La Régression Logistique
|
|
- Jacqueline Malo
- il y a 6 ans
- Total affichages :
Transcription
1 La Régression Logistique Pr Roch Giorgi Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale Faculté de Médecine de Marseille, Université de la Méditerranée
2 Introduction (1) Modèle multivarié Exprimer une variable Y en fonction de plusieurs variables X i Y ( X +...+X +...+X ) = f i = 1,..., k 1 i k Y : caractérise la maladie (ou sa distribution dans la population) Variable quantitative ou qualitative X i : caractérisent les facteurs de risque de la maladie Variables quantitatives et/ou qualitatives
3 Introduction (2) Objectifs Prédire la valeur de Y en fonction des X i Quantifier l association entre Y et une exposition à un facteur caractérisé par X i en tenant compte de Plusieurs facteurs de confusion Variables quantitatives = relation linéaire dose-effet Y = f ( X X ) 1 i X. p
4 Régression : Exemple (1) Modélisation de la proportion de décès en fonction de la dose d un produit toxique Dose X j n j d j p j 0 0,10 0,10 0,43 0,83 1,00 0,97 Utilisation de la régression linéaire p x pourrait être < 0 ou > 1 px = a + bx Observations non indépendantes entres elles : problèmes pour l estimation de la variance Équivalence des fréquences observées aux différentes doses alors que les effectifs peuvent être différents
5 Régression : Exemple (2) Modélisation de la proportion de décès en fonction de la dose d un produit toxique Dose X j n j d j p j 0 0,10 0,10 0,43 0,83 1,00 0,97 Modélisation d une fonction des probabilités ( p) = p ( p) logit Ln 1 Pour tout p sur [0, 1] on aura une réponse sur ]-, + [ La proportion est directement modélisée, donc la variance Le poids de chaque fréquence observée dépend du nombre total de sujets ayant reçu la dose correspondante Modèle de Régression Logistique
6 Régression : Exemple (3) Si la fonction Logit est une fonction linéaire de la dose, on a ( ) ( ) Logit p = Ln p 1 p = α + βx donc p p x ( 1 ) = exp( α + β ) et p ( α + βx) ( α βx) ( α βx) exp 1 = = 1+ exp + 1+ exp + { }
7 Régression : Exemple (4) 1 0,8 Probabilité 0,6 0,4 0,2 0 x Représentation de : p 1 = 1 + exp { ( x) }
8 Régression Logistique Variable à expliquer Y : qualitative binaire Présence / Absence d une maladie, d un signe, Modélise la probabilité que Y = 1 Variables explicatives X i : qualitative à n ( 2) classes, quantitative Age < 70 / Age 70 Age < 50 / 50 Age < 60 / 60 Age < 70 / Age 70 Age 40, 41, 42,
9 1 Variable X Binaire (1) { - Y= 0=M + { 1=M X= P( M ) 0=Non Exposé 1=Exposé = 1 + exp + X + 1 { ( α β )} P(M + ) P(M - ) Exposé : X=1 P 1 1 = 1 + exp α + β { ( )} 1-P 1 { ( α + β) } ( α β) = exp 1 + exp + { } Non Exposé : X=0 P 0 1 = 1 + exp α { } 1-P 0 { ( α )} ( α ) exp = 1 + exp { } OR P /1 P P /1 P 1 1 = = 0 0 exp ( β )
10 1 Variable X Binaire (2) Remarque Logit P ( P ) =Ln 1-P ( + ) ( ) P=P M X=x Logit P = α + βx Linéarité en β ( ) Ln OR P /1 P 1 1 = Ln P0 /1 P0 =Ln /1 Ln /1 ( P1 P1) ( P0 P0) ( α β) α = + Ln ( OR ) = β
11 Plusieurs Variables X Binaires (1) ( + ) 1 k P M X,..., X ( ) Logit P = α β i X i k + i=1 1 = k 1+ exp α + βix i= 1 i Pour une exposition E donnée ( ) β E Logit P = α X β i X i ( β ) k + + i=2 exp =OR lié à l exposition E ajusté sur les X i
12 Interprétation des Coefficients (1) ( ) Logit P = α + βx X ( ) X=x Logit P = α + βx ( ) X=x Logit P = α + βx OR = Odds Ratio entre les catégories 0 et 1 ( ) ( ) ( ) = β ( ) Ln OR =Logit P Logit P x x ( ) { β } OR=exp x x 1 0 Écart entre les 2 catégories
13 Interprétation des Coefficients (2) Variable X qualitative binaire X X=0 : non exposé X=1 : exposé ( ) { β } OR=exp x x 1 0 OR=exp ( β ) Exemple Y : cancer de la vessie X = 0 : non fumeurs X = 1 : fumeurs OR quantifie l excès de risque de cancer de la vessie chez les fumeurs par rapport aux non fumeurs
14 Variable X Qualitative à plus de 2 Classes ( ) α + β1 1+ β2 2 + β3 3 Logit P = X X X (1) X=0 Non fumeur X 1 X 2 X X=1 Tabac brun X=2 Tabac mixte X=3 Tabac blond OR =exp ( x x ) { β } i 0 i i 0 OR 1 ( ) Logit ( P 0 ) =α Logit ( P ) = ( ) ( ) 0 =exp β1 OR 2 0 =exp( β2 ) OR =exp β 3 0 α + β X Logit P = α + β X Logit P = α + β X ( ) 3
15 Variable X Qualitative à plus de 2 Classes Si X est décomposé en 3 variables, elles doivent être toutes les 3 présentes (ou absentes) en même temps (2) X 1 X 2 X 3 X=0 Non fumeur X=1 Tabac brun X=2 Tabac mixte X=3 Tabac blond Logit ( P ) =α Logit ( P) + ' Logit ( P) + ' =α β X 1 1 =α β X 2 2 OR 1 0, 3 OR ( ' ) 1 =exp β 2 0, 3 ( ' ) 2 =exp β Pas de sens
16 Notion d Interaction (1) Type de tabac X 1 = 0 : Tabac blond ou mixte X 1 = 1 : Tabac brun Inhalation X 2 = 0 : Inhalent pas X 2 = 1 : Inhalent Odds ratio associés au tabac Si X 2 = 0 : OR(X 1,1 0 ) = 1,07 Si X 2 = 1 : OR(X 1,1 0 ) = 2,43 La relation entre le type de tabac et le cancer de la vessie n est pas la même selon qu il y ait ou pas inhalation Il y a une interaction entre le type de tabac et l inhalation
17 Notion d Interaction (2) Étude de la relation entre une maladie et l exposition à un facteur X 1 tout en tenant compte de l exposition à un X 2 ( ) α + β1 1+ β2 2 Logit P = X X avec X 1 et X 2 en 0/1 ( ) ( ) 1 ( ) si X = 1 : Ln OR = α + β + β α + β = β 2 X si X = 0 : Ln OR = α + β α = β 2 X L OR quantifiant la relation entre X 1 et M est le même quelle que soit la valeur de X 2 il n y a pas d interaction
18 Modèle avec Interaction Prise en compte d une interaction entre X 1 et X 2 ( ) α + β1 1+ β2 2 + β3 1 2 Logit P = X X X X avec X 1 et X 2 en 0/1 ( ) ( ) si X = 1 : Ln OR = α + β + β + β α + β 2 X ( ) Ln OR =β + β X ( ) si X = 0 : Ln OR = α + β α = β 2 X Il y aura interaction entre X 1 et X 2 si β 3 0
19 Modèle avec Interaction : Exemple Type de tabac X 1 = 0 : Tabac blond ou mixte X 1 = 1 : Tabac brun ( ˆ ) Inhalation X 2 = 0 : Inhalent pas X 2 = 1 : Inhalent Logit P = 0,39 + 0, 066.TAB + 0,19.INHA + 0,82.TAB INHA avec 0,82 significativement 0 1,5 1 1,08 Ln(OR) 0,5 0, ,06-0,5 Blond-Mixte Brun Inhalent pas Inhalent
20 Régression Logistique avec R Fonction «glm» Variable à expliquer (0/1) Variable explicative (quantitative) Variable explicative (qualitative 3 classes) glm(hypo ~ poidsmer + scolarite, family=binomial, data=hypo2) Type de famille statistique Nom du fichier de données
21 Estimation des Paramètres (et variance) Estimation ponctuelle Attribuer une valeur au paramètre étudié à partir des observations faites sur l échantillon Estimateur Formule (procédure mathématique) utilisée pour obtenir l estimation D un échantillon à un autre L estimateur est le même L estimation varie selon les observations Repose sur la méthode du maximum de vraisemblance
22 Vraisemblance d un Échantillon Probabilité d obtenir un échantillon tel que celui qui est observé Exemple Fréquence d une maladie dans une population = 10% Quelle est P 1 =P(5 malades, n=20)? P(M)=0,10 P(nonM)=0,90 P(5 M et 15 nonm)=0,10 5 x0,90 15 Plusieurs configuration de 5 M parmi 20 20! 5 15 P1 = 0,10 0,90 = 0, 03 5!15! Si la fréquence de la maladie dans la population = 25% 20! 5 15 P2 = 0, 25 0,75 = 0, 20 5!15! Fonction de vraisemblance
23 Fonction de Vraisemblance 0,3 n=20 Malades=5 Vraisemblance 0,2 0, ,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Prévalence
24 Maximum de Vraisemblance (1) ( x) P M X= + 1 Échantillon de taille N = 1 + exp + Vraisemblance observation (x i, y i ), y i =1 M Vraisemblance de l observation (x i, y i ) = probabilité de faire cette observation Contribution à la vraisemblance du sujet i Le sujet est malade i { ( α βx) } + ( xi ) p =P M X= 1 = 1 + exp + { ( α βxi )} Le sujet n est pas malade exp{ ( x )} ( - ) i q i =P M X= x = α + β i 1 + exp{ ( α + βxi )}
25 Maximum de Vraisemblance (2) Vraisemblance de l ensemble des observations (probabilité d observer l ensemble de l échantillon) V = N n exp { ( α + βxi )} { ( α βxi )} 1+ exp + Maximum de vraisemblance non malades ensemble de l échantillon Choisir comme estimateur de α et β les valeurs et qui rendent V maximum c.à.d, parmi tous les modèles possibles on choisi celui qui rend l observation de l échantillon la plus probable Estimateur asymptotiquement sans biais, distribution asymptotiquement normale ˆα ˆβ
26 Maximum de Vraisemblance (3) L( β ) β β
27 Estimation : Exemple avec R Fichier de données «hypotrophie» Variable : «scolarite» > fit2 <- glm(hypo ~ scolarite, family=binomial, data=hypo2) > summary(fit2) Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) scolarite scolarite α β 1 (OR 12+15/<12 = exp( ) = 0.84) β 2 (OR 16+/<12 = exp( ) = 0.43)
28 Tests des Paramètres (1) Hypothèse testée H 0 : β= β 0 (le plus souvent, β=0) H 0 rejetée si ˆβ est «trop» éloigné de β 0 Test de Wald ˆβ Test du rapport de vraisemblance Écart entre et β 0 (rapporté à la variance) est trop grand Écart entre V max et V 0 est trop grand : Test du score La tangente à la courbe en est trop éloignée de l horizontale
29 Tests des Paramètres (2) L( β ) L( β ) L( β 0 ) Wald ou maximum de vraisemblance Rapport de vraisemblance Score β 0 β β
30 Tests des Paramètres (3) Test de Wald z ˆ β = ~ χ 2 ddl=nd de variables S ˆ β Remarque : quand il y a une seule variable, on a ˆ β z = ~ N 0, 1 S ˆ β ( ) pour α=5%, z α/2 =1,96
31 Tests des Paramètres (4) Test du rapport de vraisemblance Modèle 1 : Logit P = α + β X vraisemblance V 1 Modèle 2 : Logit P = α + β X + β X vraisemblance V 2 V 1 V 2, car modèle 2 plus complet ˆβ 2 ( ) 1 1 ( ) ' ' ' significativement différent de 0 si V 1 significativement inférieur à V 2 2 ( ) ( ) 2 Ln V2 Ln V1 ~ χ à 1 ddl Nombre de degrés de liberté fonction du nombre de paramètres à tester
32 Test des Paramètres : Exemple avec R Fichier de données «hypotrophie» Variables : «scolarite» et «poidsmer» Coefficients: Degré de signification pour chacun des paramètres estimés Estimate Std. Error z value Pr(> z ) (Intercept) poidsmer * scolarite scolarite * Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
33 Test du Rapport de Vraisemblance Ne s applique qu à deux modèles emboîtés Un modèle est emboîté dans un autre modèle quand il est un sous-ensemble de ce dernier Modèle 1 : Logit P = α + β X + β X Modèle 2 : Modèle 3 : ( ) ( ) ' ' ' ' '' '' '' '' ( ) =α + β X1 + β2x2 + β 4 Logit P =α β X β X β X 3 Logit P S étend au test de plusieurs coefficients à la fois Modèle 1 : V 1 Modèle 2 : i V 2 X 1 4 ( ) α + β1 1 + β2 2 k ' ' ' ' ( ) X Logit P = X X Logit P = α β β β X + X i= 1 2 ( ) ( ) 2 Ln V2 Ln V1 ~ χ à k ddl i x
34 Remarque : la Déviance (1) Déviance = variation de la log-vraisemblance Deviance = 2 Ln VM ( ) Ln( V ) m M = grand modèle m = petit modèle Modèle parfait : Probabilité que l événement étudié soit observé vaut 1 quand il est observé et 0 sinon
35 Remarque : la Déviance (2) Déviance résiduelle du modèle nul (Null deviance dans R) ( ) Ln( V ) Deviance Nul = 2 Ln VSaturé Nul Déviance résiduelle du modèle x (Residual deviance dans R) ( ) Ln( V ) Deviance = 2 Ln V x Saturé x
36 Remarque : la Déviance (3) Effet du facteur Deviance Nul Deviance x = 2 Ln Vx ( ) Ln( V ) suit une loi du χ 2 si le modèle nul est vrai à 1 ddl Nul Comparaison de 2 modèles emboîtés Deviance m Deviance M = 2 Ln VM ( ) Ln( V ) m suit une loi du χ 2 si le modèle nul est vrai à M - m ddl
37 Test de Modèles Emboîtés : Exemple avec R Fichier de données «hypotrophie» Variables : «scolarite» et «poidsmer» Teste : effet de «scolarite» > fit1<-glm(hypo~poidsmer, family=binomial, data=hypo2) > fit2<-glm(hypo~poidsmer+scolarite, family=binomial, data=hypo2) > deviance(fit1) [1] > deviance(fit2) [1] > dev <- deviance(fit1) - deviance(fit2) > 1 - pchisq(dev, 2) [1] Modèle fit1 emboîté dans le modèle fit2 Différence des déviances qui suit une loi du χ 2 si le modèle nul est vrai à 3-1 ddl
38 Codage des Variables Variable ordonnée X 1 X 2 X=0 0 0 X=1 1 0 X=2 0 1 Modèle 1 : Logit P = ( ) α + β1x1 Logit P = α + β X + β X ' ' ' 1 2 Modèle 2 : ( ) 1 2 Le modèle 1 est un cas particulier du modèle 2 pour ( ) Logit P = α + β X + β X ' ' ' = α + β X + 2β X ' ' ' ( ) = α + β X + 2X = α + β X ' ' ' ' ' ' β = β = β 2 1
39 Codage des Variables Quantitatives (1) X : variable quantitative Modèle 1 : ( ) Logit P = α + βx Impose une linéarité entre Logit(P) et X Tester si cette hypothèse est réaliste
40 Codage des Variables Quantitatives (2) Méthode 1 Modèle 1 : ( ) Logit P = α + βx ( ) 2 3 Modèle 2 : Logit P = α1+ β1x + β2x + β3x +... ou Logit ( P ) = α1+ β1x + β2lnx +... ou Comparaison des modèles 1 et 2 par le rapport de leurs vraisemblances Test de β 2 = β 3 = = 0 Si non nuls ce n est pas linéaire, il faut donc les inclure
41 Codage des Variables Quantitatives (3) Méthode 2 Modèle 1 : ( ) Logit P = α + βx Transformer X en (k-1) variables qualitative X binaires Modèle 2 : ( ) Logit P = α k 1 + i= 1 β X Le Modèle 2 peut donner des idées des regroupements en classe à réaliser i ' i
42 Test d Adéquation du Modèle Adéquation : capacité à bien représenter les données Soit les variables Y : malade / non malade, X 1, X 2, X 3, Pour le sujet i Observation : y i = 0 ou y i = 1 + Modèle logistique : yˆ = P M X,..., X = ( 1 ) i k k 1 1+ exp α + i= 1 β X i i Comparer ce qui est prédit par le modèle à ce qui est observé sur l échantillon ~ χ 2 de comparaison d une distribution observée à une distribution théorique Test de Hosmer-Lemeshow
43 Choix du Modèle (1) Choix des variables Choix du codage Choix des interactions Imposées par les connaissances (variables «forcées») Procédure de sélection basée sur des critères statistiques Pas à pas ascendante Pas à pas descendante
44 Choix du Modèle (2) Procédure pas à pas ascendante Débuter par le modèle vide, ou par le modèle ne contenant que les variables non soumises à un test Sélectionner la variable X k ne faisant pas partie du modèle la plus liée statistiquement avec Y Continuer à partir du nouveau modèle en sélectionnant la variable X p ne faisant pas partie du nouveau modèle la plus liée statistiquement avec Y Arrêt lorsque aucune variable ne peux entrer dans le nouveau modèle Critères inclusion Rapport de vraisemblance Test de Wald Ajout si modification significative au seuil 5%, ou autre
45 Choix du Modèle (3) Procédure pas à pas descendante Débuter par le modèle contenant toutes les variables, ainsi que les éventuelles interactions Éliminer la variable X k faisant partie du modèle la moins liée statistiquement avec Y Continuer à partir du nouveau modèle en éliminant la variable X p faisant partie du nouveau modèle la moins liée statistiquement avec Y Arrêt lorsque aucune variable ne peux sortir du nouveau modèle Critères d exclusion Rapport de vraisemblance Test de Wald Élimination si modification non significative au seuil 5%, ou autre
46 Principales Étapes de l Analyse Contrôle de la qualité des informations recueillies Avec contrôle de la cohérence des observations par rapport à la question posée, au protocole et aux connaissances sur la question posée Analyses statistiques Étude des liens bruts entre les facteurs potentiellement explicatifs et le facteur à expliquer Étude des liens ajustés entre un facteur potentiellement explicatif et le facteur à expliquer Analyses multivariées plus détaillées Interprétation des résultats
47 Sources Bouyer J, Hémon D, Cordier S, Derriennic F, Stücker I, Stengel B, Clavel J. Épidémiologie : Principes et méthodes quantitatives. INSERM, Paris. Whitehead J. An Introduction to Logistic Regression
«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 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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en 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 détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
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 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 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 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 détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
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 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 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 détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
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 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 détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en 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 détailAnalyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)
Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 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 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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 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 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 détailDocteur José LABARERE
UE7 - Santé Société Humanité Risques sanitaires Chapitre 3 : Epidémiologie étiologique Docteur José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
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 détailHEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE
HEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE Par Fatoumata A dite Woybi Touré 11135079 Science de la gestion (Ingénierie financière) Projet supervisé présenté en vue de
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 détailUne étude de différentes analyses réalisées par le BIT
Association internationale de la sécurité sociale Quinzième Conférence internationale des actuaires et statisticiens de la sécurité sociale Helsinki, Finlande, 23-25 mai 2007 Comparaison des hypothèses
Plus en détailMortalité observée et mortalité attendue au cours de la vague de chaleur de juillet 2006 en France métropolitaine
Mortalité observée et mortalité attendue au cours de la vague de chaleur de uillet en France métropolitaine FOUILLET A 1, REY G 1, JOUGLA E, HÉMON D 1 1 Inserm, U75, Villeuif, France. Inserm CépiDc, IFR9,
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 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 détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en 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 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 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 détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailDÉVERSEMENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYMÉTRIQUE SOUMISE À DES MOMENTS D EXTRÉMITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE
Revue Construction étallique Référence DÉVERSEENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYÉTRIQUE SOUISE À DES OENTS D EXTRÉITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE par Y. GALÉA 1 1. INTRODUCTION Que 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 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 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 détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
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 détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
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 détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
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 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 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 détailL indice de SEN, outil de mesure de l équité des systèmes éducatifs. Une comparaison à l échelle européenne
L indice de SEN, outil de mesure de l équité des systèmes éducatifs. Une comparaison à l échelle européenne Sophie Morlaix To cite this version: Sophie Morlaix. L indice de SEN, outil de mesure de l équité
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
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 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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 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 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- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
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 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 détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
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 détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
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 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 détailRégression logistique. Benoit Crabbé
Plan 1 Modèles linéaires généralisés 2 multinomiale 3 Modèles à effets aléatoires 4 Predicting the dative alternation Modèle A (les variables corrélées) Modèle A (variabilité des sujets) Modèle B (variabilité
Plus en détailLa conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA)
La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) I. L'intérêt de la conversion de données, problèmes et définitions associés. I.1. Définitions:
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 détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
Plus en détail5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com
Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailLa fumée de tabac secondaire (FTS) en Mauricie et au Centre-du- Québec, indicateurs du plan commun tirés de l ESCC de 2007-2008
La fumée de tabac secondaire (FTS) en Mauricie et au Centre-du- Québec, indicateurs du plan commun tirés de l ESCC de 2007-2008 Ce document se veut une analyse succincte des indicateurs se rapportant à
Plus en détailRETOUR D EXPÉRIENCE SUR LA CANICULE DE JUILLET 2006
RETOUR D EXPÉRIENCE SUR LA CANICULE DE JUILLET 2006 A. Fouillet 1, G. Rey 1,2, P. Bessemoulin 3, P. Frayssinet 3, E. Jougla 2, D. Hémon 1 (1) Inserm U4 IFR6 Epidémiologie environnementale des cancers,
Plus en détailTableau récapitulatif de l analyse fréquentielle
Tableau récapitulatif de l analyse fréquentielle Très Plutôt Quelque Ni Quelque Plutôt Très TOTAL peu ni peu 1. L utilité du d inclure le contexte dans la note de stratégie 4% 4% 4% 8% 64% 16% 100% 2.
Plus en détail