrôleEstimationPropriétés
Un processus qui
varie uniquement de façon aléatoire (fluctuations d"échantillonnage) est dit sous contrôle statistiqueUn processus qui
varie pour des causes identifiables (non aléatoires) est dit hors contrôle statistique régulation de ces causes pour retrouver des fluctuations aléatoires du processus.Statistical control process
IntroductionDéfinition
NB : la variation d"un processus est identifié par la variation de l"indicateur qui le caractérise1.2 Définitions
2009J Gaudart, LERTIM, Aix-Marseille Université
5Qu"est-ce qu"une carte de contrôle?
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
2.1 Fluctuation d"échantillonnageExemple:
Production de comprimés
poids X des cp, X~>N N N N
(m=63mg; s=0,01 mg)1ère
étude
: tirage au sort de 1 cp tous les jours pendant 1 an distribution des valeurs des poids de chaque comprimé X~>N N N N
(m=63mg; s=0,01 mg)2ème
étude
: tirage au sort d"échantillons de 5 cp distribution des moyennes des poids de chaque échantillonN N N N
(m=63mg; mg)Control Chart
Fluctuation d"échantillonnageConstruction d"une carte de contrôle >attach(cp)005,05=
s X 2009J Gaudart, LERTIM, Aix-Marseille Université
6 +3s-3s s des comprimés, n=1") ¿¿¿¿Contrôle StatistiqueCarte de ContrôleEstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôle ...j1 j2j365 x1=63,012 mg n1=1 x2=62,992 mg
n2=1x365=63,036 mg
n 365=12009
J Gaudart, LERTIM, Aix-Marseille Université
7 "moyenne des poids des comprimés, n=5") 53s53s
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôle ...j1j2j365 m1=63,01 mg
s1=0.0009 mg
n1=5 m2=62,997 mg
s2=0.0012 mg
n2=5m365=63,003 mg
s365=0.0018 mg
n 365=52009
J Gaudart, LERTIM, Aix-Marseille Université
8Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôle in="moyenne des poids des comprimés, n=5",add=TRUE)63 mg 63,03 mg
Si modification de la machine de fabrication (usure ...) ?comprimés plus lourds en moyenneLa plupart des échantillons
?au-delà de la limite supérieur (seuil d"alerte) causeALEATOIRE
NON ALEATOIRE
2009J Gaudart, LERTIM, Aix-Marseille Université
92.2 Construction d"une Carte de Contrôle
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôleéch.m
6353s53s
cause sous contrôle stat. hors contrôle stat. 2009
J Gaudart, LERTIM, Aix-Marseille Université
10Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôle • Hypothèses de travail:-Distribution de l"indicateur étudié: poids des comprimé ~>N N N N
(m=63mg; s=0,01 mg) - Processus de fabrication sous contrôle statistique lors de la construction de la carte. • Choix des limites: m?Intervalle de fluctuation à 99,73%Si le processus est
sous contrôle , on n"observera des échantillons extrêmes (moyennes observées très petites ou très grandes) que dans a=0,27% des cas autre choix m?Intervalle de fluctuation à 95% n s3± n s96,1±
2009J Gaudart, LERTIM, Aix-Marseille Université
11 • Tests statistiques:Placer une moyenne observée sur une carte de contrôle =test de comparaison d"une moyenne observée à une moyenne théorique Risque adépend des limites de la carte de contrôle.• Application clinique:Industrie ?processus a prioricontrôlé (" entrées » maîtrisé)Clinique
?grande variabilité des individus (" entrées » non maîtrisable)(décès de patients malgré des soins optimaux, survie de patients malgré des soins de qualité médiocre...)
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôle voir UE MET2 2009J Gaudart, LERTIM, Aix-Marseille Université
12 entrées maîtriséesVariabilité mesuréeProcessus Industriel
Variabilité du
processus entrées non maîtriséesVariabilité du
processusVariabilité mesurée
Processus Clinique
reflet de la qualité du processusreflet de la qualitédu processus et des entréesContrôle StatistiqueCarte de Contrôle
EstimationPropriétés
Fluctuation d"échantillonnageConstruction d"une carte de contrôle 2009J Gaudart, LERTIM, Aix-Marseille Université
13Estimation des paramètres des CC
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
• Initialement:État du processus inconnu
?réduire la variabilité jusqu"à un état de référence acceptable • Échantillonnage: - ~20 à 25 échantillons de 5 observations - conditions d"échantillonnages notées (ex. t°, matériel utilisé, identité...)3.1 Principe de l"estimation
2009J Gaudart, LERTIM, Aix-Marseille Université
14Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
• Estimations: pour k échantillons de même taille n - Estimation de la moyenne m imoyenne de l"échantillon i - Estimation de l"écart-type
siécart-type de l"échantillon i c4paramètre issue d"une loi gamma pour n>25, - Limites de contrôle - Placer chaque observation sur la carte - Supprimer les observations extrêmes - Recommencer l"estimation - Jusqu"à obtenir un processus stable kmk i i∑= 1 ˆm 41ˆkcs
k i i∑= =s 3 4 444 nnc ns m
ˆ3ˆ±
tables modifiable causes? 2009J Gaudart, LERTIM, Aix-Marseille Université
15 délai d"attente de la prise en charge de patient, en ambulatoire.20 échantillons, 1 par jour de semaine, pendant 4 semaines,
de 30 individus chacun,Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
>attach(at) >mean(delai[ech==1]) >sd(delai[ech==1]) ...3.2 Exemple 2009J Gaudart, LERTIM, Aix-Marseille Université
16 >boxplot(delai~ech,xlab="échantillo n", ylab="délai d"attente")Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
2009J Gaudart, LERTIM, Aix-Marseille Université
17 • logiciel R: package qccContrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
>delai<- qcc.groups(delai, ech) >fix(delai) Construction d"un tableau avec les échantillons en lignes et les sujets en colonnes20 lignes
30 colonnes
2009J Gaudart, LERTIM, Aix-Marseille Université
18Summary of group statistics:
Min. 1st Qu. Median Mean 3rd Qu. Max.
13.73 14.64 15.32 16.04 17.35 19.93
Group sample size: 30
Number of groups: 20
Center of group statistics: 16.03692
Standard deviation: 4.846845
Control limits:
LCL UCL
13.38219 18.69164
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
fonction control chart données type: moyenne effectif des échantillons méthode d"estimation de l"écart-type limites de contrôle5°j10°j 15°j
mˆsˆ 2009J Gaudart, LERTIM, Aix-Marseille Université
19 >qcc(delai4,type="xbar", size=30,std.dev="MVLUE-SD",nsigmas=3)
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
>delai2<-delai[-5,] >delai3<-delai2[-9] (10ème jour) >delai4<-delai3[-13] (15ème jour)20°j
2009J Gaudart, LERTIM, Aix-Marseille Université
20 >qcc(delai4[1:16,],type="x bar",size=30,std.dev="MVLUE-SD",nsigmas=3)
Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
Processus sous contrôle statistique?
la CC est prête à être utilisée mˆsˆ 2009J Gaudart, LERTIM, Aix-Marseille Université
21• Valeurs extrêmes Jours 5, 10, 15, 20: les vendredis, délais d"attentes plus long, ?afflux de patients pour des surveillances particulières (ECG)
Action
: mieux organiser le calendrier des surveillances particulière.Contrôle StatistiqueCarte de Contrôle
EstimationPropriétés
EstimationsExemple
2009J Gaudart, LERTIM, Aix-Marseille Université
22Propriétés
Contrôle StatistiqueCarte de ContrôleEstimationPropriétés
RunsALRComplémentsAct
4.1 SéquencesCarte de contrôle construite
utilisée pour monitorageObjectif: reconnaître
rapidement et de façon objective si le processus devient hors contrôle statistiqueRepérage de phénomènes
®hors limites,
dans les limites: séquences particulières ou runs séries de valeurs présentant les mêmes caractéristiques non réparties aléatoirement autour de la valeur centrale. 2009J Gaudart, LERTIM, Aix-Marseille Université
23quotesdbs_dbs44.pdfusesText_44
[PDF] influence de l'éclairement sur la cellule photovoltaique
[PDF] la dianétique la puissance de la pensée sur le corps pdf
[PDF] coefficient de température panneau photovoltaique
[PDF] participation protestataire définition
[PDF] etude de l effet de la température sur les paramétres d une cellule solaire organique
[PDF] influence de la température sur la cellule photovoltaique
[PDF] temperature cellule photovoltaique
[PDF] participation conventionnelle définition
[PDF] repertoire d'action collective
[PDF] participation non conventionnelle définition
[PDF] la protestation politique
[PDF] comment les répertoires d'action politique ont-ils évolué corrigé
[PDF] participation conventionnelle
[PDF] de quoi est composé la grande bretagne