partie a Introduction à la statistique 1
|
|
- Jean-Claude Aubé
- il y a 8 ans
- Total affichages :
Transcription
1 table des matières F AVANT-PROPOS À L ÉDITION AMÉRICAINE Abréviations viii xiv partie a Introduction à la statistique 1 1. Statistique et probabilité ne sont pas intuitives 3 Nous avons tendance à passer directement aux conclusions 3 Nous avons tendance à être trop confiants 3 Nous voyons des structures dans des données aléatoires 4 Nous ne nous rendons pas compte que les coïncidences sont fréquentes 6 Nous avons des intuitions fausses à propos des probabilités 6 Nous évitons de réfléchir à des situations ambiguës 6 Il nous est difficile de combiner des probabilités 7 Nous ne faisons pas de calculs bayésiens intuitivement 8 Ne soyons pas dupés par les comparaisons multiples 9 Nous avons tendance à ignorer les explications alternatives 10 Nous sommes dupés par la régression vers la moyenne Pourquoi la statistique peut être difficile à étudier 14 Raison 1 : crainte des maths 14 Raison 2 : terminologie prêtant à confusion 14 Raison 3 : pensée abstraite 15 Raison 4 : probabilité, pas certitude De l échantillon à la population 17 Les calculs statistiques permettent de généraliser de l échantillon à la population 17 Ce que les calculs statistiques ne peuvent pas faire 18 Les conclusions statistiques sont toujours vagues 19
2 482 table des matières Jargon : modèles et paramètres 20 Jargon : probabilité versus statistique 20 Essais n-de-1 20 partie b Intervalles de confiance Intervalle de confiance d une proportion 25 Exemple : décès d enfants prématurés 25 Exemple : sondage électoral 26 Hypothèses : intervalle de confiance d une proportion 27 Que signifie réellement une confiance de 95 %? 28 Qu est-ce que 95 % a de spécial? 30 Que faire si les hypothèses sont violées? 30 Quantifie-t-on réellement l événement auquel on s intéresse? 31 Jargon 31 Comment ça marche : ic d une proportion 32 Comment : calculer approximativement des IC s 34 Perspectives : paramètres et modèles Intervalle de confiance des données de survie 38 Données de survie 38 Données de survie censurées 38 Représentation graphique du pourcentage de survivants en fonction du temps 40 Comment calculer : l intervalle de confiance d une courbe de survie 42 Médiane du temps de survie 42 Survie à cinq ans 43 Hypothèses : analyse de survie Intervalle de confiance des données de dénombrement 47 La distribution de poisson 47 Hypothèses : distribution de poisson 48 IC s basés sur la distribution de poisson 49 Comment : calculer l ic pour une variable suivant une loi de poisson 51 L avantage d utiliser des intervalles de temps plus longs (ou des volumes plus importants) 51 partie C Variables continues Représentations graphiques des données continues 57 Données continues 57 La moyenne et la médiane 57
3 Table des matières 483 Jargon : erreur et biais 59 Représentation graphique des données pour en montrer la dispersion ou représenter la distribution 61 Attention à la manipulation des données Types de Variables 67 Variables d intervalle 67 Variables de rapport 68 Autres types de variables 69 Pas aussi différentes qu il n y paraît Quantification de la dispersion 71 L interprétation d un écart-type 71 Comment ça marche : calculer un et 71 Pourquoi N 1? 73 situations ou n peut sembler être ambigu 74 ET et taille d échantillon 75 Le coefficient de variation 75 Variance 75 Autres manières de quantifier la variabilité La distribution Gaussienne 78 Origine de la distribution gaussienne 78 ET et la distribution gaussienne 79 La distribution normale standard 80 La distribution «normale» ne définit pas des limites normales 80 Pourquoi la distribution gaussienne occupe-t-elle une place aussi centrale en statistique? La distribution log-normale et la moyenne géométrique 83 Exemple : relaxation de la vessie 83 L origine de la distribution log-normale 83 Comment analyser des données log-normales 84 Moyenne géométrique Intervalle de confiance d une moyenne 87 L interprétation de l ic d une moyenne 87 Quelles valeurs faut-il avoir pour calculer l ic d une moyenne 88 Hypothèses : ic d une moyenne 89 Comment calculer : l IC d une moyenne 90 IC s unilatéraux (méthode avancée) 93 IC d un et (méthode avancée) 94 IC d une moyenne géométrique (méthode avancée) 94
4 484 table des matières 13. La théorie des intervalles de confiance 96 IC d une moyenne via la distribution t 96 IC d une moyenne via ré-échantillonnage 98 IC d une proportion via ré-échantillonnage 99 L IC d une proportion via la distribution binomiale 100 En apprendre plus Barres d erreur 103 ESM 103 Comment calculer : l et à partir de l esm 104 Quel type de barre d erreur faut-il mettre dans un graphique? 106 L aspect des barres d erreur 107 partie D P-valeurs et signification Introduction aux P-valeurs 111 Exemple 1 : lancer d une pièce de monnaie 111 Exemple 2 : température corporelle 113 Exemple 3 : antibiotiques sur des plaies chirurgicales 115 Exemple 4 : angioplastie et infarctus du myocarde 115 P-valeurs unis ou bilatérales? 116 Pourquoi les P-valeurs sont-elles si difficiles à comprendre? 118 P-valeurs ou IC S? Signification statistique et test d hypothèse 122 Tests d hypothèse statistique 122 Analogie : innocent jusqu à preuve du contraire 122 Procès devant jury versus procès devant journalistes 123 Quand un test d hypothèse est-il utile? 123 Significatif, très significatif ou hautement significatif? 124 Signification statistique limite 124 Jargon : erreurs de type i et de type ii 125 Choisir un seuil de signification Relation entre intervalles de confiance et signification statistique 130 IC s et test d hypothèse sont étroitement liés 130 Lorsqu un ic inclut l hypothèse nulle 130 Lorsqu un ic n inclut pas l hypothèse nulle 131 Une règle qui lie intervalle de confiance et signification statistique 132
5 Table des matières L interprétation d un résultat statistiquement significatif 134 Distinguer la signification statistique de l importance scientifique 134 Une idée fausse fréquente 135 La probabilité a priori influence le TFD 136 Logique bayésienne 139 Application informelle de l approche bayésienne L interprétation d un résultat statistiquement non significatif 141 «Non significativement différent» ne signifie pas «pas de différence» 141 Exemple : récepteurs adrénergiques α 2 sur les plaquettes 142 Exemple : échographie fœtale 143 Comment avoir des ic s plus étroits 144 Que se passe-t-il si la P-valeur est vraiment élevée? Puissance statistique 146 Qu est-ce ce que la puissance? 146 Une analogie pour comprendre la puissance 147 La puissance pour les deux exemples d étude 148 L analyse de la puissance a posteriori n est pas utile Test d équivalence ou de non infériorité 150 L équivalence doit être définie scientifiquement, pas statistiquement 150 Moyenne dans la zone d équivalence 151 Moyenne en dehors de la zone d équivalence 152 L approche usuelle par un test d hypothèse n est pas utile 153 Faire des pieds et des mains pour adapter les tests d hypothèse au problème d équivalence 153 Essais de non-infériorité 154 Il faut être certain que le traitement standard est efficace 155 partie E Défis en statistique Concepts de comparaisons multiples 159 Le problème des comparaisons multiples 159 Corriger pour les comparaisons multiples n est pas toujours nécessaire 160 Si on ne prend pas les comparaisons multiples en considération 161
6 486 table des matières Correction pour les comparaisons multiples par l approche traditionnelle 163 Correction pour comparaisons multiples avec le taux de fausse découverte 165 Qu est-ce qu une famille? 166 Vue d ensemble Les pièges des comparaisons multiples 168 Analyser des données sans plan 168 Biais de publication 169 Plusieurs points au cours du temps analyses séquentielles 169 Plusieurs sous-groupes 170 Coïncidences 171 Grappes de maladie 171 Prédictions multiples 172 Combinaison de groupes 172 Comparaisons multiples en régression multiple 173 Aperçu des pièges des comparaisons multiples Gaussien ou pas? 175 La distribution gaussienne est un idéal inaccessible 175 Ce à quoi ressemble réellement une distribution gaussienne 176 Test de normalité 176 Interprétation des résultats d un test de normalité 178 Que faire lorsque les données échouent au test de normalité Valeurs atypiques (outliers) 181 Comment les valeurs atypiques se produisent-elles? 181 La nécessite d avoir des tests de détection des valeurs atypiques 182 Questions à se poser avant d utiliser un test pour détecter les valeurs atypiques 182 Les tests de détection des valeurs atypiques 183 Attention aux distributions log-normales 184 Statistiques robustes 186 Comment ça marche : le test de détection des valeurs atypiques de Grubbs 187 partie F Tests statistiques Comparaison de distributions observées et attendues 191 Les données suivent-elles une distribution attendue? 191 Le test d ajustement du Khi-carré 192
7 Table des matières 487 Khi-carré et génétique mendélienne 193 Comment ça marche : test d ajustement du Khi-carré 193 Il ne faut pas confondre deux tests de Khi-carré distincts 194 Test binomial Comparaison des proportions : études prospectives et expérimentales 196 Jargon : études transversales, prospectives, expérimentales et rétrospectives 196 Tables de contingence 197 Un exemple d étude expérimentale : un essai clinique 197 Le risque attribuable 199 Nombre nécessaire à traiter (NNT) 199 Le risque relatif 199 Risque relatif ou différence entre proportions? 200 Calcul d une P-valeur 200 Hypothèses Comparaison des proportions : études cas-témoins 203 Exemple : le vaccin contre le choléra est-il efficace? 203 Le calcul du risque relatif à partir des données d une étude cas-témoins n a pas de sens 204 Le rapport de cotes 204 L interprétation d une P-valeur 205 Le défi des études cas témoins 206 Hypothèses dans les études de cas témoins 207 Pourquoi le rapport de cotes est une approximation du risque relatif Comparaison de courbes de survie 210 Exemple de données de survie 210 Hypothèses lorsqu on compare des courbes de survie 210 Comparaison de deux courbes de survie en utilisant les IC s 214 Comparaison des courbes de survie en utilisant une P-valeur Comparaison de deux moyennes : test t pour échantillons indépendants 219 Exemple : relaxation maximale des muscles de la vessie 219 Interprétation des résultats d un test t pour échantillons indépendants 219 Hypothèses : test t pour échantillons indépendants 222 L hypothèse d égalité des variances 223
8 488 table des matières Chevauchement des barres d erreur et test t 224 Erreurs fréquentes : test t pour échantillons indépendants 227 Comment ça marche : le test t pour échantillons indépendants 228 Perspectives Comparaison de deux groupes appariés 231 Quand utiliser des tests spéciaux pour données appariées 231 Exemple de test t par paires 232 L interprétation des résultats d un test t par paires 234 Le test t d un rapport pour échantillons appariés 237 Test de McNemar pour une étude cas-témoins appariés 241 Tests apparentés Corrélation 243 Introduction au coefficient de corrélation 243 IC du coefficient de corrélation 245 Interprétation d une P-valeur 245 Corrélation et relation causale 245 Hypothèse : corrélation 246 R² 247 Il faut prendre garde aux grands échantillons 248 Comment ça marche : calcul du coefficient de corrélation 249 Jargon : corrélation 251 partie G Ajustement de modèles aux données Régression linéaire simple 255 Les objectifs de la régression linéaire 255 Les résultats de la régression linéaire 256 Hypothèses : régression linéaire 260 Comparaison de la régression linéaire et de la corrélation 261 Jargon : régression linéaire 262 Erreurs fréquentes : régression linéaire Introduction aux modèles 270 Jargon : modèles, paramètres et variables 270 Le modèle le plus simple 272 Le modèle de régression linéaire 273 Pourquoi moindres carrés? 274 Autres modèles et autres types de régression 274
9 Table des matières Comparaison de modèles 276 La comparaison de modèles est une partie essentielle de la statistique 276 La régression linéaire vue comme comparaison de modèles 277 Le test t pour échantillons indépendants reconverti en comparaison de l ajustement de deux modèles 280 Erreur fréquente : comparaison de modèles Régression non linéaire 285 Ajustement d un modèle 285 Pondération 287 Comment fonctionne la régression non linéaire 288 Les résultats de la régression non linéaire 288 Hypothèses : régression non linéaire 290 Comparaison de deux modèles 290 Erreurs fréquentes 293 Trucs pour comprendre les modèles 295 En apprendre plus sur la régression non linéaire Régression multiple, logistique et modèle des risques instantanés proportionnels 296 Objectifs de la régression multivariable 296 Jargon 297 Régression linéaire multiple 299 Régression logistique 305 Modèle des risques instantanés proportionnels 308 Hypothèses 310 Interactions entre variables indépendantes 310 Observations corrélées 311 Comment ça marche 314 En apprendre plus à propos de la régression multiple Pièges de la régression multiple 315 Attention au sur-ajustement 315 Attention à la multi-colinéarité 317 Attention à la sur-interprétation de R² 319 Attention à corrélation versus relation causale 319 Les modèles de régression devraient être validés 319
10 490 table des matières partie H Le reste des statistiques Analyse de variance 323 La comparaison des moyennes de trois groupes ou plus 323 Hypothèses : anova à un facteur 325 Comment ça marche : anova à un facteur 325 ANOVA pour mesures répétées 328 ANOVA à deux facteurs et au-delà Tests de comparaisons multiples post-anova 331 Les tests de comparaisons multiples pour les données de l exemple 331 La logique des tests de comparaisons multiples 334 Autres tests de comparaisons multiples 337 Comment ça marche : tests de comparaisons multiples 339 Comparaisons multiples individuelles Méthodes non paramétriques 344 Tests non paramétriques basés sur les rangs 344 Les avantages et désavantages des tests non paramétriques 347 Ne pas automatiser la décision relative au choix d un test non paramétrique 348 Choisir entre tests paramétriques et non paramétriques : cela a-t-il de l importance? 349 Tests non paramétriques qui analysent les valeurs (pas les rangs) Sensibilité, spécificité et courbes ROC (receiver-operatercharacteristic) 354 Définition de sensibilité et spécificité 354 La valeur prédictive d un test 355 Courbes receiver-operator characteristic (ROC) 358 Bayes revisité 358 Bayes, liaison génétique et scores du log des «chances» (LOD) Taille d échantillon 363 Trois approches pour choisir la taille d échantillon 363 Taille d échantillon et IC S 364 Taille d échantillon et test d hypothèse statistique 366 Règles empiriques pour la taille d échantillon 369
11 Table des matières 491 partie I Assemblage Conseils statistiques 377 Ne pas oublier l essentiel 377 Interpréter de façon judicieuse les p-valeurs 379 Attention aux comparaisons multiples 380 Réfléchir aux données 380 Attention aux variables manquantes 382 Se focaliser sur les IC s 384 Être sceptique Choix du test statistique 387 Issue : variable continue provenant d une distribution gaussienne 387 Issue : donnée continue provenant d une distribution non-gaussienne 388 Issue : temps de survie (ou temps jusqu à l apparition d un événement) 388 Issue : variable binomiale Exemple de synthèse 390 Le cas des huit CI 50 s toutes nues 390 Regarder au-delà des données 392 Signification statistique par tricherie 393 L utilisation d un test t qui ne suppose pas l égalité des ET s 394 Test t pour échantillons indépendants sous forme de régression linéaire ou non linéaire 395 Test non paramétrique de Mann-Whitney 396 Rapporter seulement la dernière expérience de confirmation? 397 Augmenter la taille de l échantillon? 397 Comparaison des logarithmes des valeurs de CI Calculs de taille d échantillon revisités 400 Est-ce ok de changer de méthode d analyse? 401 L utilité des simulations 401 Résumé global du problème Exercices de révision 406 A. Problèmes sur les ic des proportions, les courbes de survie et les dénombrements 406 B. Problèmes relatifs aux et s, esm, ic s et distributions log-normales 408 C. Problèmes relatifs aux P-valeurs et à la signification statistique 409
12 492 table des matières D. Problèmes relatifs à la taille d échantillon et à la puissance 413 E. Problèmes relatifs à la corrélation et à la régression Réponses aux exercices de révision 418 A. Problèmes sur les ic des proportions, les courbes de survie et les dénombrements 418 B. Problèmes relatifs aux et s, esm, ic s et distributions log-normales 424 C. Problèmes relatifs aux p-valeurs et à la signification statistique 430 D. Problèmes relatifs à la taille d échantillon et à la puissance 438 E. Problèmes relatifs à la corrélation et à la régression 441 appendices 449 A. Statistiques avec GraphPad 451 GraphPad prism, qu est-ce que c est? 451 Ce que vous devez savoir avant d utiliser GraphPad Prism 452 À propos du logiciel GraphPad 453 B. Statistiques avec Excel 456 Utiliser excel pour les calculs statistiques : le pour et le contre 456 Ce que vous devez savoir avant d utiliser excel pour l analyse statistique 457 C. Statistiques avec R 458 Qu est-ce que R? 458 Ce que vous devez savoir avant d utiliser R 458 D. Valeurs de la distribution t nécessaires pour calculer les IC s 460 E. Une révision des logarithmes 462 Logarithmes communs (base 10) 462 Notation 463 les logarithmes convertissent la multiplication en addition 463 Antilogarithmes 463 bibliographie 465 index 473
Principe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailTABLE 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 détailTABLE 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 détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailLA 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 détail23. 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 détailLa 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 détailIntroduction 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 détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailModélisation 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 détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailAnalyses 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 détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailPROBABILITES 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 détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailLa 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 détailÉvaluations aléatoires : Comment tirer au sort?
Évaluations aléatoires : Comment tirer au sort? William Parienté Université Catholique de Louvain J-PAL Europe povertyactionlab.org Plan de la semaine 1. Pourquoi évaluer? 2. Comment mesurer l impact?
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailCNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité
1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailPLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
Plus en détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailL ANALYSE COUT-EFFICACITE
L ANALYSE COUT-EFFICACITE 1 Pourquoi utiliser cet outil en évaluation? L analyse coût-efficacité est un outil d aide à la décision. Il a pour but d identifier la voie la plus efficace, du point de vue
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailTable 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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailCOMPTE RENDU. Atelier-débat avec les futurs clients éligibles. 25 septembre 2002
Paris, le 17 octobre 2002 COMPTE RENDU Atelier-débat avec les futurs clients éligibles 25 septembre 2002 *** I La fourniture d électricité... 2 Les clients éligibles peuvent-ils acheter leur électricité
Plus en détailDocteur José LABARERE
UE7 - Santé Société Humanité Risques sanitaires Chapitre 3 : Epidémiologie étiologique Docteur José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailÉtudes épidémiologiques analytiques et biais
Master 1 «Conception, évaluation et gestion des essais thérapeutiques» Études épidémiologiques analytiques et biais Roxane Schaub Médecin de santé publique Octobre 2013 1 Objectifs pédagogiques Connaitre
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailChapitre 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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailAnalyse et interprétation des données
8 Analyse et interprétation des données Les données de l enquête peuvent être utilisées pour différents types d analyses aussi bien au niveau national qu au niveau international. Ce chapitre explique comment
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailChapitre 2 : l évaluation des obligations
Chapitre 2 : l évaluation des obligations 11.10.2013 Plan du cours Flux monétaires, prix et rentabilité Bibliographie: caractéristiques générales Berk, DeMarzo: ch. 8 obligations zéro-coupon obligations
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailTemps forts départementaux. Le calcul au cycle 2 Technique opératoire La soustraction
Temps forts départementaux Le calcul au cycle 2 Technique opératoire La soustraction Calcul au cycle 2 La soustraction fait partie du champ opératoire additif D un point de vue strictement mathématique,
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailTABLE DES MATIÈRES. Introduction CHAPITRE CHAPITRE
TABLE DES MATIÈRES Introduction 1 Le diagnostic financier des sociétés et des groupes... 1 I. L analyse du risque de faillite... 2 A. L analyse fonctionnelle... 2 B. L analyse dynamique du risque de faillite
Plus en détailEssais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire
Essais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire Sylvie CHABAUD Direction de la Recherche Clinique et de l Innovation : Centre Léon Bérard - Lyon Unité de Biostatistique
Plus en détailEvaluation générale de la qualité des données par âge et sexe
Analyse démographique pour la prise des décisions. Tendances, et inégalités de mortalité et de fécondité en Afrique francophone : les outils en ligne de l UNFPA / UIESP pour l'estimation démographique.
Plus en détailChapitre 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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailBiostatistiques 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 détailLes nombres entiers. Durée suggérée: 3 semaines
Les nombres entiers Durée suggérée: 3 semaines Aperçu du module Orientation et contexte Pourquoi est-ce important? Dans le présent module, les élèves multiplieront et diviseront des nombres entiers concrètement,
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailMETHODOLOGIE GENERALE DE LA RECHERCHE EPIDEMIOLOGIQUE : LES ENQUETES EPIDEMIOLOGIQUES
Enseignement du Deuxième Cycle des Etudes Médicales Faculté de Médecine de Toulouse Purpan et Toulouse Rangueil Module I «Apprentissage de l exercice médical» Coordonnateurs Pr Alain Grand Pr Daniel Rougé
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailQuelques rappels concernant la méthode expérimentale
Quelques rappels concernant la méthode expérimentale 1. La Méthode expérimentale : Définition. Une définition classique de la méthode expérimentale est qu elle «correspond à la méthode d investigation
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailComment insérer une image de fond?
COMMUNICATION VISUELLE Mise en page à l aide d un traitement de texte Comment insérer une image de fond? Image Plein papier ou au Format utile qu est-ce que cela veut dire? La mise en page d un document
Plus en détailClasse 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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailNON-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 détailBIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION
BIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION À UNE INTERPRÉTATION CAUSALE Arthur Charpentier Professeur d actuariat à l Université du Québec, Montréal Amadou Diogo Barry Chercheur à l Institut de santé
Plus en détailLes nouveaux tableaux de bord des managers
Alain Fernandez Les nouveaux tableaux de bord des managers Le projet Business Intelligence clés en main Sixième édition Tableaux bord NE.indd 3 26/03/13 15:22 Le site www.piloter.org, dédié au pilotage
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailThéorie 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailCalcul des pertes de pression et dimensionnement des conduits de ventilation
Calcul des pertes de pression et dimensionnement des conduits de ventilation Applications résidentielles Christophe Delmotte, ir Laboratoire Qualité de l Air et Ventilation CSTC - Centre Scientifique et
Plus en détailCatalogue 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 détailOptimisation du retour sur investissement de Microsoft Dynamics CRM grâce à l automatisation du marketing
LIVRE BLANC Optimisation du retour sur investissement de Microsoft Dynamics CRM grâce à l automatisation du marketing 1 Introduction La technologie permet d améliorer de manière significative la productivité
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailAméliorer le retour sur investissement de Salesforce grâce à l automatisation du marketing
LIVRE BLANC Améliorer le retour sur investissement de Salesforce grâce à l automatisation du marketing 1 Introduction La technologie permet d améliorer de manière significative la productivité du service
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail