Modèles pour des durées de survie.

Dimension: px
Commencer à balayer dès la page:

Download "Modèles pour des durées de survie."

Transcription

1 Survie 1 Modèles pour des durées de survie. Catherine Huber Partie I Introduction 1 Quelques exemples Le terme de durée de survie est employé de manière générale pour désigner le temps qui s écoule jusqu à la survenue d un événement particulier qui n est pas forcément la mort : il peut s agir par exemple d une rechute et la durée de survie est, dans ce cas, un délai de rémission, ou de la guérison, et la durée de survie représente alors le délai qui sépare le diagnostic de la guérison. Dans le domaine biomédical, les deux objectifs principaux de l analyse des durées de survie sont les suivants: 1. Lors d un essai thérapeutique, il s agit de tester l efficacité d un nouveau traitement en comparant les durées de survie qu il permet d obtenir à celles que donne le traitement habituel (ou un placebo). 2. Lors d une étude épidémiologique, il s agit d évaluer la valeur pronostique d un ou plusieurs facteurs, soit sur la durée de survie, soit sur le délai de survenue d une maladie. Dans un cas comme dans l autre, les modèles employés et les méthodes correspondantes sont essentiellement les mêmes. Exemple 1 (Données de Freireich) : Freireich, en 1963, a fait un essai thérapeutique ayant pour but de comparer les durées de rémission, en semaines, de sujets atteints de leucémie selon qu ils ont reçu ou non du 6 M-P (le groupe témoin a reçu un placebo et l essai a été fait en double C. Huber Partie I

2 1 QUELQUES EXEMPLES Survie 2 aveugle). Durée de rémission, en semaines, selon le traitement: 6M-P 6, 6, 6, 6 +, 7, 9 +, 1, 1 +, 11 +, 13, 16, 17 +, 19 +, 2 +, 22, 23, 25 +, 32 +, 32 +, 34 +, Placebo 1, 1, 2, 2, 3, 4, 4, 5, 5, 8, 8, 8, 8, 11, 11, 12, 12, 15, 17, 22, 23. Les nombres suivis du signe + correspondent à des patients qui ont été perdus de vue àladateconsidérée. Ils sont donc exclus vivants de l étude et on sait donc seulement d eux que leur durée de survie est supérieure à celle indiquée. Par exemple, le quatrième patient traité, par 6 M-P a eu une durée de rémission supérieure à6 semaines, alors que les trois premiers ont eu une durée de rémission égale à 6 semaines. On dit que les perdus de vue ont été censurés, etceproblème de la censure demande un traitement particulier. En effet si l on se contentait d éliminer les observations incomplètes c est-à-dire les 12 patients censurés du groupe traité par le 6 M-P on perdrait beaucoup d information car on ne tiendrait pas compte des patients qui ont justement les durées de rémission les plus longues. Par exemple un test de Wilcoxon appliqué aux 9 patients restants dans le groupe 6 M-P et aux 21 patients du groupe Placebo sous-évaluerait l effet du traitement très visiblement. Exemple 2 (Données de Embury et al: leucémie) : Il s agit d un essai thérapeutique destiné à vérifier l efficacité d un traitement chimiothérapique d entretien pour des patients atteints de leucémie aiguë de la moelle épinière (AML pour Acute Myelogenous Leukemia), conduit à Stanford par Embury et al. Après avoir atteint un stade de rémission grâce à un traitement chimiothérapique, les patients ont été randomisés en deux groupes: l un reçoit un traitement chimiothérapiqe d entretien, l autre un placebo. Les durées de rémission complète, en semaines, sont les suivantes: Groupe traité: 9, 13, 13 +, 18, 23, 28 +, 31, 34, 45 +, 48, Groupe non traité: 5, 5, 8, 8, 12, 16 +, 23, 27, 3, 33, 43, 45. Exemple 3 (Données de Brown: cancer) : Il s agit de la comparaison de deux traitements contre un cancer: un essai thérapeutique a été mené chez des patients atteints de cancer, assignés aléatoirement à deux groupes, l un traité par A, l autre traité par B: Groupe A : Groupe B : On remarque que, dans cet exemple il n y a pas d ex-aequo. En principe, le temps étant continu, il ne devrait jamais y avoir d ex-aequo. Cependant, comme la précision avec C. Huber Partie I

3 2 CINQ FONCTIONS ÉQUIVALENTES Survie 3 laquelle les durées sont données est limitée, l unité de mesure étant le jour, la semaine ou le mois, ou même parfois l année, en pratique, on a souvent des ex-aequo. Comme la théorie mathématique (convergence et normalité asymptotique des estimateurs et des tests), est faite pour le temps continu, il importe de savoir comment traiter ces ex-aequo. Nous verrons qu il y a plusieurs façons de le faire. Deux exemples tests (pour faire les calculs directement) : La présentation des deux jeux de données suivants est différente. C est celle qui permet un traitement mathématique et informatique des données en introduisant une variable qui est l indicateur de censure: quand la variable de censure vaut, c est qu il y a un +, et quand elle vaut 1 c est qu il n y en a pas. Exemple test 1: Dans le premier cas, on a les durées, les indicateurs de censure et les indicateurs de traitement. temps censure traitement Exemple test 2: Dansledeuxième cas, on a comme première variable les dates de début et de fin. temps (1, 2] (2, 3] (5, 6] (2, 7] (1, 8] (7, 9] (3, 9] (4, 9] (8, 14] (8, 17] censure traitement Cinq fonctions équivalentes Cinq fonctions équivalentes définissent la loi de la durée: Supposons que la durée de survie X soit une variable positive ou nulle, et absolument continue. Alors sa loi de probabilité peut être définie par l une des fonctions suivantes: 1. La fonction de survie S Par définition S(t) =P{X t}, t ; (1) Pour t fixé c est la probabilité de survivre jusqu à l instant t. 2. La fonction de répartition F La fonction de répartition (f.r. ou c.d.f en anglais pour cumulative distribution function) est F (t) =P{X <t} =1 S(t) (2) Pour t fixé, c est la probabilité de mourir avant l instant t. C. Huber Partie I

4 2 CINQ FONCTIONS ÉQUIVALENTES Survie 4 Remarque Il est arbitraire de décider que S(t) =P (X t) ous(t) =P (X >t) entraînant du même coup que F (t) =1 S(t) vautf (t) =P (X <t)ouf (t) =P (X t). Lorsque la loi qui régit X est continue, cela n a aucune importance car ces deux quantités sont égales: P (X > t) = P (X t) et P (X < t) = P (X t). Cependant, dans les cas où S et donc F ont des sauts, ce qui arrive lorsque le temps est discret, compté en mois ou en semaines par exemple, on a quelquefois avantage à adopter la notation suivante qui évite toute ambiguïté: S (t) = P (X t) S + (t) =P (X >t) F (t) = P (X <t) F + (t) =P (X t) les limites à gauche (S et F )etàdroite(s + et F + ) de ces fonctions. On remarque que S S + F F + 3. La densité de probabilité f C est une fonction f(t) telle que pour tout t F (t) = t f(s)ds. (3) Si la fonction de répartition a une dérivée au point t alors P(t X<t+ dt) f(t) = lim = F (t) = S (t). (4) dt dt Pour t fixé, la densité de probabilité caractérise la probabilité demourirdansun petit intervalle de temps après l instant t. 4. Le taux d incidence ou risque instantané )h Le risque instantané est aussi très souvent appelé le taux de hasard (c est un anglicisme) est défini comme h(t) = lim dt P(t X<t+ dt X t) dt = f(t) S(t), (5) pour t fixé, caractérise la probabilité de mourir dans un petit intervalle de temps après l instant t, conditionnellement au fait d avoir survécu jusqu à l instant t. Aussi cela signifie-t-il le risque de mort instantané pour ceux qui ont survécu. 5. Le taux de hasard cumulé H C est l intégrale du taux de hasard h: H(t) = t C. Huber Partie I h(u)du = ln{s(t)}. (6)

5 3 LES TROIS TYPES DE CENSURE Survie 5 On peut déduire la fonction de survie du taux de hasard cumulégrâce àlarelation: S(t) =exp{ H(t)} =exp{ t h(u)du}. (7) N importe laquelle des fonctions ci-dessus peut être obtenue à partir de l une quelconque des autres. Quelques quantités associées à la loi de la survie: 1. Les quantiles de la durée de survie Pour <p<1, on définit le quantile t p et la fonction q(p) p (, 1) comme t p q(p) =inf{t : F (t) p}. (8) Quand F (t) est strictement croissante et continue alors t p = q(p) =F 1 (p), <p<1. (9) Pour p fixé, le quantile t p est le temps auquel une proportion p de la population adisparu. 2. Moyenne et variance de la durée de survie Le temps moyen de survie E(X) ainsi que sa variance Var(X) sont des quantités importantes: E(X) = S(t)dt, Var(X) =2 ts(t)dt {E(X)} 2. La moyenne et la variance peuvent être déduites de n importe laquelle des cinq fonctions ci-dessus (F, S, f, h, H), mais pas vice versa. 3 Les trois types de censure 1. Censure de type I : fixée Au lieu d observer les variables X 1,...,X n qui nous intéressent, on n observe X i que lorsque X i est inférieur ou égal à une durée fixée C, X i C, sinon on sait seulement que X i est supérieur à C. On note aussi T i = X i C. (le signe signifie : a b =min(a, b), la plus petite des deux valeurs a et b). 2. Censure de type II : attente On décide d observer les durées de survie des n patients jusqu à ce que r d entre eux soient décédés et d arrêter l étude à ce moment là. Si l on ordonne les durées de survie X 1,...,X n,soitx (1) la plus petite, X (i) la ième etc... : X (1) X (2) X (n) C. Huber Partie I

6 3 LES TROIS TYPES DE CENSURE Survie 6 On dit que les X (i) sont les statistiques d ordre des X i. La date de censure est alors X (r) et on observe: T (1) = X (1) T (2) = X (2) T (r) = X (r) T (r+1) = X (r)... T (n) = X (r) 3. Censure de type III : aléatoire Achaquepatienti, associons non seulement son temps de survie X i mais aussi son temps de censure C i.onn observeraévidemment que le plus petit des deux, c est-à-dire T i = X i C i Mais on peut supposer que, tout comme les Xi, les Ci sont indépendantes et équidistribuées (iid) de fonction de répartition G. On fait l hypothèse que : C i et X i sont indépendantes. Alors pour le ième patient, l information dont on dispose peut être résumée par: - la durée réellement observée T i - un indicateur D i du fait qu à l issue de cette durée d observation le patient est : - mort : D i = 1 - censuré :D i =. La censure aléatoire, lors d un essai thérapeutique peut avoir plusieurs causes: (a) Perte de vue : le patient peut décider d aller se faire soigner ailleurs et on ne le revoit plus. (b) Arrêt du traitement : le traitement peut avoir des effets secondaires si désastreux que l on est obligé d arrêter le traitement. (c) Fin de l étude : l étude se termine alors que certains des patients sont toujours vivants. patients A1 A2 A3 B1 B3 B Temps C. Huber Partie I

7 4 LE PROCESSUS PONCTUEL N(T ) Survie 7 Figure 1: Exemple: 3 patients. La figure 1 représente le suivi de trois patients. Le premier est entré audébut de l étude et il est mort àladatex 1 =6. Ledeuxième était toujours vivant à la fin de l étude, qui a eu lieu au temps 1. Il est donc censuré ent = 1. Et le troisième patient a été perdu de vue avant la fin de l étude. Il a donc été censuré au temps t =7. Remarque : L hypothèse d indépendance de X i et de C i est utile mathématiquement. Il est important de voir si elle se justifie. Dans les cas où la censure est due àun arrêt du traitement, elle n est pas vérifiée. Notation : Par abus de notation, lorsqu on ordonne les durées de survie (T i,d i ) selon les valeurs croissantes des T soit : T (1) T (2) T (n) On notera D (i) l indicateur de censure associé à T (i). 4 le processus ponctuel N(t) L étude des durées de survie peut être abordée d une autre façon: Au lieu de considérer X, la durée étudiée, qui est une variable aléatoire réelle positive, généralement continue, de densité f, fonction de répartition F et fonction de survie S =1 F,onreprésente l expérience par le processus ponctuel associé N(t), qui vaut tant que l événement n a pas eu lieu et 1 après, c est àdire N(t) =1{X t}, t. (1) La considération de ce processus fait intervenir naturellement les deux fonctions h et H quenousavonsintroduitesenplusdef, S et f, qui sont respectivement le taux d incidence instantané ou fonction de risque, h, et la fonction de risque cumulée H h(t) = f(t) S(t) H(t) = t h(u)du. (11) Bien que chacune de ces cinq fonctions (F, S, f, h, H) caractérise à elle seule la loi de N, la plus intéressante est h car elle est une description probabiliste du futur immédiat du sujet encore vivant et reflète des différences entre les modèles souvent moins lisibles sur les fonctions de survie, ou fonctions de répartition. Remarquons que ce taux instantané de mort est déterministe, le taux cumulé H est lui aussi déterministe. C. Huber Partie I

8 4 LE PROCESSUS PONCTUEL N(T ) Survie 8 Figure 2: Les deux représentations de la durée de survie x. Considérons maintenant la durée de vie sous l aspect d un processus ponctuel, N(t) qui saute d une unité autempst = x lorsque la variable aléatoire X vaut x. P (dn(t) =1 N(t )=) = h(t)dt P (dn(t) =1 N(t )=1) = que l on peut aussi écrire : P (dn(t) =1 N(t )) = h(t)dt avec probabilité S(t) = avec probabilité 1 S(t). L intensité λ(t) du processus à l instant t est aléatoire: où λ(t) =Y (t)h(t) Y (t) =1{t T } est l indicateur de présence du sujet juste avant l instant t. L intensité cumulée du processus ponctuel N est elle aussi une quantité aléatoire qui vaut, en adoptant la notation usuelle min(t, X) =t X : Λ(t) = t λ(u)du = t Y (u)h(u)du = H(t X). (12) A chaque instant t et conditionnellement à l ensemble Ft des événements du passé immédiat, c est à dire ayant eu lieu jusque juste avant t, l accroissement du processus N sur un intervalle de temps infinitésimal ]t, t + dt] est une variable de Bernoulli qui vaut 1 avec la probabilité f(t) =h(t) dt et avec la probabilité q(t) =1 h(t) dt : dn(t) = 1 avec probabilité f(t) = λ(t) dt = Y (t)h(t) dt = avec probabilité q(t) =1 λ(t) dt =1 Y (t)h(t) dt. C. Huber Partie I

9 4 LE PROCESSUS PONCTUEL N(T ) Survie 9 Conditionnellement à F t, l espérance de dn(t) est donc λ(t) dt et sa variance est aussi λ(t) dt car pq = λ(t) dt(1 λ(t) dt) est équivalent à λ(t) dt. Exemple. Considérons l exemple le plus simple qui est celui d une durée exponentielle de paramètre θ, c est à dire dont le taux instantané est constant et vaut θ.alors, pour tout t f(t) = θe θt S(t) = e θt h(t) = θ H(t) = θt. L intensité cumulée (aléatoire) vaut: Λ(t) =θ(t X) et la différence entre le processus ponctuel N et l intensité cumulée Λ est une martingale M : N(t) Λ(t) =M(t) On appelle Λ le compensateur prévisible de N car il est déterminé parft alors que M(t) est un processus qui, conditionnellement à Ft, est d accroissement nul en moyenne : c est une martingale, E[dM(t) F t ]=E[dN(t) h(t)dt F t ]=. processus theta t H(t) N(t) M(t) temps Figure 3: Les trois processus N, M et H dans le cas simple exponentiel. Exemple. Si à l exemple précédenton ajoute unecensuredroitec, c est à dire que l on observe, au lieu de X, la durée T =min(x, C),notée X C, ainsi que l indicatrice de C. Huber Partie I

10 4 LE PROCESSUS PONCTUEL N(T ) Survie 1 mort D =1{X C}, qui est nulle si c est la censure au lieu de la variable d intérêt qui est observée, alors l indicatrice de présence à risque du sujet est : Y (t) =1 { t X C}. Si de plus on a une troncature gauche U, c est àdirequex n est observée que si X excède U, sinon le sujet n est même pas répertorié, alors l indicatrice de présence à risque devient : Y (t) =1 {U t X C}. Notations Supposons que l on ait n patients, indexés par i =1,,n. A chaque patient correspond un indicateur Y i (t) deprésence àrisqueà l instant t et un processus ponctuel d événement N i (t), Y i (t) =1{T i t} (13) N i (t) =1{T i t, D i =1} (14) Si le taux instantané demorth i (t) dusujeti est le même pour tout i, soit h i (t) =h(t) t, (15) on a un n-échantillon. On note Y la somme des processus Y i (t) deprésence àrisque, et N la somme des processus N i (t) d événement: Y (t) = N(t) = n Y i (t). (16) i=1 n N i (t). (17) i=1 C. Huber Partie I

11 1 ESTIMATEUR DE NELSON-AALEN Survie 11 Partie II Sans Modèle: Approche Non Paramétrique. Si l on ne fait aucun modèle, les deux estimateurs les plus importants sont: l estimateur de Nelson-Aalen, Ĥ NA du taux de hasard cumulé, l estimateur de Kaplan-Meier ŜKM de la fonction de survie. 1 Estimateur de Nelson-Aalen du taux cumulé: 1.1 Définition Cet estimateur de H est fondé sur la remarque suivante: H(s + ds) H(s) h(s)ds = P (événement dans (s, s + ds) àrisqueens) Il est naturel d estimer cette quantité par[n(s + ds) N(s)]/Y (s). En sommant ces quantités sur les intervalles de (,t] et en faisant tendre ces intervalles vers, de telle sorte que chacun ne contienne qu un seul événement, on obtient l estimateur de Nelson-Aalen: t dn(s) Ĥ(t) = (18) Y (s) qui peut aussi s écrire, puisqu il n y a que des sauts: Ĥ(t) = {i:t i t} N(t i ) Y (t i ) où N(t i ) m(t i ) est le nombre des décès à l instant t i et Y (t i ) r(t i )lenombredes sujets à risque juste avant cet instant. L estimateur de Nelson-Aalen est une fonction en escalier qui a un saut de taille m(t i )/r(t i )à chaque instant de mort t i. On choisira donc la plus simple des trois écritures: Ĥ(t) = {i:t i t} (19) m(t i ) r(t i ). (2) car les trois équations (18), (19), (2) représentent la même quantité. Les deux premières sont utiles lorsqu on utilise l approche des durées de survie par les processus ponctuels. C. Huber Partie II

12 1 ESTIMATEUR DE NELSON-AALEN Survie Exemple 4: les données de Nelson-Aalen Exemple N-A (Données de Nelson et Aalen) : Il s agit de la durée de vie de ventilateurs, en nombre de milliers d heure de fonctionnement. La question qui se posait était de savoir si la fonction de risque h était décroissante dans le temps. Les durées sont en milliers d heures. durées censure Si on appelle t 1 le premier instant de mort (ici: panne), t 2 le second, etc.., on calcule Ĥ(t),pourt supérieur ou égal à la plus grande valeur observée, qui est de 87 5 heures, comme Ĥ(t) = Nombre de pannes en t 1 Nombre de ventilateurs àrisqueent 1 Nombre de pannes en t + 2 Nombre de ventilateurs àrisqueent 2 +etc... = Nombre de pannes en 4.5 Nombre de ventilateurs à risque en Nombre de pannes en 87.5 Nombre de ventilateurs à risque en 87.5 = = Deux interprétations de l estimateur de Nelson-Aalen On peut interpréter de deux façons différentes l estimateur de Nelson-Aalen: C. Huber Partie II

13 1 ESTIMATEUR DE NELSON-AALEN Survie Ĥ(t) estime le nombre moyen de pannes pour un élément unique perpétuellement à risque sur l intervalle de temps (t]. Pour l exemple des ventilateurs, cela signifie le nombre moyen de pannes attendu lorsqu on fait fonctionner un ventilateur pendant un nombre de milliers d heures égal à t en le remplaçant chaque fois qu il tombe en panne par un autre ventilateur qui a le même taux de panne instantané que celui qui a été remplacé, c est à dire qui a déjà fonctionné exactement le même nombre de milliers d heures que celui qu il remplace. (On appelle cela en fiabilité le protocole de réparation minimale ). 2. La pente de Ĥ(t) estime le risque instantané h. Leproblème posé par l estimation de h est comparable à celui de l estimation d une densité: tout comme la fonction de répartition empirique, l estimateur Ĥ(t) deh est une fonction en escalier. Il faut donc la lisser pour estimer h, qui est la pente de cette fonction. L objectif initial de l étude étaitdesedemandersilerisqueinstantanédécroît au cours du temps. Exercice 1 On fait l hypothèse que la durée de vie des ventilateurs a un risque instantané constant, égal à θ. 1. Estimer θ. 2. Tracer sur un même graphique l estimateur non-paramétrique du risque cumulé des ventilateurs. l estimateur du risque cumulé sous l hypothèse que la durée de vie suit une loi exponentielle. 1.4 Estimation de la variance de l estimateur de Nelson-Aalen L accroissement t N(t) =N(t + t ) N(t), qui est le nombre des événements dans un court intervalle de temps t suit approximativement une loi de Poisson de paramètre h(t)t. Or, pour une variable aléatoire de Poisson, le nombre moyen des événements est le produit du taux par le temps et par le nombre à risque. Conditionnellement au passé, t N(t) est de Poisson de moyenne et de variance toutes les deux égales à Donc t+t t Y (s)h(s)ds Y (t)h(t)t. Var [ t N(t) ] h(t)t Y (t) Y (t) C. Huber Partie II

14 2 ESTIMATION DE S Survie 14 qui peut être estimée par Var t N(s) Y (s) = t N(s) Y 2 (s) ce qui donne finalement pour estimateur de la variance de Ĥ(t): Var [Ĥ(t]] = N(t i ) i:t i t Y 2 (t i ). (21) qui peut s écrire aussi, en utilisant la notation simplifiée précédente (m(t i )etr(t i )pour les nombres de décès et de sujets àrisqueà l instant t i ): Var [Ĥ(t]] = m(t i ) (22) r 2 (t i ) i:t i t Exemple des durées de rémission de Freireich pour 6-MP: Rechutes Durées t terme Ĥ(t) σ(ĥ(t)) / / / / / / / Exercice 2: Calculer l estimateur de Nelson-Aalen du risque cumulépourlesventilateursdenelson- Aalen et tracer la courbe correspondante en fonction du temps. Faire de même pour les données d Embury et celles de Brown. Exercice 3: Démontrer que l estimateur de Nelson-Aalen du risque cumulé alapropriété suivante: n n Ĥ(T i )= N i. i=1 i=1 2 Estimation de la fonction de survie Si l on ne peut pas supposer a priori que la loi de la durée de survie obéit àunmodèle paramétrique, on peut estimer la fonction de survie S grâce à plusieurs méthodes non-paramétriques dont la plus intéressante est celle de Kaplan-Meier. Nous allons cependant donner d abord l estimateur de Harrington et Fleming car il se déduit immédiatement de l estimation du taux cumulé. C. Huber Partie II

15 2 ESTIMATION DE S Survie Estimateur de Harrington et Fleming de S:ŜHF C est l estimateur qui découle de l estimateur de Nelson-Aalen du risque cumulé H en utilisant la relation S = exp( H): Ŝ HF =exp( Ĥ NA ) (23) Grâce à la delta-méthode,on rappelle que, sous des conditions de régularité de la fonction f, Var (f(y )) f 2 (E(Y ))Var (Y )), on peut obtenir un estimateur de la variance de cet estimateur:ici la fonction f est l exponentielle, de dérivée f = f et donc Var (Ŝ) =Ŝ2 Var (Ĥ) Var S NA (t) =exp( 2 i m(t i ) r(t i ) ) i m(t i ) r(t i ) 2. (24) 2.2 Estimateur de Kaplan-Meier de S:ŜKM Cet estimateur est aussi appelé P-L (Produit-Limite) car il s obtient comme la limite d un produit. Il est fondé sur la remarque suivante : si t <t, la probabilité de survivre au-delà de l instant t est égale au produit suivant : S(t + )=P (X >t X >t ).S(t ). Si l on renouvelle l opération en choisissant une date t antérieure à t,onaurade même S(t )=P (X >t X>t )S(t ), et ainsi de suite. Si l on choisit pour les dates où l on conditionne celles où il s est produit un événement, qu il s agisse d une mort ou d une censure, on aura seulement à estimer des quantités de la forme : P (X >T (i) X>T (i 1) )=p i. Or p i est la probabilité de survivre pendant l intervalle de temps I i =]T (i 1) T i ] quand on était vivant au début de cet intervalle. Notant, comme précédemment, R i le nombre des sujets qui sont vivants (donc à risque de mourir) juste avant l instant T (i), ce qui peut aussi s écrire: #vivantsà l instant T (i) ou #sujetsder(t (i) )endésignant par R(t) l ensemble des sujets àrisqueà l instant t. et M i le nombre des morts à l instant T (i), q i =1 p i est la probabilité demourir pendant l intervalle I i sachant que l on était vivant au début de cet intervalle. Alors l estimateur naturel de q i est q i = M i R i. C. Huber Partie II

16 2 ESTIMATION DE S Survie 16 Supposons qu il n y ait pas d ex-aequo. Si D (i) = 1, c est qu il y a eu un mort en T (i) et donc M i =1. SiD (i) =, c est qu il y a eu une censure en T (i) et donc M i =. Par suite p i = 1 1 R i en cas de mort en T (i) = 1 en cas de censure car il est clair que R i = n i + 1. L estimateur de Kaplan-Meier est donc dans ce cas : Ŝ(t) = 1 (1 n i +1 )D (i). (25) T (i) t Exemple 5: cancer des bronches Sur 1 patients atteints de cancer des bronches on a observé les durées de survie suivantes, exprimées en mois: L estimateur de Kaplan-Meier de la fonction de survie S(t) se calcule de la manière suivante: temps R i m i Survie Intervalle 1 1 [ 1[ [1 3[ [3 5[ [5 8[ [8 9[ [9 11[ Exercice 4 Comparer cet estimateur de la survie à celui de Fleming et Harrington. Dans cet exemple, il n y a pas d ex-aequo. Cependant la plupart du temps il y en a, comme dans le premier exemple qui est celui des données de Freireich. 2.3 Traitement des ex-aequo Il y a plusieurs configurations possibles pour les ex-aequo: 1. Si ces ex-aequo sont des deux sortes, on considère que les observations non censurées ont lieu juste avant les censurées. 2. Si ces ex-aequo sont tous des morts, la seule différence tient àcequem i n est plus égal à 1 mais au nombre des morts et l estimateur de Kaplan-Meier devient: Ŝ(t) = (1 M i ). (26) R i T (i) t C. Huber Partie II

17 2 ESTIMATION DE S Survie 17 survie temps Figure 4: Estimateur de Kaplan-Meier de la fonction de survie pour le cancer des bronches C. Huber Partie II

18 2 ESTIMATION DE S Survie 18 Exercice 5 Calculer l estimateur de Kaplan-Meier de la survie pour les données de Freireich, séparément pour le groupe traité et pour le placebo. Comparer cet estimateur à celui de Fleming et Harrington. 2.4 Estimateur de Breslow du risque cumulé H:ĤBr On peut estimer H à partir de l estimateur de Kaplan-Meier de S en utilisant le fait que H = log(s): Ĥ Br = log(ŝkm). (27) ce qui donne Ĥ Br = log(1 q i ). (28) i:t (i) t Pour estimer la variance de cette somme, on remarque que la variance de chaque terme vaut en première approximation p i q i r i (1 q i = m i(r i m i )r 2 ) 2 i ri 3(r i m i ) 2 m = i r i (r i m i ) De plus, si les q i étaient indépendants, la variance de la somme serait égale àlasomme des variances. Cela donne pour variance de l estimateur de Breslow: Var (Ĥ(t)) = m i r i (r i m i ). (29) i:t (i) t 2.5 Estimateur de Greenwood de la variance de ŜKM: L estimateur de Greenwood de la variance de l estimateur de Kaplan-Meier de la fonction de survie est obtenu à partir de la précédente log(ŝkm(t)) = log(1 q i ) i:t (i) t Cela donne, en employant la delta-méthode qui consiste àconsidérer que si X est approximativement égal à µ + σz,où Z est centré etréduit et σ petit : Var (f(x)) = Var (f(µ + σz)) = Var(f(µ)+σZf (µ)) = σ 2 f (µ) 2,avecf =log: Var (log(ŝ(t))) i:t (i) t C. Huber Partie II m i r i (r i m i ) Var (Ŝ(t)) 1 Ŝ(t) 2

19 2 ESTIMATION DE S Survie 19 ce qui donne finalement pour variance de Ŝ(t) Var (Ŝ(t)) = Ŝ(t)2 i:t (i) t m i r i (r i m i ). (3) Remarque Nous avons donc deux estimateurs du risque cumulé. On peut démontrer qu ils sont équivalents, et que les estimateurs de leur variance le sont aussi. En fait il existe trois estimateurs de la variance Variance de Greenwood: m(t) Variance de Tsiatis: Variance de Klein: r(t)(r(t) m(t)) m(t) r(t) 2 m(t)(r(t) m(t)) r(t)(r(t)) 3 Nous avons rencontré les deux premiers. Exercice Justifier heuristiquement le troisième estimateur de la variance. C. Huber Partie II

20 2 DÉFINITION D UNE MARTINGALE Survie 2 Partie III Processus Ponctuels. 1 Modélisation du processus ponctuel: l histoire ou filtration F t Considérons maintenant la durée de vie sous l aspect d un processus ponctuel, N(t) qui saute d une unité autempst = x lorsque la variable aléatoire X vaut x. Pour faire un modèle statistique, on doit préciser sur quelle information il est fondé. Pour un processus de comptage, cela est fait en spécifiant l histoire, souvent appelée filtration, etnotée {F t,t }. Un choix naturel pour {F t,t } est l histoire de l expérience depuis le début (le temps ) jusqu à l instant t inclus. Quand on a un n- échantillon, il faut cependant remarquer que, en fait, ce n est pas le temps chronologique qui est utilisé. En effet, chaque patient a un temps qui est celui du début de la durée qui le concerne. On réaligne donc les processus àrisquey i et de comptage N i sur une origine commune des temps. Jusqu à présent, nous avons supposé que nous avions unéchantillon de patients expérimentant la même loi de durée de survie, donc le mêmerisquecumulé H que nous avons estimé par Nelson-Aalen. Mais il se peut que le risque instantané ne soit pas le même d un individu à l autre car il peut dépendre de certaines caractéristiques du sujet; il peut s agir par exemple de taux biologiques, de traits génétiques ou de conditions environnementales du sujet. On appelle ces caractéristiques des covariables. On modélise alors l effet de ces différentes covariables sur le risque h. 2 Définition d une martingale 2.1 Sommes de variables aléatoires indépendantes: A l origine, les martingales ont été inventées pour généraliser les sommes de variables aléatoires indépendantes et centrées. Supposons que nous ayons une somme de variables aléatoires indépendantes X 1,X 2,..., X k,...,, soits n = n k=1 X k. Alors, on a des théorèmes sur la limite de ces sommes, convenablement normées quand n tend vers l infini : lois des grands nombres (convergence en probabilité oupresquesûre vers un nombre) etthéorèmes limites centraux (approximations normales). Sans restriction de la généralité, on peut supposer que ces variables sont centrées: E(X k ) = pour tout k. Donc on suppose que X 1,X 2,..., X k,..., sont indépendantes et centrées. C. Huber Partie III

21 2 DÉFINITION D UNE MARTINGALE Survie 21 Alors on a, pour tout n, les trois propriétés suivantes E(X n+1 X 1,X 2,..., X n ) = E(X n+1 ) = E(X n+1 S 1,S 2,..., S n ) = E(S n+1 S 1,S 2,..., S n ) = E(S n + X n+1 S 1,S 2,..., S n ) = S n. (M) 2.2 Définition Définition 1 Lorsque une suite S 1,S 2,..., S n, de variables aléatoires vérifie la propriété, (M) E(S n+1 S 1,S 2,..., S n )=S n, pour tout n. on dit que la suite S 1,S 2,..., S n, est une martingale. Une définition équivalente de la propriété de martingale est la suivante : Définition 2 Un processus (M 1,M 2,..., M n, ) est une martingale à temps discret si pour tout n IN E( M n ) < E[M n+1 F n ] = M n, (M) où F n = σ{m 1,M 2,..., M n } est la tribu du passé jusqu à l instant n, quicroît avec n. Remarque : Si (M) est satisfaite, alors E[M n F k ]=M k pour tous les entiers k<ncar E[M n F k ]= E[E[M n F n 1 ] F k ],cequidonne,deprocheenproche,lerésultat. Définition 3 : Un processus M t est une martingale à temps continu si E( M t ) <, t IR et si de plus Remarques: (M) E[M t F s ]=M s, pour tous <s<t. (31) 1. Une propriété équivalente à(m) est:pourtous<t 1 <t 2 <...<t n+1, E[M tn+1 M t1,...,m tn ]=M tn. 2. La propriété de martingale (M)a pour conséquence que l espérance de l accroissement est nulle, ce qui s écrit : E[M t M s F s ] = pour tous <s<t. ou encore dans sa version infinitésimale : (M ) E[dM t F t ]=. C. Huber Partie III

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

MODELES DE DUREE DE VIE

MODELES 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 détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

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

Plus en détail

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

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

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

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

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

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

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

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Analyse des durées de vie avec le logiciel R

Analyse 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 détail

Introduction à l'analyse des durées de survie

Introduction à l'analyse des durées de survie Introduction à l'analyse des durées de survie Philippe SAINT PIERRE 1 Février 2015 1. Université Pierre et Marie Curie ii Table des matières I Introduction 3 1 Introduction.....................................

Plus en détail

Introduction au modèle linéaire général

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

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

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

Plus en détail

Une illustration de l utilisation des modèles de durée en actuariat

Une illustration de l utilisation des modèles de durée en actuariat Une illustration de l utilisation des modèles de durée en actuariat Olivier Lopez Université Paris VI, LSTA Formation IPR ENS Cachan Bretagne, 28-09-11 Outline 1 Introduction 2 Tarification d une rente

Plus en détail

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres 1 Introduction Le nombre de piles obtenus au cours d une série de n lancers de pile ou face ou plus généralement dans

Plus en détail

Problèmes de fiabilité dépendant du temps

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

Plus en détail

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

ORDRE DE RÉACTION : MÉTHODES DE

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

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Le modèle de Black et Scholes

Le 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 détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

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

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Modélisation de processus multi-états, risques concurrents et évènements récurrents

Modélisation de processus multi-états, risques concurrents et évènements récurrents Modélisation de processus multi-états, risques concurrents et évènements récurrents 17 Octobre 2008 M2 Modélisation en Pharmacologie clinique et Epidémiologie Plan 1 Modélisation de processus multi-états

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 Le sujet est numéroté de 1 à 5. L annexe 1 est à rendre avec la copie. L exercice Vrai-Faux est

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

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

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

Plus en détail

La fonction exponentielle

La fonction exponentielle DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction

Plus en détail

4. Martingales à temps discret

4. Martingales à temps discret Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

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

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

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ARTHUR CHARPENTIER 1 Soit X la variable aléatoire continue de fonction de densité : { (1.4)e 2x + (0.9)e 3x pour x > 0 f X (x) = 0 sinon. Trouver E[X]. A) 9 20 B)

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

STATISTIQUE ET ÉCONOMÉTRIE APPLIQUÉES DES VARIABLES DE DURÉE. Emmanuel DUGUET

STATISTIQUE ET ÉCONOMÉTRIE APPLIQUÉES DES VARIABLES DE DURÉE. Emmanuel DUGUET STATISTIQUE ET ÉCONOMÉTRIE APPLIQUÉES DES VARIABLES DE DURÉE Emmanuel DUGUET Février 2014 ii Sommaire 1 Les variables de durée 3 1.1 Fonction de répartition......................... 3 1.2 Fonction de densité............................

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Régression de Poisson

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

Plus en détail

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

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

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

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban EXERCICE 1 : 4 Points Cet exercice est un questionnaire à choix multiples. Aucune justification n est demandée. Pour chacune des questions, une

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Épreuve de mathématiques Terminale ES 200 minutes

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

Plus en détail

Terminale ES Correction du bac blanc de Mathématiques (version spécialité).

Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Lycée Jacques Monod février 05 Exercice : Voici les graphiques des questions. et.. A 4 A Graphique Question. Graphique Question..

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

Analyse de données et méthodes numériques

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

Plus en détail

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

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

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2 BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES Durée : 2 heures Coefficient : 2 SUJET Dès que le sujet vous est remis, assurez-vous qu il

Plus en détail

Systèmes différentiels. 1 Généralités, existence et unicité des solutions

Systèmes différentiels. 1 Généralités, existence et unicité des solutions Systèmes différentiels Cours de YV, L3 Maths, Dauphine, 2012-2013 Plan du cours. Le cours a pour but de répondre aux questions suivantes : - quand une équation différentielle a-t-elle une unique solution

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

Cours de probabilités Terminale S. Paul Milan

Cours de probabilités Terminale S. Paul Milan DERNIÈRE IMPRESSION LE 27 juillet 2014 Cours de probabilités Terminale S Pour aller plus loin... Paul Milan Table des matières 1 Espace probabilisé 2 1.1 Cas où l univers est fini..........................

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

MODÈLES DE SURVIE Notes de Cours MASTER 2 ESA voies professionnelle et recherche. Gilbert Colletaz

MODÈLES DE SURVIE Notes de Cours MASTER 2 ESA voies professionnelle et recherche. Gilbert Colletaz MODÈLES DE SURVIE Notes de Cours MASTER 2 ESA voies professionnelle et recherche Gilbert Colletaz 21 juillet 2014 2 Avertissements Ce document constitue le support du cours consacré au traitement des données

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

PROBABILITES ET STATISTIQUE I&II

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

Plus en détail

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique»

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» M1_presentation_generale_4juil05.doc 1/11 MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» La mention s articule autour de 6 spécialités : Recherche en éthique : Pr Christian HERVE (herve@necker.fr)

Plus en détail

Précision d un résultat et calculs d incertitudes

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

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Première partie. Deuxième partie

Première partie. Deuxième partie PC 96-97 correction épreuve X97 Première partie. f étant convexe sur l intervalle [t, t 2 ], sa courbe représentative est en dessous la corde joignant les points (t, f(t )) et (t 2, f(t 2 )). Comme f(t

Plus en détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

Analyse du Risque et Couverture des Tranches de CDO Synthétique

Analyse du Risque et Couverture des Tranches de CDO Synthétique Analyse du Risque et Couverture des Tranches de CDO Synthétique Areski Cousin Laboratoire de Sciences Actuarielle et Financière ISFA, Université Lyon 1 Soutenance de Thèse, Lyon, 17 Octobre 2008 Directeur

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

Plus en détail

Choix de Portefeuille

Choix de Portefeuille Année 2007-2008 Choix de Portefeuille Christophe Boucher Chapitre 1. Théorie de la décision en avenir incertain Critère d espérance d utilité L attitude vis-à-vis du risque Chapitre 2. Rendements et critères

Plus en détail