Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique
|
|
- Pierre-Yves Gamache
- il y a 8 ans
- Total affichages :
Transcription
1 Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr Faculté de Médecine Université de la Méditerranée 1
2 plan 1. Principe du contrôle statistique 1.1 Introduction 1.2 Définition 2. Qu est-ce qu une carte de contrôle? 2.1 Fluctuations d échantillonnage 2.2 Construction d une carte de contrôle 3. s des paramètres des cartes de contrôle 4. et utilisation des cartes de contrôles 4.1 Séquences ou «runs» 4.2 Durée moyenne de séquences ou «Average Length Run» 4.3 Compléments 4.4 Quand changer le processus «act» 2
3 1.1 Introduction Check Contrôle Statistique Principe du Contrôle Statistique recueil et analyse d indicateurs Introduction Définition Statistical control process Principe Shewhart ~1920 (pour l industrie) Check Caractériser un processus échantillons de produits de ce processus distributions, paramètres des lois estimation et prédiction fluctuations d échantillonnages lois statistiques 3
4 1.2 Définitions Contrôle Statistique Introduction Définition Principe du Contrôle Statistique Statistical control process Un processus qui varie uniquement de façon aléatoire (fluctuations d échantillonnage) est dit sous contrôle statistique. Un processus qui varie pour des causes identifiables (non aléatoires) est dit hors contrôle statistique. régulation de ces causes pour retrouver des fluctuations aléatoires du processus. NB: la variation d un processus est identifié par la variation de l indicateur qui le caractérise 4
5 Qu est-ce qu une carte de contrôle? Control Chart 2.1 Fluctuation d échantillonnage Exemple: Production de comprimés poids X des cp, X~>N (µ=63mg; σ=0,01 mg) 1 ère étude: tirage au sort de 1 cp tous les jours pendant 1 an distribution des valeurs des poids de chaque comprimé X~>N (µ=63mg; σ=0,01 mg) 2 ème étude: tirage au sort d échantillons de 5 cp Fluctuation d échantillonnage Construction d une carte de contrôle >cp<-read.csv2("c:\\eisis\\opt14\\poids_cp.csv",header=true) >attach(cp) distribution des moyennes des poids de chaque échantillon σ ~>N (µ=63mg; mg) X 5 = 0,005 5
6 >hist(poids,breaks=15,freq=true,xlim=c(62.9 6,63.04),ylim=c(0,90),col="blue",main="poid s des comprimés, n=1") Fluctuation d échantillonnage Construction d une carte de contrôle -3σ +3σ j1 j2... j365 x 1 =63,012 mg n 1 =1 x 2 =62,992 mg n 2 =1 x 365 =63,036 mg n 365 =1 6
7 >hist(moyenne5,breaks=15,freq=true,xlim=c( 62.96,63.04),ylim=c(0,90),col="cyan",main= "moyenne des poids des comprimés, n=5") Fluctuation d échantillonnage Construction d une carte de contrôle 3 σ σ 5 j1 j2... j365 m 1 =63,01 mg s 1 = mg n 1 =5 m 365 =63,003 mg s 365 = mg n 365 =5 m 2 =62,997 mg s 2 = mg n 2 =5 7
8 >hist(mod_moyenne5,breaks=15,freq=true,xli m=c(62.96,63.04),ylim=c(0,90),col="red",ma in="moyenne des poids des comprimés, n=5",add=true) Fluctuation d échantillonnage Construction d une carte de contrôle 63 mg 63,03 mg Si modification de la machine de fabrication (usure...) comprimés plus lourds en moyenne La plupart des échantillons au-delà de la limite supérieur (seuil d alerte) ALEATOIRE cause? NON ALEATOIRE 8
9 Fluctuation d échantillonnage Construction d une carte de contrôle 2.2 Construction d une m sous contrôle stat. cause hors contrôle stat. + 3 σ σ 5 éch. 9
10 Fluctuation d échantillonnage Construction d une carte de contrôle Hypothèses de travail: - Distribution de l indicateur étudié: poids des comprimé ~>N (µ=63mg; σ=0,01 mg) - Processus de fabrication sous contrôle statistique lors de la construction de la carte. Choix des limites: µ Intervalle de fluctuation à 99,73% ± 3σ n Si le processus est sous contrôle, on n observera des échantillons extrêmes (moyennes observées très petites ou très grandes) que dans α=0,27% des cas autre choix µ Intervalle de fluctuation à 95% ±1,96 σ n 10
11 Fluctuation d échantillonnage Construction d une carte de contrôle Tests statistiques: Placer une moyenne observée sur une carte de contrôle = test de comparaison d une moyenne observée à une moyenne théorique Risque α dépend des limites de la carte de contrôle. Application clinique: Industrie processus a priori contrôlé («entrées» maîtrisé) voir UE MET2 Clinique grande variabilité des individus («entrées» non maîtrisable) (décès de patients malgré des soins optimaux, survie de patients malgré des soins de qualité médiocre...) 11
12 Fluctuation d échantillonnage Construction d une carte de contrôle entrées maîtrisées Processus Industriel Variabilité du processus reflet de la qualité du processus Variabilité mesurée Processus Clinique reflet de la qualité du processus et des entrées entrées non maîtrisées Variabilité du processus Variabilité mesurée 12
13 des paramètres des CC 3.1 Principe de l estimation Initialement: État du processus inconnu s Exemple réduire la variabilité jusqu à un état de référence acceptable Échantillonnage: ~20 à 25 échantillons de 5 observations conditions d échantillonnages notées (ex. t, matériel utilisé, identité...) 13
14 s Exemple s: pour k échantillons de même taille n de la moyenne m i moyenne de l échantillon i de l écart-type s i écart-type de l échantillon i c 4 paramètre issue d une loi gamma pour n>25, 4n 4 c4 4 n 3 Limites de contrôle Placer chaque observation sur la carte Supprimer les observations extrêmes Recommencer l estimation Jusqu à obtenir un processus stable tables ˆµ k i= = 1 ˆ σ = k m 4 i k si i= 1 kc ˆ σ ˆ µ ± 3 n causes? modifiable 14
15 s Exemple 3.2 Exemple délai d attente de la prise en charge de patient, en ambulatoire. 20 échantillons, 1 par jour de semaine, pendant 4 semaines, de 30 individus chacun, >at<-read.csv2("c:\\eisis\\opt14\\attente.csv",header=true) >attach(at) >mean(delai[ech==1]) >sd(delai[ech==1])... 15
16 s Exemple >boxplot(delai~ech,xlab="échantillo n", ylab="délai d attente") 16
17 logiciel R: package qcc s Exemple Construction d un tableau avec les échantillons en lignes et les sujets en colonnes >delai<- qcc.groups(delai, ech) >fix(delai) colonnes lignes 17
18 s Exemple >qcc(delai,type="xbar",size=30,std.dev="mvlue-sd",nsigmas=3) données fonction control chart limites de contrôle type: moyenne méthode d estimation de l écart-type 10 j 15 j effectif des échantillons 5 j Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. Max Group sample size: 30 Number of groups: 20 Center of group statistics: Standard deviation: Control limits: LCL UCL µˆ σˆ 18
19 s Exemple >delai2<-delai[-5,] >delai3<-delai2[-9] (10ème jour) >delai4<-delai3[-13] (15ème jour) >qcc(delai4,type="xbar", size=30,std.dev="mvlue- SD",nsigmas=3) 20 j 19
20 s Exemple >qcc(delai4[1:16,],type="x bar",size=30,std.dev="mvlu E-SD",nsigmas=3) Processus sous contrôle statistique la CC est prête à être utilisée µˆ σˆ 20
21 s Exemple Valeurs extrêmes: Jours 5, 10, 15, 20: les vendredis, délais d attentes plus long, afflux de patients pour des surveillances particulières (ECG) Action: mieux organiser le calendrier des surveillances particulière. 21
22 Runs ALR Compléments Act 4.1 Séquences Carte de contrôle construite utilisée pour monitorage Objectif: reconnaître rapidement et de façon objective si le processus devient hors contrôle statistique. Repérage de phénomènes hors limites, dans les limites: séquences particulières ou runs séries de valeurs présentant les mêmes caractéristiques, non réparties aléatoirement autour de la valeur centrale. 22
23 Runs ALR Compléments Act voir CC temporelle 23
24 Runs ALR Compléments Act 4.2 Durée moyenne de séquences Average Length Run Rappel: un processus est sous contrôle aussi longtemps que les valeurs restent entre les limites probabilité d observer une valeur extrême: α (" perte contrôle"/ sous contrôle) = p( rejet H 0 / H vraie) = α p 0 un processus devient hors contrôle si les valeurs sortent des limites probabilité de ne pas détecter la perte de contrôle: β (" sous contrôle"/ hors contrôle) = p( non rejet H 0 / H fausse) = β p 0 24
25 Runs ALR Compléments Act Question 1: Quel est le «délai» moyen entre la perte de contrôle et sa détection? perte de contrôle? détection 25
26 Runs ALR Compléments Act Quel est le délai moyen entre la perte de contrôle et sa détection? Après la perte de contrôle probabilité que le 1 er échantillon la détecte: 1-β probabilité que le 1 er ne la détecte pas ET le 2 ème la détecte: β (1-β) probabilité que seul le 3 ème la détecte: β β (1-β) probabilité que seul le k ème échantillon détecte la perte de contrôle: β (k-1) (1-β) 1 En moyenne, il faut ALR 1 β = échantillons 1 β avant de détecter une perte de contrôle UE MET2 puissance et NSN loi Gamma 26
27 Question 2: Contrôle Statistique Pour un processus sous contrôle, quel est le délai moyen avant d observer une valeur hors limites?? Runs ALR Compléments Act valeur extrême / contrôle 27
28 Runs ALR Compléments Act Pour un processus sous contrôle, quel est le délai moyen avant d observer une valeur hors limites? Processus sous contrôle probabilité que le 1 er échantillon soit hors limites: α probabilité que le 1 er soit dans le limites ET le 2 ème hors limites: (1-α) α probabilité que seul le 3 ème soit hors limites: (1-α) (1-α) α probabilité que seul le k ème échantillon soit hors limites (à tord): (1-α) (k-1) α loi Gamma 1 En moyenne, il faut ALRα = échantillons avant d observer α une valeur hors limites, alors que le processus est sous contrôle 28
29 Runs ALR Compléments Act En pratique: pour une puissance de 80% β=0,20 Si le processus est hors contrôle, on peut s attendre à le détecter en moyenne au 1 er échantillon pour des limites de contrôle ± 3σ α=0,0027 Si le processus est sous contrôle, on peut s attendre à observer une valeur hors limites en moyenne au 370 ème échantillon ALR 1 = 1 β 1 β = 1,25 1 = 370,37 = α ALR α 29
30 Runs ALR Compléments Act 4.3 Outils complémentaires Check list: noter systématiquement les problèmes survenus au cours du monitorage nombres d erreurs par types de problèmes Diagramme de V. Pareto ( 1923) / J. Juran ( 2008) 20% des causes produisent 80% des effets diagramme bâton ordonné par ordre de fréquences décroissantes + probabilités cumulées 30
31 Runs ALR Compléments Act Exemple: étude du délai d attente Check list 10 causes d attentes cardiologie, urgence, cancérologie, atopie, odontologie... pour chaque cause, recherche de patients avec une attente hors limite >at<-read.csv2("c:\\eisis\\opt14\\paret.csv",header=true) >attach(paret) >names(erreurs)<-causes 31
32 Runs ALR Compléments Act >pareto.chart(erreurs, ylab="errors frequency",col=rainbow(length(erreurs))) variable étudiée Pareto chart analysis for erreurs Frequency Cum.Freq. Percentage nom Cum.Percent. de l axe y CARD PSY fonction diagramme NUT. de pareto GER ATOP CANC DIAB SUIT URG ODO un peu de couleurs!! 20% causes 80% effets 32
33 Runs ALR Compléments Act 4.4 Quand est-il approprié de modifier un processus? Processus change à modifier On ne peut modifier qu un processus stabilisé (sous contrôle) même s il n est pas satisfaisant. Si on modifie un processus hors contrôle, pas de vérification de l efficacité de la modification non attendre Processus sous contrôle? non modifier oui satisfaisant? oui surveiller 33
34 Runs ALR Compléments Act Exemples Processus sous contrôle Processus sous contrôle Processus hors contrôle ATTENDRE Processus sous contrôle, non satisfaisant CORRIGER 34
35 Un livre de référence: Winckel P, Zhang NF Statistical Development of Quality in Medicine eds. Wiley, Statistics in Practice 35
La survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en 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 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 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 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 détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
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 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 détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
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 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 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 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 détailPLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
Plus en détailLe suivi de la qualité. Méthode MSP : généralités
Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois
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 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 détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
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 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 détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
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 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 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 détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
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 détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en 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 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 détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
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. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
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 détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
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 détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailEVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO
EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO Auteur Baguinébié Bazongo 1 Ingénieur Statisticien Economiste Chef de l Unité de recherche à l Institut national
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailStrasbourg. De la statistique. aux probabilités. en lycée. De la statistique. aux probabilités. en lycée. Octobre 2006
Institut de recherche sur l'enseignement des mathématiques IREM De la statistique De la statistique aux probabilités aux probabilités en lycée en lycée Octobre 6 UFR de mathématique et d'informatique 7
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 détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
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 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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en 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 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 détailMATHÉMATIQUES. Mat-4104
MATHÉMATIQUES Pré-test D Mat-404 Questionnaire e pas écrire sur le questionnaire Préparé par : M. GHELLACHE Mai 009 Questionnaire Page / 0 Exercice ) En justifiant votre réponse, dites quel type d étude
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 détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
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 détailÉvaluations aléatoires : Comment tirer au sort?
Évaluations aléatoires : Comment tirer au sort? William Parienté Université Catholique de Louvain J-PAL Europe povertyactionlab.org Plan de la semaine 1. Pourquoi évaluer? 2. Comment mesurer l impact?
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en 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 détailEstelle Marcault 06/02/2015 URC PARIS NORD 1
Estelle Marcault 06/02/2015 URC PARIS NORD 1 Définition du Monitoring Garantie que la conduite de l essai clinique, les enregistrements et les rapports sont réalisés conformément : Au protocole Aux Procédures
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en 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 détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailLe Data WareHouse à l INAMI Exploitation des données
www.coopami.org Le Data WareHouse à l INAMI Exploitation des données TUNIS 17 décembre 2013 Michel Vigneul Conseiller Actuaire PLAN de l exposé : Partie 1 : Contexte général du système de remboursement
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en 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 détailRédiger et administrer un questionnaire
Rédiger et administrer un questionnaire Ce document constitue une adaptation, en traduction libre, de deux brochures distinctes : l une produite par l American Statistical Association (Designing a Questionnaire),
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 détailObjectifs pédagogiques Lecture critique d article
Objectifs pédagogiques Lecture critique d article groupe V Evaluer les applications cliniques Evaluer les applications cliniques 21 ) Discuter la ou les décisions médicales auxquelles peuvent conduire
Plus en détailSPHINX Logiciel de dépouillement d enquêtes
SPHINX Logiciel de dépouillement d enquêtes sphinx50frversion4.doc 1 Les trois stades du SPHINX sont ceux que comporte habituellement toute enquête d opinion: Elaboration du questionnaire (fiche outil
Plus en détailObservatoire Economique et Statistique d Afrique Subsaharienne
Observatoire Economique et Statistique d Afrique Subsaharienne Termes de référence pour le recrutement de quatre (4) consultants dans le cadre du Projet «Modules d initiation à la statistique à l attention
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailLe chi carré. Le sommaire. Approche quantitative
Approche quantitative Le chi carré Les objectifs pédagogiques Définir le test du chi carré Déterminer la nature des données propres au chi carré Savoir calculer le chi carré Savoir déterminer les fréquences
Plus en détailParcours du patient cardiaque
Parcours du patient cardiaque Une analyse HAS à partir de la base QualHAS, des Indicateurs Pour l Amélioration de la Qualité & Sécurité des Soins (IPAQSS)- Infarctus du myocarde Linda Banaei-Bouchareb,
Plus en détailAssurance maladie publique et «Opting out» - Réflexions théoriques
Assurance maladie publique et «Opting out» - Réflexions théoriques Carine Franc CREGAS INSERM - U 537 Une définition de «l opting out» «to opt out» : choisir de ne pas participer ; [hopital, school] choisir
Plus en détailLA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001
LA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001 I/ HISTORIQUE DE LA QUALITE La qualité est un souci permanent de l homme depuis longtemps. Jusqu au XIX ème siècle, c est l ère artisanale
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 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 détailTransmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailPRADO, le programme de retour à domicile. Insuffisance cardiaque
PRADO, le programme de retour à domicile Insuffisance cardiaque Acteurs locaux CPAM/ELSM de Couverture Enjeux et objectifs du programme Répondre à une volonté croissante des patients Adapter et renforcer
Plus en détailQuestionnaire de vérification pour l implantation de la norme ISO 14001 dans une entreprise
Questionnaire de vérification pour l implantation de la norme ISO 14001 dans une entreprise Questionnaire de vérification pour l implantation de la norme ISO 14001 dans une entreprise La politique environnementale
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 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 détailFD/YMC N 1-5961 Contacts IFOP : Frédéric Dabi / Yves-Marie Cann POUR
FD/YMC N 1-5961 Contacts IFOP : Frédéric Dabi / Yves-Marie Cann POUR Enquête sur la responsabilité sociale du scientifique Résultats détaillés Février 2007 Annexes La publication des données qui fondent
Plus en détailCREODEV technical auditors of international projects training session 2013
CREODEV technical auditors of international projects training session 2013 Qu est ce qu un audit de projet CREODEV? AUDIT : Donner une opinion sur le résultat atteint suite à la mise en œuvre d un projet.
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailRépartition des coûts du compte de pass-on par catégorie de consommateurs
Répartition des coûts du compte de pass-on par catégorie de consommateurs Coûts et caractéristiques de la consommation Plan de travail 1. Retour sur le suivi de la rencontre du 17 mai 1.1 Illustration
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 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 détailL efficience énergétique...
......Une technique intelligente de régulation au service Edgar Mayer Product Manager CentraLine c/o Honeywell GmbH 02 I 2009 Grâce aux techniques de régulation intelligentes d aujourd hui, il est possible
Plus en détailCurrent challenges for Audit Authorities and Groups of Auditors in ETC and IPA programmes and perspectives for the future
Current challenges for Audit Authorities and Groups of Auditors in ETC and IPA programmes and perspectives for the future Session 3.1 Sampling method Expérience de l Autorité d audit dans le programme
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
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 détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détail