Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique"

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 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

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Les Cartes de Contrôle (suite)

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Les Cartes de Contrôle (suite) Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Les Cartes de Contrôle (suite) Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale

Plus en détail

Statistiques industrielles Management de la production et de la qualité

Statistiques industrielles Management de la production et de la qualité Statistiques industrielles Management de la production et de la qualité Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 9 novembre 2015 Francois.Kauffmann@unicaen.fr UCBN MSP 9 novembre

Plus en détail

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

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

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 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 détail

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE

Tests 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 détail

Cartes de contrôle aux mesures

Cartes de contrôle aux mesures Cartes de contrôle aux mesures 1 Une introduction à la maîtrise statistique des processus Deux objets ne sont jamais rigoureusement identiques. Quelles que soient les techniques utilisées pour fabriquer

Plus en détail

CONTRÔLE DE LA QUALITE ANALYTIQUE AU LABO. Août 2009 Hilde De Boeck

CONTRÔLE DE LA QUALITE ANALYTIQUE AU LABO. Août 2009 Hilde De Boeck CONTRÔLE DE LA QUALITE ANALYTIQUE AU LABO Août 2009 Hilde De Boeck SOMMAIRE 1. Introduction 2. Mise en œuvre d un CQI 3. Préparation d un échantillon CQI 4. Calcule des valeurs cibles 5. Réalisation du

Plus en détail

Licence Pro Amélioration Végétale

Licence Pro Amélioration Végétale Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des

Plus en détail

Le suivi de la qualité. Méthode MSP : généralités

Le 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 détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Les statistiques descriptives et les intervalles de confiance

Les statistiques descriptives et les intervalles de confiance Les statistiques et les intervalles de Yohann.Foucher@univ-nantes.fr Equipe d Accueil 4275 "Biostatistique, recherche clinique et mesures subjectives en santé", Université de Nantes Master 2 - Cours #2

Plus en détail

Tests 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» 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 détail

ANALYSE de CAPACITÉ d'un PROCESSUS

ANALYSE de CAPACITÉ d'un PROCESSUS ANALYSE de CAPACITÉ d'un PROCESSUS ( aptitude d'un processus à satisfaire des exigences / spécifications) Définition Limites "naturelles" de variabilité Distinction entre 3 sortes de limites Étapes pour

Plus en détail

Introduction à l approche bootstrap

Introduction 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 détail

Lot Quality Assurance Sampling. Elise Naoufal EVARISQ 15 septembre 2011

Lot Quality Assurance Sampling. Elise Naoufal EVARISQ 15 septembre 2011 Lot Quality Assurance Sampling LQAS Elise Naoufal EVARISQ 15 septembre 2011 1 LQAS Une question d efficacité? LQAS et santé Méthode et Fondements théoriques Détermination du couple (n,d n,d) Conclusion

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

LA MÉTHODE S.P.C. (STATISTICAL PROCESS CONTROL)

LA MÉTHODE S.P.C. (STATISTICAL PROCESS CONTROL) 1GM Sciences et Techniques Industrielles Page 1 sur 5 Productique - Cours Génie Mécanique Première LA MÉTHODE S.P.C. (STATISTICAL PROCESS CONTROL) Née aux USA, la méthode S. P. C. est traduite le plus

Plus en détail

Evaluation d un test diagnostique - Concordance

Evaluation d un test diagnostique - Concordance Evaluation d un test diagnostique - Concordance Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Introduction 2 Evaluation

Plus en détail

Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014

Statistiques 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 détail

Principe d un test statistique

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 détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

Plan II-1. Généralités II-1-1. Définitions et principes II-1-2. Mise en place

Plan II-1. Généralités II-1-1. Définitions et principes II-1-2. Mise en place SPC 1 Plan II-1. Généralités II-1-1. Définitions et principes II-1-2. Mise en place II-2-1. Définitions II-1-2. Capabilité machine et capabilité procédé II-2-3. Ppm 2 II-1. GénéralitG ralités Définitions

Plus en détail

Méthodes du contrôle (maîtrise) statistique de la qualité

Méthodes du contrôle (maîtrise) statistique de la qualité MTH 231 Méthodes statistiques maîtrise statistique des processus : SPC Méthodes du contrôle (maîtrise) statistique de la qualité SPC 1 Méthodes statistiques de la qualité : Statistical Quality Control

Plus en détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

Compléments de statistiques

Compléments de statistiques 2 e cycle EM2 & 3 LCA Complément de statistique. Compléments de statistiques Analyse de données de survie Analyse univariée D. Neveu compléments statistiques EM2 EM3 : 2006-2007 2 Objectifs pédagogiques

Plus en détail

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques.

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques. L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques 1 BUTS DU COURS : se familiariser avec le vocabulaire statistique o variable dépendante, variable indépendante o statistique descriptive,

Plus en détail

Révision de statistiques

Révision de statistiques IUP SID M1 UPS TOULOUSE Maîtrise statistique des procédés 2005/2006 Révision de statistiques Exercice 1 Révisions sur la lecture de tables. 1. Soit U une v.a. normale centrée réduite. Calculer P(U < 2),

Plus en détail

INTRODUCTION A LA RECHERCHE QUANTITATIVE

INTRODUCTION A LA RECHERCHE QUANTITATIVE INTRODUCTION A LA RECHERCHE QUANTITATIVE Deuxième partie : de la base de données aux résultats Juin 2010 Julien Gelly, Caroline Huas, Josselin Le Bel Plan 2 1. Introduction 2. Saisie des données : Epi

Plus en détail

Statistique : Résumé de cours et méthodes

Statistique : 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 détail

L essentiel sur les tests statistiques

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

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 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 détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE 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 détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 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 détail

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

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

Plus en détail

TECHNIQUES STATISTIQUES

TECHNIQUES STATISTIQUES TECHNIQUES STATISTIQUES, enseignant à l'institut d'administration des Entreprises, Université Nancy 2 SOMMAIRE 1. Introduction 3 2. Contrôle statistique des lots 3 2.1 Champ d'application 3 2.2 Niveau

Plus en détail

ECHANTILLONNAGES Fiche de repérage

ECHANTILLONNAGES Fiche de repérage M Objectifs pédagogiques généraux : Fiche de repérage Type : Activité d approche de la notion de fluctuation d échantillonnage et d intervalle de confiance à travers quelques simulations. Niveau : Lycée

Plus en détail

Statistique Descriptive I (M1102)

Statistique Descriptive I (M1102) Illustration du cours de Statistique Descriptive I (M1102) Année scolaire 2013/2014 Université de Perpignan Via Domitia, IUT STatistique et Informatique Décisionnelle (STID) Table des matières 1 Généralités

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

Statistique II Inférence pour une et deux variables Introduction

Statistique II Inférence pour une et deux variables Introduction Faculté de psychologie Statistique II Inférence pour une et deux variables Introduction Support à l exposé oral Titulaire Bernadette Govaerts ISBA, LSBA et SMCS UCLouvain 28/08/15 P 1 28/08/15 P 2 Statistique

Plus en détail

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION 11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION Dans cette étude de cas nous nous retrouvons face à des données dont la variabilité court terme est très différente de celle à long terme. Les cartes de contrôle

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

T. D. n o 3 Analyse de données quantitatives avec le logiciel R

T. D. n o 3 Analyse de données quantitatives avec le logiciel R T. D. n o 3 Analyse de données quantitatives avec le logiciel R 1 Rappel de quelques fonctions statistiques sous R Fonction summary() cumsum() sum() mean() max() min() range() median() var() sd() Description

Plus en détail

Bernard Bordonado Motorola Semiconducteurs

Bernard Bordonado Motorola Semiconducteurs LabVIEW et l automatisation de mesures de circuits intégrés RF pour applications automobiles Bernard Bordonado Motorola Semiconducteurs Page 1 Plan de la présentation Introduction Circuits intégrés RF

Plus en détail

1 Un objet aléatoire de base : le dé

1 Un objet aléatoire de base : le dé Dans le monde des statistiques, il est bien évident qu on ne fait plus aucun calcul à la main. Si nous le faisons en cours de mathématiques, c est pour mieux comprendre ce que font les divers logiciels

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli.

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli. 1 ère - 3 Chap.9 : Loi binomiale. Échantillonnage. 1 ère - Chapitre 9 : LOI BINOMIALE. ÉCHANTILLONNAGE. Textes officiels (30 septembre 2010) : CONTENU CAPACITÉ ATTENDUE COMMENTAIRE Probabilités Épreuve

Plus en détail

Analyses dans les essais thérapeutiques :

Analyses dans les essais thérapeutiques : 6ème Université d été Recherche et Evaluation en Cancérologie Analyses dans les essais thérapeutiques : analyses intermédiaires, finale et cross-over. M. Bouziani (Oran) 1 Laboratoire de biostatistique

Plus en détail

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 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 détail

5 à 7 du 24 février 2009

5 à 7 du 24 février 2009 Lean Six Sigma 5 à 7 du 24 février 2009 L ambition de la simplification Pour passer de A Utilisation de deux méthodes complémentaires : Lean et 6 Sigma, utilisées par des entreprises industrielles et de

Plus en détail

A quoi vont-elles servir?

A quoi vont-elles servir? A quoi vont-elles servir? Décrire Distribution Position : moyenne, mode, médiane, (ordre de grandeur) Résumer paramètres et graphes Forme (symétrie, tendance ) Dispersion : écart-type, variance, quantiles,

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. 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 détail

Maîtrise Statistique des Procédés (MSP) Statistical Process Control (SPC)

Maîtrise Statistique des Procédés (MSP) Statistical Process Control (SPC) Maîtrise Statistique des Procédés (MSP) Statistical Process Control (SPC) Plan Qu est-ce que la qualité? Qu est-ce que la MSP/le SPC? Variabilité Loi Normale Cartes de contrôle Capabilités Application

Plus en détail

ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN

ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN Pôle Informatique de Recherche et d Enseignement en Histoire ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN A. PREMIER PAS 1. INTEGRATION DU TABLEAU

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse 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 détail

Planification d'essais randomisés séquentiels ayant comme critère de jugement un délai de survie à l'aide de la fonction plansurvct.

Planification d'essais randomisés séquentiels ayant comme critère de jugement un délai de survie à l'aide de la fonction plansurvct. 1 eres Rencontres R Bordeaux 2-3 Juillet 2012 Planification d'essais randomisés séquentiels ayant comme critère de jugement un délai de survie à l'aide de la fonction plansurvct.func J.Gal 1, A.Kramar

Plus en détail

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

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

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Exploitation 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. 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 détail

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

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

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Plan du cours. 1. Généralités sur l analyse chimique. 2. Préparation de l échantillon. 3. Analyse des métaux. 4. Analyse des polluants inorganiques

Plan du cours. 1. Généralités sur l analyse chimique. 2. Préparation de l échantillon. 3. Analyse des métaux. 4. Analyse des polluants inorganiques Plan du cours 1. Généralités sur l analyse chimique 2. Préparation de l échantillon 3. Analyse des métaux 4. Analyse des polluants inorganiques 5. Analyse des polluants organiques 6. Assurance qualité

Plus en détail

Entrer par les problèmes en probabilités et en statistique. Équipe Académique Mathématiques - 2009

Entrer par les problèmes en probabilités et en statistique. Équipe Académique Mathématiques - 2009 Entrer par les problèmes en probabilités et en statistique Équipe Académique Mathématiques - 2009 Quelle valeur ajoutée peut-on espérer d une entrée par les problèmes en probabilités? Donner du sens aux

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Utilisation du logiciel Unity Real Time 2 dans le contexte de la norme EN ISO 15189

Utilisation du logiciel Unity Real Time 2 dans le contexte de la norme EN ISO 15189 35 Utilisation du logiciel Unity Real Time 2 dans le contexte de la norme EN ISO 15189 Prérequis & public concerné Connaissances de l environnement Windows Connaissances de base sur la démarche qualité

Plus en détail

CSQ_MSP. Contrôle Statistique de la Qualité :CSQ. Maîtrise Statistique du Procédé :MSP. Fixer un plan de contrôle. Définir l échantillonnage

CSQ_MSP. Contrôle Statistique de la Qualité :CSQ. Maîtrise Statistique du Procédé :MSP. Fixer un plan de contrôle. Définir l échantillonnage CSQ_MSP Contrôle Statistique de la Qualité :CSQ Fixer un plan de contrôle Définir l échantillonnage Tracer les cartes de contrôle Étudier la variance et l améliorer Maîtrise Statistique du Procédé :MSP

Plus en détail

GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE

GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE Département Universitaire de Recherche et d Enseignement en Médecine Générale GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE Enseignants : Esther GUERY, Julien LE BRETON, Emilie FERRAT, Jacques

Plus en détail

Docteur José LABARERE

Docteur 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 détail

Objectif Conditions de recueil des données Mode de présentation des IQSS par ES

Objectif Conditions de recueil des données Mode de présentation des IQSS par ES Guide méthodologique de production des résultats comparatifs des indicateurs de qualité et de sécurité des soins sur la plateforme QUALHAS - Campagne nationale IPAQSS 2013 Juin 2013 Objectif Conditions

Plus en détail

ANALYSE de CAPACITÉ : processus fabrication

ANALYSE de CAPACITÉ : processus fabrication ANALYSE de CAPACITÉ : processus fabrication aptitude d'un processus à satisfaire des exigences / spécifications Définition Limites "naturelles" de variabilité Distinction entre 3 sortes de limites Étapes

Plus en détail

Estimation. Anita Burgun

Estimation. Anita Burgun Estimation Anita Burgun Estimation Anita Burgun Contenu du cours Sondages Mesures statistiques sur un échantillon Estimateurs Problème posé Le problème posé en statistique: On s intéresse à une population

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

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

Plus en détail

Prévision de la demande

Prévision de la demande But : Pour prendre des décisions relatives à la structure et au fonctionnement opérationnel de tout système logistique; il faut s appuyer sur un système de prévision fiable. Concerne le long, moyen et

Plus en détail

4.5.3. Positionnement par rapport à l évolution dans le temps de deux valeurs d un ES :... 13

4.5.3. Positionnement par rapport à l évolution dans le temps de deux valeurs d un ES :... 13 Guide méthodologique de production des résultats comparatifs des indicateurs de qualité et de sécurité des soins sur la plateforme QUALHAS - Campagne nationale IPAQSS 2013 1. OBJECTIF :... 3 2. CONDITIONS

Plus en détail

STATISTIQUES À UNE VARIABLE

STATISTIQUES À UNE VARIABLE STATISTIQUES À UNE VARIABLE Table des matières I Méthodes de représentation 2 I.1 Vocabulaire.............................................. 2 I.2 Tableaux...............................................

Plus en détail

Séries Statistiques Simples

Séries 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 détail

Quelques notions de base de statistiques appliquées. à la biologie

Quelques notions de base de statistiques appliquées. à la biologie Quelques notions de base de statistiques appliquées à la biologie Etienne Roux Master Biologie cellulaire et physiopathologie UE initiation à la communication scientifique Laboratoire de Physiologie Cellulaire

Plus en détail

Statistiques industrielles Management de la production et de la qualité

Statistiques industrielles Management de la production et de la qualité Statistiques industrielles Management de la production et de la qualité Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 12 novembre 2015 Francois.Kauffmann@unicaen.fr UCBN MSP 12 novembre

Plus en détail

NORME CAMEROUNAISE NC 235 : 2005 06

NORME CAMEROUNAISE NC 235 : 2005 06 NC 235 : 2005 06 REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON Paix Travail Patrie Peace Work Fatherland ========= ========= MINISTERE DE L INDUSTRIE, DES MINES ET DU MINISTRY OF INDUSTRY, MINES AND DEVELOPPEMENT

Plus en détail

Enquêtes Economiques Construction du plan d échantillonnage de l année N pour la collecte des données économiques de l année N-1

Enquêtes Economiques Construction du plan d échantillonnage de l année N pour la collecte des données économiques de l année N-1 Enquêtes Economiques Construction du plan d échantillonnage de l année N pour la collecte des données économiques de l année N-1 (Van Iseghem S., Daurès F., Demaneche S.) Référence : Van Iseghem S., F.

Plus en détail

Cartes de contrôle. Partage d expériences, Evolutions dans le domaine de l accréditation, échanges d auditeurs internes. Programme

Cartes de contrôle. Partage d expériences, Evolutions dans le domaine de l accréditation, échanges d auditeurs internes. Programme Les petits déjeuner du Réunion n 7 du Club de Laboratoires Accrédités Cartes de contrôle Partage d expériences, Evolutions dans le domaine de l accréditation, échanges d auditeurs internes Vendredi 21

Plus en détail

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

SECONDE DST CORRECTION. Voici le diagramme en bâtons des moyennes du second trimestre d'une classe de seconde comportant 34 élèves.

SECONDE DST CORRECTION. Voici le diagramme en bâtons des moyennes du second trimestre d'une classe de seconde comportant 34 élèves. SECONDE DST CORRECTION Exercice 1 Voici le diagramme en bâtons des moyennes du second trimestre d'une classe de seconde comportant 34 élèves 6 2e trimestre 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Plus en détail

Outils méthodologiques et astuces pour la thèse de médecine Le recueil des données

Outils méthodologiques et astuces pour la thèse de médecine Le recueil des données Outils méthodologiques et astuces pour la thèse de médecine Le recueil des données Marianne Dubard-Gault, Interne de Santé Publique Dr Laetitia Huiart, USM, CHU Données générales Rappel Principes fondamentaux

Plus en détail

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

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

Plus en détail

chap S1 : Statistiques descriptives Eléments de correction des exercices

chap S1 : Statistiques descriptives Eléments de correction des exercices 2ndes chap S1 : Statistiques descriptives Eléments de correction des exercices Objectifs : mieux comprendre les notions de moyenne et médiane utiliser des statistiques pour prendre des décisions Moyenne

Plus en détail

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Démarche Statistique 1 Échantillonnage Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Introduction Objectif statistique descriptive: sur l'échantillon statistique inférentielle:

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe 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 détail

Analyse Statistique pour Le Traitement d Enquêtes

Analyse Statistique pour Le Traitement d Enquêtes DAT 104, année 2004-2005 p. 1/90 Analyse Statistique pour Le Traitement d Enquêtes Mastère Développement Agricole Tropical Stéphanie Laffont & Vivien ROSSI UMR ENSAM-INRA Analyse des systèmes et Biométrie

Plus en détail

Examen de Statistique Appliquée I

Examen de Statistique Appliquée I Université de Strasbourg Master Éthologie-Écophysiologie 1ère année Examen de Statistique Appliquée I ************************************************************** Le cours, les exercices de travaux dirigés,

Plus en détail

Activité Intitulé de l'activité Volume horaire

Activité Intitulé de l'activité Volume horaire Informations de l'unité d'enseignement Implantation IPL Cursus de Bachelier en chimie Introduction à la statistique C1110 Cycle 1 Bloc 1 Quadrimestre 2 Pondération 1 Nombre de crédits 4 Nombre d heures

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC ATELIER DE FORMATION SUR LE DIAGNOSTIC DE LA FIEVRE APHTEUSE 21 mai 2012 Labib BAKKALI KASSIMI Labib.bakkali-kassimi@anses.fr Agence Nationale de Sécurité

Plus en détail

PROGRAMME (Susceptible de modifications)

PROGRAMME (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 détail

Document d orientation sur les allégations issues d essais de non-infériorité

Document 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 détail

Analyse de la Variance pour Plans à Mesures Répétées

Analyse de la Variance pour Plans à Mesures Répétées Analyse de la Variance pour Plans à Mesures Répétées Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015 Baccalauréat ES Nouvelle-Calédonie mars 015 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats Soit f la fonction définie sur l intervalle [1,5 ; 6] par : f (x)=(5x )e x On note C la courbe représentative

Plus en détail

Statistiques descriptives (1/2)

Statistiques descriptives (1/2) Statistiques descriptives (1/2) Anita Burgun 2011-2012 http://www.med.univ-rennes1.fr Introduction! Statistique: méthode scientifique qui consiste à réunir des données chiffrées sur des ensembles d individus

Plus en détail

Méthodes et outils de l analyse des pratiques professionnelles

Méthodes et outils de l analyse des pratiques professionnelles Méthodes et outils de l analyse des pratiques professionnelles Dr Nelly LE REUN, DIU soignant en gérontologie, Brest, 9 mai 2012 11/05/2012 1 Formation initiale Formation continue: acquisition de nouvelles

Plus en détail

PLAN DE COURS MAT-350 Probabilités et statistiques

PLAN DE COURS MAT-350 Probabilités et statistiques École de technologie supérieure Service des enseignements généraux Local B-2500 (514) 396-8938 Site internet : http://www.etsmtl.ca/departements/enseignements-generaux/accueil PLAN DE COURS MAT-350 Probabilités

Plus en détail