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

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

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

Sélection- validation de modèles

Sélection- validation de modèles Sélection- validation de modèles L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 77 1 Quelques jeux de données 2 Sélection-choix de modèles Critères de choix de modèles

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

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

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

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

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

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

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

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

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

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

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

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

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

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

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

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

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

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

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

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

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

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques

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

Hélène Desmier ab, Pascale Kuntz a & Ivan Kojadinovic a. Pauc, 44306 Nantes. {prenom.nom}@polytech.univ-nantes.fr

Hélène Desmier ab, Pascale Kuntz a & Ivan Kojadinovic a. Pauc, 44306 Nantes. {prenom.nom}@polytech.univ-nantes.fr Une classification hiérarchique de variables discrètes basée sur l information mutuelle en pré-traitement d un algorithme de sélection de variables pertinentes. Hélène Desmier ab, Pascale Kuntz a & Ivan

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

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

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

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

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

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Evaluation et couverture de produits dérivés» Etudiants : Colonna Andrea Pricing d'un Call Lookback par Monte Carlo et Ponts Browniens Rapport de Projet

Plus en détail

Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves

Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves Modèle 1 (modèle vide) : GET FILE='C:\Users\Desktop\donnees stats\soutien.sav'. DATASET ACTIVATE Ensemble_de_données2.

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

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

Plus en détail

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

Plus en détail

Agrégation des portefeuilles de contrats d assurance vie

Agrégation des portefeuilles de contrats d assurance vie Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l

Plus en détail

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB PAR : MAROOF ASIM DAN BENTOLILA WISSAM ESSID GROUPE 1 LM206 Lundi 10H45 INTRODUCTION : ( Ce rapport est un compte

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

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

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

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

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

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

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

Mémoire. Benjamin Beauregard. Maîtrise en statistiques Maître ès sciences (M.Sc.) Québec, Canada

Mémoire. Benjamin Beauregard. Maîtrise en statistiques Maître ès sciences (M.Sc.) Québec, Canada Comparaison de modèles de régression logistique utilisés pour l analyse de données recueillies dans le cadre d études de type cas-témoins appariés sur le déplacement animal Mémoire Benjamin Beauregard

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

Analyse de la Variance pour Plans à Mesures Répétées

Analyse de la Variance pour Plans à Mesures Répétées Analyse de la Variance pour Plans à Mesures Répétées Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

VIII : Gestion des prévisions

VIII : Gestion des prévisions CHTIBI Chafik Une prévision est une prédiction des événements à venir qu'on utilise à des fins de planification. Les méthodes de prévision peuvent se fonder sur des modèles mathématiques utilisant 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

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

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Hervé Monod Unité MIA-Jouy en Josas INRA - Dépt Mathématiques

Plus en détail

La régression sur données de panel

La régression sur données de panel La régression sur données de panel 1 I. Définition Les données utilisées en économétrie sont le plus souvent des séries chronologiques, tel le nombre de naissances enregistrées par an dans le département

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

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

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

Econométrie. février 2008. Boutin, Rathelot

Econométrie. février 2008. Boutin, Rathelot 5ème séance Xavier Boutin Roland Rathelot Supélec février 2008 Plan Variables binaires La question y = β 0 + β 1 x 1 +...β k x k + u Que se passe-t-il lorsque y est une variable {0, 1} et non plus une

Plus en détail

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification et Philippe LERAY, Laboratoire LITIS, Rouen. Rencontres Inter-Associations La classification

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

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

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

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

Méthodes de prévision des ventes

Méthodes de prévision des ventes Méthodes de prévision des ventes Il est important pour toute organisation qui souhaite survivre dans un environnement concurrentiel d adopter des démarches de prévision des ventes pour anticiper et agir

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

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

Épreuve de mathématiques Terminale ES 200 minutes

Épreuve de mathématiques Terminale ES 200 minutes Examen 2 Épreuve de mathématiques Terminale ES 200 minutes L usage de la calculatrice programmable est autorisé. La bonne présentation de la copie est de rigueur. Cet examen comporte 7 pages et 5 exercices.

Plus en détail

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

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

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

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

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Les variables indépendantes catégorielles

Les variables indépendantes catégorielles Les variables indépendantes catégorielles Jean-François Bickel Statistique II SP08 Jusqu à maintenant, nous avons considéré comme variables indépendantes uniquement des variables intervalles (âge) ou traitées

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

Les modèles d équations structurelles à variables latentes Applications et exercices

Les modèles d équations structurelles à variables latentes Applications et exercices Les modèles d équations structurelles à variables latentes Applications et eercices Emmanuel Jakobowicz Addinsoft XLSTAT 30 mars 2011 Cours de Statistique Multivariée Approfondie 1 Le modèle structurel

Plus en détail

Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014

Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014 Les Meta-analyses Sibilia Quilici Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014 Nombre de publication en méta-analyses 8000 7000 6000 5000 4000

Plus en détail

28. Méta-analyse sur données individuelles

28. Méta-analyse sur données individuelles 28. Méta-analyse sur données individuelles La méta-analyse sur données individuelles regroupe les fichiers de données des essais. La méta-analyse est donc réalisée directement à partir des informations

Plus en détail

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07 Reconstruction et Animation de Visage Charlotte Ghys 15/06/07 1 3ème année de thèse Contexte Thèse CIFRE financée par Orange/France Telecom R&D et supervisée par Nikos Paragios (Ecole Centrale Paris) et

Plus en détail

Session B2: Assurance

Session B2: Assurance 33 èmes Journées des Économistes de la Santé Français 1 er et 2 décembre 2011 Session B2: Assurance Auteurs: Sophie Guthmuller et Jérôme Wittwer, Université Paris-Dauphine Référé: Aurore Pélissier, CERDI,

Plus en détail

TABLE DES MATIÈRES CHAPITRE

TABLE DES MATIÈRES CHAPITRE TABLE DES MATIÈRES CHAPITRE 1 Le pilotage de la performance... 17 I. Du contrôle au pilotage de la performance... 17 A. Le contrôle de gestion traditionnel... 17 B. Le pilotage de la performance... 19

Plus en détail

DU MÉTHODES STATISTIQUES EN SANTÉ (DIPLÔME D UNIVERSITÉ) - UB ISPED

DU MÉTHODES STATISTIQUES EN SANTÉ (DIPLÔME D UNIVERSITÉ) - UB ISPED DU MÉTHODES STATISTIQUES EN SANTÉ (DIPLÔME D UNIVERSITÉ) - UB ISPED Résumé de la formation Type de diplôme : DU Domaine ministériel : Santé Présentation Ce Diplôme d Université (DU) consacré à l enseignement

Plus en détail

PROGRAMME DETAILLE AU CONCOURS INTERNATIONAL D ENTREE AU CYCLE MST-A

PROGRAMME DETAILLE AU CONCOURS INTERNATIONAL D ENTREE AU CYCLE MST-A PROGRAMME DETAILLE AU CONCOURS INTERNATIONAL D ENTREE AU CYCLE MST-A A/- EPREUVE DE CULTURE GENERALE ET FRANÇAIS 1- Les problèmes du monde contemporain 2- Les grands courants de la pensée moderne 3- Exercice

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

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

ORDRE DE RÉACTION : MÉTHODES DE

ORDRE DE RÉACTION : MÉTHODES DE ORDRE DE RÉACTION : MÉTHODES DE RÉSOLUTION Table des matières 1 Méthodes expérimentales 2 1.1 Position du problème..................................... 2 1.2 Dégénérescence de l ordre...................................

Plus en détail