December’it

Vous accompagne en cette fin d’année… Joyeuses fêtes à tous!

more about "December’it", posted with vodpod

Flavour’it

more about "Flavour’it", posted with vodpod

Be 4 Lux’

more about "Be 4 Lux’", posted with vodpod

Energize your september

more about "Energize your september", posted with vodpod

August & You

more about « August & You« , posted with vodpod

July and I

more about "July and I", posted with vodpod

June it

more about "June it", posted with vodpod

Gadget/Widget Deezer pour les possesseurs de Vista

Tout est expliqué ici : http://www.generation-nt.com/gadget-mydeezer-telechargement-755121.html

Widget Deezer Adobe Air

Voici un petit lien intéressant pour les fans de Deezer, qui souhaitent écouter leurs playlists depuis leur bureau…

Bonjour,

Voici un petit module Adobe Air pour Deezer.
Air permet d’apporter du contenu Flash ou Ajax sur le bureau sous form de Widget.

Vous devez télécharger Adobe Air pour utiliser le Widget (15 mo) : http://get.adobe.com/fr/air/

Deezer Air Player 0.1 (26 ko) : http://www.quezako.com/files/Deezer.air

Versions
Deezer Air Player 0.1 :
- fenêtre de paramètres : id playlist, id user, langue, autoplay
- les paramètres sont sauvegardés

Todo
- fenêtre d’aide
- copier directement lien entier d’une playlist
- ajouter les smartradios
- ajouter le grand player
- ajouter les options de couleurs

Alors il s’agit d’une première version, qui sera donc améliorée… Il est vrai que le design n’est pas top, la non réduction de la fenêtre à côté de l’horloge ne présente pas d’avantage par rapport à une fenêtre internet mais c’est rapide au chargement! L’intérêt de ce widget n’est pas de remplacer le site alors c’est bien normal de ne pas retrouver tout à l’identique comme sur le site!

En attendant la prochaine fenêtre d’aide : pour récupérer votre identifiant et votre numéro de playlist, sur le site, sélectionnez une playlist, cliquez sur partager et copiez/collez la séquence après « &id= » pour l’identifiant d’utilisateur et celle après « path= » pour l’identifiant de la playlist que vous souhaitez écouter…

Modèle de régression

• La première statistique à regarder est le test de nullité simultanée des coefficients, test de Fisher, qui permet de savoir si au moins une variable joue bien son rôle de variable explicative (rejet du test) ou si le modèle est bon à mettre à la poubelle (acceptation du test). Non disponible ici…

• Le R² , coefficient de détermination, est une mesure de l’adéquation du modèle aux données observées, c’est la part de variance expliquée par le modèle[1]. Il est compris entre 0 et 1 lorsque le modèle possède une constante. Plus il est proche de 1, plus le modèle est bon.

L’inconvénient majeur est que le R² augmente mécaniquement avec l’augmentation du nombre de variables dans le modèle. Donc le R² est inopérant lorsque l’on veut comparer des modèles comportant un nombre différent de variables. Dans ce cas, on peut utiliser le coefficient de détermination ajusté :

Où est n est le nombre d’observations et p le nombre de régresseurs (variables explicatives du modèle).

• Pour savoir quelles variables sont significativement différentes de 0 (test de Student d’égalité du paramètre associée à la variable à zéro), on compare la p-value ou p-valeur  (degré de signification ie probabilité que les différences observées dans l’échantillon n’existe pas dans la population) à α=0.05 (ie à 95%). T de Student=valeur du coefficient/ écart-type pour chaque variable et la p-value est la probabilité que sous H₀ la statistique de test T de Student prenne une valeur au moins aussi extrême que celle observée.

-  Dans un test unilatéral avec W = {T > z} alors pvalue = P(T > tobs|H₀)

-  Dans un test bilatéral avec W = {|T| > z} alors pvalue = 2P(T > tobs |H₀), si tobs > E(T ).

=>Règle de décision :

-   Si pvalue < α : rejet de H₀ donc le coefficient est significativement différent de 0.

-   Sinon on ne rejette pas H₀ donc on accepte l’hypothèse nulle donc la nullité du coefficient associé à la variable, qui n’explique donc pas la variable à expliquer.

Remarque : on préfère l’erreur de 1^ere espèce α car β, l’erreur de 2^eme espèce est difficile à évaluer.

• On peut écrire le modèle :

On plusieurs (p=2) régresseurs susceptibles d’expliquer la variable « y » et n observations

y₁, · · · , y_n pour la variable expliquée, et pour chaque observation, l’observation correspondante (x₁₁, · · · , x_1p), · · · , (x_n1, · · · , x_np) des p régresseurs ; on suppose que le modèle s’écrit pour l’observation i :

où :

H1, les ε_i sont centrées ie E(ε_i)=0 ;

H2, les ε_i sont non correlées ie cov(ε_i ε_j )=0 pour i différent de j;

H3 (homoscédasticité), les ε_i i ont même variance (inconnue) σ².

Objectif (technique) : expliquer au mieux les y_i comme combinaison linéaire des régresseurs, c’est-à-dire minimiser (méthode des Moindres au Carré Ordinaire MCO) :

---

[1] Il existe d’autres critères pour comparer des modèles : AIC, BIC, …