Variable globale

Traitement statistique des variables médiatrices Objectifs du TD  A la fin du TD l’étudiant doit être capable d’identifier une variable médiatrice, et de tester l’effet médiateur d’une variable Z au niveau de la relation entre deux autres variables X et Y. Selon Baron et Kenny (1986), « une variable médiatrice explique comment des évènements externes à l’individu prennent une signification psychologique chez celui ci. Alors que les variables modératrices spécifient quand certains effets arrivent

hauteur en mètre de : 1. L’oratoire St-Joseph et 2. L’école d’optométrie en nous servant du sexant, de distance et quelques formules de trigonométrie. Identification des variables Notre variable dépendante est la hauteur du bâtiment à mesurer et la variable indépendante est l’angle à laquelle où on ne voit plus le bâtiment. La variable à contrôler est la distance qui nous sépare de l’oratoire/école d’optométrie. Schéma des édifices (de l’oratoire St-Joseph)   Cadre Théorique En nous basant

TECHNIQUES DE PRÉVISION R. Jahidi 1 Définition Prévision: Estimation de l’évolution future  d’une variable à laquelle on s’intéresse d’   i bl  à l ll     ’i té Se base sur des données de l’entreprise, de ses  partenaires, des consommateurs, et de  plusieurs organismes qui diffusent  l information  l’information  R. Jahidi 2 Utilité Permet de réduire l’incertitude pour prendre  des décisions et planifier: gestion de la production, investissements,  recrutements,.. , élaboration de budgets

de là les premières questions se forment (exp : comment évolue l’apprentissage en sport ?). Cette question est « la question de départ » de notre recherche. Ce pendant, c’est très difficile de répondre à cette question vu qu’elle comporte des variables très étalées. Dès lors, il faut essayer de là limiter en fonction des possibilités qu’on a (exp : limiter l’âge des sujets, la discipline sportive, région, etc.). Notre question de départ devient alors, comment évolue l’apprentissage chez les

de sondage:            - La base de sondage est l'ensemble des critères de base servant à définir l'échantillon. Ces critères sont des variables liées au phénomène étudié (du moins supposés l'être au moins), de préférence visibles permettant ainsi de contrôler l'échantillon. Toutefois, les variables visibles sont très limitées à l'âge ou le sexe. Des variables comme le revenu, la profession ou le milieu ne peuvent pas être visibles ?         C'est aussi la liste exhaustive des unités composant

8), et que Champion a une performance en dessous de la moyenne. Pour le reste des dimensions, Matériel et Assurance, Champion a une performance au dessus de la moyenne mais ne répond pas aux fortes attentes des clients. En globalité la performance globale de Champion est plutôt bonne malgré une insatisfaction des consommateurs. 2. Analyse de la dimension matérielle Mat1 Mat2 Mat3 Mat4 Mat5 Moyenne Attente Moyenne 6.4 5.9 6.8 6.4 5.8 6.3 Performance Moyenne 5.0 4.9 6.2 6.2 5.1 5

considère un groupe de risques sur une période fixée, et on se place dans le cadre du modèle composé. Le montant total cumulé des sinistres sur cette période s’écrit N : représente le nombre de sinistres survenus pendant la période considérée. C : La variable aléatoire parente « coût de sinistre ». ∑ Si N >0, 0 sinon. Le modèle s’est placé sous les trois hypothèses habituelles : (i) (ii) (iii) Indépendante fréquente/coût Indépendante et équidistribution des coûts de sinistres, Pas de sinistre

annuelles de 2011 à 2014. La ligne 4 est au format pourcentage à une décimale. A 1 2 3 4 5 Année Cotisation (en euros) Taux d’évolution annuel (en %) B C 2011 2012 868 976 D E 2013 1072 9,8 2014 1177 9,8 F G 1. Calculer le taux d’évolution global de sa cotisation entre 2011 et 2014, exprimé en pourcentage et arrondi à 0,1 %. 2. Quelle formule Maïlys a-t-elle pu saisir dans la cellule C4 pour y obtenir le taux annuel d’évolution de 2011 à 2012, puis par recopie vers la droite jusqu’à la cellule

Présentation adéquate pour traitement ultérieur Données aberrantes, manquantes, non réponses, Vérification des données Modification des données Description Traitement des hypothèses outliers, etc. Recodage, transformation, remplacement, création de variables Indices descriptifs : tendance centrale, dispersion, etc. Selon la méthode utilisée et les hypothèses posées : choix des tests adéquats (vérification de leurs conditions d’application) Rappels Exemple Mise en forme des données Patient vu pour

de base . . . . . . . . . . . . . . 2.5.2 Interprétations . . . . . . . . . . . . . . . 2.5.3 Critère d’optimalité . . . . . . . . . . . . 2.5.4 Adaptation à d’autres formes de modèles 2.5.5 Obtention d’une base admissible initiale . 2.5.6 Variables à valeurs quelconques . . . . . . 2.6 Dualité . . . . . . . . . . . . . . . . . . . . . . . 2.6.1 Motivation . . . . . . . . . . . . . . . . . 2.6.2 Analyse de sensibilité . . . . . . . . . . . 2.7 Notes . . . . . . . . . . . . . . . . . . .