Probabilités et Biostatistique. PCEM1 Pitié-Salpêtrière A. Mallet et V. Morice Cours 11 et 12
|
|
- Fernande Gauvin
- il y a 7 ans
- Total affichages :
Transcription
1 Probabilités et Biostatistique PCEM Pitié-Salpêtrière A. Mallet et V. Morice Cours et 2
2 Tests d indépendance entre deux variables aléatoires - qualitatives - quantitatives (ch.3-4)
3 Test d indépendance entre deux variables qualitatives. χ 2 d indépendance () Contexte. Sur chaque unité statistique peuvent être observées deux variables aléatoires qualitatives et Y; a k modalités, Y en a m; on cherche à prouver que ces variables ne sont pas indépendantes sont liées Exemples. État rénal (présence-absence d insuffisance rénale) et état hépatique (présence-absence d insuffisance hépatique) sont liés Perte de connaissance (oui-non) après accident traumatique et survie à mois (oui-non) sont liés Couleur des cheveux et couleur des yeux sont liées
4 Test d indépendance entre deux variables qualitatives (2) Etape. H 0 : les variables et Y sont indépendantes H : les variables et Y sont liées car: -> H 0 : Pr (=modalité i et Y=modalité l) = Pr (=modalité i) x Pr (Y=modalité l), ceci pour toutes les couples de modalités i,l H : l une des multiples (k x m) égalités ci-dessus est violée
5 Test d indépendance entre deux variables qualitatives (3) Etape 2. Une expérience portant sur n unités statistiques est envisagée. Elle produira des effectifs observés, notés o li. Y(l) (i) Blonds Bruns Roux Noirs bleus gris marrons Tableau appelé TABLEAU DE CONTINGENCE Ces effectifs sont encore aléatoires, O li.
6 Cheveux () Yeux (Y) Modalité (blonds) Modalité2 (bruns) Modalité3 (roux) Modalité4 (noirs) Modalité (bleus) O O 2 O 3 O 4 Modalité 2 (gris) O 2 O 22 O 23 O 24 Modalité 3 (marrons) O 3 O 32 O 33 O 34 n
7 Cheveux () Yeux (Y) Modalité (blonds) Modalité2 (bruns) Modalité3 (roux) Modalité4 (noirs) Mélange (total) Répartition (Y «donnée» Modalité (bleus) ,35 Modalité 2 (gris) ,38 Modalité 3 (marrons) ,27 Mélange (24) (total) Répartition() «donnée» 0,36 0,3 0,6 0,7
8 H 0 : Pr (=modalité i et Y=modalité l) =Pr (=modalité i) x Pr (Y=modalité l) Cheveux () Yeux (Y) Modalité (blonds) Modalité2 (bruns) Modalité3 (roux) Modalité4 (noirs) Mélange (total) Répartition (Y) «donnée» Modalité (bleus) ,35 Modalité 2 (gris) ,38 A 23 Modalité 3 (marrons) ,27 x Mélange (24) (total) Répartition() «donnée» 0,36 0,3 0,6 0,7
9 Cheveux () Yeux (Y) Modalité (blonds) Modalité2 (bruns) Modalité3 (roux) Modalité4 (noirs) Mélange (total) Répartition (Y) «donnée» Modalité (bleus) ,35 Modalité 2 (gris) ,38 7,2 Modalité 3 (marrons) ,27 x Mélange (24) (total) Répartition() «donnée» 0,36 0,3 0,6 0,7
10 Calcul plus rapide Cheveux () Yeux (Y) Modalité (blonds) Modalité2 (bruns) Modalité3 (roux) Modalité4 (noirs) Mélange (total) Répartition (Y) «donnée» Modalité (bleus) ,35 Modalité 2 7,2 (gris) ,38 Modalité 3 (marrons) ,27 Mélange (total) (24) Répartition() «donnée» 0,36 0,3 0,6 0,7 / x
11 Test d indépendance entre deux variables qualitatives (4) Etape 2. Suite. Paramètre: Q = les les colonnes lignes (O A A 2 li li soit encore: li ) Q = nombre de cases du tableau j= (O j A A j j ) 2 Q ~ soit :Q Sous H 0, 2 χ ((nombre de modalités de -) ~ 2 χ (( k )( m )) Conditions de validité à vérifier: tous les a j > 5 x (nombre de modalités de Y -)) Réalisation de A j
12 Test d indépendance entre deux variables qualitatives (5) Etape 3. Standard IP α (Q) = [0 K (k-)(m-); α ] Etape 4. Standard. En cas de rejet de H 0 : les variables ne sont pas indépendantes Etapes 5,6. Standards
13 Tests d indépendance entre deux variables aléatoires - qualitatives - quantitatives (ch.3-4)
14 Test d indépendance entre deux variables quantitatives () Contexte. Sur chaque unité statistique peuvent être observées deux variables aléatoires quantitatives et Y; on cherche à prouver que ces variables ne sont pas indépendantes sont liées Exemples précédents. État rénal (présence-absence d insuffisance rénale) et état hépatique (présence-absence d insuffisance hépatique) sont liés Perte de connaissance (oui-non) après accident traumatique et survie à mois (oui-non) sont liés Couleur des cheveux et couleur des yeux sont liées
15 Test d indépendance entre deux variables quantitatives (2) Exemples précédents. État rénal (présence-absence d insuffisance rénale) et état hépatique (présence-absence d insuffisance hépatique) sont liés Perte de connaissance (oui-non) après accident traumatique et survie à mois (oui-non) sont liés Couleur des cheveux et couleur des yeux sont liées Exemples actuels. État rénal (niveau de créatininémie) et état hépatique (niveau d bilirubinémie) sont liés Degré de conscience (mesuré sur une échelle quantitative) aprè accident traumatique et état clinique à mois (mesuré sur une échelle quantitative) sont liés Couleur des cheveux (longueur d onde de la lumière réfléchie) et couleur des yeux (longueur d onde de la lumière réfléchie) sont liées
16 (Test d )indépendance entre deux variables quantitatives (3) Concept étudié (comme précédemment). Supposons que soit d abord recueillie, puis Y chez l unité statistique i liaison: la connaissance de x i modifie ce que l on attend de Y. Quelque chose comme «Pr(Y=y/=x i ) Pr(Y=y)» indépendance: la connaissance de x i ne modifie pas ce que l on attend de Y Remarques En fait le point de vue est général: la connaissance de modifie-t-elle ce que l on attend de Y? La propriété est symétrique entre et Y
17 Indépendance entre deux variables quantitatives (). Abord graphique Un échantillon de valeurs a été obtenu: {(x i,y i ), i=,2, n} sont disponibles bilirubinémie (Y) Domaine de valeurs des bilirubinémies Domaine de valeurs des bilirubinémies connaissant x 0 bilirubinémie (Y) Pas de liaison apparente x 0 créatininémie ()
18 Indépendance entre deux variables quantitatives (2). Abord graphique Un échantillon de valeurs a été obtenu: {(x i,y i ), i=,2, n} sont disponibles bilirubinémie Domaine de valeurs des bilirubinémies Domaine de valeurs des bilirubinémies connaissant x 0 bilirubinémie Liaison apparente x 0 créatininémie
19 Indépendance entre deux variables quantitatives (3). Abord graphique Conclusion: Liaison: propension des points à ne pas emplir l espace (deux dimensions), mais plutôt à se répartir autour d une courbe (une dimension) La connaissance de Y, si elle est améliorée par celle de, l est: En localisation (espérance de Y connaissant ) En dispersion (variance de Y connaissant ) moyenne (variance de Y connaissant ) = variance de Y moyenne( (espérance de Y connaissant - espérance de Y) 2 ) Se rappeler que les propriétés sont symétriques entre et Y Recherche d un indicateur de liaison (ou non indépendance
20 Un indicateur de liaison entre deux variables quantitatives. Remarque Une liaison n est facilement interprétable que si le lien est monotone (courbe sous-jacente croissante ou décroissante) x x x x x x x L indicateur recherché idéal serait une mesure de l empâtement du nuage autour d une courbe: le seul indicateur connu est une mesure de l empâtement autour d une droite
21 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire (). Principe de construction à partir des x i,y i Doit exprimer la façon dont x i et y i varient ensemble (on dit covarient ) Doit ne pas dépendre de l origine choisie pour mesurer et Y Doit ne pas dépendre de l échelle choisie pour mesurer et Y -> on s intéresse aux: x - m i x ri = et yri = s y i - m s Y Y réalisations de r et Y r où m et m Y sont les moyennes observées s et s Y sont les écart-type observés Remarque: x i grand <-> x ri >0; x i petit <-> x ri <0
22 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire (2). Nuage des x i, y i Nuage des x ri, y ri x 2 x x x 2 m Y m
23 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire (3). Si et Y covarient de façon coordonnée, alors souvent: Si et Y varient dans le même sens: lorsque x i est grand (x ri >0), y i l est aussi (y ri >0) et le produit x ri.y ri est positif. lorsque x i est petit (x ri <0), y i l est aussi (y ri <0) et le produit x ri.y ri est encore positif. Si et Y varient en sens contraire: lorsque x i est grand (x ri >0), y i est petit (y ri <0) et le produit x ri.y ri est négatif lorsque x i est petit (x ir <0), y i est petit (y ri >0) et le produit x ri.y ri est encore négatif
24 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire (4). Pour indicateur observé de covariation coordonnée, on choisit le nombre: r = n - Propriétés n i= x ri.y ri r est toujours compris entre - et Si r est grand (vers ), c est le signe que et Y covarient dans le même sens Si r est petit (vers -), c est le signe que et Y covarient en sens contraire Si r est voisin de zéro, c est le signe que et Y covarient de façon désordonnée; c est le signe d une absence de lien entre et Y
25 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire (5). r s appelle coefficient de corrélation observé Expressions équivalentes Le numérateur s appelle covariance observée Y n i Y i i Y n i Y i i s s ) m m y x n ( n - n r ou encore s s ) m )(y m (x n - r = = = =
26 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire (6). Autres propriétés de r r [- ] (déjà dit) r=- <-> Y=a+b, a<0 r= <-> Y=a+b, a>0 r décroit Au fur et à mesure que le caractère rectiligne du nuage se distord Au fur et à mesure que le nuage s épaissit On dit que les variables apparaissent de moins en moins corrélées
27 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples d épaississement r=0,97 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
28 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples r=0,75 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
29 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples r=0,37 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
30 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples r=0,04 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
31 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples de distorsion r=-0,97 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
32 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples de distorsion r=-0,87 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
33 Un indicateur de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire. Quelques exemples r=-0,48 2,5 2,5 0,5 0-2,5-2 -,5 - -0,5 0 0,5,5 2 2,5 Série -0,5 - -,5-2 -2,5
34 Un indicateur théorique de liaison entre deux variables quantitatives. Le coefficient de corrélation linéaire vrai. Y n i Y i i Y n i Y i i s s ) m m y x n ( n - n r ou encore s s ) m )(y m (x n - r = = = = Y Y σ σ E().E(Y) ] [E(Y) r ou encore σ σ ] E(Y)) E())(Y E[( r Y n i i i Y n i i i σ σ E()E(Y)) y x n ( r ou encore σ σ E(Y)) E())(y (x n - r = = ~ car n grand Coefficient de corrélation vrai, noté ρ
35 Propriétés du coefficient de corrélation linéaire vrai. Propriétés de ρ Si et Y sont indépendantes, alors ρ=0 De façon équivalente si ρ 0, et Y sont liées La réciproque étant fausse, deux variables de coefficient de corrélation nul seront dites non corrélées (et non pas indépendantes nécessairement) Ces propriétés engagent à tester la nullité de ρ pour démontrer la liaison entre et Y
36 Test d égalité à zéro du coefficient de corrélation linéaire vrai (). Etape. H 0 : ρ=0 : les variables et Y ne sont pas corrélées H : ρ 0 : les variables et Y sont liées
37 Test d égalité à zéro du coefficient de corrélation linéaire vrai (2). Etape 2. Paramètre du test Z = n ( n - M n.y S 2 n M S 2 n Y n M n Y ) n Z = M dont la réalisation sera r n r n - r.y Sous H 0, Z a une distribution connue, tabulée, celle du coefficient de corrélation, à (n-2) degrés de liberté Condition de validité: toute combinaison de et Y du type a+by suit une loi normale. Condition
38 Test d égalité à zéro du coefficient de corrélation linéaire vrai (3). Etape 3. Intervalle de pari lu dans une table IP -α (Ζ) = [-corr α (n-2) corr α (n-2) ] Etape 4. Décision selon que z (=r, le coefficient de corrélation linéaire observé) ou IP 0,95 (Z) Si rejet de H 0 : on conclut que et Y sont liées, et Y ne sont pas indépendantes Si non rejet de H 0 : on n a pas montré que et Y sont liées Etapes 5,6. Standards
39 Remarques générales sur les tests d hypothèses La mise en œuvre d un test suppose de synthétiser le problème Le seuil de signification- ou risque de première espèce vaut toujours 0,05 On ne conclut jamais que H 0 est vraie Le risque de première espèce d une étude (conclure au moins une fois à tort) augmente si l on effectue plusieurs tests car à chaque test un tel risque est pris. Risque global: -(-α) m (si questions résolues indépendantes) On choisit toujours un test avant recueil des données expérimentales
40 Cours 2 Analyse des durées de survie. Analyse des délais de survenue d un événement.
41 Analyse des durées de survie Contexte On cherche à quantifier la probabilité qu ont des (ou a un) patients de survivre au moins un certain temps à compter d un instant de référence ayant une pertinence dans le contexte de la pathologie étudiée. Exemples Probabilité qu un patient présentant un carcinome hépatocellulaire survive au moins 36 mois après la date de diagnostic Probabilité qu un patient ayant bénéficié d une hépatectomie survive au moins 0 ans après l intervention
42 Analyse des durées de survie Remarques. On s intéresse souvent à d autres événements que le décès: probabilité qu un patient infecté par le VIH présente 7 ans après la date d infection un taux de CD4 encore supérieur à 400 CD4/ml ; on s intéresse ici au délai d apparition d un taux <400 CD4/ml pour la première fois. -> de façon générale on s intéresse au délai de survenue d un événement à partir d un instant de référence
43 Analyse des durées de survie 2. Si on souhaite répondre à la question survivre au moins 5 ans, on souhaite généralement répondre à des questions portant sur des délais plus précoces. Le problème général est donc: quelle est la probabilité de survivre au moins une durée t à compter de l instant de référence? quelle est la probabilité que l événement d intérêt survienne après la date t à compter de l instant de référence? Réponse: fonction de survie
44 Analyse des durées de survie. Fonction de survie. Définition On appelle fonction de survie, notée S, la fonction telle que: S(t) = Pr (délai de survenue de l événement d intérêt > t) Courbe de survie 0 délai
45 survie à compter de la naissance- vue par l'insee ,9 0,8 0,7 0,6 0,5 Série 0,4 0,3 0,2 0, années
46 Comprendre une fonction de survie () Information directe: S(t) = Pr (durée de survie >t) Notation. T: variable aléatoire durée de survie. S(t)=Pr(T>t) S(t)=-Pr(T<t)=- fonction de répartition de T Autre information directe: Pr(T [t t 2 ]) = S(t )-S(t 2 ) Information indirecte +++ Probabilité de survivre au moins une durée t chez les individus ayant déjà survécu une durée τ (n a d intérêt que pour t>τ), notée S(t/τ)
47 Comprendre une fonction de survie (2),9,8,7,6,5 Sé Sé,4,3,2,
48 Comprendre une fonction de survie (3) Ainsi: si t>τ Pr(T > t) Pr(T > t / T > τ) = ; S(t/τ ) = Pr(T > τ) S(t) S(τ ) Autres façons: mécanique: Pr(T>t / T>τ).Pr(T>τ) =Pr(T>t et T>τ)=Pr(T>t) Intuitive?. Survivre une durée t c est survivre une durée τ et survivre une durée t sachant que l on a survécu une durée τ: S(t)=S(τ).S(t/τ)
49 Comprendre une fonction de survie (4) Autre information indirecte: le risque de décès (ou de survenue de l événement d intérêt) à chaque instant t. C est le risque (probabilité) de décéder juste après t disons entre t et t+ t, par unité de temps. En raisonnant comment précédemment: risque (t)= Pr(T [t t+ t]/t>t)/ t = risque (t) = Pr(T [t t + t]/t t > t) = S(t) -S(t + t) S(t). t Si par exemple t= an, on calculera tous les ans (t entier) le risque S(t + ) S(t) c est la proportion vraie de sujets présentant l événement dans l année chez ceux qui ne l ont pas présenté en début d année
50 Comprendre une fonction de survie (5) lorsque t devient très petit: risque (t) = ds (t) dt S(t) appelé risque instantané de survenue de l événement. C est un risque encouru à chaque instant.
51 risque de décès-par an- ou taux de mortalité par âge- INSEE ,009 0,008 0,007 0,006 0,005 0,004 0,003 0,002 0, années Série2
52 Les deux problèmes fondamentaux de l analyse de la durée de survie Décrire la survenue d un événement -> estimer une fonction de survie à partir d observations Mesurer une action sur la durée de survie -> comparer des fonctions de survie à partir d observations
53 Le contexte expérimental. Terminologie Une étude est envisagée; elle a: Un début Une fin, appelée date de point durant cette étude des sujets sont suivis au cours du temps pour observation de la survenue de l événement d intérêt; ce suivi a: Une date de début, différente selon les sujets, appelée date d origine, c est l instant de référence pour ce sujet (ex:date de diagnostic) Une fin, qui peut être: ()La date de point et le sujet n a pas présenté l événement (2)Une date antérieure sans que le sujet ait encore à cette date présenté l événement, le sujet est dit perdu de vue Une date antérieure, date de la survenue de l événement Dans les cas et 2 on parle d information censurée
54 Décédé (sujet ayant présenté l événement) Perdu de vue Date de point
55
56 Le contexte expérimental. Les données n sujets ont été suivis, on raisonne en durées comptées à partir de l instant de référence (ex: instant du diagnostic) Pour le sujet i on dispose, à la date de point, de: La durée de suivi, t i L information selon laquelle il a, ou non, présenté l événement d intérêt Exemple Sujet Sujet 2 Sujet 3 Durée suivi (jours) statut Vivant (censuré) décédé Perdu de vu (censuré)
57 Estimation d une fonction de survie. I. Méthode actuarielle (). On estime la fonction de survie à des instants successifs b, b 2,., b r choisis. 0 b b 2 b 3 b 4 b 5 durée La fonction de survie est estimée de proche en proche, en utilisant: S(b i )=S(b i- ).S(b i /b i- ) L estimation de S(b i /b i- ) constitue le problème principal
58 Estimation d une fonction de survie. I. Méthode actuarielle (2). Sur l intervalle [b i- b i ] on dispose des informations suivantes: Le nombre de sujets connus vivants à b i- : N i.ces sujets constituent les sujets appelés à risque à b i-. Le nombre de sujets connus vivants à b i : N i+ Le nombre de sujets censurés dans l intervalle [b i- b i ] (vivants dont le suivi s arrête dans l intervalle) : C i Le nombre de sujets décédés dans l intervalle, D i. On a la relation: D i = N i N i+ -C i (N i+ =N i -D i -C i )
59 Estimation d une fonction de survie. I. Méthode actuarielle (3)
60 Estimation d une fonction de survie. I. Méthode actuarielle (4)
61 Estimation d une fonction de survie. I. Méthode actuarielle (5). Ŝ(b S(b i /b i- ) est estimée par: i / b i- ) = N i D i C 2 i Nombre moyen à risque sur l intervalle On peut utiliser la formule voisine: Ni+ Ci Ni 2
62 Estimation d une fonction de survie. I. Méthode actuarielle (6). Exemple (b 0 =0; Ŝ (0) = ) Instants b i Vivants à b i- (N i ) censurés C i Décédés dans [b i- b i ] D i (bi/bi- ) Ŝ(b ) Ŝ i ,805 0, ,93 0, ,826 0, , ,74 0,442
63 Estimation d une fonction de survie. I. Méthode actuarielle (7). Entre les instants b i, la fonction de survie est interpolée linéairement (segment de droite sur la courbe) Estimation de la médiane du délai de survenue de l événement (médiane de survie) Valeur t m telle que Ŝ(t ) = m 0,5
64 survie actuarielle 0,9 0,8 0,7 0,6 0,5 Séri 0,4 0,3 0,2 0,
65 survie actuarielle 0,9 0,8 0,7 0,6 0,5 Séri 0,4 0,3 0,2 0,
66 Estimation d une fonction de survie. II. Méthode de Kaplan-Meier (). Méthode plutôt utilisée pour de faibles effectifs Principe. Très voisin du précédent. Même principe de calcul Différence : la survie est supposée constante entre deux instants de décès Différence 2: la survie est calculée à tous les instants de décès Rappel. Pour le sujet i on dispose, à la date de point, de: La durée de suivi, t i L information selon laquelle il a, ou non, présenté l événement d intérêt NOTATION DE CETTE INFORMATION: si le sujet est censuré, t i est noté t i * ->survie calculée aux t i
67 Estimation d une fonction de survie. II. Méthode de Kaplan-Meier (2). Principe (connu) S(t i ) = S(t i- ).S(t i /t i- ) Estimation de S(t i /t i- ) par Ŝ(t formule très voisine de la précédente N i -C i est le nombre de sujets susceptibles de décéder à la date t i -> RETENIR nombre de décès à t Ŝ (ti/ti-) = - nombre à risque à t i /t i- i i ) = - Di N C i i
68 Estimation d une fonction de survie. II. Méthode de Kaplan-Meier (3). Exemple Valeurs des t i : 6; 6; 6; 6,*; 7; 9*; 0; 0,*; *; 3; 6; 7*; 9*; 20*; 22; 23; 25*; 32*; 32*; 34*; 35* Fonction de survie à estimer aux instants: 6; 7; 0; 3; 6; t i ; 23 N i C i à risque à t i D i 3 Ŝ(t / ti- ) Ŝ(t ) i i 0,857 0,94 0,933 0,97 0,909 0,857 0,857 0,807 0,753 0,690 0,627 0,537
69 estimation Kaplan-Meier 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,
70 estimation Kaplan-Meier 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, 0 Estimation de la médiane
71 Estimation d une fonction de survie. II. Méthode de Kaplan-Meier (4). Estimation de la médiane du délai de survenue de l événement (médiane de survie) Valeur t m telle que Ŝ(t m ) = 0,5
72 Mesure d une action sur la durée de survie: comparaison de deux fonctions de survie Exemple On voudrait faire la preuve qu un traitement adjuvant à la chirurgie dans le carcinome hépatocellulaire améliore la survie des patients. la survie sera comptée à partir de la date de la chirurgie. des patients ont été inclus pendant une année dans une étude qui a duré 3 ans et répartis par tirage au sort dans un des deux groupes de traitement: chirurgie seule ou chirurgie +traitement adjuvant. La durée de suivi des patients (durée de participation à l étude) varie d un patient à l autre à la fin de l étude on dispose pour chaque patient Du groupe auquel il a appartenu, A ou B De t Ai ou t Bi (si le patient est décédé) ou t Ai *ou t Bi *(si le patient est censuré, qu il soit encore vivant ou perdu de vue)
73 Comparaison de deux fonctions de survie: test du logrank Remarque. Pour simplifier l écriture, N Ai et N Bi désigneront le nombre de sujets à risque des échantillons issus de A et B à la date t i (et non pas juste après t i- ) Etape. H 0 : les deux fonctions de survie S A et S B sont identiques: S A (t) = S B (t) à tout instant H : pour au moins une date: S A (t) S B (t)
74 Comparaison de deux fonctions de survie: test du logrank Etape 2. Principe: calculer à chaque instant (en fait à chaque instant de décès) un nombre de décès attendus sous l hypothèse nulle. Paramètre construit sur un exemple information dans le groupe A (t Ai ): ; ; 2; 2; 3; 4; 4; 5; 5; 8; 8; 8; 8; ; ; 2; 2; 5; 7; 22; 23 information dans le groupe B (t Bi ): 6; 6; 6; 6,*; 7; 9*; 0; 0,*;,2*; 3; 6; 7,3*; 9*; 20*; 22; 23; 25*; 32*; 32*; 34*; 35* I. Enumérer les instants de décès, t i, tous groupes confondus: ; 2; 3; 4; 5; 6; 7; 8; 0; ; 2; 3; 5; 6; 7; 22; 23
75 i Comparaison de deux fonctions de survie: test du log-rank -Ŝ(t /t ) = II. Remarquer que - S(t i /t i- ) exprime le risque pour un sujet vivant à t i- de décéder entre les instants t i- et t i et calculer pour tous les instants t i les estimées de Kaplan-Meier de - S(t i /t i- ), en utilisant les données, tous groupes confondus. i- nombre de décès à t nombre à risque à t i i t i -Ŝ(t / t ) i i- 0, , , , , ,09 7 0, ,43 0 0,043 0, , 3 0, , ,07 7 0, ,222
76 Comparaison de deux fonctions de survie: test du log-rank t i -Ŝ(t / t ) i i- 0, , ,026 E Ai,000 0,950 0,447 E Bi,000,050 0, ,054 0,864,36 III. Appliquer ce risque aux effectifs à risque de chacun des échantillons à chacun des instants de décès t i ; on obtient des décès attendus sous H 0, E Ai, E Bi ,057 0,09 0,034 0,43 0,043 0,095 0,799,092 0,408,74 0,344 0,760,20,988 0,578 2,286 0,656,240 IV. Totaliser les décès totaux attendus par groupe, E A, E B: 2 3 0, 0,062 0,666 0,249,334 0,75 5 0,067 0,268 0,732 E A E B 0,74 9, ,07 0,077 0,24 0,230 0,786 0, ,222 0,445, ,286 0,286,74
77 Comparaison de deux fonctions de survie: test du log-rank approché V. calculer les décès totaux observés,d A, D B : ici, D A =2, D B =9 (E A =0,74; E B =9,26) Le paramètre s obtient par: (D Q = A E E A A ) 2 + (D B E E B B ) 2 Sous H 0, Q suit une distribution de χ² à degré de liberté Condition de validité: E A et E B > 5 ici, Q c = 5,26 Etapes 3,4,5,6. Standards
78 Comparaison de deux fonctions de survie: test du logrank approché Etape 3. IP 0,95 = [0 3,84] Etape 4. Standard En cas de rejet de H 0 : les fonctions de survie diffèrent. Etapes 5,6. Standards. L orientation du rejet et plus généralement l interprétation nécessitent l examen des courbes de survies estimées
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 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 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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
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 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 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 détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailTransplantation hépatique à donneur vivant apparenté. Olivier Scatton, Olivier Soubrane, Service de chirurgie Cochin
Transplantation hépatique à donneur vivant apparenté Olivier Scatton, Olivier Soubrane, Service de chirurgie Cochin Introduction Le prélèvement d une partie du foie chez une personne «vivante» et apparentée
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailApplication des courbes ROC à l analyse des facteurs pronostiques binaires
Application des courbes ROC à l analyse des facteurs pronostiques binaires Combescure C (1), Perneger TV (1), Weber DC (2), Daurès J P (3), Foucher Y (4) (1) Service d épidémiologie clinique et Centre
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 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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
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 détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
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 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 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 détailSTATISTIQUES. 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 détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
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 détailCONCOURS 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 détailTP : Suivi d'une réaction par spectrophotométrie
Nom : Prénom: n groupe: TP : Suivi d'une réaction par spectrophotométrie Consignes de sécurité de base: Porter une blouse en coton, pas de nu-pieds Porter des lunettes, des gants (en fonction des espèces
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 détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailModèle de calcul des paramètres économiques
Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détailChapitre 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 détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailExercice : 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 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 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 détailEssai Inter-groupe : FFCD UNICANCER FRENCH - GERCOR
CLIMAT - PRODIGE 30 Etude de phase III randomisée évaluant l Intérêt de la colectomie première chez les patients porteurs d un cancer colique asymptomatique avec métastases hépatiques synchrones non résécables
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailTP1 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 détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 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 détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
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 détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département
Plus en détailINFORMATION À DESTINATION DES PROFESSIONNELS DE SANTÉ LE DON DU VIVANT
INFORMATION À DESTINATION DES PROFESSIONNELS DE SANTÉ LE DON DU VIVANT QUELS RÉSULTATS POUR LE RECEVEUR? QUELS RISQUES POUR LE DONNEUR? DONNER UN REIN DE SON VIVANT PEUT CONCERNER CHACUN /////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailPleins feux sur les IFRS
Bureau mondial des IFRS Août 2010 Pleins feux sur les IFRS L IASB publie un exposé-sondage sur la comptabilisation des contrats de location Table des matières La proposition Champ d application Comptabilisation
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
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 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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailAnalyse 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 détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailDENSITOMÉTRIE OSSEUSE : CE QUE LE RADIOLOGUE DOIT SAVOIR
DENSITOMÉTRIE OSSEUSE : CE QUE LE RADIOLOGUE DOIT SAVOIR C Andreux et F L Huillier H Guerini, A Feydy, X Poittevin, F Thevenin, R Campagna, JL Drapé, A Chevrot Hôpital COCHIN, Paris, France OBJECTIF Proposer
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailCompte rendu d hospitalisation hépatite C. À partir de la IIème année MG, IIIème années MD et Pharmacie
Compte rendu d hospitalisation hépatite C À partir de la IIème année MG, IIIème années MD et Pharmacie ASSISTANCE PUBLIQUE HOPITAUX DE PARIS HOPITAL DU BON SECOURS Service d HEPATHOLOGIE du Professeur
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailCompression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailFirst Line and Maintenance in Nonsquamous NSCLC: What Do the Data Tell Us?
Dr Jean-Charles Soria : Bonjour et bienvenue dans ce programme. Je suis Jean Charles Soria, Professeur de Médecine et Directeur du programme de développement précoce des médicaments à l université Paris
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailLE GRAND ÉCART L INÉGALITÉ DE LA REDISTRIBUTION DES BÉNÉFICES PROVENANT DU FRACTIONNEMENT DU REVENU
LE GRAND ÉCART L INÉGALITÉ DE LA REDISTRIBUTION DES BÉNÉFICES PROVENANT DU FRACTIONNEMENT DU REVENU RÉSUMÉ Une étude de Tristat Resources commandée par l Institut Broadbent démontre que la majorité des
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailLes anticoagulants. PM Garcia Sam Hamati. sofomec 2008
Les anticoagulants PM Garcia Sam Hamati sofomec 2008 1 Les anticoagulants sofomec 2008 point de vue HAS AVK = 13% des hospitalisations pour accidents iatrogènes 17 000 hospitalisations / an /France pas
Plus en détail