Kit car

normal de rejeter l’ajustement affine. 2) On a le tableau suivant : Rang de la semaine : xi zi = ln(yi) 1 6,29 2 6,58 3 6,89 4 7,19 5 7,50 6 7,79 7 8,10 3) La droite d’ajustement affine par la méthode des moindres carrés reliant z et x a pour équation : z = 0,3x + 6. 0,3x + 6 Comme z = ln(y) on a : ln(y) = 0,3x + 6 soit, y = e . ES-AmeriqueNord-juin10 correction Page 5 sur 7 0,3×10 + 6 9 4) a) Pour x = 10, on a : y = e = e = 8 103,08 à 10−2 près

l’estimation des demandes établie. Section3 : définition du budget des ventes Le budget des ventes traduit le programme prévisionnel des ventes. Il peut être présenté par produit, par représentation, par région, etc. C’est un budget essentiel, car c’est à partir de lui que seront déterminés les quantités à produire et les besoins en approvisionnement. Il peut comporter plusieurs rubriques : quantité à vendre - coefficients saisonniers - prix de vente - montant de la TVA CA TTC - Etc. Chapitre

modifier la fréquence, puis l’amplitude et enfin la distance entre les récepteurs mais ça n’a rien changé. On a du changer d’oscilloscope. - On a changé de fils car ceux-ci étaient abimés et brouillaient le signal. - On a du changer de calibre sur l’oscilloscope pour être plus précis. - On n’a pas pu mesurer l’amplitude correctement car le micro placé devant l’autre empêchait la bonne perception du son. - Une fois le problème ci-dessus résolu, l’amplitude donnait encore des résultats étranges :

Tests de restriction linéaires sur les paramètres du modèle . . . . . 39 3.1.1 Approche générale . . . . . . . . . . . . . . . . . . . . . 39 3.1.2 Applications : tests de changement structurel . . . . . . . 44 3 TABLE DES MATIÈRES 4 Les moindres carrés généralisés : Hétéroscédasticité et Autocorrélation 4.1 Le principe des MCG . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Hétéroscédasticité . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Les tests . . . . . . . . . . . . . . . .

β 1 X 1 + β 2 X 2 + β 11 X 2 + β 12 X 1 X 2 + β 22 X 2 1 2 Ces modèles sont de type polynomial. Le premier est un modèle polynomial d'ordre 1, le second, un modèle polynomial d'ordre 2. Ils appartiennent tous deux à la classe des modèles linéaires car ils sont linéaires par rapport à leurs paramètres ßi. Les modèles traités en pratique appartiennent souvent à la classe des modèles linéaires. Les p coefficients ßi (i=1...p) sont des paramètres inconnus dont il faut évaluer la valeur. Si la relation

Prévision opérationnelle dans les UC Dans les UC, la prévision consiste d’abord à évaluer l’activité, c’est-à-dire les ventes de biens ou de services. Cette prévision est la plus importante car elle permet ensuite de faire la prévision des approvisionnements, des ressources humaines et de l’action commerciale. I. La prévision des ventes Le calcul de la prévision des ventes ne se résume pas à réaliser des prévisions de tendance à partir d’un historique des ventes (moindre carré, points

| |- Représentation graphique d’une série de ventes. | |- Détermination de la tendance par la méthode des moindres carrés et par les moyennes mobiles. | |- Calcul des coefficients saisonniers et prévision des ventes. | |- Calcul

placer le sur le graphe. on donnera les résultats à 10-2 près. 3- a- Calculer le coefficient de corrélation r. est-ce que un ajustement affine est justifié ? b- Donner l’équation de ( ∆ ) la droite de régression de Y en X par la méthode des moindres carrés et tracer ( ∆ ) sur le graphique. c- Estimer à l’aide de l’équation de ( ∆ ) : i) le nombre de caisse à ouvrir pour un temps d’attente de 5 mn . ii) le temps d’attente à la caisse lorsque 15 caisses sont ouvertes. iii) cet ajustement est-il fiable

fonction de production. Si on compare le point A et le point C, on peut dire que le point A n’est pas efficient, alors que le point C l’est, car on peut produire plus en utilisant autant, soit on peut utiliser moins d’imputs et produire autant. Cela correspond à deux stratégies managériales : La maximisation du revenu. La minimisation du cout. Car cela contribue à maximiser le profit. En économie pour différencier les situations efficientes on va utiliser le critère de Pareto, qui est

1  Les données Y = Variable à expliquer numérique ( (ou dépendante) p ) X = Variable explicative numérique  (ou indépendante) 1 M i M n X x1 M xi M xn Y y1 M yi M yn Le tableau des données R. Jahidi 13 La droite des moindres carrés ˆ ˆ ˆ y = ax + b valeur observée valeur prédite On cherche ˆ ˆ a et b minimisant y1 erreur ei ˆ y1 * ei2 ∑ i =1 n x1 R. Jahidi 14 La solution ˆ a= ∑ ( x − x )( y i =1 i n i =1 i n i − y) 2