Analyse de données longitudinales continues avec applications

Dimension: px
Commencer à balayer dès la page:

Download "Analyse de données longitudinales continues avec applications"

Transcription

1 Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1

2 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4. Modèle de régression multivariée 5. Application financière 6. Modèle linéaire en 2 étapes 7. Modèle linéaire à effets mixtes 8. Modèle pour la covariance résiduelle 9. Estimation et inférence pour le modèle mixte 10. Recommendations pour la construction de modèles 11. Le problème des données manquantes 12. Application médicale 1

3 Introduction Mesures répétées : Mesures obtenues lorsqu une réponse est mesurée de façon répétitive sur un ensemble d unités (sujets, machines,...) Ex : Mesure de la PAS sur un patient, sous différentes conditions (assis, couché, après un effort,...). Cas particulier : données longitudinales mesures répétées dans le temps sur un ensemble d unités. Ex : Mesure de la PAS sur un groupe de patients, toutes les semaines. Données balancées : Mesures prises à intervalles réguliers Même nombre de mesures par sujet recherché dans le design d expériences 2

4 En général : données non balancées (données manquantes, données observationnelles, mauvaise compliance, problèmes techniques,...) nécessité de développer des méthodes tenant compte de ce déséquilibre Dans la suite : réponse continue, unités sujets. 3

5 Exemples Problème financier Données récoltées dans un guide BBL Info Sicav Sicav, évaluées chaque année (de 1997 à 2001) Réponse d intérêt : performance (return) Covariables : type de Sicav (trésorerie, obligation, action, mixte) 4

6 Problème médical (L. Erpicum) Données récoltées par un médecin généraliste Patients souffrant d hypertension Réponses d intérêt : pressions artérielles systolique (PAS), diastolique (PAD) et fréquence cardiaque (FREQ) Covariables : age, sexe, intervalles de temps entre deux visites, médicaments antihypertenseurs prescrits 5

7 6

8 Méthodes simples Méthodes simples de résumé de l information Ne prennent pas en compte la structure de corrélation entre les observations 7

9 8

10 Analyse à chaque temps d observation Données analysées à chaque occasion séparément simple à interpréter utilise toute l info ne considère pas les différences globales ne permet d étudier les différences d évolution nécessite des données balancées Analyse de l aire sous la courbe (AUC) Comparaison des aires sous la courbe des profils des sujets ne nécessite pas des données balancées comparaison de différences globales n utilise que de l info partielle problèmes de comparaisons 9

11 Analyse des dernières observations Comparaison des mesures prises à la dernière occasion ne nécessite pas des données balancées n utilise que de l info partielle valide uniquement pour de grands ensembles de données ne compare pas les profils 10

12 Modèle de régression multivariée Modèle utilisé principalement lorsque les données sont balancées Y i = vecteur des n mesures répétées pour sujet i : Y i1 Y i =. Y in Modèle multivarié général : Y i satisfait où Y i = X i β + ε i X i : matrice des covariables β : vecteur des paramètres de régression ε i : vecteur des erreurs, ε i N(0, Σ) En général, Σ est une matrice n n sans structure spécifique. Cependant, différentes structures simples existent (ex : Σ = σ 2 I n ). 11

13 Estimation : Si on suppose l indépendance entre sujets, β et les paramètres dans Σ peuvent être estimés en maximisant L ML = n i=1 exp { (2 π) n 2 Σ 1 2 ( 1 )} 2 (Y i X i β) Σ 1 (Y i X i β) par rapport à β et à Σ. Inférence : tests sur les valeurs des paramètres de β : test de Wald test du rapport de vraisemblance (likelihood ratio, LR) 12

14 Application financière Données 22 Sicav BBL, évaluées annuellement de 1997 à 2001 Covariable : type de Sicav (trésorerie, obligation, action, mixte) Réponse : return (performance), fonction du ratio de valeurs des Sicav Données balancées Modèle Création de la variable time, codant les années de 1 à 5 Inclusion d un terme time 2 Type de Sicav codé par type Toutes les paires d interactions incluses Matrice de covariance unstructured : Σ = (σ ij ) 1 i 5 1 j 5 13

15 Modèle final : P erf t β 0 + β 1 time 2 t + β 2j type j +β 3j time t type j + β 4 time t time 2 t Param. Est. Param. Est. Param. Est. β β β β β 24 0 β β β β β β

16 Modèle linéaire en 2 étapes En général, les données sont non balancées techniques de régression multivariée inappliquables Souvent, les profils longitudinaux peuvent être bien approximés par des fonctions de régression linéaire Formulation d un modèle en 2 étapes : Etape 1 : modèle de régression linéaire pour chaque sujet séparément Etape 2 : expliquer la variabilité dans les coefficients de régression (spécifiques aux sujets) à l aide de covariables connues Y ij : réponse du sujet i (i = 1,...,N) mesurée au temps j (j = 1,..., n i ) Y i = (Y i1, Y i2,..., Y ini ) vecteur de réponse pour sujet i 15

17 Etape 1 : Y i = Z i β i + ε i Z i : matrice n i q de covariables β i : vecteur de dimension q de coef. de régression (spécifiques au sujet i) ε i N(0, Σ i )(souvent, Σ i = σ 2 I ni ) Ces modèles décrivent la variabilité dans chaque série d observations Etape 2 : β i = K i β + b i K i : matrice q p de covariables β : vecteur de dimension p de coef. de régression b i N(0, D) Ces modèles décrivent la variabilité entre les sujets 16

18 Modèle linéaire à effets mixtes Introduction Modèle en 2 étapes : Y i résumé par ˆβ i ˆβ i analysés ensuite procédure utilisant des mesures résumées de l info problème Solution : combiner les deux modèles en un seul : } Y i = Z i β i + ε i Y β i = K i β + b i = Z i K i β + Z i b i + ε i i Y i = X i β + Z i b i + ε i b i N(0, D) ε i N(0, Σ i ) b 1,..., b N, ε 1,..., ε N indép. β : effets fixes b i : effets aléatoires Composantes de la variance : éléments de D et Σ i 17

19 Modèle hiérarchique vs Modèle marginal Y i = X i β + Z i b i + ε i a deux interprétations : modèle hiérarchique : 1 modèle pour Y i, étant donné b i 1 modèle pour b i Y i b i N(X i β + Z i b i, Σ i ) b i N(0, D) Interprétation en termes d effets aléatoires modèle marginal : Y i N(X i β, Z i D Z i + Σ i ) Pas d effets aléatoires 18

20 Modèle pour la covariance résiduelle Souvent, Σ i = σ 2 I ni indépendance conditionnelle : aux b i, les Y i sont indépendants conditionnellement En présence de peu ou pas d effets aléatoires, l indépendance conditionnelle est irréaliste adapter Σ i Modèle souvent utilisé : Y i = X i β + Z i b i + ε (1)i + ε (2)i } {{ } ε i b i : variabilité entre sujets ε (1)i : erreur de mesure ε (2)i : composante de la corrélation de série ε (2)i représente la conviction qu une partie du profil du sujet i est dû à un processus stochastique variable au cours du temps et opérant sur chaque individu résulte en une corrélation entre les mesures de la série, généralement décroissante avec l intervalle de temps entre les mesures 19

21 Estimation et inférence pour le modèle mixte Estimation Y i = X i β + Z i b i + ε i β : vecteur des effets fixes α : vecteur des composantes de la variance de D et Σ i Fonction de vraisemblance (marginale) : L ML = n i=1 { (2 π) n i 2 V i (α) 1 2 exp ( 1 )} 2 (Y i X i β) V i (α) 1 (Y i X i β) Si α est connu, ( N ) 1 ˆβ(α) = X i W i X i où W i = V 1 i i=1 = (Z i D Z i + Σ i) 1 N X i W i Y i, i=1 En général, α est inconnu ˆα Estimation par ML Estimation par REML (plus efficace mais...) 20

22 Inférence 1. Effets fixes et composantes de la variance : LR test Wald test 2. Effets aléatoires : Effets sont aléatoires on utilise une approche bayésienne Estimation des effets aléatoires possible ; tests de Wald peuvent être dérivés tests pour la nécessité d effets aléatoires : LR tests avec mixture de distributions χ 2 3. Critère d information (Akaike Information Criterion, AIC) : Comparaison de deux modèles avec des structures (moyenne et covariance) différentes Modèle A est préféré à Modèle B si l accroissement en vraisemblance (de A à B) est faible comparé à l accroissement de complexité 21

23 Recommendations pour la construction de modèles Y i = X i β + Z i b i + ε i Structure moyenne préliminaire X i β Compromis entre structure riche, mais inefficace, et structure simple mais irréaliste Choisir la structure la plus élaborée, basée sur des outils observationels (ex : lissage des données pour obtenir une tendance au cours du temps) Structure préliminaire des effets aléatoires Z i b i Même principe qu avec la structure moyenne Utilisation d outils d observation des données Respecter des règles de consistence (ex : ne pas incorporer des termes d ordre p sans avoir inclus des termes d ordre q < p) 22

24 Structure de covariance résiduelle Σ i En général, Σ i = σ 2 I ni Si corrélation de série : ε (2)i N(0, τ 2 H i ) En général : (H i ) j,k = g( t ij t ik ) pour une fonction g(.) décroissante, avec g(0) = 1 Choix possibles : corrélation de série exponentielle : g(u) = exp( φ u) corrélation de série gaussienne : g(u) = exp( φ u 2 ) Réduction de la structure des effets aléatoires Utilisation des outils inférentiels pour les effets aléatoires Utilisation des outils inférentiels pour les composantes de la variance réduction de la structure moyenne Utilisation des outils inférentiels pour la réduction de la structure moyenne 23

25 Le problème des données manquantes Notations Mesures : Y ij Indicateur de disparition : R ij = Y o i : vecteur des Y ij tels que R ij = 1 Y m i : vecteur des Y ij tels que R ij = 0 Y i = (Y o i, Y m i ) Patterns : { 1 si Yij observé 0 sinon disparition (dropout) : monotone non-monotone Si dropout, D i : moment du dropout f(y i, D i θ, ψ) avec θ les paramètres du processus de mesure, et ψ ceux du processus de disparition 24

26 Processus de données manquantes f(d i Y o i, Y m i, ψ) MCAR (Missing Completely At Random) : processus de données manquantes indépendant des mesures : f(d i ψ) MAR (Missing At Random) : processus de données manquantes indépendant des données manquantes, peut-être dépendant des mesures observées : f(d i ψ, Y o i ) MNAR (Missing Non At Random) : processus de données manquantes dépend des données manquantes : f(d i ψ, Y o i, Y m i ) 25

27 Que faire? Analyse des profils complets Ne considérer que les profils complets (sans données manquantes) méthode simple logiciels courants utilisables perte d information considérable non valide sous MAR Imputation (méthodes simples) 1. Reporter la dernière observation méthode d imputation simple analyse facile hypothèse que la mesure reste la même lorsque non observée information estimée imprécision sous-estimée, biais créé 26

28 2. Remplacer la mesure Y ij manquante par Y j, moyenne de la variable au temps j algorithmes existent (p.ex. EM) hypothèse moins forte que la précédente nécessite MCAR Analyse des cas disponibles Utiliser toute l information disponible Inférence basée sur la fonction de vraisemblance correcte, si 1. le mécanisme est MAR 2. les paramètres décrivant le processus de données manquantes sont différents de ceux du processus de mesure l analyse à effectuer!! 27

29 Application médicale Données 227 patients (100 hommes et 127 femmes) examinés entre le 1/1/2000 et le 15/5/ à 32 visites par patient 1 à 4 classes de médicaments prescrits (classification ATC) Covariables : âge au moment de la visite, intervalles de temps entre deux visites, combinaisons de classes de médicaments, réponse précédente observée Réponses d intérêt : PAS, PAD, FREQ Modèle Modèle linéaire mixte Structure moyenne : toutes les covariables Effets aléatoires : intercept et âge pour PAS, age 2 en plus pour PAD et FREQ Structure de covariance : structure simple, à la fois pour D et pour Σ i : σ 2 I ni 28

30 Résultats Structure moyenne uniquement considérée ici 1. PAS : P AS t β 0 + β 1 age t + β 2 P AS t 1 + β 3 drug 789 Param. Est. Param. Est. β β β β Evolution linéaire, légèrement croissante Pas d effet du sexe, ni des intervalles de temps entre 2 visites 29

31 2. PAD : P AD t β 0 + β 1 age t + β 2 age 2 t + β 3 P AD t 1 Param. Est. Param. Est. β β β β Evolution quadratique au cours du temps Pas d effet du sexe, ni des intervalles de temps entre 2 visites Pas d effet des classes de médicaments 30

32 3. FREQ : F REQ t β 0 + β 1 F REQ t 1 + β 2 drug 9 Paramètre Estimation β β β Pas d évolution précise au cours du temps Pas d effet du sexe, ni des intervalles de temps entre 2 visites Conclusions Résultats en accord avec la littérature internationale Structures de covariance limitées (problèmes informatiques) Pas d interaction entre covariables (problèmes informatiques) Suggestion : développer une expérience avec un protocole bien défini données balancées, précision assurée,... 31

33 En guise de conclusion... Données longitudinales : large champ d investigation Modèles mixtes : permettent l analyse de plusieurs profils en même temps permettent de modéliser la variation spécifique aux sujets Implémentation courante dans le logiciel SAS Problèmes de convergence informatique apparaissent souvent Fonctionnement optimal : moins de 10 observations successives dans le temps ; nombre de sujets illimité (le plus possible...) 32

34 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS Résumé Données longitudinales est un terme générique pour désigner des mesures répétées dans le temps, effectuées sur un ensemble de sujets ou d objets. Nous considérons ici des réponses continues. Diverses méthodes simples d analyse de telles données existent : étude des dernières observations (endpoints), l aire sous la courbe (AUC),... Malheureusement, ces méthodes ne prennent pas en compte la structure de corrélation sous-jacente aux données. Lorsque les données sont balancées, les modèles de régression multivariée peuvent être utilisés. L estimation des paramètres et l inférence statistique se font généralement sur base du maximum de vraisemblance. Néanmoins, la plupart des données longitudinales réelles ne sont pas balancées. Dans ce cas, l utilisation de modèles linéaires mixtes est recommandée. La variabilité entre sujets est dès lors décrite par des effets aléatoires, et à nouveau, des méthodes basées sur la fonction de vraisemblance existent pour procéder à l estimation et à l inférence, liées au modèle mixte. La problématique des données manquantes sera abordée de façon générale. Diverses méthodes de résolution sont présentées et commentées. Finalement, deux applications, l une ayant trait au domaine médical, l autre au secteur financier, permettront d illustrer nos propos. 1

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Analyse des données longitudinales

Analyse des données longitudinales Analyse des données longitudinales EA Sauleau SémStat 03/10/2006 Table des matières 1 Introduction 2 1.1 Généralités 2 1.2 La structure des données.. 3 1.3 Exemple.. 4 1.4 Des impasses.. 4 2 (M)ANOVA 4

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage

Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

Eléments de statistique Introduction - Analyse de données exploratoire

Eléments de statistique Introduction - Analyse de données exploratoire Eléments de statistique Introduction - Louis Wehenkel Département d Electricité, Electronique et Informatique - Université de Liège B24/II.93 - L.Wehenkel@ulg.ac.be MATH0487-2 : 3BacIng, 3BacInf - 16/9/2014

Plus en détail

La régression logistique généralisée avec la procédure LOGISTIC

La régression logistique généralisée avec la procédure LOGISTIC La régression logistique généralisée avec la procédure LOGISTIC 1 Sommaire I / Régression logistique généralisée 3 a. Introduction 3 b. Présentation de l exemple à étudier 3 II / Modélisation avec la proc

Plus en détail

IBM SPSS Advanced Statistics

IBM SPSS Advanced Statistics IBM SPSS Statistics 19 IBM SPSS Advanced Statistics Une analyse plus précise des relations complexes Avantages commerciaux Allez au-delà de l'analyse de base Créez des modèles flexibles grâce aux multiples

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Formulaire de Mathématique

Formulaire de Mathématique COLLECTION LES LEXIQUES DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Formulaire de Mathématique par Xavier Chauvet LEXIQUE N 17 COLLECTION DIRIGÉE PAR

Plus en détail

Les échanges bilatéraux entre les nations : Une approche linéaire mixte des modèles gravitationnels* Kamel Ghaddab 1

Les échanges bilatéraux entre les nations : Une approche linéaire mixte des modèles gravitationnels* Kamel Ghaddab 1 Les échanges bilatéraux entre les nations : Une approche linéaire mixte des modèles gravitationnels* Kamel Ghaddab 1 Ahmed Silem 2 Introduction Dans le cadre de la détermination empirique de la composition

Plus en détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

Analyse de données catégorielles

Analyse de données catégorielles 1 Analyse de données catégorielles Ce cours est librement inspiré du livre de Agresti ([1]), ainsi que du livre [2]. Il reprend par ailleurs des parties et des graphiques issues du cours de Patrick Taffé

Plus en détail

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

Plus en détail

Chapitre 9 ANALYSE MULTIDIMENSIONNELLE

Chapitre 9 ANALYSE MULTIDIMENSIONNELLE Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 9 ANALYSE MULTIDIMENSIONNELLE L analyse des données multidimensionnelles regroupe un ensemble de méthodes

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. UE Modélisation pour la biologie STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres

Plus en détail

Exercice : la frontière des portefeuilles optimaux sans actif certain

Exercice : la frontière des portefeuilles optimaux sans actif certain Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

STAT0162-1 Analyse statistique de données qualitatives et quantitatives en sciences sociales. Transparents Philippe Lambert

STAT0162-1 Analyse statistique de données qualitatives et quantitatives en sciences sociales. Transparents Philippe Lambert STAT0162-1 Analyse statistique de données qualitatives et quantitatives en sciences sociales Transparents Philippe Lambert http : //www.statsoc.ulg.ac.be/quali.html Institut des Sciences Humaines et Sociales

Plus en détail

Modèles pour données répétées

Modèles pour données répétées Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01) (19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4

Plus en détail

NOUVELLES MESURES DE DÉPENDANCE POUR

NOUVELLES MESURES DE DÉPENDANCE POUR NOUVELLES MESURES DE DÉPENDANCE POUR UNE MODÉLISATION ALPHA-STABLE. Bernard GAREL & Bernédy KODIA Institut de Mathématiques de Toulouse et INPT-ENSEEIHT Xèmmes Journées de Méthodologie Statistique de l

Plus en détail

Les bases de la statistique bayésienne

Les bases de la statistique bayésienne Les bases de la statistique bayésienne Jean-Michel Marin I3M, Université Montpellier 2, Montpellier & CREST, INSEE, Paris et Christian P. Robert Université Paris Dauphine, Paris & CREST, INSEE, Paris Résumé

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

Le modèle de régression linéaire

Le modèle de régression linéaire Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le

Plus en détail

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN- Introduction au modèle linéaire mixte Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN-R du MNHN 18 Décembre 2008 Introduction au modèle linéaire

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

IBM SPSS Regression 21

IBM SPSS Regression 21 IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics

Plus en détail

REGRESSION LOGISTIQUE ASSURES BELGES

REGRESSION LOGISTIQUE ASSURES BELGES REGRESSION LOGISTIQUE ASSURES BELGES Cte étude concerne l assurance automobile. L échantillon est constitué de 1106 assurés belges observés en 1992 répartis en deux groupes. Les assurés qui n ont eu aucun

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3

Plus en détail

ECOLE SUPERIEURE DE COMMERCE D ALGER

ECOLE SUPERIEURE DE COMMERCE D ALGER MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE ECOLE SUPERIEURE DE COMMERCE D ALGER PROGRAMME DE LICENCE EN SCIENCES COMMERCIALES ET FINANCIERES OPTION : FINANCE ( applicable à partir

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)

Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle

Plus en détail

Coefficient. 1 ère année. 2 ème année. 3 ème année. 4 ème année. Volume horaire par semaine (Cours magistral)

Coefficient. 1 ère année. 2 ème année. 3 ème année. 4 ème année. Volume horaire par semaine (Cours magistral) 1 ère 2 ème 3 ème 4 ème Université Mouloud MAMMERI de Tizi-Ouzou Faculté des Sciences Economiques et de Gestion Département : Sciences de Gestion Programme des études Enseignements Volume horaire par semaine

Plus en détail

Formulaire de Maths. par Xavier Chauvet C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 10

Formulaire de Maths. par Xavier Chauvet C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 10 C OLLECTION LES MÉMENTOS DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Formulaire de Maths par Xavier Chauvet MÉMENTO N 10 Les Mémentos de l INSEEC Depuis

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Modèles et Méthodes de Réservation

Modèles et Méthodes de Réservation Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E

Plus en détail

AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678

AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678 Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées

Plus en détail

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Génia Babykina 1 & Simon Cauchemez 2 1 Université de Lille, Faculté Ingénierie

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés M1 MLG Année 2012 2013 Feuille de TP N 3 : Modèle log-linéaire - Travail guidé 1 Cancers : modèle log-linéaire à deux facteurs croisés Ce premier exercice reprend l exercice 1 de la feuille de TD n 3.

Plus en détail

Analyse de scénarios à risque élevé au moyen de copules balayant tout le spectre de dépendance d extrémité

Analyse de scénarios à risque élevé au moyen de copules balayant tout le spectre de dépendance d extrémité Analyse de scénarios à risque élevé au moyen de copules balayant tout le spectre de dépendance d extrémité Une commandite de la Section conjointe CAS/ICA/SOA sur la gestion du risque par Lei Hua Michelle

Plus en détail

Classe de première L

Classe de première L Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous

Plus en détail

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION

Plus en détail

Eléments de Statistique. Jean VAILLANT

Eléments de Statistique. Jean VAILLANT Eléments de Statistique Jean VAILLANT Septembre 2010 2 Table des matières 1 Initiation à la théorie de l échantillonnage 5 1.1 Notions de base en échantillonnage............... 5 1.1.1 Population, individu

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Théorie des sondages : cours 5

Théorie des sondages : cours 5 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA

Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA Analyse de la variance ANOVA Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3 Exemple. Analyse

Plus en détail

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous

Plus en détail

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Eric Parent, Edouard Kolf le 20 décembre 2012, AppliBUGS, Paris Contents 1 Exemple du championnat de football 2 3

Plus en détail

Analyse de données fonctionnelles avec le paquet fda

Analyse de données fonctionnelles avec le paquet fda Analyse de données fonctionnelles avec le paquet fda Christophe Pouzat Jeudi 29 mars 2012 Outline Introduction Des données brutes aux fonctions Analyse de l échantillon de fonctions Sommaire Introduction

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse M1 IMAT, Année 2009-2010 MODELES LINEAIRES C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse Table des matières 1 Préambule 1 1.1 Démarche statistique...................................

Plus en détail

Les mathématiques appliquées de la finance

Les mathématiques appliquées de la finance Les mathématiques appliquées de la finance Utiliser le hasard pour annuler le risque Emmanuel Temam Université Paris 7 19 mars 2007 Emmanuel Temam (Université Paris 7) Les mathématiques appliquées de la

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

Application des modèles linéaires généralisés mixtes à un problème forestier

Application des modèles linéaires généralisés mixtes à un problème forestier Application des modèles linéaires généralisés mixtes à un problème forestier Présenté par Oumar Samba LY Sous la direction de Christian GENEST Et la codirection de Michèle BERNIER-CARDOU REMERCIEMENTS

Plus en détail

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

Évaluation de la régression bornée

Évaluation de la régression bornée Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement

Plus en détail

Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.

Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des

Plus en détail