Kurtosis

sont généralement utilisées : Définition 2.60 (Skewness). On appelle Skewness d’un signal aléatoire u (.) ∈ S, noté Skew (u), la grandeur réelle suivante E (u (t) − E (u (t)))3 Skew (u) = . E (u (t) − E (u (t)))2 Définition 2.61 (Kurtosis). On appelle Kurtosis d’un signal aléatoire u (.) ∈ S, noté Kurt (u), la grandeur réelle suivante E (u (t) − E (u (t)))4 Kurt (u) = 2 − 3. 2 E (u (t) − E (u (t))) Le skewness est une mesure de symétrie de la densité de probabilité, de la même façon que

certaines variables à partir d’autres variables d’ Formation SMCS : Pratique de la statistique avec SPSS 14 Outils descriptifs Résumé numérique pour estimer des paramètres d’une distribution : moyenne, variance, médiane, quantiles, skewness, kurtosis, corrélation… Outils inférentiels Les outils inférentiels permettent de répondre aux questions que nous nous posons sur une population à partir d’un échantillon extrait de celle-ci La résistance des athlètes est-elle affectée par le type de vitamines

Param`tres de forme . . . . . . . . . . . . . . . . . e 2.4.1 Coefficient d’asym´trie de Fisher (skewness) e 2.4.2 Coefficient d’asym´trie de Yule . . . . . . . e 2.4.3 Coefficient d’asym´trie de Pearson . . . . . e Param`tre d’aplatissement (kurtosis) . . . . . . . . e Changement d’origine et d’unit´ . . . . . . . . . . e Moyennes et variances dans des groupes . . . . . . Diagramme en tiges et feuilles . . . . . . . . . . . . La boˆ ` moustaches . . . . . . . . . . . . . . . . ıte a

43674 0.000325 EPARGNE INTERIEURE ET CROISSANCE ECONOMIQUE : CAS DU BENIN Annexe B4 : Tests sur le modèle Normalité de la distribution 8 Series: Residuals Sample 1974 2005 Observations 31 6 4 2 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis -1.58E-15 -0.000783 0.111842 -0.107804 0.055046 -0.025001 2.216291 Jarque-Bera Probability 0.796570 0.671471 0 -0.10 -0.05 0.00 0.05 0.10 Forecust prevision 16.4 Forecast: LP IB RF A ctual: LP IB R S ample: 1974 2005 Include observations:

. . . . Param`tres de forme . . . . . . . . . . . . . . . . . e 2.4.1 Coefficient d’asym´trie de Fisher (skewness) e 2.4.2 Coefficient d’asym´trie de Yule . . . . . . . e 2.4.3 Coefficient d’asym´trie de Pearson . . . . . e Param`tre d’aplatissement (kurtosis) . . . . . . . . e Changement d’origine et d’unit´ . . . . . . . . . . e Moyennes et variances dans des groupes . . . . . . Diagramme en tiges et feuilles . . . . . . . . . . . . La boˆ ` moustaches . . . . . . . . . . . . . . . . ıte a . . . .

réforme on attribut 6. On n’a pas procédé par la méthode AFC ou bien celle ACP, du fait que les réformes sont dispersées en termes d’année. 22 Tableau 01: Statistiques descriptives Mean Sum Median Maximum Minimum Sum Sq. Dev. Std. Dev. Skewness Kurtosis Jarque-Bera Probability Observations Cross sections PROF? 0.030486 7.407984 0.029214 0.112516 0.003781 0.268189 0.013229 2.107884 12.86302 1164.901 0.000000 243 9 LIB? 2.962963 720.0000 3.000000 6.000000 0.000000 3708.000 2.550860 0.041406 1.319738

effet d’exposition, mais uniquement lorsqu’il n’est pas reconnu. Les faibles effets observés pour la marque Gauloises pourraient ainsi être liés à sa forte notoriété auprès de l’échantillon étudié. CONCLUSION 5. Les coefficients de Skewness et Kurtosis ont été calculés pour s’assurer de la normalité des variables métriques étudiées (Churchill, 1995). Les résultats montrent qu’elles suivent toutes une distribution normale. Cette recherche montre, contrairement à ce qui était implicitement supposé

Dev 4,5224 Variance 21,3665 Skewness 1,90535 Kurtosis 4,52040 N 80 Minimum 0,0000 1st Quartile 0,0000 Median 0,0000 3rd Quartile 5,0000 Maximum 24,0000 95% Confidence Interval for Mean 1,9463 4,0037 95% Confidence Interval for Median 0,0000 3,0000 95% Confidence Interval for StDev 4,0005 5,4751 95% Confidence Intervals Anderson-Darling Normality Test A-Squared 65,61 P-Value < 0,005 Mean 3,2150 St Dev 11,1540 Variance 124,4108 Skewness 3,31587 Kurtosis 9,48588 N 200 Minimum 0,0000 1st Quartile

(variance inflation index) ne dépassent pas la valeur de 2,7 et l’indice de conditionnement a une valeur de 10,31 bien inférieure à 15. Auparavant, nous avons vérifié la normalité de l’ensemble des variables à l’aide des statistiques du Skewness et de Kurtosis. Les résultats de l’analyse de la régression sont présentés dans le tableau suivant : Tableau 2: l’effet des variables individuelles relationnelles à la marque sur l’attachement : régression 1 Variable congruence confiance satisfaction Beta 0,346

décrit les variables et analysé la matrice des corrélations.3.3.1 Statistiques descriptives L’essentiel des statistiques descriptives soutirés sont présentes dans le tableau 2.Grâce aux calculs des ratios d’asymétrie (Skewness) et d’aplatissement (Kurtosis) nous avons pu vérifier la normalité des variables. Ainsi l’échantillon a été réduit à 32 entreprises du CAC 40. Effectivement les entreprises éliminées étaient en situation de non-normalité dû à une asymétrie négative car elles présentaient un nombre