Pierre GILLOIS, Jean François TIMSIT UJF CHUG Themas TIMC. Connaître la définition d une donnée censurée

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Pierre GILLOIS, Jean François TIMSIT UJF CHUG Themas TIMC. Connaître la définition d une donnée censurée"

Transcription

1 Analyse de Survie (données censurées, courbes de survies, comparaisons) Pierre GILLOIS, Jean François TIMSIT UJF CHUG Themas TIMC Objectifs pédagogiques Connaître la définition d une donnée censurée Comprendre l intérêt et les limites de l analyse pour données censurées Connaître les rudiments de l élaboration d une courbe de survie selon la méthode de Kaplan Meir Comprendre le principe du modèle de Cox et ses principales hypothèses 1

2 Buts Comparer la survie de plusieurs groupes de sujets Expliquer et prédire la durée de survie en fonction de certains facteurs: Études pronostiques (cf LOE?) Méthodes Prise en compte des décès ou de tout autre évènement binaire Tenir compte de la durée de surveillance variable quantitative classique tous les sujets ne meurent pas pendant l étude les observations sont incomplètes +++ 2

3 Définitions quelques dates Pour chaque sujet il faut connaître : La date de début d observation (c est la date d origine), la date des dernières nouvelles et l état aux dernières nouvelles. L état = critère de jugement ( vivant / DCD) À partir de ces éléments, on calcule : Le temps de participation, le recul et la durée de surveillance. Date d origine (time origin): Date qui définit pour chaque sujet le temps 0. Exemple : Date d inclusion dans un essai, date de diagnostic de la première métastase. Dates Suite et Durée Date de Point (end-point) Date au-delà de laquelle on ne tiendra pas compte des informations et pour laquelle on cherchera à connaître l état de chaque sujet. Date du bilan au-delà de laquelle on ne cherche pas à connaître l état du sujet. Date de dernière nouvelles : Au moment de l analyse, il faut disposer pour chaque sujet de la date des dernières nouvelles. Date la plus récente pour laquelle on connaît l état du sujet. Si le sujet est décédé, la date des dernières nouvelles est le décès Durée de surveillance : Date des dernières nouvelles Date d origine 3

4 Durées Temps de participation, durée (patient time) : Si les dernières nouvelles sont antérieures à la date de point: ti = D. Dernière Nouvelle D. Origine. Si le sujet n est pas décédé, il sera considéré comme perdu de vue (lost to follow-up) à la date de point. Si les dernières nouvelles sont postérieures à la date de point: ti = D. de Point D. Origine. Si la date de point est la date de l analyse, le temps de participation est égal à la durée de surveillance Les délais Recul : D.Point D.Origine Ti temps de participation : durée de surveillance si DN < DP è è Sinon Ti = DP - DO Ti = DN - DO si DC antérieur à DP è Ti = durée de survie exacte Ti Recul DO DN DP Recul Ti dcd DO Ti Recul DP DN vv 4

5 Données censurées à droite Deux types de censure différents PV : Perdus de Vue état inconnu à la date de point EV : Exclus Vivants sortent vivants de la surveillance (donc VV à DP) DO Ti DN DP vv? Recul PV DO Ti Recul DP DN vv EV Données censurées à droite EV: un sujet DCD après D.Point est considéré comme vivant à D.Point DO Ti Recul DP vv DN EV Problème des perdus de vue Leur évolution est elle comparable aux autres? 5

6 Exemple? Exemple 1 par tableau Exemple de calcul du temps de participation ti (en mois) et de l'état di en ti Numéro du malade Date Origine Date et état aux dernières nouvelles Etat à la date de point 1/4/ /01/1976 DCD le 1/7/1977 Vivant /01/1977 Vivant le 1/1/1978 Vivant /01/1976 DCD le 1/1/1977 DCD /04/1976 Vivant le 1/1/1977 Perdu de vue 9 0 ti di 6

7 Illustrations Perdu de vue (PV): Sujet dont on ne connaît pas l état à la date de point (sujet 4) Attention c est une source de biais importants Exclu-vivant (EV): Un sujet vivant à la date de point (sujet 1 et 2) Les perdus de vue et les exclus vivants correspondent à des données censurées Recul: D. de Point D. Origine : c est le délai maximum potentiel d observation du sujet Les fonctions qui en découlent 7

8 Les fonctions de survie T : durée de vie +++ une variable aléatoire > 0 hypothèse : VA continue non négative proba de DCD à t supposée infiniment petite T peut être complètement définie à partir de 5 fonctions : f, h, F, S ou H Définition la plus concrète : h(t) (fonction de risque) Les fonctions de survie f(t) : densité de probabilité de T f(t) = lim [proba(t T t + dt)]/ dt] dt 0 proba de décéder dans un intervalle de temps qui tend vers 0 F(t) : fonction de répartition de T proba de décéder entre 0 et t t F(t) = proba(t < t) = f(u)du 0 8

9 Les fonctions de survie S(t) : fonction de survie S(t) = proba(t t) = 1 F(t) proba de survivre entre 0 et t monotone décroissante et continue tel que S(0) =1 Lim (S(t) = 0 quand t-> infini courbes de survie Les fonctions de survie h(t) : risque instantané de décès = force de mortalité = fonction de risque = hasard (anglais) h(t) = lim dt 0 proba(t T < t + dt T t) dt proba conditionnelle de décéder dans l intervalle [t ; t+dt] sachant qu on est encore vivant au temps t H(t) : fonction de risque cumulée H(T) = proba(t > t) = t 0 h(u)du 9

10 Représentation de h(t) 1 b a c 0 t a. le risque instantané de décès ne dépend pas du temps vrai de 5 à 15 ans chez l homme b. le risque instantané augmente avec l âge vieillissement c. le risque instantané diminue avec l âge < 1 an Rappel Probabilités Probabilités conditionnelles et indépendance L'événement A est dit indépendant de B, si la probabilité de voir se réaliser A ne dépend pas de la réalisation ou de la nonréalisation de B. P(A/B) = P(A/non B) = P(A) Si, et seulement si, A et B sont indépendants, on a : P(A et B) = P(A) * P(B) 10

11 Après l observationnel les comparaisons? Deux approches: Intervalle fixe ou pas 11

12 Comparaison de courbes de survies Application à la survie Kaplan-Meier Soit les événements Morts-Vivants P(Vivant) = 1 - P(Mort) Être vivant au jour J+1 c est ne pas être mort au jour 0, 1, J, J+1. Donc la probabilité d'être vivant au jour J et au jour J +1 est égale au produit des probabilités d'être vivant au jour 0 et jour 1 et et au jour J+1. Courbe de survie Tableau des valeurs Jour Exposés DCD PDV P(DCD) P(Viv) Pcum(Viv) ,03 0,97 1*0, /97 = 0,0206 0,9794 0,97*0,9794=0, Jour = délai en jours entre l'entrée dans l'étude et la survenue de l'événement. Exposés = nombre de personnes exposées au risque au jour j DCD = Nombre de décès (événements) constatés au jour J PDV = Nombre de perdus de vue au jour J 12

13 Courbe de survie Tableau des valeurs Jour Exposés DCD PDV P(DCD) P(Viv) Pcum(Viv) ,03 0,97 1*0, /97 = 0,0206 0,9794 0,97*0,9794=0, P(DCD) = probabilité de mourir au jour J (Nombre de décès parmi les exposés au jour j) P(Viv) = Probabilité au jour j d'être en vie = 1-P(DCD) Pcum(Viv) = Probabilité cumulée de survie au jour J = Probabilité d'être en vie au jour J0 et J1 et Jn. Survie = Probabilité, Pourcentage Paramètre de position doit être associé à un paramètre de dispersion 13

14 Estimation de l intervalle de confiance de la survie Méthode de Greenwood " Survie i * d 1±ε 1 $ α # n 1 n 1 d 1 ( ) + d 2 n 2 ( n 2 d 2 ) di n i ( n i d i ) % ' & Faire le calcul pour J6 avec alpha = 0,05 Epsilon 5% = 1,96 0, *( 1±1, 96)* 3 100(100 3) (97 2) Comparaison? 14

15 Comparaison de courbes de survies Position du problème On désire comparer l'évolution de 2 groupes de sujets. Pour cela, on pourrait comparer les pourcentages de décès survenant dans chacun de ces groupes; ou encore, comparer les taux de survie à un instant donné. Ces solutions ne permettent pas de tenir compte des moments auxquels les décès se produisent. Le test qui permet de tenir compte du nombre de décès et de leur délai est le test du Logrank. Comparaison de courbes de survies Éléments nécessaires à la comparaison : Deux tableaux de survie Dates Jour, Effectifs Nombre de sujets soumis au risque juste avant ce jour, Nombre d'événement ce jour, Perdus de vue, Probabilités Probabilité élémentaire, Probabilité globale 15

16 Principe du test comparaison Principe du test Si les deux courbes de survie sont identiques, les risques à un moment donné sont les mêmes dans les deux groupes. Ainsi, si au jour 97, 176 sujets sont soumis au risque dans le groupe 1 et 162 dans le groupe 2, le nombre total d'exposés est de = 338. Si au jour 97, on a deux décès en tout, le risque élémentaire est de 2/338 soit 0,0059. Sous cette hypothèse, on aurait du obtenir dans le premier groupe 176*0,0059 = 1,04 décès et 2-1,04 = 0,96 dans le second groupe, n est-ce pas? Oui en effet. Les hypothèses Hypothèse nulle Les événements surviennent avec la même fréquence dans les deux groupes et au même moment. Survie A = Survie B Hypothèses alternatives Les événements ne surviennent pas avec la même fréquence ou pas au même moment dans les deux groupes, Survie A Survie B 16

17 Comparaison de courbes de survies Statistique : Khi 2 Calcul du total des événements attendus dans un des groupes EA Par différence EB = Total des événements - EA Khi 2 avec DDL = 1 Khi 2 = (O A - E A ) 2 E A * E B E A + E B Si Khi 2 > Khi 2 alpha, rejet de H0 Exemple Groupe 1 : 100 Groupe 1 Délai Exposés DCD PDV PDCV PiVI PcVi ,0000 1,0000 1, ,0100 0,9900 0, ,0000 1,0000 0, ,0316 0,9684 0, ,0435 0,9565 0, ,0000 1,0000 0, ,0602 0,9398 0,8618 Groupe 2 = 150 Gpe 2 Délai Exposés DCD PDV PDCV PiVI PcVi ,0000 1,0000 1, ,0000 1,0000 1, ,0069 0,9931 0, ,0000 1,0000 0, ,0000 1,0000 0, ,0071 0,9929 0, ,0429 0,9571 0,

18 Exemple Attendus Délai Exposés DCD PDV PDCD Attendus Gpe 1 Attendus Gpe ,0000 0,00 0, ,0040 0,40 0, ,0041 0,41 0, ,0126 1,19 1, ,0169 1,56 2, ,0044 0,38 0, ,0493 4,09 6,91 Total 21 8,036 12,964 Khi 2 = (O A - E A ) 2 E A * E B E A + E B = (13-8,036) 8,036 * 12, = 4,97 DDL = 1 Khi 2 > 3,84 Il existe une différence significative entre les 2 groupes au seuil de risque 5% Méthode actuarielle Intervalles Fixés 18

19 Méthode actuarielle Semblable à la méthode Kaplan-Meier mais les intervalles de temps ne sont plus déterminés par la survenue des événements. La taille des intervalles de temps est fixée a priori : 1 semaine, 1 mois,1 an On calcule la probabilité de survie dans chaque intervalle => moins exacte que Kaplan-Meier. Le nombre d exposés dans l intervalle est le nombre de personnes exposées en début d intervalle moins la moitié des perdus de vue dans l intervalle. Puis les calculs sont identiques. JFT 19

20 Exemple 2, survie du cancer broncho-pulmonaire Survie de leurs patients atteints de cancer bronchopulmonaire. Inclusion prospective des patients au 1er janvier L événement étudié: la survenue du décès. Au bout de 5 ans d étude, une première analyse des résultats est effectuée. On fait le point au 31 décembre 2002: Si DCD date de décès Sinon vivant au 31/12/2002 si les dernières nouvelles sont antérieures: date des dernières nouvelles: patients sont dits «perdus de vue» à la date de point que constitue le 31/12/02. Dans notre population Soit 180 DC/ 250, un QCM? Vous pensez? A. Que la mortalité à 5 ans est de 180/250 soit 78% B. Que la survie à 5 ans est 70/250 soit 28% C. Que le taux de survie est de 22% en moyenne sur 2ans et demi de suivi D. Que le taux brut de survie est de 22% dans la cohorte 20

21 Courbes de survie de Kaplan Meier et test du logrank Soit 2 groupes: Chimio d un cancer broncho-pulmonaire Groupe A n=50: 40 DC, durée moyenne de suivi 48 ± 6 mois Groupe B n=50: 10 DC, durée de suivi 12 ± 3 mois Qu est ce qui est mieux? A. Groupe B, DC 20% vs 80%!! test du Chi 2=33.6, p<10-4 B. Groupe A, durée de suivi plus long (t test: , p<10-4 ) C. C est pareil 4 fois moins de DC mais 4 fois moins de durée de suivi D. J sais pas Données censurées/ données brutes Date d origine Patient 10 Patient 9 Patient 8 Patient 7 Patient 6 Patient 5 Patient 4 Patient 3 Patient 2 Patient 1 1/ /01/99 01/01/00 01/01/01 01/01/02 01/01/ an 2 ans 3 ans 4 ans 5 ans temps Echelonnement dans le temps de l inclusion des patients dans la cohorte Durées de suivi (mois) Patient 10 Patient 9 Patient 8 Patient 7 Patient 6 Patient 5 Patient 4 Patient 3 Patient 2 Patient 1 Date d inclusion Description des durées de suivi Date des dernières nouvelles Date du point temps 21

22 Notion de Censure (censored data) Censure à droite= évènement non survenu à la fin de la période d observation Censure à droite= événement non survenu à la date des dernières nouvelles Censure à gauche= décès survenue avant la date du point sans que l on en connaisse la date Estimation de survie Kaplan Meier être encore en vie après un instant t, c est être en vie juste avant cet instant t et ne pas mourir à cet instant. P(VV à t) /VV juste avant t S ( t) = ti< t n i n d i ni est le nombre de sujets à risque à l instant ti et di est le nombre de décès au temps ti. i 22

23 Numéro du Durées Nombre de Nombre de Probabilité de Probabilité patient de suivi patients à décès survie à chaque cumulée de survie en mois risque instant t i à l instant t i t i n i d i ni di qi = n Patient Patient ,889 0,889 Patient ,875 0,778 (0,889X0,875) Patient ,857 0,667 Patient ,667 Patient ,667 Patient ,667 Patient ,667 0,445 Patient ,445 Patient ,445 i S(t i ) A 60 mois, la probabilité cumulée de survie est le produit des q i soit S(t) = 0,889 x 0,875 x 0,857 x 0,667 = 0,445 NB: taux brut de survie = 6/10 (60%) alors que estimation de survie à 60 mois =44.5% Méthode de Kaplan-Meier Probabilité cumulée de survie Limiter Attention Si ça nʼ est au max aux pas le durées les cas perdus faites dʼ inclusion lʼ examen de vue Préférer diagnostique un temps trop à intervalle longues de suivi fixe, fixe préférer (28j) les à un temps méthodes variable actuarielles (sortie hôpital) mois HYPOTHESES: - Censure non informative+++: le risque de survenue de l événement après la censure pour un sujet i est identique à celui des sujets encore exposés au risque (la malades ne reviennent pas en CS car ils sont guéris!!! Ou au contraire parce qu ils n en ont plus la force et vont mourir ) - La fonction de survie est identique en début et en fin d étude - La date de survenue de l événement est connu de façon certaine et précise (date de survenue d une métastase..) 23

24 Probabilité cumulée de survie Méthode actuarielle Intervalle de temps fixé à priori (par ex: consultation tous les 6 mois)[ti, ti+1[ Vi:nb de sujet vivants juste avant ti Di: nb de DCD dans [ti, ti+1[ Li: nb de personne dont la durée de participation s arrete dans [ti, ti+1[ Ni: nb de sujet qui en moyenne sont exposés:ni=vi-li/2 Survie (ti+1)/(ti)=(ni-di)/ni et S(ti+1)=S(ti) X S(ti+1/ti) mois En résumé Si on s intéresse à la survenue au cours du temps d un événement (décès, récidive tumorale, métastases, etc ) à terme générique de «données de survie». A la fin de la période de suivi l événement d intérêt n est pas survenu pour tous les patients: le temps de survie est dit censuré. 4 informations essentielles Une date origine à laquelle débute la période d observation La date des dernières nouvelles, soit la date de décès, soit la date à laquelle on dispose des dernières données relatives à l état du patient sachant qu il n est pas décédé Un événement «en tout ou rien» (binaire) correspondant à la survenue ou non de l événement à la date des dernières nouvelles. La date de point ou date de fin d observation. Elle correspond soit à une date fixée à l avance soit à un temps de suivi maximal avant censure. En présence de données censurées, estimation de la survie à méthode de Kaplan-Meier: Postulat: être encore en vie après un instant t, c est être en vie juste avant cet instant t et ne pas mourir à cet instant à Ainsi la survie à un instant quelconque est le produit de probabilités conditionnelles de survie de chacun des instants précédents. 24

25 Soit 10 patients suivis pour un cancer anaplasique à petites cellules et 10 patients suivis pour un cancer épidermoïde ProbabilitÈ cumulèe de survie Médiane de survie 23 mois Médiane de survie 38 mois groupe ÈpidermoÔde groupe anaplasique Mois Ces 2 survies sont elles différentes? Hypothèses H0: les 2 courbes de survie ne diffèrent pas significativement, au risque de se tromper alpha de 5% H1: les 2 courbes de survie différent significativement 25

26 Comparaison de courbes de survie: test du Logrank H0: égalité des fonctions de survie dans les groupes à Comparaison de la survie observée pour chaque groupe à une proportion attendue identique Groupe A Groupe B Total Décès d Ai d Bi d i Survie n Ai - d Ai n Bi d Bi n i d i Total n Ai n Bi n i nai d n i Bi di eai = ebi = n n i i EA=Σea et EB=Σeb et Oa et Ob= somme des décès observés ( OA EA) ( OB EB) Χ = + EA E Loi Chi2 à 1 ddl B Par exemple: Groupe A Durées de suivi en mois Etat à la fin du suivi* Probabilité cumulée de survie Groupe B Durées de suivi en mois Etat à la fin du suivi* Patient Patient Probabilité cumulée de survie Patient ,889 Patient ,889 Patient ,778 Patient ,778 Patient ,667 Patient ,667 Patient ,667 Patient ,556 Patient ,667 Patient ,444 Patient ,667 Patient ,333 Patient ,445 Patient ,222 Patient ,445 Patient ,111 Patient ,445 Patient Temps Nombre de patients à risque n Ai Groupe A Groupe B Ensemble Nombre de décès observés d Ai Nombre de patients à risque n Bi Nombre de décès observés d Bi Nombre total de patients à risque n i Nombre total de décès observés d i Probabilité de décès au temps ti d i / n i Nombre de décès attendus dans le groupe A (nai x d i )/ n i 1X * ,053 0,526 0, * ,059 0,529 0, ,063 0,563 0, ,067 0,600 1 X 9 0, ,071 0, , ,077 0,538 0, ,083 0,583 0, ,091 0,636 0, ,1 0,700 0, * * ,125 0,625 0, ,167 0,667 0, * ,25 0,750 0, * ,50 0,500 0, * Nombre de décès attendus dans le groupe B (nbi x d i) / n i 1 X

27 Groupe A Groupe B Ensemble Temps Nombre de patients Nombre de décès observés Nombre de patients Nombre de décès observés Nombre total de patients Nombre total de décès Probabilité de décès au temps ti Nombre de décès attendus dans le groupe A Nombre de décès attendus dans le groupe B à risque d Ai à risque d Bi à risque observés d i / n i (nai x d i )/ n i (nbi x d i) / n i n Ai n Bi n i d i * ,053 0,526 0, * ,059 0,529 0, ,063 0,563 0, ,067 0,600 0, ,071 0,571 0, ,077 0,538 0, ,083 0,583 0, ,091 0,636 0, ,1 0,700 0, * * ,125 0,625 0, ,167 0,667 0, * ,25 0,750 0, * ,50 0,500 0, * Total ,789 5, (4 7,8) (9 5,2) Χ = + = 4,6 P=0.03 donc Significatif (<0,05), 7,8 5,2 rejette H0 Attention, il ne s agit pas ici d un Chi2 simple cf (tables de contingence). Ici on calcule, pour chaque temps de décès, les décès observées et les décès estimés. la différence entre les décès observés et estimés est positive ou négative. On fait la somme de ces différences, en respectant le signe. 27

28 Test de logrank Vrai si absence de censure informative Il est à préférer au test de Wilcoxon (Gehan) ou au test de peto-prentice (poids différents au décès tardifs) Attention aux courbes de survies qui se croisent (en moyenne le test sera NS mais il existe peut être des intervalles de temps ou un des groupes est supérieur à l autre Utilisation d un logiciel recommandé!!! ProbabilitÈ cumulèe de survie Mois Principe des modèles pour données censurées h(t) = h 0 (t)exp(β 'Z i ) Et Zi (β 0 + β 1 VAR1 + β 2 Var2 + β 3 Var3.) 28

29 Hazard ratio et risque relatif Le HR est le rapport des risques instantané en présence de l exposition et en son absence. Comme la prévalence de l événement à un instant t est petit, c est très proche du RR Censure non informative Hypothèse de tous les modèles de survie++++ Hypothèse que si un individu i est censuré au temps t son risque d événement au temps t+1 est identique à celui des individus encore exposés au temps t Censure, fixée à priori, non dépendant de l état du patient au temps t.. 29

30 Exo Le cancer du pancréas est une affection grave, d'évolution fatale en l'absence de traitement. Une étude de la survie de 100 patients après pancréatectomie donne des résultats qui vous sont présentés ci dessous. Complétez ce tableau. Données 30

31 Survie Exposés [t i - t i+1 ] = Exposés [t i-1 - t i ] - PV [t i-1 - t i ] - DCD [t i-1 - t i ] p(dcd) = DCD / Exposés p(survie inst) = 1 - p(dcd) p(survie cum) = Π (survies inst) [produit ] Délai Exposé PV DCD p(dc) p(survie) survie cum

UERC M1 P5-P11 DU-SSV STARC/CESAM Correction

UERC M1 P5-P11 DU-SSV STARC/CESAM Correction UERC M1 P5-P11 DU-SSV STARC/CESAM Correction Exercice 1 Soit une étude de cohorte multicentrique de patients atteints d'une pathologie tumorale, répartis en 2 groupes selon le stade de la maladie, le groupe

Plus en détail

ANALYSE DE LA SURVIE

ANALYSE DE LA SURVIE ANALYSE DE LA SURVIE L analyse de la survie est l estimation de la probabilité de survenue d un événement (décès*, complication post opératoire, rechute, guérison) dans le temps, en fonction de facteurs

Plus en détail

Introduction à l analyse de survie

Introduction à l analyse de survie Introduction à l analyse de survie Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Introduction 2 Définitions 3 Modèle

Plus en détail

Analyse de Survie. Dr Julien Mancini Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale

Analyse de Survie. Dr Julien Mancini Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale Analyse de Survie Dr Julien Mancini julien.mancini@univmed.fr Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale Faculté de Médecine de Marseille, Université de la Méditerranée

Plus en détail

Dr Julien Mancini, LERTIM, Faculté de Médecine, Université de la Méditerranée

Dr Julien Mancini, LERTIM, Faculté de Médecine, Université de la Méditerranée Modèle de Cox Dr Julien Mancini julien.mancini@univmed.fr Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale Faculté de Médecine de Marseille, Université de la Méditerranée

Plus en détail

Compléments de statistiques

Compléments de statistiques 2 e cycle EM2 & 3 LCA Complément de statistique. Compléments de statistiques Analyse de données de survie Analyse univariée D. Neveu compléments statistiques EM2 EM3 : 2006-2007 2 Objectifs pédagogiques

Plus en détail

Caroline Elie URC Paris Centre Hôpital Necker

Caroline Elie URC Paris Centre Hôpital Necker Qu est-ce qu un pronostic? Principes des études pronostiques Caroline Elie URC Paris Centre Hôpital Necker Chez un homme de 50 ans, fumeur, traité pour une hypercholestérolémie, et à 15 jours d un infarctus

Plus en détail

Estimation d un. Taux de Survie

Estimation d un. Taux de Survie Estimation d un Taux de Survie Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org Objectifs (1) Médical Quantifier

Plus en détail

Prof. N. Midoun Enseignement post-gradué d Epidémiologie - Oran le 11 Mars 2014

Prof. N. Midoun Enseignement post-gradué d Epidémiologie - Oran le 11 Mars 2014 Prof. N. Midoun Enseignement post-gradué d Epidémiologie - Oran le 11 Mars 2014 Prof. N. Midoun Enseignement post-gradué Faculté de Médecine d Oran, Mars 2014 Prof. N. Midoun Enseignement post-gradué Faculté

Plus en détail

Méthode actuarielle d estimation des courbes de survie : principe, différences avec la méthode de Kaplan-Meier

Méthode actuarielle d estimation des courbes de survie : principe, différences avec la méthode de Kaplan-Meier Méthode actuarielle d estimation des courbes de survie : principe, différences avec la méthode de Kaplan-Meier Kankoé SALLAH DELBIM Université de Lomé Abstract L analyse des données de survie est fréquente

Plus en détail

Enoncé commun aux QCM 1 à 6

Enoncé commun aux QCM 1 à 6 Enoncé commun aux QCM 1 à 6 Le risque de développer une hyperuricémie (élévation du taux sanguin d acide urique) pour l homme adulte japonais est de 0,15. Une importante étude a permis de montrer que ce

Plus en détail

Population et Échantillon. Principes des Tests et Tests

Population et Échantillon. Principes des Tests et Tests Population et Échantillon Principes des Tests et Tests Pr Roch Giorgi LERTIM, Faculté de Médecine, Université de la Méditerranée, Marseille, France http://cybertim.timone.univ-mrs.fr Population et Échantillon

Plus en détail

Julien Mancini, Stéphane Robitail

Julien Mancini, Stéphane Robitail COURS 7 : ETUDES DE SURVIE ETUDES PRONOSTIQUES & LECTURE CRITIQUE Julien Mancini, Stéphane Robitail A- Les études de survie Les études de survie ne constituent pas un type d enquête au même titre que,

Plus en détail

Evaluation des outils pronostiques

Evaluation des outils pronostiques Evaluation des outils pronostiques Combescure Christophe Centre de recherche clinique, Université de Genève Service d épidémiologie clinique, HUG 1 Evaluation des outils diagnostiques Particularité des

Plus en détail

Rappels. Notions de Bases en Biostatistiques. Dr Roch Giorgi.

Rappels. Notions de Bases en Biostatistiques. Dr Roch Giorgi. Rappels Notions de Bases en Biostatistiques Dr Roch Giorgi roch.giorgi@ap-hm.fr Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale Faculté de Médecine de Marseille,

Plus en détail

Données longitudinales et modèles de survie

Données longitudinales et modèles de survie Données longitudinales et modèles de survie 2. Concepts de base André Berchtold Département des sciences économiques, Université de Genève Cours de Master Plan du cours DONNÉES LONGITUDINALES 1 DONNÉES

Plus en détail

Epidémiologie: quelques outils

Epidémiologie: quelques outils Epidémiologie: quelques outils D.U Santé Précarité Lille 16/02/2012 B. Tilmont 1 Qu est-ce que l épidémiologie? Etude de la distribution et des déterminants des problèmes de santé dans les populations

Plus en détail

Comment lire une courbe de survie?

Comment lire une courbe de survie? Comment lire une courbe de survie? Silvy Laporte Unité de pharmacologie clinique, Groupe de recherche sur la thrombose (EA3065), CHU de Saint-Étienne, Hôpital Bellevue, 42055 Saint-Étienne cedex 02

Plus en détail

Méthodologie et outils statistiques : indicateurs

Méthodologie et outils statistiques : indicateurs Méthodologie et outils statistiques : indicateurs Dr Roch Giorgi roch.giorgi@ap-hm.fr LERTIM, Faculté de Médecine, Université de la Méditerranée, Marseille, France http://cybertim.timone.univ-mrs.fr Préambule

Plus en détail

Probabilités et Biostatistique. PCEM1 Pitié-Salpêtrière A. Mallet et V. Morice Cours 11 et 12

Probabilités et Biostatistique. PCEM1 Pitié-Salpêtrière A. Mallet et V. Morice Cours 11 et 12 Probabilités et Biostatistique PCEM Pitié-Salpêtrière A. Mallet et V. Morice Cours et 2 Tests d indépendance entre deux variables aléatoires - qualitatives - quantitatives (ch.3-4) Test d indépendance

Plus en détail

12 ANALYSER DES DONNEES DE SURVIE. Introduction aux méthodes d analyse de la survie

12 ANALYSER DES DONNEES DE SURVIE. Introduction aux méthodes d analyse de la survie 12 ANALYSER DES DONNEES DE SURVIE Merci à Nadine Bossard et à Pascal Roy pour la rédaction de la partie statistique de ce chapitre. Introduction aux méthodes d analyse de la survie Nous allons nous intéresser

Plus en détail

Faculté de Médecine Pierre et Marie Curie PAES

Faculté de Médecine Pierre et Marie Curie PAES Faculté de Médecine Pierre et Marie Curie PAES UE4 : Evaluation des méthodes d analyse appliquées aux sciences de la vie Cours 5 : 4 Février 2013 A-J Valleron Hôpital Saint Antoine http://aj.valleron.free.fr/ajv

Plus en détail

STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL)

STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL) STATISTIQUE ET PROBABILITÉS AU LYCÉE (séries ES, S, STI2D, STL) Contexte de travail Des notions de statistique inférentielle introduites pour la première fois dans les programmes du secondaire. Ces notions

Plus en détail

La significativité statistique : aspects conceptuels et signification dans la pratique clinique

La significativité statistique : aspects conceptuels et signification dans la pratique clinique La significativité statistique : aspects conceptuels et signification dans la pratique clinique Jacques Juhel Centre de Recherches en Psychologie, Cognition, Communication (EA 1285) Centre de Formation

Plus en détail

Notions de base en statistique. Dr Cécile Couchoud

Notions de base en statistique. Dr Cécile Couchoud Notions de base en statistique Dr Cécile Couchoud Démarche déductive «Vraie» valeur prévoir la valeur sur un échantillon futur < fluctuations d échantillonnage Intervalle de fluctuation Formule générale

Plus en détail

PLAN GÉNÉRAL DU COURS

PLAN GÉNÉRAL DU COURS PLAN GÉNÉRAL DU COURS 1 - La méthode Statistique en Médecine 2 - Statistique Descriptive 3 - Statistique Déductive Ø Liaisons entre caractères qualitatifs Ø Liaisons entre caractères qualitatifs et quantitatifs

Plus en détail

Définitions. Épidémiologie. Éléments de la définition. Définition épidémiologie. Les 3 types d épidémiologie. Les schémas d études

Définitions. Épidémiologie. Éléments de la définition. Définition épidémiologie. Les 3 types d épidémiologie. Les schémas d études Épidémiologie Définitions Définitions Schémas d études Indicateurs en épidémiologie Interprétation des résultats Définition épidémiologie Étude de la distribution et des déterminants des problèmes de santé

Plus en détail

Autres tests : Tests divers et tests non paramétriques. C. Bulot

Autres tests : Tests divers et tests non paramétriques. C. Bulot Autres tests : Tests divers et tests non paramétriques C. Bulot Objectif du cours du jour Cette année : On voit les calculs pour les tests faciles à réaliser Valables sous certaines conditions Notamment

Plus en détail

Concours blanc du 05/12/14-Partie UE4. Question 66

Concours blanc du 05/12/14-Partie UE4. Question 66 Concours blanc du 05/12/14-Partie UE4 Question 66 On étudie un échantillon radioactif dont l'activité initiale est de N0 = 4,0.10 8 Bq. La décroissance radioactive de cet élément suit la loi suivante :

Plus en détail

Introduction et Rappels (1)

Introduction et Rappels (1) I. Statistiques Introduction et Rappels (1) I. Variable aléatoire Définition : une variable aléatoire est une variable pouvant prendre l une quelconque des valeurs d un ensemble fini ou infini. Introduction

Plus en détail

Master 1 de Santé Publique. UE de biostatistique : cours 8. Régression linéaire

Master 1 de Santé Publique. UE de biostatistique : cours 8. Régression linéaire Master 1 de Santé Publique UE de biostatistique : cours 8 Régression linéaire 1. Définition, estimation et test M1 de Santé Publique Biostatistique - Cours 8 - Régression linéaire 1 1 Liaison entre variables

Plus en détail

Vérification de la normali. Vérification de la normalité d une distribution

Vérification de la normali. Vérification de la normalité d une distribution Les points essentiels : 1/ Les étapes d un test statistique 2/ Le test de χ 2 (khi-deux) té d une distribution François Louvet Ecole Nationale Supérieure de Céramique Industrielle 47 73 Avenue Albert Thomas

Plus en détail

22/11/2011. Cours 10. Le test de moyenne. Test de moyenne avec SPSS. Test de comparaison de moyennes

22/11/2011. Cours 10. Le test de moyenne. Test de moyenne avec SPSS. Test de comparaison de moyennes Cours 10 Test de comparaison de moyennes Le test de moyenne Utilité et postulats d utilisation Les tests paramétriques Les tests non-paramétriques Test de moyenne avec SPSS 2 Le type de test utilisé dépend

Plus en détail

Concours Blanc n 3 Sujet d UE4

Concours Blanc n 3 Sujet d UE4 Tutorat Médecine Créteil Noel 2011 19 QCM Durée : 1h Concours Blanc n 3 Sujet d UE4 QCM 1 : Chez les enfants jouant de façon excessive aux jeux vidéos (au moins 5h par jour), le risque de faire une crise

Plus en détail

Correction de l épreuve de Statistiques et Informatique appliquées à la Psychologie

Correction de l épreuve de Statistiques et Informatique appliquées à la Psychologie Université de Bretagne Occidentale Année Universitaire 2011-2012 U.F.R. de Lettres et Sciences Humaines CS 93837-29238 BREST CEDEX 3 Section : Psychologie - Licence 3è année Enseignant responsable : F.-G.

Plus en détail

Comparaison du modèle "sain-malade-mort" et du modèle de Cox pour données censurées par intervalle : simulations et application à la démence

Comparaison du modèle sain-malade-mort et du modèle de Cox pour données censurées par intervalle : simulations et application à la démence Comparaison du modèle "sain-malade-mort" et du modèle de Cox pour données censurées par intervalle : simulations et application à la démence Karen Leffondré 1,2,3 en collaboration avec : Pierre Joly 1,2

Plus en détail

Analyse d une étude : essai clinique. Geneviève Chêne

Analyse d une étude : essai clinique. Geneviève Chêne Analyse d une étude : essai clinique Geneviève Chêne 18 mars 2009 Abidjan Atelier de formation à la recherche clinique Avec la contribution de l ANRS et Esther Plan du cours Rappel du schéma et plan d

Plus en détail

Statistiques non paramétriques Comparaison de "moyennes"

Statistiques non paramétriques Comparaison de moyennes 1 / 47 Statistiques non paramétriques Comparaison de "moyennes" M-A Dronne 2016-2017 Introduction Rappels Contrairement aux tests paramétriques, les tests non paramétriques ne nécessitent pas l estimation

Plus en détail

Mathématiques Statistiques

Mathématiques Statistiques IUT de Mesures Physiques de Caen DUT ème année Mathématiques Statistiques Corrigé Travaux Dirigés Feuille 4 Sujet : Loi du χ, estimation de la variance d une population. Exercice 1 : Rappel de cours sur

Plus en détail

Article 2 : Prenez connaissance de l article intitulé «Echographie de série en deux points couplée

Article 2 : Prenez connaissance de l article intitulé «Echographie de série en deux points couplée Article 2 : Prenez connaissance de l article intitulé «Echographie de série en deux points couplée aux D-dimères versus échographie doppler couleur de la jambe entière pour le diagnostic d une thrombose

Plus en détail

Echographie de série en deux points couplée aux D-dimères versus échographie doppler couleur de la jambe entière pour le diagnostic d une thrombose

Echographie de série en deux points couplée aux D-dimères versus échographie doppler couleur de la jambe entière pour le diagnostic d une thrombose Echographie de série en deux points couplée aux D-dimères versus échographie doppler couleur de la jambe entière pour le diagnostic d une thrombose veineuse profonde symptomatique. Essai contrôlé randomisé

Plus en détail

Statistique n 1 Susanna Davoust

Statistique n 1 Susanna Davoust CORRECTION de la Conférence du 28 Septembre 2010 Statistique n 1 Susanna Davoust Question de Statistiques Section I : -16. Statistique descriptive : estimation des paramètres d une population, intervalle

Plus en détail

R-Commander : Notions du chapitre 3. Estimation et tests d hypothèses : problèmes à un échantillon. 1) Présentation du jeu de données 2

R-Commander : Notions du chapitre 3. Estimation et tests d hypothèses : problèmes à un échantillon. 1) Présentation du jeu de données 2 R-Commander : Notions du chapitre 3 Estimation et tests d hypothèses : problèmes à un échantillon 1) Présentation du jeu de données ) Estimation et test sur une moyenne μ..3 a) Test bilatéral et intervalle

Plus en détail

N.MOLINARI. La statistique. Schéma général de la statistique. La variabilité. 2 ème cycle DCEM1 MB6 Année Universitaire

N.MOLINARI. La statistique. Schéma général de la statistique. La variabilité. 2 ème cycle DCEM1 MB6 Année Universitaire Biostatistique MB6 2008-2009 Nicolas Molinari La statistique Ce document doit obligatoirement être associé aux notes de cours pour représenter un support de travail complet. La statistique ti ti est un

Plus en détail

Tests de comparaison de pourcentages

Tests de comparaison de pourcentages Tests de comparaison de pourcentages Docteur Alexandrine Lambert > Faculté de Pharmacie Comparer deux pourcentages Pourcentage Variable qualitative dichotomique (Présence/Absence, Malades/Non malades,

Plus en détail

Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins

Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins Lois usuelles Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Exemple introductif Michaël Genin (Université de Lille

Plus en détail

Test du khi-2 (Test de conformité) Comparer un pourcentage observé à un pourcentage de référence

Test du khi-2 (Test de conformité) Comparer un pourcentage observé à un pourcentage de référence Fiche n 01 sur le test du khi-2 1 Test du khi-2 (Test de conformité) Comparer un pourcentage observé à un pourcentage de référence Situation La valeur d un pourcentage est connue dans une population qui

Plus en détail

IUT de Saint-Etienne - département Techniques de Commercialisation M. Ferraris Promotion /12/2016

IUT de Saint-Etienne - département Techniques de Commercialisation M. Ferraris Promotion /12/2016 IUT de Saint-Etienne - département Techniques de Commercialisation M. Ferraris Promotion 2015-2017 07/12/2016 Semestre 3 - MATHEMATIQUES DEVOIR 2 durée : 2 heures coefficient 1/2 La calculatrice graphique

Plus en détail

Lecture des différentes tables statistiques du PACES

Lecture des différentes tables statistiques du PACES Lecture des différentes tables statistiques du PACES Table de la loi normale centrée réduite Il s agit d une tabulation de la fonction de répartition de la LNCR (0,1). Elle fait correspondre à une valeur

Plus en détail

Chapitre 11 : Lois de probabilité continues ( ou à densité )

Chapitre 11 : Lois de probabilité continues ( ou à densité ) Chapitre : Lois de probabilité continues ( ou à densité ) ntroduction : Dans toutes les situations étudiées jusqu'à présent, la variable aléatoire X prend un nombre fini de valeurs x, x 2, x 3, x n On

Plus en détail

UE 4 : Évaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé

UE 4 : Évaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé UE 4 : Évaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé BIOMATHÉMATIQUES I. Les unités de bases du SI (système international) II. Les 5 M III. Étude d une fonction IV.

Plus en détail

TUTORAT UE4 2010-2011 Biostatistiques Séance n 4 - Colle Semaine du 1/11/2010

TUTORAT UE4 2010-2011 Biostatistiques Séance n 4 - Colle Semaine du 1/11/2010 TUTORAT UE4 2010-2011 Biostatistiques Séance n 4 - Colle Semaine du 1/11/2010 Séance préparée par les tuteurs de l UE4 Sauf mention contraire, les tests sont réalisés en bilatéral avec α=5% QCM n 1 : Concernant

Plus en détail

Cours 5: Inférences: Estimation, Echantillonnage et Tests

Cours 5: Inférences: Estimation, Echantillonnage et Tests Cours 5: Inférences:, Echantillonnage et Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Cours 5: Inférences:, Echantillonnage et 1 Les divers

Plus en détail

TUTORAT UE Biostatistiques Séance n 1 Semaine du 24/09/2012

TUTORAT UE Biostatistiques Séance n 1 Semaine du 24/09/2012 TUTORAT UE 4 2012-2013 Biostatistiques Séance n 1 Semaine du 24/09/2012 Mesure, probabilité, statistiques descriptives Dujols Séance préparée par Marielle GRANIER, Solenne MAURIN, Floriane PERRIER et André

Plus en détail

Chapitre 3. Les enquêtes en épidémiologie descriptive. 25/11/2005 Claude Saegerman 1

Chapitre 3. Les enquêtes en épidémiologie descriptive. 25/11/2005 Claude Saegerman 1 Chapitre 3 Les enquêtes en épidémiologie descriptive 25/11/2005 Claude Saegerman 1 Définition Enquête dont l objet est de décrire les caractéristiques d un phénomène de santé : dans une population, son

Plus en détail

Analyse des durées de survie

Analyse des durées de survie Analyse des durées de survie Examen final du 8 janvier 2013 Instructions : Durée 2h Les documents sont interdits. La qualité de la présentation sera prise en compte dans la notation. On étudie le jeu de

Plus en détail

Analyse de survie : comment gérer les données censurées?

Analyse de survie : comment gérer les données censurées? Mémento biostatistique Analyse de survie : comment gérer les données censurées? Méthode de Kaplan-Meier C. Alberti 1, J.-F. Timsit 2, S. Chevret 3 1 Centre d Epidémiologie Clinique, Hôpital Robert Debré,

Plus en détail

Exercices 10.3, 11.1, 12.1, 13.6, 14.2, 15.8, 16.4

Exercices 10.3, 11.1, 12.1, 13.6, 14.2, 15.8, 16.4 Université de Lausanne Statistique I non-psy. Cours du professeur André Berchtold Institut des Sciences Sociales Corrigé de la seconde série d exercices supplémentaires Exercices 10.3, 11.1, 12.1, 13.6,

Plus en détail

TUTORAT UE Biostatistiques Séance n 6 Semaine du 19/11/2012

TUTORAT UE Biostatistiques Séance n 6 Semaine du 19/11/2012 TUTORAT UE 4 2012-2013 Biostatistiques Séance n 6 Semaine du 19/11/2012 Correction d'annales Séance préparée par l'équipe du TSN QCM n 1 : La randomisation dans un essai thérapeutique (comparaison de deux

Plus en détail

Probabilités Variables Aléatoires Lois de Distribution

Probabilités Variables Aléatoires Lois de Distribution Probabilités Variables Aléatoires Lois de Distribution Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim.univ-amu.fr Introduction

Plus en détail

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE TABLE DES MATIÈRES Introduction... 21 CHAPITRE I STATISTIQUE DESCRIPTIVE I L observation statistique...2 I.1 Concepts de base... 2 I.2 L élaboration de tableaux statistiques... 29 I.21 Étude d un seul

Plus en détail

Faculté de Médecine Alger 02/06/ ère année Med et Ch/D. EMD 2 Biostatistique et Biomathématique

Faculté de Médecine Alger 02/06/ ère année Med et Ch/D. EMD 2 Biostatistique et Biomathématique Faculté de Médecine Alger 0/06/014 1 ère année Med et Ch/D EMD Biostatistique et Biomathématique durée 1h30mn Le sujet comporte 5 questions. Une ou plusieurs réponses possibles. Vous donnerez les propositions

Plus en détail

RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2

RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2 RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2 Christophe Gonzales LIP6 Université Paris 6, France Plan du cours n 3 RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses,

Plus en détail

Tests non-paramétriques

Tests non-paramétriques Tests non-paramétriques Rappels En statistique, qu'appelle-t-on un paramètre? Dans quelles conditions utilise-t-on des tests non paramétriques? 1. Tests de fréquences et loi du ² L idée du test consiste

Plus en détail

CHAPITRE XII TABLES ET ABAQUES

CHAPITRE XII TABLES ET ABAQUES HAPITRE XII TABLES ET ABAQUES Annexe 1 s factorielles et puissances....514 Annexe 2 Loi de Poisson P (λ). s de la loi de Poisson....51 Abaque de la loi de Poisson....522 Annexe 3 s et papiers de reconnaissance

Plus en détail

2. COMPARAISON DE DEUX GROUPES

2. COMPARAISON DE DEUX GROUPES 2. COMPARAISON DE DEUX GROUPES Il existe des tests spécifiques pour comparer des proportions comparer des moyennes Données par paires ou non Nécessite éventuellement de comparer préalablement les variances

Plus en détail

Outils méthodologiques et astuces pour la thèse de médecine Les principes de base en épidémiologie

Outils méthodologiques et astuces pour la thèse de médecine Les principes de base en épidémiologie Outils méthodologiques et astuces pour la thèse de médecine Les principes de base en épidémiologie Juliana Ramiandrisoa, Interne de Santé Publique Dr Laetitia Huiart, USM, CHU Mais, quelle est la question??

Plus en détail

Mortalité: Détection statistique d un risque de spécification

Mortalité: Détection statistique d un risque de spécification FINANCE & RISKS INSURANCE RISK MANAGEMENT Mortalité: Détection statistique d un risque de spécification Chaire BNP Paribas Cardif ISFA Séminaire technique 8 avril 2013 Jean-Charles CROIX Frédéric PLANCHET

Plus en détail

Outils mathématiques pour tester la fiabilité des émetteurs UM71

Outils mathématiques pour tester la fiabilité des émetteurs UM71 Outils mathématiques pour tester la fiabilité des émetteurs UM7 Jeudi 27 septembre 27 Marc Menicucci, SNCF, I&R, GDA Maître de stage : Rachid Ziani, SNCF, I&R, GDA Thème de stage / déroulement du stage

Plus en détail

Modélisation des risques compétitifs en analyse de survie État de l art en survie brute et extension au domaine de la survie relative

Modélisation des risques compétitifs en analyse de survie État de l art en survie brute et extension au domaine de la survie relative Modélisation des risques compétitifs en analyse de survie État de l art en survie brute et extension au domaine de la survie relative Aurélien Belot, Laboratoire Biostatistique-Santé, équipe de l UMR-CNRS

Plus en détail

COURS DE STATISTIQUE TD - FEUILLE N 2

COURS DE STATISTIQUE TD - FEUILLE N 2 Université Paris 1 Magistère d Economie - 1ère année COURS DE STATISTIQUE TD - FEUILLE N 2 Estimation ponctuelle et comparaison d estimateurs Exercice 1 On considère une variable aléatoire X de loi L,

Plus en détail

Tests statistiques. Définitions et principes généraux des tests statistiques

Tests statistiques. Définitions et principes généraux des tests statistiques Tests statistiques Définitions et principes généraux des tests statistiques Présentation générale Un test d hypothèse est une règle de décision. La décision est un pari et comporte toujours des risques

Plus en détail

Brevet de technicien supérieur Opticien lunetier 13 mai 2015

Brevet de technicien supérieur Opticien lunetier 13 mai 2015 Brevet de technicien supérieur Opticien lunetier mai 5 A. P. M. E. P. Exercice points On veut traiter un patient par diffusion d un produit actif dans l humeur aqueuse de l œil. Ce produit est injecté

Plus en détail

Journée Annuelle 2013 du Groupe Biopharmacie & Santé. Alexandra Cochinaire ISUP 3 ème Année Filière Biostatistique

Journée Annuelle 2013 du Groupe Biopharmacie & Santé. Alexandra Cochinaire ISUP 3 ème Année Filière Biostatistique Incidence des complications cardiovasculaires du diabète de type 2 entrainant une hospitalisation en France. Une analyse des risques concurrents dans une cohorte rétrospective reconstituée à partir de

Plus en détail

Enoncé commun aux QCM 1 à 6

Enoncé commun aux QCM 1 à 6 Enoncé commun aux QCM 1 à 6 Avant la mise à disposition d un traitement efficace, le risque de transmission du VIH de la mère au nouveau-né était de 25 %. Le risque était de 60 % en cas d allaitement,

Plus en détail

Eléments de probabilités

Eléments de probabilités .. Eléments de probabilités Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michael.genin@univ-lille2.fr Plan. 1 Introduction. 2 Expérience aléatoire.

Plus en détail

TUTORAT UE Concours blanc n 1 24 novembre 2012

TUTORAT UE Concours blanc n 1 24 novembre 2012 + TUTORAT UE4 2012-2013 Concours blanc n 1 24 novembre 2012 Noircir( ) sur la feuille de réponse jointe la ou les propositions exactes parmi les 6 items proposés Si : - Toutes les propositions sont justes

Plus en détail

Séance préparée par Médecine Montpellier

Séance préparée par Médecine Montpellier TUTORAT UE4 2010-2011 Biostatistiques Séance n 3 Semaine du 01/11/2010 Tests non paramétriques Sabatier Tests paramétriques-variables Quantitatives Molinari Tests paramétriques-variables Qualitatives Daurès

Plus en détail

V. Le Module STATCALC

V. Le Module STATCALC V. Le Module STATCALC Le module STATCALC permet de calculer des statistiques à partir de données épidémiologiques résumées. Trois types de calculs sont possibles : les statistiques pour les données entrées

Plus en détail

Les indicateurs de santé La mesure de la santé

Les indicateurs de santé La mesure de la santé Les indicateurs de santé La mesure de la santé Dr. L. ZEMOUR Site Web : www.semepehuo.com Email : semepehuo@gmail.com OBJECTIFS DU COURS Comprendre la définition et l intêret de chaque indicateur de santé.

Plus en détail

Cours N 2 : Probabilités conditionnelles, indépendances, somme et expérience de variables aléatoires discrètes.

Cours N 2 : Probabilités conditionnelles, indépendances, somme et expérience de variables aléatoires discrètes. Cours N 2 : Probabilités conditionnelles, indépendances, somme et expérience de variables aléatoires discrètes. I. Probabilités conditionnelles A. Définition On appelle probabilité conditionnelle de A

Plus en détail

LES TESTS STATISTIQUES

LES TESTS STATISTIQUES Université Paris IX Dauphine Ecole Doctorale de Gestion B. Goldfarb goldfarb@dauphine.fr C. Pardoux pardoux@dauphine.fr LES TESTS STATISTIQUES 16 décembre 2004 Objectif Éprouver des hypothèses de recherche

Plus en détail

Les tests diagnostiques : ce dont on parle.

Les tests diagnostiques : ce dont on parle. Les tests diagnostiques : ce dont on parle. Claudine Schwartz Le dépistage de nombreuses pathologies repose en partie, mais en partie seulement, sur les résultats d un ou plusieurs tests. Dans un monde

Plus en détail

MAPSI cours 1 : Rappels de probabilités et statistiques

MAPSI cours 1 : Rappels de probabilités et statistiques MAPSI cours 1 : Rappels de probabilités et statistiques Vincent Guigue LIP6 Université Paris 6, France Buts de l UE MAPSI cours 1 : Rappels de probabilités et statistiques 2/39 Fonctionnement de l UE Rappels

Plus en détail

On considère que la variable «taux de sucre» suit une loi normale et on choisit un risque de 5%.

On considère que la variable «taux de sucre» suit une loi normale et on choisit un risque de 5%. Question 1 (1050) Suite à une grande étude épidémiologique sur les infections opportunistes chez le sidéen sur un échantillon de 400 000 patients observés en structure hospitalière, on observe 100 000

Plus en détail

Rappels de statistique mathématique

Rappels de statistique mathématique Cursus Intégré 2004-2005 Rappels de statistique mathématique Enoncé des travaux dirigés n 7 Guillaume Lacôte vbureau E03 B Guillaume.Lacote@ensae.fr http://ensae.no-ip.com/se222/ Version du 20050421-15h38,

Plus en détail

Pronostic du Carcinome HépatoCellulaire :

Pronostic du Carcinome HépatoCellulaire : Pronostic du Carcinome HépatoCellulaire : Comparaison de différentes classifications Sandra Collette Master 2 (Bordeaux 2) Responsables : J-C. Barbare, F. Bonnetain, X. Paoletti 1 Carcinome HépatoCellulaire

Plus en détail

STATISTIQUE. I) Rappels. A/ Définitions

STATISTIQUE. I) Rappels. A/ Définitions UE11 BIOMEDECINE QUANTITATIVE STATISTIQUE FICHE 1 MODELISATION I) Rappels A/ Définitions Une variable aléatoire est un phénomène aléatoire X auquel on s intéresse dans une population. On ne peut pas le

Plus en détail

STATISTIQUES NON-PARAMETRIQUES

STATISTIQUES NON-PARAMETRIQUES STATISTIQUES NON-PARAMETRIQUES Définition l'hétérogénéité des variances ou la non normalité de la distribution de la variable (analyse de la variance) :! transformation de variable : c'est-à-dire changer

Plus en détail

12. Régression linéaire simple

12. Régression linéaire simple 12. Régression linéaire simple MTH2302D S. Le Digabel, École Polytechnique de Montréal A2016 (v1) MTH2302D: régression 1/45 Plan 1. Introduction 2. Régression linéaire simple 3. Estimation des paramètres

Plus en détail

Calcul du nombre de sujets nécessaires. Puissance d une expérience. Objectifs du cours. Lectures à recommander. Test statistique : conclusion

Calcul du nombre de sujets nécessaires. Puissance d une expérience. Objectifs du cours. Lectures à recommander. Test statistique : conclusion Calcul du nombre de sujets nécessaires Puissance d une expérience Objectifs du cours Comprendre la notion de puissance Connaître les paramètres qui entre dans le calcul d un nombre de sujets et savoir

Plus en détail

Test du chi-2 d indépendance

Test du chi-2 d indépendance Master 1 SES Enquêtes et méthodes d analyse quantitative C. Hardouin, A.-K. Fermin Test du chi-2 d indépendance Exemple Un enquête a été réalisée auprès d un échantillon de personnes au sujet de l abaissement

Plus en détail

Eléments de Statistique Chapitre 5 : Tests statistiques élémentaires

Eléments de Statistique Chapitre 5 : Tests statistiques élémentaires Eléments de Statistique Chapitre 5 : statistiques élémentaires INSA de Toulouse - 3ICBE Statistique problématique et exemple Généralités sur les tests Décision Objectif Question : Des différences entre

Plus en détail

TABLE DES MATIÈRES Introduction Statistique descriptive...21 II. Éléments de probabilité...50

TABLE DES MATIÈRES Introduction Statistique descriptive...21 II. Éléments de probabilité...50 TABLE DES MATIÈRES Introduction... 11 1. Statistique descriptive...21 I-1 Généralités sur les distributions statistiques... 21 I-1-1 Variables statistiques...21 I-1-2 Distribution statistique à une variable...23

Plus en détail

Construction d une table des lois de Student

Construction d une table des lois de Student Construction d une table des lois de tudent Construction d une table. Comme la table de la loi normale centrée réduite N(0;1), présentée dans le bulletin n 1 du G.R.E., cette table est construite avec

Plus en détail

Calcul du Nombre de Sujets Nécessaire avec SAS v9

Calcul du Nombre de Sujets Nécessaire avec SAS v9 Calcul du Nombre de Sujets Nécessaire avec SAS v9 Caroline Tournoux-Facon 04 Juin 2008 1 But 2 Méthode 3 Définition des sujets éligibles Critères d inclusion Critères de non inclusion 4 Bilan initial 5

Plus en détail

LPSP1209 : Statistique II Examen de janvier 2017 questionnaire bleu Instructions et données de l examen

LPSP1209 : Statistique II Examen de janvier 2017 questionnaire bleu Instructions et données de l examen LPSP1209 : Statistique II Examen de janvier 2017 questionnaire bleu Instructions et données de l examen Organisation de l examen : Documents et matériel que vous recevez ou dont vous pouvez disposer 1.

Plus en détail

Chapitre 9 Corrélation - Régression Exercices commentés. José LABARERE

Chapitre 9 Corrélation - Régression Exercices commentés. José LABARERE UE4 : Biostatistiques Chapitre 9 Corrélation - Régression Exercices commentés José LABARERE Année universitaire 2011/2012 Université Joseph Fourier de Grenoble - Tous droits réservés. Exercice I Les notes

Plus en détail

CHAPITRE 4 : Le modèle de Cox 1. Approche par la régression

CHAPITRE 4 : Le modèle de Cox 1. Approche par la régression CHAPITRE 4 : Le modèle de Cox 1. Approche par la régression Le modèle de Cox est un modèle à hasards proportionnels de la forme: t Z 0 t. expz où la fonction 0 t n est pas spécifiée paramétriquement Lorsque

Plus en détail

TUTORAT UE Biostatistiques Séance n 5 Semaine du 27/10/2014

TUTORAT UE Biostatistiques Séance n 5 Semaine du 27/10/2014 < TUTORAT UE 4 2014-2015 Biostatistiques Séance n 5 Semaine du 27/10/2014 Tests statistiques 2 M. Molinari Séance préparée par Jeanne FABRY et Chloé BUCHALET (ATM²) QCM n 1 : Le tableau suivant indique

Plus en détail