Industrial Data Analysis Course

Find cause and effect relationships & correlations in a data table

Interpret test or production results.

Online Courses

Analyse de données e-learningstats

icon time

Duration

14 hours

icon time

250€ HT

/person

Free trialFree trial
CheckoutCheckout

Objectives

  • Prouver la validitĂ© d’une hypothĂšse par un test statistique et interprĂ©ter le rĂ©sultat.
  • Comprendre l’utilisation des statistiques descriptives et infĂ©rentielles.
  • Savoir utiliser le bon test statistique.
  • Comprendre la diffĂ©rence entre une rĂ©gression simple et une rĂ©gression multiple (linĂ©aire et non linĂ©aire).

For whom

Cette formation e-learning analyse de données est destinée aux ingénieurs agents de maßtrise ou techniciens qui ont des résultats de production ou d'essais à interpréter, ou qui recherchent des relations de causes à effets ou des correlations dans un tableau de données.

Prérequis

  • Bases de l'usage d'internet et d'un navigateur web.
  • Un titre de niveau III et /ou une premiĂšre expĂ©rience professionnelle de 2 ans.
  • Pas de compĂ©tences prĂ©alables en statistique requises.

Durée

14 heures d'e-Learning 100% animé, quizz entraßnement à la certification, mise en oeuvre des points théoriques sur simulateurs industriels. L'e-Learning est disponible 7j/7 24h/24 pendant 1 mois pour cette formation.

Accessibilité

Cette formation est accessible aux personnes en situation de handicap, merci de nous contacter pour les possibilitĂ©s d’amĂ©nagement spĂ©cifiques. Nous mettrons tout en Ɠuvre pour vous accueillir.

Free trialFree trial
CheckoutCheckout

Program

Statistiques descriptives, Graphiques

  • Situer l’intĂ©rĂȘt de la reprĂ©sentation graphique
  • Cas des variables quantitatives
  • Cas des variables qualitatives
  • Cas mixte quantitatif/qualitatif

Statistiques descriptives, lois discrĂštes

  • Bases en probabilitĂ©s
  • La loi binomiale, la loi HypergĂ©omĂ©trique et la loi de Poisson
  • ContrĂŽle par prĂ©lĂšvement simple

Statistiques descriptives, lois continues

  • Origine de la loi de Gauss
  • Les paramĂštres d’une loi de Gauss
  • Valider l’hypothĂšse de normalitĂ©
  • Tester la prĂ©sence de valeurs aberrantes
  • Loi de Student
  • Analyse de normalitĂ© Skewness et Kurtosis
  • Loi de distribution des moyennes et intervalle de confiance
  • Loi de distribution des variances et intervalle de confiance

Statistiques Inférentielles

  • Les diffĂ©rents tests d’hypothĂšses
  • Les risques alpha et beta
  • Puissance d’un test

Comparaison de fréquences

  • DiffĂ©rents tests
  • Comparer une frĂ©quence Ă  une frĂ©quence thĂ©orique (1P)
  • Comparer deux frĂ©quences (2P)
  • Comparer plus de deux frĂ©quences (tableau d’indĂ©pendance)

Comparaison de Moyennes

  • Comparer une Moyenne Ă  une Moyenne thĂ©orique (z et t thĂ©orique)
  • Comparer deux Moyennes (t)
  • Comparer plus de deux Moyennes (ANAVAR)
  • Savoir dissocier les cas appariĂ©s

Comparaison de Variances

  • Comparer une Variance Ă  une Variance thĂ©orique
  • Comparer deux Variances
  • Comparer plus de deux Variances

Tests non paramétriques

  • Comprendre l’intĂ©rĂȘt des tests non paramĂ©triques
  • Principe des principaux tests non paramĂ©triques
  • Exemples simples de tests non paramĂ©triques (signes et B to C)
  • Application aux mesures sensorielles
  • Comparaison thĂ©orique et appairĂ© : Test de Wilcoxon
  • Comparaison de deux populations : Test Mann Whitney
  • Comparaison de plus de deux population Test de Krustal-Wallis, Mood, Friedman, Page

RĂ©gression simple

  • Principes et calculs
  • Tests d’hypothĂšses sur les coefficients
  • InterprĂ©tation du RÂČ
  • RĂ©gression non linĂ©aire

RĂ©gression multiple

  • Principes, calculs et interprĂ©tation
  • IntĂ©rĂȘt de la rĂ©gression multiple
  • Cas de rĂ©ponses non linĂ©aires
  • Cas de facteurs qualitatifs

Your feedback