Statistique d'analyse de données industrielles

• Savoir mener :

- une Régression Linéaire Multiple
- une Analyse en Composantes Principales
- une Régression PLS
- une Analyse de Variance Multiple

• Disposer pour chacune de ces méthodes :

- de ses cas d’emplois
- d’une démarche rigoureuse d’investigation
- des clés d’interprétation et de critique de leurs résultats
- d’une connaissance de leurs limites

• Savoir choisir l’outil statistique adapté à sa problématique industrielle

Régression linéaire multiple (RLM)
- Structure des données et principes de base
- Diagnostic de la structure des données
- Choix du modèle
- Choix des coefficients à retenir et validation globale du modèle
- Le traitement des facteurs qualitatifs
- Les graphiques liés à la régression
- Optimisation

Analyse en composantes principales (ACP)
- Structure des données et principes de base
- Rappels sur la notion de corrélation
- Interprétation de la projection des variables et qualité de représentation
- Interprétation de la projection des individus et qualité de représentation
- Le traitement des variables qualitatives

Application de la régression PLS sur la base de l’exemple montrant les limites de la RLM
- Choix du nombre d’axes
- Interprétation des résultats statistiques
- Prise en compte de facteurs qualitatifs
- Validation du modèle

Analyse de variance multiple
- Structure des données et principes de base
- Diagnostic de la structure des données
- Choix des effets à retenir et validation globale du traitement
- Place de la dispersion expérimentale
- Les graphiques liés à l’analyse de variance

Justification de l’intérêt de la planification expérimentale