Introduction et Rappels (1)
|
|
- Amandine Gascon
- il y a 6 ans
- Total affichages :
Transcription
1 I. Statistiques
2 Introduction et Rappels (1) I. Variable aléatoire Définition : une variable aléatoire est une variable pouvant prendre l une quelconque des valeurs d un ensemble fini ou infini.
3 Introduction et Rappels (2) Il existe plusieurs types de variables aléatoires : VA qualitative : variables à k modalités (exemple : gaucher/droitier) VA censurée : délais de survenue d un événement (exemple : temps de survie après opération chirurgicale) VA quantitatives : discrètes, continues (exemple : tailles des élèves d une classe, taux de cholestérol)
4 Introduction et Rappels (3) Une variable aléatoire quantitative peut être de deux natures : - Discrète : la variable aléatoire prend un nombre fini de valeurs distinctes Exemples : la somme des points d un jet de deux dés, le nombre de garçons dans une famille de trois enfants ou le nombre de personne arrivant à un guichet - Continue : la variable aléatoire prend un nombre infini de valeurs dans un intervalle Exemples : le taux de cholestérol. A chaque valeur de la variable aléatoire est associée : - une probabilité si cette variable est discrète - une densité de probabilité si cette variable est continue
5 Introduction et Rappels (4) II. Lois de probabilité, loi normale et loi normale centrée réduite : Loi de probabilité d une variable aléatoire = l ensemble des valeurs que peut prendre la variable ainsi que les probabilités associées à ces valeurs. Parmi l ensemble des lois de probabilités possibles, on distingue un certain nombre de familles usuelles qui correspondent à des phénomènes aléatoires simples : lancé de dés, jeu de pile ou face,
6 Introduction et Rappels (5) Lois de probabilité de VA qualitatives : Bernouilli (succès/échec), binomiale (loi de Bernouilli répétée n fois) Loi de probabilité d une VA continue : c est une fonction continue f(x) la probabilité pour que la VA prenne des valeurs comprises entre a et b est égale à l aire sous la courbe représentative de la fonction f entre les valeurs a et b. Parmi ces lois de probabilité des VA continues, il existe un certain nombre de familles comme celle de la loi normale et la normale centrée réduite. La famille de la loi définie la forme de la courbe de f. Pour la loi normale, la courbe est de forme Gaussienne.
7 Introduction et Rappels (6) La loi normale N(μ,σ) : Elle suit une fonction f(x) avec une expression barbare donc il faudrait calculer les intégrales! On nous fournit des tables statistiques où sont calculées à l avance les intégrales mais comme la loi normale dépend de deux paramètres (moyenne et écart type) et que ces deux paramètres peuvent prendre chacun une infinité de valeurs, il y aurait donc deux fois l infini tables! Une solution : la loi normale centrée réduite.
8 Introduction et Rappels (7) La loi normale centrée réduite : On va ramener n importe quelle loi normale N(μ,σ) à une loi normale centrée réduite qui est égale à Z=(X-μ)/σ ou Z suit la loi N(0,1). On utilise ensuite la table de la loi normale centrée réduite avec une valeur à connaitre : 1.96 cette valeur a une grande utilité dans les tests statistiques.
9 Introduction et Rappels (8) Exemple d utilisation de la loi normale centrée réduite : Soit un test de QI. Les résultats du tests sont calibrés de facon à ce que la variable aléatoire de ces résultats suive une loi normale N(100,10). Quelle est la probabilité d avoir un résultat inférieur à 110? Supérieur à 110? P(X<110)=P(Z<( )/10)=P(Z<1) On lit dans la fonction de répartition de la loi normale centrée réduite et on trouve : P(Z<1)=P(X<110)= De plus P(X>110)= =0.1587
10 Attention : ici la table est une fonction de répartition et donne directement la probabilité que Z < 1
11 Introduction et Rappels (9) III. Risques alpha, béta et puissance : Difficulté lors d un test statistique état du monde réel inconnu (car travail sur échantillon). On ne sait pas si l hypothèse émise est vrai ou fausse : il faut donc accepter de commettre certaines erreurs avec des risques connus et acceptés. 1. Risque de première espèce (alpha) : C est le risque de rejeter l hypothèse émise alors qu elle est vraie. Il est usuellement fixé à 5%.
12 Introduction et Rappels (10) 2. Risque de deuxième espèce (béta) : C est la probabilité de ne pas rejeter l hypothèse émise alors qu elle est fausse. Au total, une décision d acceptation ou de rejet d une hypothèse est toujours prise avec incertitude (car la réalité n est pas connue). Ces situations sont récapitulées dans le tableau suivant :
13 Introduction et rappels (11) Réalité (inconnue) Hypothèse vraie Hypothèse fausse Décision retenue lors du test Non rejet de l hypothèse Pas d erreur Risque beta Rejet de l hypothèse Risque alpha Pas d erreur (puissance)
14 Introduction et rappels (12) 3. Notion de puissance : C est la probabilité de rejeter l hypothèse émise lorsque celle-ci est fausse (l hypothèse alternative est vraie). Par définition, la puissance est égale = 1 β.
15 Introduction et Rappels (13) IV. Nombre de sujets nécessaires à un test : Dans la recherche clinique ou l épidémiologie, le but des tests va être de détecter une différence significative entre les groupes observés (exemple: à propos de l efficacité d un TTT). Pour détecter cette différence, il faut un nombre de sujets étudiés suffisamment grand (équivalent du grossissement au microscope).
16 Introduction et Rappels (14) Exemple : soit une étude où l on observe l efficacité d un TTT A par rapport à un TTT B. L hypothèse émise est que le TTT A est plus performant que le B. Dans la conclusion de l étude (qui comporte un risque d erreur), il y a plusieurs issues : Si la différence observée n est pas statistiquement significative (non rejet de l hypothèse émise) : C est peut être vrai l hypothèse est vraie dans la réalité (pas d erreur) C est peut être faux l hypothèse est fausse dans la réalité (β) La différence observée est peut être trop faible (manque de sujets dans l étude?) Si la différence observée est statistiquement significative (rejet de l hypothèse émise ) : On a peut être raison l hypothèse est fausse dans la réalité (puissance) On a peut être tord l hypothèse est vraie dans la réalité (α)
17 Introduction et Rappels (15) On va donc calculer le nombre de sujets nécessaires (NSN) lors de la mise en place du protocole de l étude afin de mettre en évidence une différence significative. Ce calcul (formule non donnée) met notamment en jeu les risques alpha et beta. Ainsi : Lorsque alpha diminue le NSN augmente Lorsque beta diminue le NSN augmente En effet, si le risque que l on prend diminue, il sera plus dur de mettre en évidence une différence. Il faudra donc un plus grand nombre de sujet afin d avoir une chance de voir cette différence (si elle existe!).
18 «Les statistiques, c'est comme le bikini. Ce qu'elles révèlent est suggestif. Ce qu'elles dissimulent est essentiel.» A. Levenstein
19 Population : 2. Définitions C est l ensemble des individus sur lesquels porte l étude stat. Exemple : On souhaite faire une étude sur les moyens de transports utilisés par les patients se rendant à l hôpital, on obtient: 2000 viennent avec leur voiture 1500 utilisent les ambulances/taxis 645 sont déposés en voiture 213 prennent le tramway 26 en vélo ou pied Population = l ensemble de tous les patients inclus dans l étude.
20 2. Définitions (2) Echantillons : = Sous-ensemble de la population de départ Exemple : On souhaite ne prendre qu un échantillon de la population des patients inclus dans l étude précédente. Donc, on ne prend en compte que les patients ayant été à l hôpital Lapeyronie. On obtient : 647 viennent avec leur voiture 592 utilisent les ambulances/taxis 56 sont déposés en voiture Remarque : Petit échantillon <30 Grand échantillon prennent le tramway 6 autres Population échant illon
21 2. Définitions (3) Effectifs : = nombre d éléments de l ensemble de la population (noté n) Exemple : Nombre de l ensemble des patients s étant rendu à l hôpital. Ici : N= N=4384 patients L effectif des patients ayant utilisé des transports écologiques? N1= =239
22 2. Définitions (4) Caractère : toute caractéristique prise par les éléments d une population C est donc une variable!!! Peut-être quantitatif : si représenté par un nombre o Ex : âge, distance, durée, lieu Peut être qualitatif : si non mesurable o Ex : couleur, diplôme, prénom, notes Exemple : Mode de transport (qualitatif!!)
23 2. Définition (5) L hypothèse nulle H0 : Hypothèse contraire à ce que nous souhaitons prouver (H1). Le but étant de rejeter H0!!! «Philosophiquement parlant, nous sommes certains de ce qui est faux, mais nous sommes toujours incertains de la vérité.» Exemple : On veut prouver que la fréquence (fe) de l échantillon des patients venant en voiture n est pas représentatives de celle de la population de départ (fp). On veut savoir si H1 : fp fe On pose donc H0 : fp=fe Ici : test bilatéral!!
24 3. Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. On suppose l hypothèse nulle et on calcule 5. Conclusion statistique 6. Conclusion clinique
25 Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. On suppose l hypothèse nulle et on calcule 5. Conclusion statistique 6. Conclusion clinique
26 1. La question clinique Principe d un test statistique Durant cette première étape, on définit une question et l on cherche la réponse, ce grâce au test statistique et ses différentes étapes. Exemple : - Est-ce que l amiante est cancérigène? - Est-ce que les ondes téléphoniques sont cancérigènes?
27 Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. On suppose l hypothèse nulle et on calcule 5. Conclusion statistique 6. Conclusion clinique
28 Principe d un test statistique 2. Problématique statistique - Soit on compare un paramètre observé dans la population à un paramètre théorique d un échantillon. population TAS? échantillon - Soit on compare deux paramètres observés (entre deux échantillons) population TAS? Échantillon 1 Échantillon 2
29 Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. On suppose l hypothèse nulle et on calcule 5. Conclusion statistique 6. Conclusion clinique
30 Principe d un test statistique 3. Poser les hypothèses : Comparaison paramètre observé à théorique : population TAS? échantillon Hypothèses : H 0 : paramètre = paramètre théorique H 1 : paramètre paramètre théorique VA qualitative : le paramètre est une fréquence Comparaison fréquence obs. à thé. Donc H 0 : Fobs. = Fthé. Et H 1 : Fobs. Fthé. VA quantitative : le paramètre est une moyenne Comparaison moyenne obs.(m) à thé. (μ) Donc H 0 : m= μ Et H 1 : m μ
31 Principe d un test statistique 3. Poser les hypothèses : Comparaison de deux paramètres observés population TAS? Échantillon 1 Hypothèses : H 0 : paramètre 1 = paramètre 2 H 1 : paramètre 1 paramètre2 VA qualitative : le paramètre est une fréquence Comparaison de 2 fréquences observées Donc H 0 : f 1 = f 2 Et H 1 : f 1 f 2 Exemple: Sexe et pathologie sont-ils liés? Échantillon 2 VA quantitative : le paramètre est une moyenne Comparaison de 2 moyennes observées Donc H 0 : μ 1 = μ 2 Et H 1 : μ 1 μ 2 Exemple : Âge et taille sont-ils liés?
32 3. Poser les hypothèses : Principe d un test statistique On désigne H 0 de telle façon que H 0 soit le contraire de ce que l on cherche à montrer. Si on veut prouver une égalité : H 0 : Les variables sont indépendantes. Si on veut prouver une différence : H 0 : Les variables sont égales.
33 3. Poser les hypothèses : Exemple en thérapeutique : Principe d un test statistique Test bilatéral : Comparaison d un nouveau ttt à un ttt de référence. H 0 : Les variables sont identiques. H 1 : Les variables sont différentes. Test unilatéral : Comparaison d un médicament à un placebo. H 0 : Efficacité du médicament placebo. H 1 : Efficacité du médicament placebo.
34 Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. On suppose l hypothèse nulle et on calcule 5. Conclusion statistique 6. Conclusion clinique
35 Principe d un test statistique 4. On suppose l hypothèse nulle et on calcule p p: probabilité d avoir une différence au moins égale à la différence observée. p : aussi appelé degré de signification Si l on considère ici des VA qualitatives, on a alors deux possibilités de tests : Test de l écart réduit : 2 échantillons au plus Une variable binaire (oui/non) Test du Chi 2 de pearson : 2 échantillons au moins Une variable à plusieurs modalités
36 Principe d un test statistique 4. On suppose l hypothèse nulle et on calcule p p : probabilité d avoir une différence au moins égale à la différence observée. p : aussi appelé degré de signification Cas de VA à 2 modalités maximum Si on compare une fréquence observée à une théorique, on applique alors le test de l écart réduit. On vérifie alors les conditions de réalisation : NP 5 et (1-P)N 5 N: taille échantillon P : fréquence dans la population
37 Principe d un test statistique 4. On suppose l hypothèse nulle et on calcule p p : probabilité d avoir une différence au moins égale à la différence observée. p : aussi appelé degré de signification Cas de VA à deux modalités maximum Si on compare deux fréquences observées, on applique alors le test de l écart réduit. On vérifie alors les conditions de réalisation : N 1 P 5 et (1-P)N 1 5 et N 2 P 5 et (1-P)N 2 5 Si P est inconnue alors on peut faire une approximation P=(N1P1 + N2P2)/N1+N2 = moyenne des fréquences observées N : taille échantillon P : fréquence dans la population
38 Principe d un test statistique 4. On suppose l hypothèse nulle et on calcule p p : probabilité d avoir une différence au moins égale à la différence observée. p : aussi appelé degré de signification Cas de VA à plus de 2 modalités : Si on compare une fréquence observée à une théorique on applique alors le test du chi 2 de Pearson. On vérifie alors les conditions de réalisation : On vérifie alors que tous les effectifs théoriques 5 On calcule le chi de pearson selon la formule suivante: (cf quatrième partie) On lit dans la table du chi 2 au ddl (K-1) la probabilité p
39 Principe d un test statistique 4. On suppose l hypothèse nulle et on calcule p p : probabilité d avoir une différence au moins égale à la différence observée. p : aussi appelé degré de signification Cas de VA à plus de 2 modalités : Si on compare deux fréquences observées ou liaison entre deux variables qualitatives alors on applique le test du chi 2 de Pearson. On vérifie alors les conditions de réalisation : On vérifie alors que tous les effectifs théoriques 5 On calcule le chi² de pearson selon la formule suivante: O i nombre observé (cf quatrième partie) C i nombre théorique On lit dans la table du chi 2 au ddl (K-1)(P-1) la probabilité
40 Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. On suppose l hypothèse nulle et on calcule 5. Conclusion statistique 6. Conclusion clinique
41 5. Conclusion statistique Principe d un test statistique A partir de la valeur de p qu on a pu lire dans le tableau, on regarde si une différence significative est présente. Si p > 0,05 on ne rejette pas H 0 avec calcul de la puissance à posteriori. On ne met pas en évidence une différence significative. Si p < 0,05 on rejette H 0 avec un risque d erreur. On met en évidence une différence significative. Si p < 0,01 on met en évidence une différence très significative. Si p < 0,001 on met en évidence une différence hautement significative.
42 Principe d un test statistique Méthodologie : 6 étapes 1. Question clinique 2. Problématique statistique 3. Poser les hypothèses 4. Conclusion statistique 5. On suppose l hypothèse nulle et on calcule 6. Conclusion clinique
43 6. Conclusion clinique Principe d un test statistique On ne peut conclure cliniquement uniquement après avoir mis en évidence l absence de biais. Si cherche à montrer qu une substance est cancérigène, il faut voir s il n y a pas d autres substances cancérigènes dans l étude.
44 2 applications de tests statistiques dans l étude de variables aléatoires qualitatives : test de l écart réduit et test du chi2 Ex : Une population de souris développe spontanément 10 % de cancers. On injecte une substance à un échantillon de souris (de taille N = 50) de cette population : on relève alors 21 % de cancers. La différence observée est-elle le simple fait du hasard, oula substance est-elle cancérigène? 1) Question clinique? La substance injectée est-elle cancérigène? 2) Problème statistique? Comparaison d une fréquence observée (21 %) à une fréquence théorique (10 %) 3) Formulation des hypothèses : H0 : le contraire de ce qu on veut montrer (càd une différence significative) : f obs = f th l échantillon extrait est représentatif de la population H1 : f obs f th 4) On suppose H0 vraie et on calcule p : Rappel : p est la probabilité qu une telle différence (0,21-0,1) ne soit due qu au hasard Le test qui va nous permettre de calculer p ici est le test de l écart-réduit, que l on n utilise que lorsque la variable aléatoire qualitative présente 2 modalités (ici : cancer? OUI / NON) :
45 Le test de l écart-réduit Pour l appliquer, il faut tout d abord vérifier deux conditions : - N x f th 5 - N x (1 f th ) 5 On calcule alors une valeur ε 0, appelée écart-réduit, qui suit la loi normale centrée réduite LN(0,1) (on ne peut faire cela que parce que f obs suit lui aussi une loi normale sous H0 ) 0 Ex : On vérifie les deux conditions : 50 x 0,1 = 5 et 50 x (1-0,1) = 45, les conditions sont vérifiées On calcule ensuite ε 0 : p est la probabilité que ε > ε 0 Pour trouver cette probabilité, il faut la lire dans le tableau de LN(0,1)
46 Comment lire p dans la table de l écart réduit? ε On cherche dans la table de l écart-réduit deux valeurs qui encadrent ε 0 calculé (2,59 ici). De ces 2 valeurs, on sélectionne celle qui est inférieure à ε 0 calculé On obtient alors p en additionnant les valeurs en tête de la colonne et de la ligne contenant la valeur sélectionnée : ici, 0,00 + 0,01 = 0,01, donc p < 0,01 (p serait égal à 0,01 si ε 0 valait 2,576)
47 5) Conclusion statistique? p < 0,01, donc p < 0,05 et on rejette alors H0 au risque p On peut ajouter que la différence est très significative ex : Ici, on peut dire que le taux de cancers observés dans l échantillon exposé à la substance est très significativement plus élevé que le taux théorique dans la population 6) Conclusion clinique? Attention à ne pas conclure cliniquement trop rapidement! Il faut toujours penser à la présence de biais dans l étude qui peuvent fausser le résultat. ex : Ce n est qu en l absence de biais que l on peut conclure que la substance est cancérigène
48 Si la variable aléatoire qualitative présente plus de 2 modalités, on ne peut pas utiliser le test de l écart-réduit, on utilise alors le test du chi2 de Pearson Ex : Soient 3 échantillons de souris issus de 3 espèces différentes ; elles sont toutes exposées au virus grippal de la même manière. On relève le nombre d infections grippales développées chez ces 3 espèces différentes : Echantillon n 1 Echantillon n 2 Echantillon n 3 Total Malade Non malade Total Effectif marginaux des colonnes Effectif marginaux des lignes Les différences de proportions de souris malades entre les 3 différentes espèces sont-elles significatives? Autrement dit, la différence d espèce peut-elle influer sur la susceptibilité au virus grippal? Nombre total de sujets
49 1) Question clinique? L espèce d une souris a-t-elle une influence sur la susceptibilité de la souris au virus grippal? 2) Problème statistique? Comparaison de 3 fréquences observées f 1, f 2, f 3 (échantillons indépendants) 3) Formulation des hypothèses : H0 : Encore une fois, c est le contraire de ce que l on veut montrer; par conséquent, on va ici supposer qu il n y a aucune différence de fréquence d infection entre les 3 échantillons, soit : f 1 = f 2 = f 3 H1 : au moins une fréquence est différente des autres
50 4) On suppose H0 vraie et on calcule p : Sous H0, on va réaliser un tableau des effectifs théoriques : on l obtient en multipliant les effectifs marginaux des lignes par ceux des colonnes et en divisant par l effectif total du tableau des observés (obtenu par l expérience) : Echantillon n 1 Echantillon n 2 Echantillon n 3 Total Malade 84x100/296 = 28,4 29,5 26,1 84 Non malade 71,6 74,5 65,9 212 Total
51 On dispose donc des 2 tableaux suivants : Tableau des effectifs observés (O i ) : Echantillon n 1 Echantillon n 2 Echantillon n 3 Total Malade Non malade Total Tableau des effectifs théoriques (C i ) : Echantillon n 1 Echantillon n 2 Echantillon n 3 Total Malade 28,4 29,5 26,1 84 Non malade 71,6 74,5 65,9 212 Total Rq : On conserve les mêmes effectifs marginaux pas besoin de faire tous les calculs (cf notion de degré de liberté) On va pouvoir maintenant calculer le χ² de Pearson. Une condition est à respecter : tous les effectifs théoriques (C i ) doivent être 5 : c est le cas ici.
52 La formule de calcul du χ² de Pearson est la suivante : 2 k 1 (O i C i ) C i 2 Pour ne pas se perdre, on peut réaliser un tableau des χ² : Malade (27-28,4)²/28,4 = 0,07 Echantillon n 1 Echantillon n 2 Echantillon n 3 Total 1,03 0,64 1,74 Non malade 0,04 0,41 0,26 0,71 Total 0,11 1,44 0,90 χ² = 2,45
53 On dit que le χ² de Pearson est une variable aléatoire qui suit une loi (appelée loi du χ²) à (k-1)(p-1) degrés de liberté (ddl) (où k est le nombre de lignes composant le tableau, et p le nombre de colonnes) Pourquoi (k-1) et (p-1) «degrés de liberté»? Qu est-ce que cela signifie? Le degré de liberté correspond au nombre de valeurs qui ne peuvent être fixées par une équation; ici, quand on calcule les effectifs théoriques, sachant que les effectifs marginaux restent les mêmes, on n a pas besoin de faire le dernier calcul de chaque ligne et de chaque colonne (c est-àdire au total la colonne échantillon n 3 et la ligne «Non malade», 4 cases sur 6 au total). Ici, il y a 6 variables aléatoires, mais seulement 2 degrés de liberté. On retrouve sinon par la formule ci-dessus: il y a (3-1).(2-1) = 2 ddl Pourquoi s intéresser au nombre de degrés de liberté? Parce qu il est essentiel pour déterminer la valeur de p (qui reste l objectif de départ, ne l oublions pas ) En effet, on va lire dans la table du χ² au degré de liberté correspondant la probabilité p que χ² soit supérieur à une valeur appelée u.
54 Comment lire p dans la table du χ²? u On se focalise sur la ligne correspondant au nombre de degrés de liberté. On cherche dans la table du χ² deux valeurs qui encadrent χ² calculé (2,45 ici). De ces 2 valeurs, on sélectionne celle qui est supérieure à χ² calculé. On lit alors p en tête de la colonne correspondante, ici p > 0,20, l important étant que p > 0,05.
55 5) Conclusion statistique? p > 0,2, donc p > 0,05 et on ne rejette pas H0 Autrement dit, on ne met pas en évidence de différence significative entre les 3 fréquences observées. 6) Conclusion clinique? Attention à ne pas conclure cliniquement trop rapidement! Il faut toujours penser à la présence de biais dans l étude qui peuvent fausser le résultat. ex : Ce n est qu en l absence de biais que l on peut conclure que l espèce d une souris n a pas d influence sur la susceptibilité de la souris au virus grippal. Rq : La loi du χ² à 1 degré de liberté donne les mêmes résultats que la loi de l écart-réduit
56 Ces 2 tests sont utilisées lorsqu il s agit de variables aléatoires qualitatives, mais il existe aussi des tests pour les variables aléatoires quantitatives (que nous aborderons dans l année). VA qualitative VA quantitative Comparaison fréquence observée (fobs) à fth (μobs à μth) Ecart-réduit, χ² Pearson Test Student Comparaison de 2 fobs indépendantes (2 μobs indép) Comparaison de k fobs indépendantes (k μobs indép) Ecart-réduit, χ² Pearson Test Student χ² Pearson Modèle ANOVA
57 Merci de votre attention
Principe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailChapitre 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 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 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 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 détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en 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 conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
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 détailTESTS 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 détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en 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 détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en 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 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 détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
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 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 détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en 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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailPrécision 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 détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailFormat de l avis d efficience
AVIS D EFFICIENCE Format de l avis d efficience Juillet 2013 Commission évaluation économique et de santé publique Ce document est téléchargeable sur www.has-sante.fr Haute Autorité de santé Service documentation
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en 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 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 détailMoments 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 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 détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en 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 détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailEssais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire
Essais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire Sylvie CHABAUD Direction de la Recherche Clinique et de l Innovation : Centre Léon Bérard - Lyon Unité de Biostatistique
Plus en 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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailMETHODOLOGIE GENERALE DE LA RECHERCHE EPIDEMIOLOGIQUE : LES ENQUETES EPIDEMIOLOGIQUES
Enseignement du Deuxième Cycle des Etudes Médicales Faculté de Médecine de Toulouse Purpan et Toulouse Rangueil Module I «Apprentissage de l exercice médical» Coordonnateurs Pr Alain Grand Pr Daniel Rougé
Plus en détail1 Première section: La construction générale
AMALGAMATIONS DE CLASSES DE SOUS-GROUPES D UN GROUPE ABÉLIEN. SOUS-GROUPES ESSENTIEL-PURS. Călugăreanu Grigore comunicare prezentată la Conferinţa de grupuri abeliene şi module de la Padova, iunie 1994
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailBaccalauréat 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 détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en 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 détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailEssais cliniques de phase 0 : état de la littérature 2006-2009
17 èmes Journées des Statisticiens des Centres de Lutte contre le Cancer 4 ème Conférence Francophone d Epidémiologie Clinique Essais cliniques de phase 0 : état de la littérature 2006-2009 Q Picat, N
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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailQUEL PROTOCOLE DE REENTRAINEMENT PROPOSER AUX PATIENTS INSUFFISANTS CARDIAQUES?
QUEL PROTOCOLE DE REENTRAINEMENT PROPOSER AUX PATIENTS INSUFFISANTS CARDIAQUES? Cliquez pour modifier le style des sous titres du masque MARIE CHRISTINE MERSCH MASSEUR KINESITHERAPEUTE Service de Réadaptation
Plus en détailSOMMAIRE I. INTRODUCTION 4 II. SOURCES D INFORMATION 5
SOMMAIRE I. INTRODUCTION 4 II. SOURCES D INFORMATION 5 2.1. ETUDES REALISEES PAR LES SERVICES DES CAISSES D ASSURANCE MALADIE 5 2.2. ANALYSE DE LA LITTERATURE 5 2.3. ANALYSE DES VENTES 6 2.4. COMPARAISONS
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailValidation clinique des marqueurs prédictifs le point de vue du méthodologiste. Michel Cucherat UMR CNRS 5558 - Lyon
Validation clinique des marqueurs prédictifs le point de vue du méthodologiste Michel Cucherat UMR CNRS 5558 - Lyon Marqueur prédictif - Définition Un marqueur prédictif est un marqueur qui prédit le bénéfice
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailFirst Line and Maintenance in Nonsquamous NSCLC: What Do the Data Tell Us?
Dr Jean-Charles Soria : Bonjour et bienvenue dans ce programme. Je suis Jean Charles Soria, Professeur de Médecine et Directeur du programme de développement précoce des médicaments à l université Paris
Plus en détailDISTRIBUTION DU TRAITEMENT MEDICAMENTEUX PAR VOIE ORALE PAR L INFIRMIERE : RISQUE DE NON PRISE DU TRAITEMENT MEDICAMENTEUX PAR LE PATIENT
INSTITUT DE FORMATION DES CADRES DE SANTE ASSISTANCE PUBLIQUE HOPITAUX DE PARIS ACTIVITE PROFESSIONNELLE N 8 : LE CADRE GERE LES RISQUES CONCERNANT LES PRESTATIONS, LES CONDITIONS DE TRAVAIL DES PERSONNELS,
Plus en détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailAutomatique (AU3): Précision. Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr
Automatique (AU3): Précision des systèmes bouclés Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr Plan de la présentation Introduction 2 Écart statique Définition Expression Entrée
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailPARTIE I - Données de cadrage. Sous-indicateur n 9-1 : Nombre de consultations de médecins par habitant, perspective internationale
Indicateur n 9 : Consommation de soins par habitant Sous-indicateur n 9-1 : Nombre de consultations de médecins par habitant, perspective internationale Le nombre moyen de consultations médicales par habitant
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en 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 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 détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailPRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES
97 PRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES Jacques Vaugelade & Marie Piron (Demographie et Statistique) (UR 702) Centre ORSTOM de Ouagadougou
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailDirecteur de la publication : André-Michel ventre, Directeur de l INHESJ Rédacteur en chef : Christophe Soullez, chef du département de l ONDRP
repères Premier ministre 20 institut national des hautes études de la sécurité et de la justice Janvier 2013 n Directeur de la publication : André-Michel ventre, Directeur de l INHESJ Rédacteur en chef
Plus en détailActuariat 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