Centre d'Expertise pour les Données et les Analyses - CEDA

Centre d'Expertise pour les Données et les Analyses - CEDA Informations de contact, plan et itinéraire, formulaire de contact, heures d'ouverture, services, évaluations, photos, vidéos et annonces de Centre d'Expertise pour les Données et les Analyses - CEDA, Cabinet de conseil, Ouagadougou.

J’ai fait un partage où un internaute présentait l’École Nationale Supérieure de Statistique et d’Économie Appliquée (EN...
11/07/2025

J’ai fait un partage où un internaute présentait l’École Nationale Supérieure de Statistique et d’Économie Appliquée (ENSEA) comme un plan B, au cas où l’on échouerait à entrer à l’INPHB.
J’ai ri intérieurement. Je pense qu’il s’est juste trompé, de bonne foi. Rien de méchant.

J’aimerais lui dire qu’il existe même des concours internationaux organisés au sein de l’ENSEA, auxquels participent des candidats venus de l’INPHB… et qui tapent poteau.
Si ces deux écoles étaient des pays, on pourrait dire que l’INPHB, c’est les États-Unis, et l’ENSEA, la Russie (de Poutine…).

En 2014, je me souviens très bien : on a reçu chez nous un petit qui sortait de l’ENSEA.
C’était un Guinéen ou un Nigérien, je ne sais plus.
Petit, frêle, toujours souriant avec son petit laptop. Il venait faire un stage en statistiques appliquées à l’économie. Lol.

Ce petit-là… si ce n’est pas lui qui connaît les mathématiques, c’est les mathématiques qui le connaissent.
Et selon certaines indiscrétions, il était même pressenti pour devenir ministre dans son pays.

Après un court passage chez nous – un mois seulement – j’ai appris qu’il avait décroché un poste, après concours, dans une grande institution financière en France.
Aux dernières nouvelles, il travaillait dans une grosse société du CAC 40 à La Défense, comme analyste financier.
Un petit de rien du tout. À l’époque, il avait 24 ou 25 ans, je pense.

Un de mes congénère, titulaire du Bac C, lui aussi ancien de l’ENSEA avant de repartir sur les bancs pour son ingénierie, connaissait le petit.
C’est même lui qui m’a dit :
« Gbely, il y a un de nos petits chez vous, là. »
J’ai répondu : « Oui. Un certain Cheick ou Oumar, je ne sais plus. »
Il m’a dit : « Ce petit-là, c’est le premier, toutes promotions confondues. »

Lois de probabilité, analyse combinatoire, économétrie… il fata ça !

L’ENSEA, c’est ce coin toujours propre, avec le gazon bien tondu, à l’entrée nord de l’Université Houphouët-Boigny, juste en face de l’École de police.

Moi, j’ai toujours préféré tenter le concours de l’INPHB, non pas par manque d’intérêt pour l’ENSEA, mais presque par crainte.

En France, renseignez-vous sur le rôle de l’INSEE : c’est l’institution mère qui accueille généralement les élèves sortants de l’école de la statistique.

Cette école ne fait pas de bruit, mais laissez-les là où ils sont.
C’est un peu comme les fusiliers marins commandos (FUMACO) : discrets, mais ultra-efficaces.

EDIT: Je suis bien obligé de faire un Edit vu qu’on me parle d’ensemble d’ecole à L’Institut Polytechnique. Je le sais ! autrement la mention « Poly » technique n’existerait pas dans le nom. Ici c’est il est question du choix pour un candidat de choisir UNE ECOLE SPECIFIQUE de l’INP ou l’ENSEA. Cette dernière etant reléguée au « Plan B » ce qui me laisse absolument dubitatif. Le debat reste la.

Humour 😂
16/06/2025

Humour 😂

 # # # **Les Grands Statisticiens et Leurs Contributions à la Science des Données**   # # # # **1. Ronald A. Fisher (189...
11/06/2025

# # # **Les Grands Statisticiens et Leurs Contributions à la Science des Données**

# # # # **1. Ronald A. Fisher (1890–1962)**
Père fondateur de la statistique moderne, Fisher a introduit :
- L’**analyse de variance (ANOVA)**
- La **méthode des moindres carrés**
- Les **tests de signification statistique** (test de Fisher)
- La notion de **probabilité conditionnelle** (base des statistiques bayésiennes)
📖 *Ouvrage clé* : *The Design of Experiments*

# # # # **2. Karl Pearson (1857–1936)**
Pionnier des statistiques descriptives et inférentielles :
- **Coefficient de corrélation de Pearson**
- Fondements de l’**analyse des séries chronologiques**
- Contributions majeures à la **régression linéaire**

# # # # **3. Jerzy Neyman (1894–1981)**
Célèbre pour :
- La **théorie des tests d’hypothèses** (avec Egon Pearson)
- Les **intervalles de confiance**
- L’amélioration des méthodes d’**échantillonnage statistique**

# # # # **4. William Sealy Gosset (1876–1937) – "Student"**
A révolutionné l’analyse des petits échantillons avec :
- Le **test t de Student**
- Des avancées en **analyse de variance**

# # # # **5. Andrey Kolmogorov (1903–1987)**
Fondateur de la **théorie moderne des probabilités** :
- **Axiomatisation des probabilités**
- **Loi des grands nombres**
- **Espaces probabilisés**
📖 *Ouvrage clé* : *Foundations of the Theory of Probability*

# # # # **6. John Tukey (1915–2000)**
Maître de l’**analyse exploratoire des données (EDA)** :
- Invention des **boîtes à moustaches (boxplots)**
- Développement de la **transformée de Fourier discrète**
📖 *Ouvrage clé* : *Exploratory Data Analysis*

# # # # **7. George Box (1919–2013)**
Spécialiste des **modèles statistiques** :
- Modèles **ARIMA** (séries temporelles avec Jenkins)
- Citation célèbre : *"Tous les modèles sont faux, mais certains sont utiles."*

# # # # **8. David Cox (1924–2022)**
Connu pour :
- Le **modèle de Cox** (analyse de survie)
- Contributions majeures en **régression logistique**

# # # # **9. Bradley Efron (1938–)**
Inventeur du **bootstrap**, une méthode de rééchantillonnage pour estimer l’incertitude statistique sans hypothèses distributionnelles strictes.

# # # # **10. Fisher & Neyman (Synthèse)**
Leurs travaux conjoints sur :
- Les **tests d’hypothèses**
- La **p-value**
… ont posé les bases de l’**inférence statistique moderne**.

# # # **Impact et Héritage**
Ces statisticiens ont façonné des outils indispensables en :
🔹 **Science des données**
🔹 **Économétrie**
🔹 **Recherche médicale**
🔹 **Intelligence artificielle**

🔗 ** **

🎓 𝗔𝗰𝗰𝗼𝗺𝗽𝗮𝗴𝗻𝗲𝗺𝗲𝗻𝘁 𝗰𝗼𝗺𝗽𝗹𝗲𝘁 𝗽𝗼𝘂𝗿 𝗹𝗮 𝗿é𝗱𝗮𝗰𝘁𝗶𝗼𝗻 𝗱𝗲 𝗺é𝗺𝗼𝗶𝗿𝗲 𝗼𝘂 𝘁𝗵è𝘀𝗲 📚Vous êtes étudiant(e) en fin de cycle (Licence ou Master...
09/06/2025

🎓 𝗔𝗰𝗰𝗼𝗺𝗽𝗮𝗴𝗻𝗲𝗺𝗲𝗻𝘁 𝗰𝗼𝗺𝗽𝗹𝗲𝘁 𝗽𝗼𝘂𝗿 𝗹𝗮 𝗿é𝗱𝗮𝗰𝘁𝗶𝗼𝗻 𝗱𝗲 𝗺é𝗺𝗼𝗶𝗿𝗲 𝗼𝘂 𝘁𝗵è𝘀𝗲 📚

Vous êtes étudiant(e) en fin de cycle (Licence ou Master ou Doctorat) et vous préparez un mémoire ou un travail de recherche ?

Nous vous proposons un accompagnement personnalisé de A à Z :
✍️ Élaboration du protocole
📖 R***e de la littérature
📊 Collecte et analyse des données
🧾 Mise en forme académique
🎤 Préparation de la soutenance et PowerPoint

🔍 Vous pouvez aussi bénéficier de renforcements de compétences sur Word, Excel, EPI INFO, SPHINX, ODK-KOBO, SPSS, STATA, R, PowerPoint ou la méthodologie de recherche.

📍 Public cible : Étudiant(e)s en Licence 3, Master 1 ou Master 2 (toutes filières) ou Doctorat

🌍 Accompagnement à distance ou en présentiel selon votre convenance

𝗣𝗼𝘂𝗿 𝗽𝗹𝘂𝘀 𝗱'𝗶𝗻𝗳𝗼𝗿𝗺𝗮𝘁𝗶𝗼𝗻𝘀 :
WhatsApp: +226 52 65 08 55

🔍 Régression Locale : L'Outil Puissant pour Capturer des Tendances Non Linéaires dans des Données BruitéesLa régression ...
03/06/2025

🔍 Régression Locale : L'Outil Puissant pour Capturer des Tendances Non Linéaires dans des Données Bruitées

La régression locale est une méthode non paramétrique permettant d’ajuster des courbes lisses aux données en appliquant plusieurs régressions localisées. Elle est particulièrement utile pour mettre en évidence des relations non linéaires lorsque la structure exacte des données est inconnue.

> Bien utilisée, elle révèle des tendances cachées dans des données bruitées. Mal utilisée, elle peut produire des résultats trompeurs.

---

✅ Ce que la régression locale permet :

✔️ Capturer les tendances non linéaires
S’adapte aux changements dans les motifs des données sans supposer de modèle fixe.

✔️ Réduire le bruit
Lissage efficace pour faire ressortir les structures réelles.

✔️ Ajustement flexible
Le paramètre span contrôle la douceur de la courbe.

✔️ Gérer les valeurs aberrantes
L’ajustement local limite l’impact des outliers.
---

⚠️ Mais attention aux limites :

❌ Coût computationnel élevé
Demandeuse en ressources pour les grands ensembles de données.

❌ Risque de surapprentissage
Un span trop petit peut faire suivre le bruit par la courbe.

❌ Effets de bord
Moins de fiabilité aux extrémités du jeu de données.

❌ Pas d’extrapolation possible
Ne fonctionne que dans la plage observée.

--

🛠️ Outils pratiques :

🔹 En R :
loess() pour la modélisation, ggplot2 pour la visualisation. Le package locfit est recommandé pour de gros volumes.

🔹 En Python :
lowess() de statsmodels, seaborn pour la visualisation. Pour les gros jeux de données : scikit-learn avec des arbres KD.

📌 Hashtags :

Régression logistique binaire vs multinomiale : Maîtrisez l'analyse des données catégoriellesLes régressions logistiques...
26/05/2025

Régression logistique binaire vs multinomiale : Maîtrisez l'analyse des données catégorielles

Les régressions logistiques binaire et multinomiale sont deux méthodes statistiques puissantes utilisées pour analyser des données catégorielles. Bien qu'elles partagent certaines similitudes, elles s'appliquent à des types de données différents et répondent à des objectifs spécifiques.

Différences clés entre la régression logistique binaire et multinomiale

Régression logistique binaire

Utilisée lorsque la variable cible ne comporte que deux issues possibles (par exemple : oui ou non).
Elle estime la probabilité de l’une ou l’autre issue en fonction des variables explicatives.
Exemple : déterminer si un client effectuera un achat.

Régression logistique multinomiale

Extension de la précédente pour des variables cibles avec plus de deux catégories (ex. : A, B, C).
Utile pour modéliser des résultats appartenant à plusieurs groupes.
Exemple : prédire le type de produit préféré par un client.

Graphiques explicatifs

À gauche : Régression logistique binaire — deux catégories prédites selon une variable.

À droite : Régression logistique multinomiale — prédiction de trois catégories, illustrée par l’évolution des probabilités en fonction du prédicateur.

Quand tu sors de l’école :Tu jongles entre R, Python, SAS, Stata et EViews.Tu te sens prêt à modéliser l’univers et préd...
23/04/2025

Quand tu sors de l’école :
Tu jongles entre R, Python, SAS, Stata et EViews.
Tu te sens prêt à modéliser l’univers et prédire la prochaine crise économique avec une régression logistique.

Quand tu arrives au travail :
Excel devient ton meilleur ami (même si tu cherches encore la ligne de code magique).
On te demande de faire un joli graphique plutôt que de tester une hypothèse en économétrie.
Ton modèle prédictif ? Un tableau croisé dynamique.

Moralité :
Tu apprends vite que la vraie compétence, c’est d’expliquer les stats... à des gens qui n’aiment pas les stats !

  : La Côte d'Ivoire est le premier fournisseur de biens au Burkina avec un poids de 15% du total des importations.Les a...
06/04/2025

: La Côte d'Ivoire est le premier fournisseur de biens au Burkina avec un poids de 15% du total des importations.

Les aides reçues par le pays en 2023, s'élèvent à 178,7 milliards FCFA.

La Suisse est le principal client du Burkina Faso avec une part de 57,0% des exportations totales.

L’activité touristique au Burkina Faso a généré une recette de 90,4 milliards de FCFA en 2023.

Les Burkinabė vivant à l'étranger ont fait rentrer au pays 316,4 milliards FCFA en 2023. 👇👇👇👇

https://www.radarsburkina.net/index.php/fr/economie/3651-traitement-de-l-information-economique-des-journalistes-burkinabe-inities-sur-les-concepts-des-comptes-exterieurs

Radarsburkina.net

Méthodes Statistiques Non Paramétriques : Une Analyse Sans Hypothèses ContraignantesLes méthodes statistiques non paramé...
02/04/2025

Méthodes Statistiques Non Paramétriques : Une Analyse Sans Hypothèses Contraignantes

Les méthodes statistiques non paramétriques offrent des outils puissants pour analyser les données sans imposer d'hypothèses strictes sur leur distribution. Polyvalentes et adaptées à divers types de données, elles fournissent des résultats robustes, même lorsque les méthodes paramétriques classiques s’avèrent inadaptées.

Avantages des Méthodes Non Paramétriques

Flexibilité : Ces méthodes peuvent traiter des données qui ne suivent pas une distribution normale, les rendant idéales pour des situations réelles.

Robustesse : Elles réduisent le risque d’erreurs en ne reposant pas sur des hypothèses de distribution.

Applicabilité : Particulièrement utiles pour les petits échantillons, où les tests paramétriques manquent de précision.

Limites des Méthodes Non Paramétriques

Puissance réduite : Comparées aux tests paramétriques, elles peuvent présenter une moindre puissance statistique, en particulier pour les grands échantillons.

Complexité : Leur interprétation peut s’avérer plus délicate et nécessite une sélection rigoureuse de la méthode appropriée.

Coût computationnel : Pour les grands ensembles de données, les calculs peuvent être plus lourds.

Principales Méthodes Non Paramétriques

1. Test de Mann-Whitney U : Utilisé pour comparer les différences entre deux groupes indépendants.

2. Test de Wilcoxon signé-rank : Permet de comparer deux échantillons appariés ou des mesures répétées sur un même échantillon. Notez qu'il repose sur l’hypothèse de symétrie des différences, ce qui suscite des débats sur sa classification comme test non paramétrique.

3. Test de Kruskal-Wallis : Extension du test de Mann-Whitney U pour comparer plus de deux groupes indépendants.

4. Corrélation de Spearman : Évalue la force et la direction de l’association entre deux variables ordinales.

5. Test du Khi-Deux : Examine l’association entre des variables catégorielles.

Application des Méthodes Non Paramétriques

En R : Utilisez la fonction wilcox.test() pour effectuer un test de Wilcoxon et kruskal.test() pour le test de Kruskal-Wallis. Pour visualiser les résultats, le package ggplot2 est particulièrement efficace.

En Python : Le module scipy.stats est idéal pour les tests comme Mann-Whitney U et Kruskal-Wallis. Pour les visualisations, optez pour matplotlib ou seaborn.

Analyse des Séries Temporelles : Un Outil Clé pour la Prévision et la Prise de DécisionL’analyse des séries temporelles ...
25/03/2025

Analyse des Séries Temporelles : Un Outil Clé pour la Prévision et la Prise de Décision

L’analyse des séries temporelles est une méthode utilisée pour étudier des données collectées ou enregistrées à intervalles réguliers dans le temps. Elle permet d’identifier des tendances, des motifs récurrents et des fluctuations, ce qui en fait un outil essentiel en matière de prévision et d’aide à la décision, notamment dans des domaines tels que la finance, la santé ou encore le marketing.

Les avantages d'une analyse bien menée :

Prévoir des événements futurs, comme l’évolution des prix boursiers ou des conditions météorologiques, facilitant ainsi la planification stratégique.

Révéler des structures cachées, telles que la saisonnalité ou les cycles économiques, pour une prise de décision plus éclairée.

Optimiser l’allocation des ressources en anticipant la demande ou les tendances avec précision.

Les risques d'une analyse mal maîtrisée :

Conduire à des conclusions erronées, si les tendances sont mal interprétées ou si les valeurs aberrantes sont ignorées.

Être sensible au bruit présent dans les données, ce qui peut fausser l’analyse.

Souffrir d’une mauvaise qualité des données, compromettant ainsi la fiabilité des prévisions.

Une simple illustration avec une série temporelle de données aléatoires peut démontrer comment il est possible d’extraire une tendance même à partir de données bruitées, grâce à des techniques de lissage ou de filtrage.

En pratique, R et Python sont des outils puissants :

En R : les packages forecast et ts sont particulièrement efficaces pour l’analyse et la prévision.

En Python : les bibliothèques pandas et statsmodels offrent de nombreuses fonctionnalités pour la manipulation, le filtrage et les tests statistiques.

Adresse

Ouagadougou

Site Web

Notifications

Soyez le premier à savoir et laissez-nous vous envoyer un courriel lorsque Centre d'Expertise pour les Données et les Analyses - CEDA publie des nouvelles et des promotions. Votre adresse e-mail ne sera pas utilisée à d'autres fins, et vous pouvez vous désabonner à tout moment.

Partager