25. Méthodes non quantitatives de méta-analyse
|
|
- Catherine Morin
- il y a 7 ans
- Total affichages :
Transcription
1 25. Méthodes non quantitatives de méta-analyse Par méthodes non quantitatives nous désignerons des techniques de synthèse qui ne s intéressent pas à la taille de l effet, mais seulement à son existence. Ces techniques sont cependant d une utilité tout à fait marginale en médecine dans la mesure où l estimation de la taille de l effet est au moins aussi importante que le test de sa signification statistique Techniques pour la méthode des votes A) Codification Deux classifications peuvent être utilisées pour coder les résultats d un essai. Dans la première, trois modalités décrivent l existence d une relation positive significative, négative significative et l absence de relation significative. Les résultats peuvent aussi être codés en résultats positifs et résultats négatifs, sans tenir compte de la signification statistique du résultat. Cette dernière classification ne se base donc que sur la tendance du résultat, sans tenir compte du test statistique. B) Test des signes Le test des signes permet de tester de façon simple l hypothèse nulle : les effets traitement mesurés dans k essais indépendants sont tous nuls. Si le traitement n a réellement aucun effet (vrai effet traitement nul), la probabilité d obtenir un résultat positif est de 0,5. Si le vrai effet traitement est supérieur à zéro, la probabilité d obtenir un essai positif est supérieure à 0,5. Le test des signes est donc une application du test non paramétrique binomial aux deux hypothèses : H o : ¼=0,5 H 1 : ¼>0,5 où ¼ est la proportion d essais positifs estimée à partir du nombre d essais positifs u par^¼=u=k.
2 268 Méthodes non quantitatives de méta-analyse Ce test consiste à calculer, sous l hypothèse nulle, la probabilité d obtenir un nombre d essais positifs au moins égal à celui qui a été observé. Cette probabilité est égale à la probabilité que la variable aléatoire «nombre d essais positifs» U soit supérieure à la valeur observée u, cette variable aléatoire suivant sous l hypothèse nulle une loi binomiale de paramètre0,5 etk: U» B(0,5;k) p = Pr(U u) Exemple 25.1 Si dans un groupe de 15 essais, 10 sont positifs, il convient de calculer la somme p des probabilités d observer 10,11,12,13,14,15 résultats positifs sur 15 essais quand¼=0,5. La table suivante donne la distribution de probabilité d une loi binomiale B(0; 5; 15) : u Pr(U =u) u Pr(U=u) 0 0, , , , , , , , , , , , , , , ,0000 ce qui donne:p=0,0916+0,0417+0,0139+0,0032+0,0005+0,0=0,1509. Cette probabilité est supérieure à 5%, il n est donc pas possible de rejeter l hypothèse nulle. Le nombre de résultats positifs obtenu est compatible avec une probabilité d un demi d obtenir par hasard un essai positif. On ne peut pas démontrer l effet du traitement. Par contre, si 12 résultats positifs avaient été obtenus, la probabilité d obtenir cette proportion sous l hypothèse nulle est p= 0, , , ,0 = 0,0176 qui, étant inférieure au seuil de 5%, permet de rejeter l hypothèse nulle et de conclure à l existence d un effet. C) Estimation d un effet standardisé avec la méthode des votes Le développement qui suit, suppose que les k essais regroupés dans la méta-analyse possèdent tous le même effectif et que les tailles des deux groupes sont identiques dans tous les essais, c est-à-dire que : 8i;n C i =n T i =n. Cette hypothèse est extrêmement restrictive. Cependant, si les effectifs ne sont pas trop différents, il est possible de les considérer comme étant tous égaux à une «valeur moyenne» [188]. Plusieurs types de «valeur moyenne» sont possibles. Hegdes et Olkin proposent
3 Techniques pour la méthode des votes 269 l effectif maximum, minimum ou la moyenne arithmétique. Gibbons, Olkin et Sobel recommandent l utilisation du carré de la moyenne des racines («square mean root») [189] : µp n1 +:::+ p n 2 k ¹n= k Ce carré de la moyenne des racines est moins inf luencé par les valeurs extrêmes que la moyenne arithmétique. Si les effectifs diffèrent de façon importante d un essai à l autre, il n est cependant pas raisonnable d utiliser une valeur moyenne et il devient nécessaire de faire appel à des techniques spéciales développées pour cette situation. Le lecteur intéressé se reportera à l ouvrage de Cooper et Hedges [190]. Le but est d obtenir une estimation de l effet traitement uniquement à partir d un codage dichotomique du résultat des études. SoitT i l estimation, inconnue, de l effet traitement dui-ème essai. Si cette valeurt i dépasse la valeur critiquec (par exemplec 0;05 pour un seuil de signification classique à 5%), le résultat de cet essai sera codé comme significativement positif et comme négatif dans le cas contraire. Ce codage peut être représenté par une variable binairex i tel que : X i = 1 sit i >C X i = 0 sit i C Dénotons par¼la probabilité avec laquelle cette variablex i prend la valeur 1: ¼ = Pr(X i =1)=Pr(T i >C ) 1 ¼ = Pr(X i =0)=Pr(T i C ) A partir d un échantillon dek essais,¼ peut être estimé parp = P x i =k. Le numérateur est simplement le nombre d essais à résultat significativement positif et le dénominateur le nombre total d essais. Un intervalle de confiance de p s obtient en utilisant l approximation normale de la loi binomiale. La variance dep, est estimée par var(p) = p(1 p)/k et les bornes supérieures et inférieures d un intervalle de confiance à 100(1- ) s obtiennent par : p;p=p z =2 r p(1 p) k (25.1) oùz =2 représente la valeur de seuil critique de la loi normale. Pour un intervalle de confiance à 95%,z 0;025 =1,96. La valeur de ¼ dépend de la valeur du vrai effet traitement µ. Si T est normalement distribué avec comme moyenneµ et comme variancevar(µ), la probabilité¼ est une fonction deµ : ¼ = Pr(T >C )
4 270 Méthodes non quantitatives de méta-analyse µ T µ = Pr var(µ) >C µ var(µ) µ C µ ¼ = 1 var(µ) (25.2) où désigne la fonction de distribution cumulative de la loi normale. En résolvant l équation (25.2), on obtient : µ=c var(µ) 1 (1 ¼) (25.3) Cette équation permet de transformer une proportion d essais significatifs positifs en valeur d effet standardisé («effect size»), donc en estimation quantitative d effet traitement. Un intervalle de confiance de cet estimateur s obtient en calculant avec (25.3) les valeurs µ et µ qui correspondent aux bornes p et p obtenues d après (25.1) Combinaison des degrés de signification Le terme, valeur de p («p-value»), est synonyme de degré de signification. Les degrés de significationp i des essais sont tous le reflet du test d une même hypothèse nulle, très générale et envisagée dans chaque essai : le traitement étudié n a aucun effet. Le but du test est de rejeter cette hypothèse nulle pour accepter l hypothèse alternative de l existence de l effet du traitement. Dans la réalisation d un essai, l hypothèse nulle est formulée de façon bien plus circonstanciée (par exemple la différence des pressions artérielles mesurées dans les deux groupes est nulle), mais elle réfère toujours au concept général de l existence d un effet du traitement. Dans la combinaison des degrés de signification, l hypothèse nulle est que l effet traitement recherché n existe dans aucun des essais: H 0 :µ 1 =:::=µ k =0 (25.4) où la notationµ i =0représente, d une façon conceptuelle, l inexistence de l effet du traitement. Il est possible de tester cette hypothèse nulle, appelée aussi hypothèse «omnibus» et d obtenir une valeur dep rattachée à cette hypothèse («test omnibus»). Cependant, ce degré de signification pose un problème d interprétation. Pour aborder cela, il est nécessaire de faire un rappel sur l interprétation des degrés de signification. A) Rappel sur le degré de signification Les interprétations erronées du degré de signification sont courantes. Il est inexact de dire que le degré de signification mesure la probabilité que l hypothèse de travail
5 Combinaison des degrés de signification 271 soit exacte, ou que la valeur de p représente la probabilité que les résultats de l essai soient dus à la chance. En fait, la valeur de p est la probabilité d obtenir un échantillon particulier de valeurs sous l hypothèse que seule la chance (les f luctuations d échantillonnage aléatoires) cause ce résultat. Il ne s agit pas de la probabilité que la chance donne ce résultat, la chance donnant ce résultat avec une probabilité de 1. Un degré de signification cumulé significatif autorise à rejeter l hypothèse nulle (25.4) et à conclure que dans au moins un essai, l effet du traitement n était pas nul. En fait, il s agit plutôt d un test d homogénéité de l absence de l effet traitement dans tous les essais qu un test d existence de l effet traitement en tant que tel. Néanmoins, en cas de test significatif, il est possible de conclure qu au moins dans un cas, le traitement a eu un effet non nul. La portée limitée des conclusions possibles restreint l intérêt de cette procédure. Son principal avantage reste la possibilité de regrouper des études ayant envisagé des types de critères divers et variés. B) Méthodes de combinaison Deux types de méthodes de combinaison des p existent, celles basées directement sur la distribution uniforme des p, et celles qui utilisent des transformations des p [41, 191]. La première catégorie exploite le fait que pour toutes statistiques de test continues, les valeurs des degrés de signification sont distribuées uniformément. Ces techniques se rattachent à la méthode des votes (voir la section 25.1). Exemple 25.2 Les calculs nécessaires aux différentes méthodes présentées ci dessous sont illustrés à partir des données fictives suivantes : Etudes Valeur de p 1 0, , , , , , , ,055 Méthodes basées sur la distribution uniforme La distribution des degrés de signification p sous l hypothèse nulle est uniforme sur l intervalle[0;1] [44].
6 X 2log(pi )»Â 2 2kdll 272 Méthodes non quantitatives de méta-analyse Méthode dupminimum. Sip [1] est la valeur minimale d une série de valeurs dep, un test de l hypothèse nulle «omnibus» est obtenu en comparantp [1] avec 1 (1 ) 1=k [41]. Ainsi l hypothèse nulle (25.4) est rejetée sip [1] <1 (1 ) 1=k Exemple 25.3 La valeur minimale des p est de 0,034. Le seuil critique pour = 0,05 vaut1 (1 0,05) 1=8 =0,0064, qui n est pas inférieur à la valeur minimale des p. Le rejet de l hypothèse nulle n est donc pas possible. Moyenne des p: Dans cette méthode le test de l hypothèse «omnibus» se base sur la statistique : p ³ 12k 1=2 X p i /k qui est distribuée suivant une loi normale [41]. Exemple p 25.4 La moyenne des p est de 0,380. La valeur de la statistique 12 8(0;5 0;38)=1,176, conduisant à une valeur de p cumulépc =0,120. Méthodes de transformation Dans cette méthode, les valeurs de p sont transformées en valeurs de variables aléatoires en utilisant la fonction inverse de distribution cumulative d une loi particulière (loi normale, de t, de F, etc.). Les nouvelles variables sontx=f 1 (p), avecf qui représente la fonction de distribution cumulative de la loi considérée. Méthode de la somme des log. Cette méthode est basée sur le fait que 2log(u) est distribué suivant une loi du chi-deux à 2 degrés de liberté siuest uniformément distribué sur l intervalle[0; 1]. La somme de k de ces variables a une distribution du chi-deux à2k degrés de liberté, ce qui est donc le cas de: La valeur observée permet de réaliser un test de l hypothèse nulle «omnibus».
7 Combinaison des degrés de signification 273 L application de cette méthode à l exemple conduit aux calculs sui- Exemple 25.5 vants : Etudes Valeur de p 2log(p) 1 0,980 0, ,560 1, ,034 6, ,670 0, ,100 4, ,580 1, ,060 5, ,055 5,801 Total 25,886 P 2log(pi )=25,886 pour2 8=16 degrésde liberté,la valeur de pcombiné obtenue estp C =0,056. Méthode de la transformation normale. Cette méthode transforme les valeurs de p en valeur de variable normale (z-score) en utilisant la fonction inverse de la distribution normale 1. QuandH 0 est vrai, la statistique: Z = 1 p k 1 (p 1 )+:::+ 1 (p k ) a une distribution normale standard (centrée réduite). L hypothèse nulle omnibus peut donc être rejetée quand Z excède la valeur critique appropriée de la distribution normale standard. Exemple 25.6 L application de cette méthode aux données de l exemple donne : Etudes Valeur de p 1 (p) 1 0,980 2, ,560 0, ,034-1, ,670 0, ,100-1, ,580-0, ,060-1, ,055-1,598 Total -3,413 Z =1= p 8 3,413 = 1,207, ce qui donne une valeur de p combiné dep C = 0,114, non significative comme avec les méthodes précédentes.
8 274 Méta-analyse dans d autres situations Interprétation des résultats obtenus avec l exemple Toutes les méthodes employées s accordent pour rejeter l hypothèse nulle «omnibus» bien qu individuellement un seul essai ait atteint le seuil à 5% de la signification statistique (essai n ± 3) et deux autres en aient été proches (essais n ± 8 et 7). Ainsi, en fonction de la totalité de l information apportée par ces 8 valeurs de p, il n est pas possible de rejeter l hypothèse nulle que dans aucun essai n existe un effet traitement. C) Autres approches D autres approches indirectes ont été proposées. Ces méthodes permettent de convertir des statistiques de tests diverses et variées en une grandeur identique et de les combiner. La description détaillée de ces techniques spéciales figure dans de nombreux ouvrages [4, 192].
TESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailChapitre 10 Arithmétique réelle
Chapitre 10 Arithmétique réelle Jean Privat Université du Québec à Montréal INF2170 Organisation des ordinateurs et assembleur Automne 2013 Jean Privat (UQAM) 10 Arithmétique réelle INF2170 Automne 2013
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailNORME INTERNATIONALE D AUDIT 330 REPONSES DE L AUDITEUR AUX RISQUES EVALUES
NORME INTERNATIONALE D AUDIT 330 REPONSES DE L AUDITEUR AUX RISQUES EVALUES Introduction (Applicable aux audits d états financiers pour les périodes ouvertes à compter du 15 décembre 2009) SOMMAIRE Paragraphe
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailSimulation 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailTexte 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailASR1 TD7 : Un microprocesseur RISC 16 bits
{Â Ö Ñ º ØÖ Ý,È ØÖ ºÄÓ Ù,Æ ÓÐ ºÎ ÝÖ Ø¹ ÖÚ ÐÐÓÒ} Ò ¹ÐÝÓÒº Ö ØØÔ»»Ô Ö Óº Ò ¹ÐÝÓÒº Ö» Ö Ñ º ØÖ Ý»¼ Ö½» ASR1 TD7 : Un microprocesseur RISC 16 bits 13, 20 et 27 novembre 2006 Présentation générale On choisit
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailCalculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCMC MARKETS UK PLC. des Ordres pour les CFDs. Janvier 2015. RCS Paris: 525 225 918. Société immatriculée en Angleterre sous le numéro 02448409
CMC MARKETS UK PLC des Ordres pour les CFDs Janvier 2015 RCS Paris: 525 225 918 Société immatriculée en Angleterre sous le numéro 02448409 Agréée et réglementée par la Financial Conduct Authority sous
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailDegré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1
Degré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1 L utilisation des indicateurs de performance ne peut se faire de manière pertinente
Plus en détailConversion d un entier. Méthode par soustraction
Conversion entre bases Pour passer d un nombre en base b à un nombre en base 10, on utilise l écriture polynomiale décrite précédemment. Pour passer d un nombre en base 10 à un nombre en base b, on peut
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailRÈGLEMENTS DU CONCOURS «Concours Plus de goût»
RÈGLEMENTS DU CONCOURS «Concours Plus de goût» 1. DURÉE : 1.1 Le «Concours Plus de goût» est tenu par Les Galeries de Hull ltée. (ci-après : «Organisateurs du concours»). Il se déroule à Les Galeries de
Plus en détailLes systèmes de cash pooling consistent à optimiser les frais financiers d un groupe de sociétés.
FAQ Cash pooling La centralisation de trésorerie Définition Les systèmes de cash pooling consistent à optimiser les frais financiers d un groupe de sociétés. Il existe deux grandes catégories de cash pooling
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailCodage d information. Codage d information : -Définition-
Introduction Plan Systèmes de numération et Représentation des nombres Systèmes de numération Système de numération décimale Représentation dans une base b Représentation binaire, Octale et Hexadécimale
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailIFT2880 Organisation des ordinateurs et systèmes
Représentation des nombres flottants Notation exponentielle Représentations équivalentes dans la base 10 de 1,234 1 2 3, 4 0 0. 0 x 1 0-2 1 2, 3 4 0. 0 x 1 0-1 1, 2 3 4. 0 x 1 0 1 2 3. 4 x 1 0 1 2. 3 4
Plus en détailCryptographie et fonctions à sens unique
Cryptographie et fonctions à sens unique Pierre Rouchon Centre Automatique et Systèmes Mines ParisTech pierre.rouchon@mines-paristech.fr Octobre 2012 P.Rouchon (Mines ParisTech) Cryptographie et fonctions
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCréer le schéma relationnel d une base de données ACCESS
Utilisation du SGBD ACCESS Polycopié réalisé par Chihab Hanachi et Jean-Marc Thévenin Créer le schéma relationnel d une base de données ACCESS GENERALITES SUR ACCESS... 1 A PROPOS DE L UTILISATION D ACCESS...
Plus en détailMario Geiger octobre 08 ÉVAPORATION SOUS VIDE
ÉVAPORATION SOUS VIDE 1 I SOMMAIRE I Sommaire... 2 II Évaporation sous vide... 3 III Description de l installation... 5 IV Travail pratique... 6 But du travail... 6 Principe... 6 Matériel... 6 Méthodes...
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailFonctions homographiques
Seconde-Fonctions homographiques-cours Mai 0 Fonctions homographiques Introduction Voir le TP Géogébra. La fonction inverse. Définition Considérons la fonction f définie par f() =. Alors :. f est définie
Plus en détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCONSEIL NATIONAL DE LA COMPTABILITÉ. 1.4 - Remplacement d instruments
CONSEIL NATIONAL DE LA COMPTABILITÉ Réponse aux questions pratiques liées à l application du règlement CRC n 2002-09 relatif à la comptabilisation des instruments financiers à terme par les entreprises
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailEfficacité des Modules Maintenance dans les ERP.
Efficacité des Modules Maintenance dans les ERP. Les progiciels ERP (Entreprise Ressource Planning) proposent l ensemble des modules permettant de gérer une entreprise. Mais le module Maintenance est souvent
Plus en détailDCG 6. Finance d entreprise. L essentiel en fiches
DCG 6 Finance d entreprise L essentiel en fiches DCG DSCG Collection «Express Expertise comptable» J.-F. Bocquillon, M. Mariage, Introduction au droit DCG 1 L. Siné, Droit des sociétés DCG 2 V. Roy, Droit
Plus en détailBureau N301 (Nautile) benjamin@leroy-beaulieu.ch
Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS
Plus en détail