Analyse de données
Analyse multivariée : ACP Dans ce cours on se contente de présenter l'analyse en composantes principales. (ACP). C'est la méthode d'analyse la plus connue et ...
Études de cas en analyse des données
28/06/2021 Ainsi on obtient le tableau ci-dessous présentant
Project Management Professional (PMP)® Grandes lignes du
01/01/2021 • Collecter et analyser des données pour prendre des décisions éclairées ... Vous pouvez passer l'examen jusqu'à trois fois au cours de votre ...
INTRODUCTION A LANALYSE DES DONNEES
L'examen de cette matrice fait apparaître avant toute analyse
LANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.)
Données : n individus observés sur p variables quantitatives. L'A.C.P. permet d'explorer les liaisons entre variables et les ressemblances entre individus.
DR_OCP_022_2022.pdf
21/09/2022 Assemblées Générales Extraordinaires ayant eu lieu au cours des exercices 2019 2020
ANALYSE DES DONNÉES
Remarque : dans chaque exercice les analyses en composantes principales (ACP) sont Répondre à nouveau aux questions 3)
Chapitre 4 : Régression linéaire
Remarque : La régression di ère de l'analyse de la corrélation où toutes les variables jouent un rôle symé- trique (pas de variable dépendante versus
Statistique Descriptive Multidimensionnelle (pour les nuls)
Cette analyse va se faire au moyen de deux Analyses en Composantes Principales (A.C.P.) Le probl`eme statistique que pose alors ce type de données est l' ...
Analyse en composantes principales Ouvrages recommandés 1
Lê “Analyse de données avec R”
Examen dAnalyse des données Exercice I (7 points) : ACP non
On dispose du classement de 11 individus sur 3 matières : math musique et français. Le classement en math revient à numéroter les individus.
Guide des indications et des procédures des examens
2 fév. 2010 Association Nationale Dentaire d'Exercice en Groupe ou en Association ... L'analyse des données économiques radiologiques de prévalence
Les Zooms. Exercice danalyse financière - 5e édition
exercices d'Analyse financière de vos devoirs et de vos examens ; il vous donnera la Le compte de résultat décrit pour une période donnée (l'exercice) ...
INTRODUCTION A LANALYSE DES DONNEES
L'examen de cette matrice fait apparaître avant toute analyse
´ECOLE NATIONALE DES PONTS ET CHAUSS´EES EXERCICES
25 nov. 2005 ( Cet exercice est extrait de la session d'examen de rappel (septembre 2002) du module de. Statistique et Analyse des données de l'ENPC. Son ...
Exercices corrigés dAnalyse financière
Ils traitent de l'ensemble des connaissances et des techniques à mettre en œuvre pour étudier l'activité la rentabilité et le financement de l'entreprise. Ces
Études de cas en analyse des données
28 jui. 2021 Ainsi on obtient le tableau ci-dessous présentant
LANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.)
Données : n individus observés sur p variables quantitatives. L'A.C.P. permet d'explorer les liaisons entre variables et les ressemblances entre individus.
analyse-R.pdf
26 avr. 2022 opérations courantes (comme la manipulation de données ou la production de graphiques) avec R. Il ne s'agit pas d'un cours de statistiques ...
ANALYSE DES DONNÉES
Remarque : dans chaque exercice les analyses en composantes principales (ACP) sont effectuées sur matrice variance
ECOLENATIONALE
DESPONTSETCHAUSSEES
Anneeuniversitaire2004{2005
EXERCICES
ducoursdestatistiqueetanalysededonnees25novembre2005
2 universitaire2004-2005: nique.Tabledesmatieres
IModelesparametriques5
IIModelelineairegaussien25
IIIModelesdiscrets39
IVTestsnonparametriques47
VAnalysedesdonnees57
34TABLEDESMATIERES
ChapitreI
Modelesparametriques
I.1Enonces
ExerciceI.1.
pourladeuxiemeligne. decesestimateursetdonnezcesproprietes.3.Notons
Xa=1nP
50i=1Xiet
Xb=1nP
100(enremplacantlesvariancesde derejette-t-onl'hypothese?
Faitesuncommentairecritiquedecepassage.
4 56CHAPITREI.MODELESPARAMETRIQUES
ExerciceI.2.
parametre2]0;+1[. i=1Xiestunestatis- tiqueexhaustive.Rappelezquelleestsaloi. X=1nP n i=1Xi;calculezsonrisque quadratique.E(Yr)estdenipoura+r>0etvaut(a+r)
r(a);enparticulier,sia>1,pourr=1,on obtientE(1Y)=a1.
proprietessuivantes:2Zp2k1suitapproxi-
mativementlaloinormalecentreereduite. n=15(puisn=30). loiGammadeparametre(a;),avecaconnu? 4ExerciceI.3.
riance.I.1.ENONCES7
2.Onveutestimer.
estimateursetcomparezles. X=1nP nPrecisezleurmiseenuvrepour=0;05etn=15.
=0;05etn=15. 4ExerciceI.4.
estsaloi?Calculezsonrisquequadratique.
cation7!F(x)eststrictementdecroissante. 4ExerciceI.5.
8CHAPITREI.MODELESPARAMETRIQUES
donneeparsadensite,deniesurR +(=]0;1[)par: f ;(x)=(1)1 x1[;1[(x); etantinconnus.1.a.Donnezuneapplicationde(R
+)ndans(R +)2quisoitunresumeexhaustifdesob- servations. connu,puisl'estimationm.v.desiestconnu. parametre1. b.RappelezquelleestlaloidePn deloiexponentielledeparametre1. 4ExerciceI.6.
Analysedesdonneesdel'ENPC)
fonctionindicatricedel'intervalle[;+1[). resultatsdeb.I.1.ENONCES9
4ExerciceI.7.
kdegresdeliberte. precedente. nulle0contrel'hypothesealternative>0. 410CHAPITREI.MODELESPARAMETRIQUES
I.2Corrections
ExerciceI.1.
p a.Donclav.a.moyenneempiriqueXa=1 50P50
i=1Xiestl'estimateurparmaximum independantes,lav.a.Xaapourvariance1
502P50
i=1pa(1pa)=150pa(1pa),dont
l'estimateurdumaximumdevraisemblanceest150Xa(1Xa).D'oul'estimationde
l'ecart-typedeXa:[1 sansbiaisdelavariance,ninonplus150Xa(1Xa)1=2unestimateursansbiaisde
Numeriquement,onaici:[1
typedeXbest[150xb(1xb)]1=2=0:063.0,06.
2.1 [xa1 2r xa(1xa) 50]:P pa(pa2[Xa1 2r
Xa(1Xa)
50])'1:
qpa(1pa)50aeteremplaceeparla
loilimitenormalecentreereduite. [xb1 2r xb(1xb) 50]:Niveaudeconance1
2I.C.pourpaI.C.pourpb
0,950;051;96[0;06;0;26][0;16;0;40]
0,900;101;65[0;07;0;25][0;18;0;38]
I.2.CORRECTIONS11
puisqu'icixac'est-a-dire: 1
2 xa(1xa) 50+q
xb(1xb) 50;
soitici 1 2<1:04
ouencore,commepardenition1 2=1(12)(ou1estlafonctionreciproque
1 2=0:85
c'est-a-direenn 1<0:70:
etN(pb;2b),ou2a=1 50pa(1pa)et2b=150pb(1pb);commeXaetXbsont
aaussi2a=2b=1 50P
50
x=1 100P
100
i=1xi=1 choisi. Sousl'hypothesenulle,laloideXaXb
p2S(ouS2=150X(1X))estapproximativement N(0;1)etdonconapproximec
p2spar12,quantiled'ordre12deN(0;1) Ici,numeriquement,xaxb=0:12etp
2s=0;08;donc:
{si=0:05,1 pasderejetdel'hypothesenulle; 12CHAPITREI.MODELESPARAMETRIQUES
{si=0:10,1 iln'yapasderejetdel'hypothesenulle. donneesobserveesxaxb=0:12etp 2s=0:08,si
1 2=1(12)0:120:08=1:5
autrementdit 1 2(1:25)=0:93
desI.C.)rejetteH0sijxaxbj>1 2(sa+sb)etlaseconde(test)sijxaxbj>
10 2p2sou,rappelonsle,
s 2 a=1 50xa(1xa);s2
b=150xb(1xb)ets2=150x(1x): 10 0:0458,d'ou
jxaxbj=0:0008,x=0:0454,s2=4:33:106,p 2s=2:94:103
etenn jxaxbj p2s=0:27. delaloidejXaXbj I.2.CORRECTIONS13
para^tsansfondement. designicationusuelde0:05.Ilfaudraitque: jxaxbj q 2x(1x)
n1:96 c'est-a-dire n(1;96)22x(1x) (xaxb)2 soitici n(1:96)220:04540:9546 (0:0008)2'520300: N ExerciceI.2.
1.Lemodele;unestatistiqueexhaustive
LebesguesurR,l'applicationp(x;)deniepar:
p(x;)=exp(x)1[0;+1[(x); p n(x1;:::;xn;)=nexp nX i=1x i! 1 [0;+1[n(x1;:::;xn): Cettedensitesefactorisesouslaforme:
p n(x1;:::;xn;)= nX i=1x i;! l(x1;:::;xn) 14CHAPITREI.MODELESPARAMETRIQUES
avec (y;)=nexp(y)etl(x1;:::;xn)=1[0;+1[(min(x1;:::;xn)). i=1Xiestex- haustivedanscemodele. net,dedensite y7!nyn1 (n1)!exp(y)1[0;+1[(y) Pourtouti,onaE(Xi)=1
d'ou:8>0E(1nP n i=1Xi)=1 Onnote
Xn=1nP
n i=1Xi. Cetestimateur
(x1;:::;xn)2]0;+1[n,par: n(x;)=lnpn(x1;:::;xn;)=nlnnX i=1x i L'application`n(x;:),deR
+dansRestderivable;saderiveeest7!n Pn i=1xi,qui s'annullepour=nPn Xn.Onendeduitquel'estimateurdu
maximumdevraisemblancede1 estXn. variance: Var 1 nn X i=1X i! 1n2n X i=1Var(Xi)=1n2n2=1n2; quitendvers0quandntendversl'inni. I.2.CORRECTIONS15
3.Estimationduparametre
Xn=nPn
i=1Xi. Defaitici(voir1)Pn
1est n1.DoncE(1Xn)=nE(1Pn quecetestimateursoitsansbiais). Lebiaisde1
onditque1 Pn i=1Xi. 4.Tests
a.Hypothesenulle[=1]. =1],contrel'hypothesealter- native[1 n i=1xi,estimationsansbiaisde Or,sousl'hypothesenulle,lav.a.2n
Xn=2Pn
i=1Xisuitlaloidu2a2ndegresde P 1(2n 2nc1et2nc2lequantiled'ordre
deliberte. Exemples:Soit=0;05.
letest:onrejettel'hypothese[=1]si1 15P 15 i=1xi=2[0;56;1;57] approchespar(1;96+p 119)2
2et(1;96+p
119)2
l'hypothese[=1]si1 30P
30
i=1xi=2[0;67;1;38]. 16CHAPITREI.MODELESPARAMETRIQUES
pourconclurequex nestsignicativementdistantde1. b.Hypothesenulle[1]. 1],contrel'hypothesealter-
native[1 n i=1xi,estimationsansbiaisde Xn tout1,onaP([ taillenxe,c'est-a-dire(G(n;))2R d'ordredelaloidu2a2ndegresdeliberte. Exemples:Soit=0;05.
l'hypothese[1]si1 15P 15 i=1xi<0;62. 2=42;86,d'ou
letest:onrejettel'hypothese[1]si1 30P
30
i=1xi<0;71. 5.Intervalledeconance
Pourtout,laloidelav.a.Pn
n; 2et n;1 2lesquantilesd'ordre2et12deG(n;1),ona:
8P([ n; 2nX i=1X i n;12])=1 autrementdit: 8P n; 2Pn i=1Xi n;1 2Pn i=1Xi] =1: n; 2Pn i=1xi; n;1 2Pn i=1xi]. niveaudeconance0;95(doncpour=0;05)ona: -sin=15, 15;0;025=8;40et
15;0;975=23;50,
-sin=30, 30;0;025=20;02et
30;0;975=41;44.
6.Modelebayesien
I.2.CORRECTIONS17
+,onpeutprendre p n(x1;:::;xn;)=nexp nX i=1x i! g b;()=b (b)b1exp(): +Rn estdoncleproduit: (;(x1;:::;xn))7!pn(x1;:::;xn;)gb;()=b (b)b+n1exp +nX i=1x i!! Ladensitemarginale
h b;(x1;:::;xn)=Z +1 0 p n(x1;:::;xn;)gb;()d i=1xiparn xn: k (x1;:::;xn);b;()=pn(x1;:::;xn;)gb;() hb;(x1;:::;xn)=1hb;(x1;:::;xn) b(b)b+n1exp((+nxn)); xn). Onadonc1
hb;(x1;:::;xn) b(b)=(+n xn)b+n posteriori,c'est-a-direb+n 1 N l'applicationfdeniepar:quotesdbs_dbs47.pdfusesText_47
xb(1xb) 50;
soitici 1
2<1:04
ouencore,commepardenition12=1(12)(ou1estlafonctionreciproque
12=0:85
c'est-a-direenn1<0:70:
etN(pb;2b),ou2a=150pa(1pa)et2b=150pb(1pb);commeXaetXbsont
aaussi2a=2b=1 50P50
x=1 100P
100
i=1xi=1 choisi.
Sousl'hypothesenulle,laloideXaXb
p2S(ouS2=150X(1X))estapproximativementN(0;1)etdonconapproximec
p2spar12,quantiled'ordre12deN(0;1)Ici,numeriquement,xaxb=0:12etp
2s=0;08;donc:
{si=0:05,1 pasderejetdel'hypothesenulle;12CHAPITREI.MODELESPARAMETRIQUES
{si=0:10,1 iln'yapasderejetdel'hypothesenulle. donneesobserveesxaxb=0:12etp2s=0:08,si
12=1(12)0:120:08=1:5
autrementdit 12(1:25)=0:93
desI.C.)rejetteH0sijxaxbj>12(sa+sb)etlaseconde(test)sijxaxbj>
102p2sou,rappelonsle,
s 2 a=150xa(1xa);s2
b=150xb(1xb)ets2=150x(1x): 100:0458,d'ou
jxaxbj=0:0008,x=0:0454,s2=4:33:106,p2s=2:94:103
etenn jxaxbj p2s=0:27. delaloidejXaXbjI.2.CORRECTIONS13
para^tsansfondement. designicationusuelde0:05.Ilfaudraitque: jxaxbj q2x(1x)
n1:96 c'est-a-dire n(1;96)22x(1x) (xaxb)2 soitici n(1:96)220:04540:9546 (0:0008)2'520300: NExerciceI.2.
1.Lemodele;unestatistiqueexhaustive
LebesguesurR,l'applicationp(x;)deniepar:
p(x;)=exp(x)1[0;+1[(x); p n(x1;:::;xn;)=nexp nX i=1x i! 1 [0;+1[n(x1;:::;xn):Cettedensitesefactorisesouslaforme:
p n(x1;:::;xn;)= nX i=1x i;! l(x1;:::;xn)14CHAPITREI.MODELESPARAMETRIQUES
avec (y;)=nexp(y)etl(x1;:::;xn)=1[0;+1[(min(x1;:::;xn)). i=1Xiestex- haustivedanscemodele. net,dedensite y7!nyn1 (n1)!exp(y)1[0;+1[(y)Pourtouti,onaE(Xi)=1
d'ou:8>0E(1nP n i=1Xi)=1Onnote
Xn=1nP
n i=1Xi.Cetestimateur
(x1;:::;xn)2]0;+1[n,par: n(x;)=lnpn(x1;:::;xn;)=nlnnX i=1x iL'application`n(x;:),deR
+dansRestderivable;saderiveeest7!n Pn i=1xi,qui s'annullepour=nPnXn.Onendeduitquel'estimateurdu
maximumdevraisemblancede1 estXn. variance: Var 1 nn X i=1X i! 1n2n X i=1Var(Xi)=1n2n2=1n2; quitendvers0quandntendversl'inni.I.2.CORRECTIONS15
3.Estimationduparametre
Xn=nPn
i=1Xi.Defaitici(voir1)Pn
1est n1.DoncE(1Xn)=nE(1Pn quecetestimateursoitsansbiais).Lebiaisde1
onditque1 Pn i=1Xi.4.Tests
a.Hypothesenulle[=1]. =1],contrel'hypothesealter- native[1 n i=1xi,estimationsansbiaisdeOr,sousl'hypothesenulle,lav.a.2n
Xn=2Pn
i=1Xisuitlaloidu2a2ndegresde P 1(2n2nc1et2nc2lequantiled'ordre
deliberte.Exemples:Soit=0;05.
letest:onrejettel'hypothese[=1]si1 15P 15 i=1xi=2[0;56;1;57] approchespar(1;96+p 119)22et(1;96+p
119)2l'hypothese[=1]si1 30P
30
i=1xi=2[0;67;1;38].
16CHAPITREI.MODELESPARAMETRIQUES
pourconclurequex nestsignicativementdistantde1. b.Hypothesenulle[1].1],contrel'hypothesealter-
native[1 n i=1xi,estimationsansbiaisdeXn tout1,onaP([ taillenxe,c'est-a-dire(G(n;))2R d'ordredelaloidu2a2ndegresdeliberte. Exemples:Soit=0;05.
l'hypothese[1]si1 15P 15 i=1xi<0;62. 2=42;86,d'ou
letest:onrejettel'hypothese[1]si1 30P
30
i=1xi<0;71. 5.Intervalledeconance
Pourtout,laloidelav.a.Pn
n; 2et n;1 2lesquantilesd'ordre2et12deG(n;1),ona:
8P([ n; 2nX i=1X i n;12])=1 autrementdit: 8P n; 2Pn i=1Xi n;1 2Pn i=1Xi] =1: n; 2Pn i=1xi; n;1 2Pn i=1xi]. niveaudeconance0;95(doncpour=0;05)ona: -sin=15, 15;0;025=8;40et
15;0;975=23;50,
-sin=30, 30;0;025=20;02et
30;0;975=41;44.
6.Modelebayesien
I.2.CORRECTIONS17
+,onpeutprendre p n(x1;:::;xn;)=nexp nX i=1x i! g b;()=b (b)b1exp(): +Rn estdoncleproduit: (;(x1;:::;xn))7!pn(x1;:::;xn;)gb;()=b (b)b+n1exp +nX i=1x i!! Ladensitemarginale
h b;(x1;:::;xn)=Z +1 0 p n(x1;:::;xn;)gb;()d i=1xiparn xn: k (x1;:::;xn);b;()=pn(x1;:::;xn;)gb;() hb;(x1;:::;xn)=1hb;(x1;:::;xn) b(b)b+n1exp((+nxn)); xn). Onadonc1
hb;(x1;:::;xn) b(b)=(+n xn)b+n posteriori,c'est-a-direb+n 1 N l'applicationfdeniepar:quotesdbs_dbs47.pdfusesText_47
Exemples:Soit=0;05.
l'hypothese[1]si1 15P 15 i=1xi<0;62.2=42;86,d'ou
letest:onrejettel'hypothese[1]si1 30P30
i=1xi<0;71.
5.Intervalledeconance
Pourtout,laloidelav.a.Pn
n; 2et n;12lesquantilesd'ordre2et12deG(n;1),ona:
8P([ n; 2nX i=1X i n;12])=1 autrementdit: 8P n; 2Pn i=1Xi n;1 2Pn i=1Xi] =1: n; 2Pn i=1xi; n;1 2Pn i=1xi]. niveaudeconance0;95(doncpour=0;05)ona: -sin=15,15;0;025=8;40et
15;0;975=23;50,
-sin=30,30;0;025=20;02et
30;0;975=41;44.
6.Modelebayesien
I.2.CORRECTIONS17
+,onpeutprendre p n(x1;:::;xn;)=nexp nX i=1x i! g b;()=b (b)b1exp(): +Rn estdoncleproduit: (;(x1;:::;xn))7!pn(x1;:::;xn;)gb;()=b (b)b+n1exp +nX i=1x i!!Ladensitemarginale
h b;(x1;:::;xn)=Z +1 0 p n(x1;:::;xn;)gb;()d i=1xiparn xn: k (x1;:::;xn);b;()=pn(x1;:::;xn;)gb;() hb;(x1;:::;xn)=1hb;(x1;:::;xn) b(b)b+n1exp((+nxn)); xn).Onadonc1
hb;(x1;:::;xn) b(b)=(+n xn)b+n posteriori,c'est-a-direb+n 1 N l'applicationfdeniepar:quotesdbs_dbs47.pdfusesText_47[PDF] analyse de données exercices corrigés PDF Cours,Exercices ,Examens
[PDF] Analyse de fonctions 1ère Mathématiques
[PDF] Analyse de fonctions ; Trouver un fonction ? partir d'un tableau de variation 1ère Mathématiques
[PDF] Analyse de français 2nde Français
[PDF] ANALYSE DE GESTION : BUDGEET DES VENTES Bac +2 Comptabilité
[PDF] Analyse de graphique 2nde SVT
[PDF] Analyse de Guernica 3ème Arts plastiques
[PDF] analyse de l incipit des liaisons dangereuse de chaderlos 1ère Français
[PDF] analyse de l oeuvre "thirty are better than one" de Warhol 3ème Arts plastiques
[PDF] analyse de l oeuvre "thirty are better than one" de Warhol 1963 3ème Arts plastiques
[PDF] Analyse de l' oeuvre Le Chant des Partisants ou Chant de la Libération pour une fiche Histoire des Arts 3ème Histoire
[PDF] Analyse de l'ami retrouvé de Fred Uhlman 3ème Français
[PDF] Analyse de l'épilogue du roman Bel-ami 2nde Français
[PDF] Analyse de l'Épitre Dédicatoire de Zadig, Voltaire 2nde Français