Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014
|
|
- Fernande Crépeau
- il y a 8 ans
- Total affichages :
Transcription
1 Les Meta-analyses Sibilia Quilici Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014
2 Nombre de publication en méta-analyses Years Source: Recherche approximative :
3 Objectifs Comprendre le concept général des métaanalyses Comment les faire Comment les interpréter A partir d une problématique, savoir identifier le besoin pour une méta-analyse A partir d une revue de la littérature, savoir lire, comprendre et interpréter les résultats de la méta-analyse
4 Termes souvent rencontrés Effect size Pool / Combined Fixed effect models Random effect models Direct comparison Bias Funnel plots Q test DerSimonian & Laird Method Heterogeneity Publication bias Indirect comparison Mixed treatment comparison Forest plots I² Tau
5 Objectif de la présentation Méta-analyses
6 Objectif du séminaire Part I: Meta-analyses des données issues des essais cliniques Part II: Meta-analyses des données de différentes sources / design
7 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources des données, sélection des études Estimation des mesures d effet de traitement Méthodes pour combiner les effets de traitement Modèle à effets fixes Modèle à effets aléatoires Hétérogénéité entre études Identification et source de biais potentiels Analyse comparative Comparaison directe Comparaison indirecte Comparaison multi-traitements
8 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources des données, sélection des études Estimation des mesures d effet de traitement Méthodes pour combiner les effets de traitement Modèle à effets fixes Modèle à effets aléatoires Hétérogénéité entre études Identification et source de biais potentiels Analyse comparative Comparaison directe Comparaison indirecte Comparaison multi-traitements
9 Objectifs, sources des données, critère de sélection des études Important: définir les objectifs de l étude Traitement(s) Aire thérapeutique Population(s) Mesures d efficacité(s)..
10 Objectifs, sources des données, critère de sélection des études La qualité et validité de la méta-analyse dépend fortement des études sélectionnées Importance d une revue systématique de la littérature Sources de la littérature Medline ( EMBASE... Conférences (Abstracts / posters) Registres d essais cliniques GlaxoSmithKline (GSK): Eli Lilly & Company: Recherche manuelle sur internet Données non publiées Le plus difficile à obtenir Avoir une idée des études cliniques en cours :
11
12 Objectifs, sources des données, critère de sélection des études Fonction de l objectif de l analyse Définir les critères d inclusion / d exclusion des études Intêret traitement(s) Population (age, séverité, etc. ) Design de l étude (design, durée, etc.) Qualité de l essai (Méthodes de randomisation, gestion de l aveugle, des déviances de protocol, etc.) Techniques de sélection Equipe de min. 2 experts pour la sélection des articles
13 Représentation de la sélection des études
14 Extraction des données Lister tous les effets traitements recherchés et à analyser Donner des définitions, si nécessaire Importance de l effet traitement recherché: Primaire ou secondaire Période de temps. Information à l inclusion: Charactéristiques démographiques Facteur maladie (sévérité, ).
15
16 Objectifs, sources des données, sélection des études
17 Objectifs, sources des données, sélection des études
18 Sélection des études
19 Extraction des données
20 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources de donnée, sélection des études Estimation de l effet traitement Méthodes pour combiner les effets de taille Modèle à effets fixes Modèle à effets aléatoires Hétérogénéité entre études Identification et source de biais potentiels Analyse comparative Comparaison directe Comparaison indirecte Comparaison multi-traitements
21 Estimation de l effet traitement Définition de l effet traitement Comparaisons de (au moins) 2 traitements à évaluer celon des effets identiques Pour chaque mesure de l effet: Estimation et inférence de la différence de l effet Types de données Des données d essais cliniques Estimateur à partir de rapport d études d essais cliniques ou de publication Données individuelles de patients Des données épidémiologiques La méta-analyse est une mesure résumée de l effet traitement Plusieurs manières d évaluer l effet Odds-ratios Risque relatif Différence de risque Différence de moyenne Donnée de survie Etc..
22 Odds-ratio (OR) L Odds-Ratio est définit à partir d un tableau de contingence 2x2: Success Frequencies Failure ES Treatment Group a b Control Group c d bc L Odds-ratio: probabilité de succés dans un groupe de traitement relativement à la probabilité de succès dans le groupe control Si l analyse porte sur un effet indésirable tel que le décès: OR < 1 => Amélioration grace au traitement OR > 1 => Le traitement est moins efficace que le comparateur Significativité: IC 95% exclu 1 OR : 0,48 IC 95% (0,28 0,78) Test de la différence d effet traitement via des statistiques de test (t-test) ad
23 Risques relatifs (RR) Similaire à l OR, le risque relatif est définit par: Frequencies Success Failure Treatment Group a b Control Group c d ES a /( a b) c /( c d) Interpretation similaire à celle de l OR; Dans le cas d évènements rares: RR ~ OR C est le ratio des probabilités Si l analyse porte sur une effet indésirable tel que le déces: RR < 1 => Amélioration grace au traitement RR > 1 => Nouveau traitement moins efficace que le comparateur Significativité statistique: IC 95% doit exclure 1 RR : 0,54 IC95% (0,36 0,83) Test de la difference de l effet traitement via des statistiques de test (t-test)
24 La différence des moyennes Score de sévérité moyen; moyenne de la tension arterielle,.. etc.. Différence entre les deux traitements Différence de moyennes: d Si l effet est une réduction du score de sévérité: Si d < 0 => nouveau traitement est plus efficace Si d > 0 => nouveau traitement est moins efficace que le comparateur Significativité: IC95% doit exclure 0 d : -5,45 95%CI (-7,7 ; -3,2) Test de la difference de l effet traitement via des statistiques de test (t-test)
25 Estimation de l effet traitement
26 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources de donnée, sélection des études Estimation de l effet traitement Méthodes pour combiner les effets de traitements Modèle à effets fixes Modèle à effets aléatoires Hétérogénéité entre études Identification et source de biais potentiels Analyse comparative Comparaison directe Comparaison indirecte Comparaison multi-traitements
27 Combiner les effets de traitements: Modèle à effets fixes Hypothèses: Absence d hétérogénéité entre études L effet traitement quelque soit la population est supposé le même Approche générale des modèles à effets fixes Méthode de l inverse de la variance Méthodes specific pour combiner des odds-ratios Méthode de Mantel-Haenszel Méthode de Peto s Méthode de Maximum de Vraisemblance
28 Modèle à effets fixes Etude 1 Etude 2 Etude n Hypothèse: Le vrai effet traitement est supposé le même pour toutes les études: 2 ~ N, ˆ i
29 La méthode de l inverse de la variance Chaque estimateur d étude à un poids directement proportionel à sa variance L estimateur de l effet combiné est une moyenne pondérée de l effet traitement de toutes les études Poids: L inverse de la variance de chaque étude Utilisée pour les données continues Pour les estimateurs catégoriels (i.e. odds-ratio, utilisation d une transformation logarithmique)
30 Modèle à effets fixes Estimateur réel de l effet traitement pour l étude i Poids Modèle Estimation ˆ 1 i N(, wi ) w i 1/ var( ˆ ) Inverse de la variance de chaque étude i ˆ i i ˆ 2 i N(, i ) ˆ r i 1 r i 1 se( ˆ ) ˆ w i % CI : ˆ 1.96 i w i r i w i r i 1 1 Estimateur «poolé» de l effet traitement Erreur type de l estimateur «poolé» de l effet traitement w i Intervalle de confiance à 95% de l estimateur «poolé» de l effet traitement
31 Pool des odds-ratio Plusieurs méthodes disponibles sans la nécessité d utiliser la transformation en log Pour Contre Inverse de la variance (IV) Mantel-Haenszel (MH) Peto Maximum de vraisemblance Si peu d études à combiner Si taille des l échantillon importante Si beaucoup d études à combiner Si taille des échantillons petite Si évènements rares Equivalent à MH and IV Peut être biaisé et très sensible aux valeurs minimales de variance estimée des études Très biaisé si: - Important déséquilibre dans l occurrence des évènements entre les groupes - Si OR loin de la valeur 1 Niveau de calcul difficile
32 Méthodes pour combiner les effets de traitements
33 Combiner les effets de traitements: Modèle à effets aléatoires Hypothèses: Chaque essai estime un effet différent qui prend en compte la variation induite par cette hypothèse Ces effets sont supposés varier de manière aléatoire et la distribution de ces effets est supposée être normalement distribuée De fait le modèle inclu 2 sources de variation: La variance inter-études et intra-études
34 Modèle à effets aléatoires Etude 1 variance entre études i N (,,) Etude 2 Etude n Hypothèse: Le vrai effet de chaque étude: i est supposé échantillonné à partir d une loi Normale N ˆ ~ N,, i i i
35 Modèles à effets aléatoires Modèle ˆ v i i i ˆ 2 2 i N(, i ) Variance interétudes. Estimateur «poolé» de l effet traitement Estimation ˆ * 1 i N(,( wi ) ) w ( w ˆ ) * i i ˆ r i 1 r i 1 se( ˆ ) ˆ w i w * i r i 1 * i 1 w * i Erreur type de l estimateur «poolé» de l effet traitement Intervalle de confiance à 95% de l estimateur «poolé» de l effet traitement Poids Inverse de la variance de chaque étude (100 )% CI : ˆ z /2 r i 1 1 w * i
36 Evaluation de l hétérogénéité entre études Le modèle à effet aléatoire estime la variance entre études caractérisée par Tau² Tau² est estimé le plus souvent par la méthode dites des moments Tau² < 0 => Tau² = 0 => Absence d hétérogénéité Tau² > 0 => Présence d hétérogénéité
37 Forest plot
38 Modèle à effets fixes vs. Modèles à effets aléatoires Importance du poids relatif des études poids des études larges réduit poids des petites études larges augmenté Tendance généralement vraie pour toutes les méta-analyses
39 Modèle à effets fixes vs. Modèles à effets aléatoires Les intervalles de confiance sont: Plus étroits avec un modèle à effets fixe L augmentation de l intervalle est du à l intégration des variations entre études Le choix du modèle est critique car les conclusions peuvent changer en fonction des modèles utilisés
40 Présentation des résultats des méta-analyses
41 Présentation des résultats des méta-analyses
42 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources de donnée, sélection des études Estimation de l effet traitement Hétérogénéité entre études Méthodes pour combiner les effets de traitement Modèle à effets fixes Modèle à effets aléatoires Identification et source de biais potentiels Analyse comparative Comparaison directe Comparaison indirecte Comparaison multi-traitements
43 Hétérogénéité entre études Source d hétérogénéité : L aléa, des erreurs, Des caractéristiques de traitements, de patients Des covariables de patients Inexpliquée Caractéristiques du design de l étude La présence d hétérogénéité entre les études peut induire des biais dans les résultats des analyses
44 Visualiser l hétérogénité Le forest plot Forest plots for 34 cholestrol lowering trials Odds ratio - log scale
45 Evaluation de l hétérogénéité entre études X² ou Q-test H H :... : i j r r r ˆ ˆ 2 ˆ 2 i( i ) i i i 1 i 1 Q w w U 2 ( r 1) P-value < 0,05 => rejette Ho => hétérogénéité P-value > 0,05 => accepte Ho => homogénéité Malheureusement : Test qui a peu de puissance, si peu d études; utiliser un seuil de 0,1 au lieu de 0,05 Si la taille des études est généralement importante => tendance au rejet de H0 Précaution nécessaire dans l interprétation de la statistique Q Q
46 Evaluation de l hétérogénéité entre études Mesure I 2 2 ( Q df ) 100%. Q Une classification de I² entre les valeurs 25%, 50%, and 75% représente une hétérogénité faible, modérée, ou élevée. Que fait-on en présence d un I² > 50%??
47 Comment gérer la présence d hétérogénéité? Puissance limitée des tests statistiques Choix entre modèles à effets fixes ou aléatoires Peut-on toujours estimer une différence de traitement poolé? Est-ce que le choix de l échelle de mesure est approprié Choix des critères de sélection Analyse de sous-groupe Modèles de régression (inclusion de covariables dans les modèles)
48 Modèles et analyse de l hétérogénéité
49 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources de donnée, sélection des études Estimation de l effet traitement Méthodes pour combiner les effets de traitements Modèle à effets fixes Modèle à effets aléatoires Hétérogénéité entre études Identification et sources de biais potentiels Analyse comparative Comparaison directe Comparaison indirecte Comparaison multi-traitements
50 Sources de bias Biais de sélections Choix initial définit dans le protocol d étude Peut-être contourné à l aide d analyse de sensibilité Bias de publication Recherches avec des résultats significatifs ont davantage de chance d être publiées Accent souvent mis sur les articles en anglais Ne prend pas en compte les travaux de recherches en cours
51 Conséquences des biais de publication Induit des estimateurs biaisés Conclusion sur l effet du traitement à tendance trop optimistes Sur la base d études larges, les résultats peuvent être extrement précis et convainquant tout en étant biaisés L existence des biais de publication est reconnu cependant ses conséquences réelles sur toutes nos analyses restent encore mal connus
52 Identification des biais de publication: Le funnel plot
53 Part I: Meta-analyses des données issues des essais cliniques Objectifs, sources des données, sélection des études Estimation de l effet traitement Hétérogénéité entre études Méthodes pour combiner les effets de traitements Modèle à effets fixes Modèle à effets aléatoires Identification et source de biais potentiels Analyse comparative Comparaisons directes Comparaisons indirectes Comparaisons multi-traitements
54 Comparaisons directes vs. indirectes Comparison directe Toutes les études comparent le nouveau traitement A à un même comparateur Que se passe-t-il si un nouveau traitement B est testé? A est comparé à Placebo B est comparé à Placebo Peut-on utiliser Placébo comme comparateur commun? Peut-on estimer A vs. B?
55 Comparaisons directes VS. indirectes
56 Comparaisons indirectes Analysis Treatement Pooled estimates Se 95% CI Direct comparison A vs. B (-7.7; -3.2) Direct comparison C vs. B (-4.26; -2.05) Indirect comparison A vs. C (-4.79; 0.21)
57 De la comparaison par paires à la comparaison multi-traitements Evidence Comparaison directe Comparison indirecte -Trial 1: Drug A vs. placebo -Trial 2: Drug A vs. placebo -Trial 3: Drug B vs. placebo -Trial 4: Drug A vs. placebo -Trial 5: Drug B vs. placebo -Trial 6: Drub B vs. placebo -Trial 7: Drug C vs. placebo -Trial 8: Drug C vs. placebo -. Analyse par paires Drug A vs. placebo Drug B vs. placebo Drug C vs. placebo Analyse par paires Drug A vs. Drug B Drug A vs. Drug C Drug B vs. Drug C
58 Comparaisons multi-traitements La comparaison multi-treatment (Mixed-treatment comparison) est une généralisation des méta-analyses par paires Multiple traitement =>3 ou plus A C D 1 trial B C D 1 trial A B 4 trials A C 1 trial A D 12 trials B C 2 trials B D 1 trial C D 2 trials Efficacy drug D Efficacy drug A Efficacy drug C Efficacy drug B 4 3
59 Comparaison multi-traitements Objectifs: Comparer simultanément plusieurs options de traitements Faire une seule analyse Déterminer quel traitement à quelle probabilité d être le meilleur Maintenir la randomisation Permet des comparaisons indirectes en absence d essais cliniques face-face Eviter l investissement financier dans des études randomisées Gain de temps de l analyse vs. essai clinique
60 Principes généraux Do the patients in all trials match the target population for decision / inference Yes, all trials No, only a subset Combine in MTC Is there reasons to think that there are differences in treatment effect No Yes 1: Restrict MTC to relevant trials 2: Consider subgroup analysis / meta-regression
61 Comparaison multi-traitements Quatre traitements A, B, C, D Paires disponible: AB, AC, BC, BD, CD => 6 log-odds ratio possibles : A vs. B, A vs. C, A vs. D B vs. C, B vs. D C vs. D Soit A le traitement de référence: les vrais effets traitement relatifs à A sont: d AB, d AC, d AD Les 3 autres paires possibles sont: d BC = d AB d AC d BD = d AB - d AD d CD = d AC - d AD
62 MTC regression approach (2)
63 Analyse bayesienne concept général Theorème de bayes P(A B) = P(A B)/P(B) = P(B A)(P(A)/P(B)) DATA PRIOR DIST. BAYES THEOREM POSTERIOR DIST. P( Data) P( ) P( Data )
64 Analyse bayesienne concept général P( Data) P( ) P( Data ) Fonction de densité a posteriori Fonction de densité a priori Fonction de Vraisemblance Tous les paramètres inconnus sont considérés comme aléatoires
65 MCMC simulations
66 Comparaisons multi-traitements Modèle de regression Hypothèses: Traitement k Etude j Résultats: Les effets doivent être additifs Données binomiales: Difference des occurrences des événements Likelihood: r j,k ~ Binomial (p j,k,n j,k ) Effet traitement Modèle: Effet étude Modèle transposable sur tous types de données (continues, binaires, de survie, etc.)
67 Hypothèse des modèles: Effets fixes vs. effets aléatoires Modèles à effets fixes Effet traitement supposé identique dans chaque population des études Modèles à effets aléatoires L effet traitement est spécifique à l étude et est estimé à partir d une population commune à toutes les (Hypothèse d échangeabilité) Hétérogénéité constante entre les différentes comparaisons Environnement bayesien Nécessité de spécifier les distributions à priori Modèle à effets aléatoires => distribution a priori pour la variance entre études
68 Codes WinBUGS : Modèle à effets fixes
69 Codes WinBUGS : Modèle à effets aléatoires vs. FE model
70 Conclusions La meta-analyse est une technique statistique permettant de combiner the effets traitement pour fournir 1 estimateur Il y a 2 méthodes à considérer Modèles à effets fixes Modèles à effets aléatoires Important de considérer l hétérogénéité entre étude et de la corriger Important de considérer le risque lié aux biais de publication
71 Force des méta-analyses Imposent une discipline de travail des données Représentent les résultats de manière plus informative que les revues traditionelles Permettent de trouver des liens entre études, des évidences qui n apparaitraient pas autrement Permetent de gérer un grand nombre d études
72 Termes souvent rencontrés Effect size Pool / Combined Fixed effect models Random effect models Direct comparison Bias Funnel plots Q test DerSimonian & Laird Method Heterogeneity Publication bias Indirect comparison Mixed treatment comparison Forest plots I² Tau
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 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 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 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 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 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 détailStatistique Bayésienne
Statistique Bayésienne Éléments de Culture Générale Lionel RIOU FRANÇA INSERM U669 Mai 2009 Lionel RIOU FRANÇA (INSERM U669) Statistique Bayésienne Mai 2009 1 / 139 Sommaire Sommaire 1 Approche Bayésienne
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 détailValeur ajoutée relative basée sur les comparaisons indirectes Giens 2008, TR 5
Valeur ajoutée relative basée sur les comparaisons indirectes Giens 2008, TR 5 Claire Le Jeunne Bertrand Xerri Cécile Rey-Coquais Jean-Michel Joubert Jean Delonca Martine Pigeon Michel Lièvre Patricia
Plus en détail3 ème 2 DÉVELOPPEMENT FACTORISATIONS ET IDENTITÉS REMARQUABLES 1/5 1 - Développements
3 ème 2 DÉVELOPPEMENT FACTORISATIONS ET IDENTITÉS REMARQUABLES 1/5 1 - Développements Développer une expression consiste à transformer un produit en une somme Qu est-ce qu une somme? Qu est-ce qu un produit?
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 détailValidation clinique des marqueurs prédictifs le point de vue du méthodologiste. Michel Cucherat UMR CNRS 5558 - Lyon
Validation clinique des marqueurs prédictifs le point de vue du méthodologiste Michel Cucherat UMR CNRS 5558 - Lyon Marqueur prédictif - Définition Un marqueur prédictif est un marqueur qui prédit le bénéfice
Plus en 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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailÉquivalence et Non-infériorité
Équivalence et Non-infériorité Éléments d Introduction Lionel RIOU FRANÇA INSERM U669 Mars 2009 Essais cliniques de supériorité Exemple d Introduction Données tirées de Brinkhaus B et al. Arch Intern Med.
Plus en détailEvidence-based medicine en français
Evidence-based medicine en français MÉDECINE FACTUELLE (Office de la langue française) Médecine fondée sur des faits démontrés Médecine fondée sur des preuves Médecine fondée sur des données probantes
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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en 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 détailEvaluation de critères res de substitution de la survie globale dans les cancers bronchiques localement avancés
Evaluation de critères res de substitution de la survie globale dans les cancers bronchiques localement avancés Evaluations de la survie sans progression et du contrôle locoregional comme critère de substitution
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 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 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 détailLe dropéridol n est pas un traitement à considérer pour le traitement de la migraine à l urgence
Le dropéridol n est pas un traitement à considérer pour le traitement de la migraine à l urgence On pose fréquemment le diagnostic de migraine sévère à l urgence. Bien que ce soit un diagnostic commun,
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 détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
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 détailCE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT
CE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT Sommaire Comment se fait la recherche sur un nouveau médicament? (page 1) A quoi sert la recherche sur un nouveau médicament? (page
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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailEFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE
MICHÈLE PICARD FLIBOTTE EFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE Essai-stage présenté à la Faculté des études supérieures de l Université Laval dans le cadre
Plus en détailPARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT CE QU IL FAUT SAVOIR
PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT CE QU IL FAUT SAVOIR SOMMAIRE COMMENT SE FAIT LA RECHERCHE SUR UN NOUVEAU MÉDICAMENT?...p. 3 À QUOI SERT LA RECHERCHE?...p. 4 QUELLES SONT LES GARANTIES?...p.
Plus en détailÉtudes épidémiologiques analytiques et biais
Master 1 «Conception, évaluation et gestion des essais thérapeutiques» Études épidémiologiques analytiques et biais Roxane Schaub Médecin de santé publique Octobre 2013 1 Objectifs pédagogiques Connaitre
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 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 détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailEssais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire
Essais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire Sylvie CHABAUD Direction de la Recherche Clinique et de l Innovation : Centre Léon Bérard - Lyon Unité de Biostatistique
Plus en 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en 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 détailÉvaluation du risque cardiovasculaire dans le contexte de l hypertension artérielle et de son traitement
Évaluation du risque cardiovasculaire dans le contexte de l hypertension artérielle et de son traitement DIU HTA François Gueyffier Service de pharmacologie clinique UMR CNRS 5558 CIC 201, LYON francois.gueyffier@chu-lyon.fr
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailBIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION
BIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION À UNE INTERPRÉTATION CAUSALE Arthur Charpentier Professeur d actuariat à l Université du Québec, Montréal Amadou Diogo Barry Chercheur à l Institut de santé
Plus en détailLecture critique d article ou comment briller en société sans en avoir trop l air
Lecture critique d article ou comment briller en société sans en avoir trop l air Réunion Inter-Corevih Basse Normandie - Bretagne Mont Saint-Michel Février 2014 Jean-Marc Chapplain Plan Actualité Dissection
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 détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailRevue des données probantes l utilité et les limites des différentes approches
Revue des données probantes l utilité et les limites des différentes approches LES REVUES SYSTÉMATIQUES Projet financé par l Agence de la santé publique du Canada Affilié à l Université McMaster Donna
Plus en détailPréleveur d'échantillons d eau automatique ELECTRO-MAGNUM /AQUAMAX 1 & 2 / SERVOTOP
Préleveur d'échantillons d eau automatique ELECTRO-MAGNUM /AQUAMAX 1 & 2 / SERVOTOP Paramétrage du thermostat digital de réfrigération Modèle avec sonde NTC depuis début 2009 (4 touches en dessous de l'afficheur)
Plus en détailCancer bronchique primitif: données épidémiologiques récentes
Cancer bronchique primitif: données épidémiologiques récentes Pr Jean Trédaniel Service de pneumologie et oncologie thoracique Groupe Hospitalier Paris Saint Joseph Université Paris Descartes Sources Données
Plus en détailAvis 29 mai 2013. XYZALL 5 mg, comprimé B/14 (CIP : 34009 358 502 4-9) B/28 (CIP : 34009 358 505 3-9) Laboratoire UCB PHARMA SA.
COMMISSION DE LA TRANSPARENCE Avis 29 mai 2013 XYZALL 5 mg, comprimé B/14 (CIP : 34009 358 502 4-9) B/28 (CIP : 34009 358 505 3-9) Laboratoire UCB PHARMA SA DCI Code ATC (2012) Motif de l examen Liste
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 détailLe RIVAROXABAN (XARELTO ) dans l embolie pulmonaire
Le RIVAROXABAN (XARELTO ) dans l embolie pulmonaire Dr Florence Parent Service de Pneumologie et Soins Intensifs de Pneumologie Hôpital Bicêtre, AP-HP Inserm U999. Université Paris-Sud Traitement anticoagulant
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailCOMMISSION DE LA TRANSPARENCE
COMMISSION DE LA TRANSPARENCE Avis 2 avril 2014 DERMOVAL, gel flacon de 20 ml (CIP : 34009 326 130 4 5) DERMOVAL 0,05 POUR CENT, crème tube de 10 g (CIP : 34009 320 432 9 3) Laboratoire GLAXOSMITHKLINE
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en 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 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 détailAnalyse des incidents
Analyse des incidents Formation B-Quanum 26/06/2012 N. Jacques Coordinatrice Qualité CMSE Introduction Contexte Contrat SPF Coordinateur qualité Médecine nucléaire Hôpital = Entreprise à Haut Risque Efficacité
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
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 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 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 détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailMedication management ability assessment: results from a performance based measure in older outpatients with schizophrenia.
Medication Management Ability Assessment (MMAA) Patterson TL, Lacro J, McKibbin CL, Moscona S, Hughs T, Jeste DV. (2002) Medication management ability assessment: results from a performance based measure
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détail1S Modèles de rédaction Enoncés
Par l équipe des professeurs de 1S du lycée Parc de Vilgénis 1S Modèles de rédaction Enoncés Produit scalaire & Corrigés Exercice 1 : définition du produit scalaire Soit ABC un triangle tel que AB, AC
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailLe dépistage du cancer du sein par mammographie dans la population générale
Le dépistage du cancer du sein par mammographie dans la population générale Mars 1999 Étude d évaluation technologique Tous droits de traduction, d'adaptation et de reproduction par tous procédés, réservés
Plus en détailAnalyse et interprétation des données
8 Analyse et interprétation des données Les données de l enquête peuvent être utilisées pour différents types d analyses aussi bien au niveau national qu au niveau international. Ce chapitre explique comment
Plus en détailL analyse documentaire : Comment faire des recherches, évaluer, synthétiser et présenter les preuves
L analyse documentaire : Comment faire des recherches, évaluer, synthétiser et présenter les preuves Cet atelier portera sur 1. la recherche dans la documentation de sources pertinentes; 2. l évaluation
Plus en détailGUIDE MÉTHODOLOGIQUE
L UNITÉ D ÉVALUATION DES TECHNOLOGIES ET DES MODES D INTERVENTION EN SANTÉ Centre hospitalier universitaire de Québec Recherche et analyse documentaires visant la réalisation d un rapport d évaluation
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 détailDéfinition d un Template
Objectif Ce document a pour objectif de vous accompagner dans l utilisation des templates EuroPerformance. Il définit les différents modèles et exemples proposés. Définition d un Template Un template est
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 détailÉTAT DES LIEUX. Niveau de preuve et gradation des recommandations de bonne pratique
ÉTAT DES LIEUX Niveau de preuve et gradation des recommandations de bonne pratique Avril 2013 Les recommandations et leur synthèse sont téléchargeables sur www.has-sante.fr Haute Autorité de Santé Service
Plus en détailLifecyclecosting à la clinique romande de réadaptation - Un retour d expérience d une installation de chauffage par CCF et PAC
Lifecyclecosting à la clinique romande de réadaptation - Un retour d expérience d une installation de chauffage par CCF et PAC Journées de formation IHF à Toulouse le 13.06.2014 Présentation de Tomas Bucher
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 détailIntroduction à la Sécurité Informatique
Introduction à la Sécurité Informatique Hiver 2012 Louis Salvail A.A. 3369 Qu est-ce que la sécurité informatique? Espionnage de réseau Interception des paquets en route sur un réseau Ceci est facile puisqu
Plus en détailLe quizz des stats. Xavier Paoletti. Sce de biostatistiques / Inserm U900 Institut Curie
Le quizz des stats Xavier Paoletti Sce de biostatistiques / Inserm U900 Institut Curie Qques questions pour entamer les hostilités 1. Description de la population Pourquoi parler d'âge médian et non moyen?
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 détailL ANALYSE COUT-EFFICACITE
L ANALYSE COUT-EFFICACITE 1 Pourquoi utiliser cet outil en évaluation? L analyse coût-efficacité est un outil d aide à la décision. Il a pour but d identifier la voie la plus efficace, du point de vue
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 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 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 détailRéseau sur. Médicaments. l Innocuité et l Efficacité des. Document d orientation pour la présentation de requêtes au RIEM
Réseau sur l Innocuité et l Efficacité des Médicaments Document d orientation pour la présentation de requêtes au RIEM Instituts de recherche en santé du Canada Canadian Institutes of Health Research Version
Plus en détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
Plus en détailInstructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00
Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00 HFFv2 1. OBJET L accroissement de la taille de code sur la version 2.0.00 a nécessité une évolution du mapping de la flash. La conséquence de ce
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 détailLes systèmes CDMS. et les logiciels EDC
Les systèmes CDMS et les logiciels EDC Khaled Mostaguir, Ph.D, khaled.mostaguir@hcuge.ch Centre de Recherche Clinique HUG http://crc.hug-ge.ch/ Les systèmes CDMS et les logiciels EDC Les systèmes CDMS
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 détail