Université de Montréal ANALYSE DES COURBES DE LA ARACTÉRISTIQUE OPÉRATIONNELLE DU RÉSULTAT (COR). Jean-François Allaire
|
|
- Amandine Crevier
- il y a 8 ans
- Total affichages :
Transcription
1 Université de Montréal ANALYSE DES COURBES DE LA ARACTÉRISTIQUE OPÉRATIONNELLE DU RÉSULTAT (COR). Jean-François Allaire Département de mathématiques et de statistique Faculté des arts et des sciences Mémoire présenté à la Faculté des études supérieures en vue de l'obtention du grade de Maître ès sciences (M.Sc.) en statistique Avril JEAN-FRANÇOIS ALLAIRE, MCMXCVII
2 Université de Montréal Faculté des études supérieures Ce mémoire intitulé ANALYSE DES COURBES DE LA CARACTÉRISTIQUE OPÉRATIONNELLE DU RÉSULTAT (COR). présenté par Jean-François Allaire a été évalué par un jury composé des personnes suivantes : (2' Yves Lepage ( d F de recherche) P+7 membre du jury) Mémoire accepté le : a& cf6-7
3 SOMMAIRE Ce mémoire porte sur l'étude des courbes de la caractéristique opérationnelle du résultat (COR). Dans un premier temps, nous définissons une courbe COR et nous présentons différentes méthodes de construction. Nous introduisons également l'aire sous une courbe COR comme une mesure de la performance d'un test diagnostique ainsi qiie plusieurs méthodes d'estimation de cette aire. Dans un second temps, nous présentons des tests statistiques permettant de comparer les courbes COR. Finalement, une étude comparative des différentes méthodes d'estimation de l'aire sous une courbe COR est effectuée par une simulation de type Monte Carlo. Une étude expérimentale du niveau et de la puissance des tests statistiques proposés est également effectuée par simulation. Des conclusions sont tirées afin de choisir le meilleur estimateur ainsi que le meilleur test statistique dans certaines situations concrètes.
4 SOMMAIRE ii REMERCIEMENTS LISTE DES TABLEAUX iii... Vlll LISTE DES FIGURES INTRODUCTION CHAPITRE 1. PRINCIPES DE BASE 1.1. CONTEXTE 1.3. CONSTRUCTION Nature des données
5 Données dichotomiques Données discrètes Données continues Représentation graphique Courbe COR Courbe COR binormale 1.4. INDICES DE PERFORMANCE 1.5. ESTIMATION DE L'AIRE SOUS LA COURBE Méthode des trapèzes Méthode analytique Méthode paramétrique (binormale)
6 2.2. MÉTHODES DE HANLEY ET MCNEIL Courbes indépendantes Courbes dépendantes 2.4. MÉTHODE DE METZ ET KRONMAN Test statistique pour une courbe COR binormale Test statistique pour k courbes COR binormales indépendantes 3.1. ETUDE COMPARATIVE DES ESTIMATEURS Méthode de calcul des estimateurs Description de la méthode Résultats numériques 3.2. ETUDE COMPARATIVE DES TESTS STATISTIQUES Description de la méthode
7 LZT POT!!A
8
9
10 3.26 Résultats pour 6 lorsque X:0,90N(0,5;1)+0,10N(3;16) en catégories et 8=0, Résultats pour s2(8) lorsque X:O,9ON(O,5;1) + 0,10N(3;16) en caté- gories Résultats pour 6 lorsque X:0,90N(5,5;16)+0,10N(10;36) en catégo- ries et 8=0, Résultats pour s2(8) lorsque ~:0,90~(5,5;16)+0,~0~(10;36) en Ca- tégories Niveau expérimental pour deux courbes COR indépendantes lors- que ~('):~(0,5;1) et ~(~):~(0,5;1) Niveau expérimental pour deux courbes COR indépendantes lors- que X('):N(2;1) et ~ (~):~(2;1) Niveau expérimental pour deux courbes COR indépendantes lors- que ~('):0,9~(0,5;1)+0,1~(3,16) et ~(~):0,9~(0,5;1)+0,1~(3,16) Niveau expérimental pour deux courbes COR indépendantes lors- que ~(~):0,9~(2;1)+0,1~(5;16) et ~(~):0,9~(2;1)+0,1~(5;16) Niveau expérimental pour deux courbes COR dépendantes lorsque x('):n(i;~) et ~(~):N(l;l) 109
11 3.35 Niveau expérimental pour deux courbes COR dépendantes lorsque x(l):~(2;1) et ~ (~):~(2;1) 3.36 Niveau expérimental pour deux courbes COR dépendantes lorsque ~('1: 0,9N(0,9;1)+0,1N(5;1) et ~ ( ~ 0,9N(0,9;1)+0,1N(5;1) 1 : Niveau expérimental pour deux courbes COR dépendantes lorsque ~('1: 0,9N(2;1)+O,lN(6;1) et ~ ( ~ 0,9N(2;1)+0,1N(6;1) 1 : 3.38 Niveau expérimental pour deux courbes COR indépendantes lors- que x(l):~(0,5;1) et ~(~):~(0,5;1) en catégories 3.39 Niveau expérimental pour deux courbes COR indépendantes lors- que ~('):~(2;1) et ~ (~):~(2;1) en catégories Niveau expérimental pour deux courbes COR indépendantes lors- que ~(~):0,9~(0,5;1)+0,1~(3;16) et ~(~):0,9~(0,5;1)+0,1N(3;16) en catégories 3.41 Niveau expérimental pour deux courbes COR indépendantes lors- que ~(~):0,9~(2;1)+0,1~(5;16) et ~(~):0,9~(2;1)+0,1~(5;16) en catégories Niveau expérimental pour deux courbes COR dépendantes lorsque x('):n(l;l) et ~ (~):~(1;1) en catégories
12 xii 3.43 Niveau expérimental pour deux courbes COR dépendantes lorsque ~('):~(2;1) et ~ (~):~(2;1) en catégories Niveau expérimental pour deux courbes COR dépendantes lors- que ~('1: 0,9N(0,9;1)+0,1N(5;1) et ~ ( ~ 0,9N(0,9;1)+0,1N(5;1) 1 : en catégories Niveau expérimental pour deux courbes COR dépendantes lors- que ~('1: O19N(2;1)+0,1N(6;1) et ~ ( ~ 0,9N(2;1)+O,lN(6;1) 1 : en catégories Puissance expérimentale pour deux courbes COR indépendantes lorsque ~('):~(1;1) et ~(~):~(0,35;1) Puissance expérimentale pour deux courbes COR indépendantes lorsque ~('):~(2,3; 1) et x(~):n(~,2; 1) Puissance expérimentale pour deux courbes COR indépendantes lorsque ~(~):0,9~(0,9;1)+0,1~(5,9) et ~ ( ~ 019N(013;1)+0,1N(319) 1 : Puissance expérimentale pour deux courbes COR indépendantes lorsque ~('):0,9~(2,5;1)+0,1~(5;16) et ~(~):0,9~(1,2;1)+0,1~(4;16) Puissance expérimentale pour deux courbes COR dépendantes lors- que ~('):~(1,55;1) et ~ (~):~(1;1) 122
13 3.51 Puissance expérimentale pour deux courbes COR dépendantes lors- que ~('):~(2,5;1) et ~(~):~(1,55;1) Puissance expérimentale pour deux courbes COR dépendantes lors- que ~ ('1: 0,9N(1,4;1)+0,1N(5;1) et ~ ( ~ 0,9N(O;9;1)+0,1N(4;1) 1 : Puissance expérimentale pour deux courbes COR dépendantes lors- que x('): 0,9N(2,4;1)+0,1N(6;1) et ~ ( ~ 0,9N(l,4;1)+011N(5;1) 1 : Puissance expérimentale pour deux courbes COR indépendantes lorsque x('):n(~; 1) et ~ (~):~(0,35; 1) en catégories Puissance expérimentale pour deux courbes COR indépendantes lorsque x('):n(2,3; 1) et x(~):n(~,2; 1) en catégories Puissance expérimentale pour deux courbes COR indépendantes lorsque ~('):0,9~(0,9;1)+0,1~(5,9) et ~ ( ~ 0,9N(0,3;1)+0,1N(3,9) 1 : en catégories Puissance expérimentale pour deux courbes COR indépendantes lorsque ~('1: 0,9N(2,5;1)+0,1N(5;16) et ~ ( ~ O,gN(1,2;1)+0,1N(4;16) 1 : en catégories Puissance expérimentale pour deux courbes COR dépendantes lors- que ~('):~(1,55;1) et ~(~):~(1;1) en catégories 125
14 xiv 3.59 Puissance expérimentale pour deux courbes COR dépendantes lors- que x(l):~(2,5;1) et ~(~):~(1,55;1) en catégories Puissance expérimentale pour deux courbes COR dépendantes lors- que ~('1: 0,9N(1,4;1)+O,lN(5;1) et ~ ( ~ 0,9~(0,9;1)+0,1N(4;1) 1 : en catégories Puissance expérimentale pour deux courbes COR dépendantes lors- que ~('1: 0,9N(2,4;1)+0,1N(6;1) et ~ ( ~ 0,9N(1,4;1)+0,1N(5;1) 1 : en catégories 126
15 LISTE DES FIGURES 1.1 Deux distributions représentant les statuts négatifs (à gauche) et les statuts positifs (à droite) avec les fréquences relatives corres- pondant à une valeur de seuil critique S Courbe de la caractéristique opérationnelle du résultat (COR) et droite de la non-information. 1.3 Deux courbes COR représentées en coordonnées binormales. 1.4 Deux courbes COR binormales: la courbe supérieure a une pente de 1 et la courbe inférieure a une pente de 0,7. 36
16 INTRODUCTION Dans le domaine de la santé, nous sommes souvent intéressés à mesurer le degré d'efficacité d'un test diagnostique. Par exemple, nous pouvons souhaiter remplacer un test existant par un test plus récent ou bien ajouter un nouveau test à une batterie de tests déjà existants. Nous pouvons également vouloir éliminer des tests dont la qualité du diagnostic est cliniquement insuffisante. La performance d'un test diagnostique peut être décrite au moyen de l'exactitude du diagnostic qu'il permet de poser. Au cours des dernières années, l'émergence de nouveaux tests diagnostiques a forcé l'apparition de méthodes statistiques afin d'évaluer cette performance. En conséquence, un nombre considérable de travaux sur ce sujet ont été effectués. Dans ces travaux, une méthode statistique gagne en popularité. Cette méthode consiste à utiliser la courbe de la caractéristique opérationnelle du résultat (COR) d'un test diagnostique afin d'aider le chercheur à trouver la meilleure solution possible.
17 Jusqu'à ce jour, aucun travail de synthèse n'a été publié sur la méthodologie des courbes COR. De plus, plusieurs résultats importants n'ont jamais été rigoureusement démontrés. Par conséquent, le premier chapitre de ce mémoire porte sur la méthodologie des courbes COR. Entre autres, nous présentons la définition de ces courbes, les méthodes de construction et nous introduisons l'aire sous la courbe comme mesure de la performance d'un test diagnostiqiie. Enfin, on inventorie les diverses méthodes permettant de calculer l'aire sous la courbe. Le deuxième chapitre est consacré à une revue de la littérature des différents tests statistiques permettant de comparer les courbes COR. En premier lieu, les méthodes dlhanley et IVIcNeil (1982,1983) sont présentées. On introduit ensuite la méthode de Delong, Delong et Clarke-Pearson (1988) ainsi que la méthode de Metz et Kronman (1980). Le troisième chapitre présente deux études comparatives. Dans un premier temps, une étude comparative des différentes méthodes d'estimation de l'aire sous une courbe COR est effectuée par une simulation de type Monte Carlo. A l'aide du biais, de la variance et de l'écart quadratique moyen, les différentes méthodes d'estimation considérées sont examinées et une analyse critique de ces méthodes en fonction de la distribution des résultats des tests diagnostiques et de la taille des échantillons est présentée. Des conclusions sont tirées à partir des résultats de la simulation afin de choisir le meilleur estimateur dans ces situations. Puisque le comportement de certains estimateurs n'a jamais été étudié, notre première
18 3 étude comble plusieurs lacunes de la littérature. Dans un second temps, nous retrouvons une étude comparative des tests statistiques présentés au chapitre deux. Une simulation de type Monte Car10 est également utilisée dans le but de comparer des tests statistiques quant au niveau et à la puissance. Des conclusions sont tirées afin de choisir le meilleur test statistique dans des situations concrètes. Comme pour la première étude, nous innovons car aucun auteur n'a jusqu'ici comparé tous ces tests statistiques entre eux.
19 CHAPITRE 1 PRINCIPES DE BASE Dans le domaine de la santé, la performance d'un test de laboratoire peut être décrite au moyen de l'exactitude du diagnostic qu'il permet de poser. Cette exactitude réside dans le fait de pouvoir classer correctement les sujets souffrant d'une maladie ou d'un problème de nature psychologique, physiologique ou autres et les sujets en santé selon le résultat du diagnostic. Les courbes de la caractéristique opérationnelle du résultat (COR) sont utilisées afin d'évaluer la performance d'un test à faire la distinction entre un individu qui n'est pas affecté par le problème ou la maladie (sujet normal) et un individu qui en est atteint (sujet anormal). En outre, les courbes COR ont été conçues afin d'évaluer des tests dans le but de trouver le plus performant. La méthodologie des courbes COR a été développée dans le contexte de la détection des signaux électroniques. En effet, les systèmes diagnostiques (tests) de plusieurs sortes sont utilisés dans le but de distinguer deux classes d'événements:
20 5 les signaux et les bruits. Dans le domaine médical, nous parlons plutôt de diagnostics positifs et négatifs. En somme, la méthodologie des courbes COR repose sur le diagnostic (positif ou négatif) du test étant donné le statut (positif ou négatif) du sujet. En fait, la méthodologie des courbes COR permet de vérifier la performance discriminatoire d'un test pour lequel deux conclusions différentes sont possibles. Avec deux possibilités pour le statut (la vérité) et deux possibilités pour le diagnostic correspondant, les données sont regroupées dans un tableau de contingence de dimension 2x2. Dans le tableau 1.1, le statut est considéré soit positif ou négatif et le diagnostic correspondant est positif ou négatif. Nous trouvons deux cellules où le statut et le diagnostic concordent, les vrais-positifs (cellule comptant a sujets) et les vrais-négatifs (cellule comptant d sujets), deux cellules où il y a discordance, les faux-positifs (cellule comptant b sujets) et les faux-négatifs (cellule comptant c sujets). Enfin, la somme du nombre de sujets de ces quatre cellules est égale au nombre de sujets dans l'échantillon (N). TABLEAU 1.1. Tableau de contingence 2x2 Statut Positif Négatif Diagnostic Positif Négatif a c b d a+b c+d a+c b+d a+b+c+d=n
21 Nous pouvons aussi considérer la fréquence relative plutôt qiie la fréquence absolue de chaque cellule. Lorsque le statut est positif, le diagnostic peut être positif ou négatif. Ainsi, nous définissons la fraction des faux-négatifs (FFN) et son complément, la fraction des vrais-positifs (FVP), par c FFN = - - a+c Nombre de faux diagnostics négatifs (FN) Nombre de statuts positifs a Nombre de vrais diagnostics positifs (VP) FVP = - a+c - Nombre de statuts positifs De façon similaire, lorsque le statut est négatif, le diagnostic peut être positif ou négatif. Ainsi, nous définissons la fraction des vrais-négatifs (FVN) et son complément, la fraction des faux-positifs (FFP), par d FVN = - b+d - Nombre de vrais diagnostics négatifs (VN) Nombre de statuts négatifs b Nombre de faux diagnostics positifs (FP) FFP = - b+d - Nombre de statuts négatifs Dans le langage médical, le terme sensibilité est utilisé pour désigner la fraction des vrais-positifs (FVP) et le terme spécificité représente la fraction des vrais-négatifs (FVN). De même, le terme fausse alarme est employé au lieu de la fraction des faux-positifs (FFP).
22 Par ailleurs, toute l'information pertinente à la performance du test peut être obtenue en utilisant seulement un membre de chacune des paires de fractions complémentaires. Le choix usuel est d'utiliser la ligne supérieure du tableau 1.1, c'est-à-dire la fraction des vrais-positifs (FVP) et la fraction des faux-positifs (FFP). D'autre part, une autre proportion peut être définie. Il s'agit de la fraction de l'échantillon étudié qui est correctement classifiée (FCC). Elle est définie de la façon suivante (voir Metz (1978)): Nombre de diagnostics corrects a + d FCC = - Nombre de sujets N ' Alors, nous obtenons FCC =FVP x +FVN x Nombre de statuts positifs (a + c) Nombre de sujets (N) Nombre de statuts négatifs (b + d) Nombre de sujets (N) Finalement, la prédominance de la maladie dans l'échantillon utilisé avec le test est définie par (a + c)/n, c'est-à-dire la fréquence relative des sujets de l'échantillon dont le statut est positif. De la même façon, (b+d)/n représente la fréquence relative des sujets de l'échantillon dont le statut est négatif. Bien que d'autres proportions peuvent être calculées à partir du tableau 1.1, celles décrites précédemment sont les plus importantes et les plus appropriées pour mesurer la performance décisionnelle d'un test.
23 Les résultats d'un test se présentent toujours sous forme d'une variable continue ou d'une variable discrète. La plupart des données provenant de tests de laboratoire sont le produit de variables continues. Par exemple, un appareil qui mesure la quantité d'enzymes ou la concentration d'un produit quelconque fournit des résultats sous la forme d'une variable continue. Par contre, dans le domaine de l'imagerie médicale (radiologie) et de la psychologie, les résultats des tests peuvent être présentés sous la forme d'une variable discrète nominale ou ordinale. Si nous examinons séparément la distribution des résultats d'un test pour les sujets ayant un statut positif de ceux ayant un statut négatif, trois situations différentes peuvent se présenter. Premièrement, si les distributions sont identiques, alors les résultats du test ne font aucune discrimination entre les deux statuts, la performance du test est nulle. En second lieu, si l'intersection entre le support de chacune des distributions est égale à l'ensemble vide, alors il y a une discrimination parfaite. La performance du test est à son maximum. Par exemple, la distribution des résultats des sujets ayant un statut positif peut prendre des valeurs élevées tandis que celle pour les résultats des sujets ayant un statut négatif des valeurs faibles. D'ailleurs, nous associons en général un résultat de test dont la valeur est élevée avec un diagnostic positif. La convention opposée existe mais, comme il est toujours possible d'inverser l'échelle des résultats afin
24 d'associer la maladie avec un résultat élevé du test, nous ne considérons pas ce cas. Troisièmement, l'intersection entre le support de chacune des distributions peut ne pas être égale à l'ensemble vide sans toutefois que les distributions soient identiques. Dans cette situation, les distributions se chevauchent. Lorsqu'il y a un chevauchement des distributions, une question se pose. A partir de quelle valeur un résultat de test sera déclaré positif? Nous devons alors définir un seuil critique qui correspond à la valeur du test à partir de laquelle tous les sujets ayant une valeur supérieure ou égale seront diagnostiqués positifs. Par conséquent, un sujet ayant un résultat inférieur à cette valeur sera diagnostiqué négatif. Toutefois, étant donné que les résultats des tests peuvent prendre plusieurs valeurs, comment la sensibilité (FVP) et la spécificité (FVN) se comportent-elles avec les différents choix de seuils critiques? Pour répondre à cette question, nous présentons dans la figure 1.1 un exemple de distributions de résultats de test qui se chevauchent. A gauche, nous représentons celle des statuts négatifs et à droite, celle des statuts positifs. De plus, nous identifions sur la figure une valeur de seuil critique s et les fréquences relatives des quatre cellules du tableau 1.1, correspondant à cette valeur. La région hachurée verticalement représente la fraction des sujets ayant un statut positif qui ont un diagnostic positif (FVP) et la région hachurée horizontalement représente la fraction des sujets ayant un statut négatif qui ont un diagnostic négatif (FVN). De même, la région hachurée
25 FIGURE 1.1. Deux distributions représentant les statuts négatifs (à gauche) et les statuts positifs (à droite) avec les fréquences relatives correspondant à une valeur de seuil critique S. obliquement et située à droite du seuil critique représente la fraction des sujets ayant un statut négatif qui ont un diagnostic positif (FFP) et la région hachurée obliquement et située à gauche du seuil critique représente la fraction des sujets ayant un statut positif qui ont un diagnostic négatif (FFN). En augmentant la valeur du seuil critique, la fraction des faux-positifs (FFP) et la fraction des vrais-positifs (FVP) diminuent mais, la fraction des vraisnégatifs (FVN) et la fraction des faux-négatifs (FFN) augmentent. D'autre part, en diminuant la valeur du seuil critique, c'est la situation inverse qui se produit. En somme, les composantes du couple (fausse alarme (FFP), sensibilité (FVP)) varient dans le même sens; il en est de même pour le couple (fraction des fauxnégatifs (FFN), spécificité (FVN)). Les fréquences relatives sont donc influencées si nous déplaçons le seuil critique.
26 Etant donné cette influence, comment devons-nous choisir la valeur du seuil critique? Si nous choisissons une valeur faible, alors il y aura plus de sujets ayant un vrai diagnostic positif et malheureusement, il y aura plus de faux diagnostics positifs. Par exemple, dans le domaine médical, une faible valeur pour le seuil critique signifie que la majorité des statuts positifs subiront un traitement mais, il y aura plusieurs sujets qui seront traités malgré un statut négatif. Est-il alors plus important d'avoir une sensibilité (FVP) élevée en dépit d'une fausse alarme (FFP) élevée ou bien une fausse alarme (FFP) faible en dépit d'une sensibilité (FVP) faible? Est-il plus important de traiter la majorité des sujets malades (sensibilité (FVP) élevée) ou bien de ne pas traiter inutilement les sujets ayant un statut négatif (fausse alarme (FFP) faible)? La décision appartient au spécialiste du domaine. C'est ce dernier qui est le plus apte à décider en analysant toutes les répercussions associées à une décision. En effet, traiter un sujet qui n'est pas malade est coûteux, mais ne pas traiter un sujet qui est malade est très grave. Un autre exemple concernant l'influence du seuil critique est tiré du domaine météorologique. Prévoir une tempête qui n'aura pas lieu (faux-positifs) a un coût plus petit que celui de ne pas prévoir une tempête qui aura vraiment lieu (fauxnégatifs). Dans cette situation, la valeur du seuil critique choisie sera faible de façon à garder la fraction des vrais-positifs (FVP) élevée et la fraction des fauxnégatifs (FFN) faible en dépit d'une fausse alarme (FFP) élevée.
27 12 En résumé, le chercheur du domaine d'application doit examiner les différentes valeurs de seuils critiques et les répercussions associées à ces dernières. Ces répercussions peuvent se présenter sous forme de coût, de perte de vie ou de problèmes divers. L'objectif du chercheur est donc d'obtenir un bon compromis entre la sensibilité (FVP) et la fraction des faux-positifs (FFP) tout en tenant compte des répercussions associées à son choix. Avoir une sensibilité (FVP) élevée et une fausse alarme (FFP) faible est sans aucun doute la situation désirée. Pour faciliter la décision du chercheur, l'approche suivante est proposée. En faisant varier le seuil critique à plusieurs reprises, nous obtenons des paires différentes de sensibilité (FVP) et de fausse alarme (FFP). Ces deux valeurs sont placées sur un graphique avec coordonnées y et x respectivement. Le domaine de définition du graphique est le carré [O,l]x[O,l]. En reliant les différents points, une courbe peut être tracée. Cette courbe est appelée la "courbe de la caractéristique opérationnelle du résultat (COR)" pour un test diagnostique. Dans la figure 1.2, nous présentons un exemple d'une courbe COR. Elle permet au chercheur de visualiser les différentes valeurs de sensibilité (FVP) et de fausse alarme (1-spécificité) associées à des niveaux de seuils critiques différents. Ces courbes doivent inévitablement passer par le coin inférieur gauche (FFP = O, FVP = 0) car tous les sujets peuvent être diagnostiqués négatifs et par le coin supérieur droit (FFP = 1, FVP = 1) car tous les sujets peuvent être diagnostiqués positifs. Comme nous avons mentionné précédemment, le but premier de
28 Fausse alarme (FFP) FIGURE 1.2. Courbe de la caractéristique opérationnelle du résultat (COR) et droite de la non-information. l'expérimentateur est d'avoir une sensibilité (FVP) élevée et une fausse alarme (FFP) faible. Cette situation correspond à un point sur la courbe situé près du coin supérieur gauche de l'espace COR qui correspond au carré unité. Par ailleurs, un test qui est parfaitement discriminatoire (distributions distinctes), à une sensibilité (FVP) qui vaut 1 pour toutes les valeurs de fausse alarme (FFP) comprises dans l'intervalle (0'11. Lorsque la fausse alarme (FFP) vaut O, la sensibilité (FVP) varie entre O et 1. Cette situation est représentée par une courbe qui est située sur l'axe vertical gauche et l'axe horizontal supérieur de l'espace COR. Ainsi, plus un test est performant, plus la courbe s'approche de ces axes.
29 Par contre, si nous avons la sensibilité (FVP) égale à la fraction des fauxpositifs (FFP) pour toutes les valeurs du seuils critiques, alors nous dirons que le test est non-informatif. Dans un contexte théorique, cela signifie que pour toutes les valeurs du seuil critique, la probabilité que le diagnostic du test soit positif est la même quel que soit le statut du sujet. Les résultats du test sont alors comparables à un test dont le diagnostic est basé sur le hasard. Cette situation est représentée par la droite diagonale passant par le point (0'0) et le point(1,l). Cette droite est appelée la droite de la non-information ou la droite diagonale de la chance. Cette droite est tracée à l'aide de tirets dans la figure 1.2. De plus, comme la sensibilité (FVP) et la fraction des faux-positifs (FFP) sont obtenues séparément, en utilisant les résultats d'un test à partir de deux groupes distincts (statut positif et statut négatif), alors ces deux mesures sont indépendantes de la prédominance de la maladie. Cela signifie qu'elles ne dépendent pas de la fréquence relative des sujets dont le statut est positif ou négatif. Par ailleurs, le choix de la valeur du seuil critique d'un test peut dépendre de la prédominance de la maladie. En effet, si la fréquence relative des sujets ayant un statut positif est faible, le chercheur devrait choisir une valeur élevée pour le seuil critique sinon, plusieurs sujets seront faussement diagnostiqués positifs. De cette façon, le chercheur s'assure de garder la fraction des faux-positifs (FFP) faible. Cette situation correspond à l'utilisation d'un point avec une fausse alarme (FFP) près de O, en dépit d'une sensibilité (FVP) plus faible. En général, ce point se trouve sur la portion de la courbe qui est située près de l'axe vertical gauche de l'espace
30 15 COR où les différents points sont obtenus par des valeurs de seuil critique élevées. Cependant, si la prédominance de la maladie est forte, le chercheur devrait choisir une valeur faible pour le seuil critique. De cette façon, presque tous les sujets ayant un statut positif seront diagnostiqués positifs. Ainsi, il garde la fraction des vrais-positifs (FVP) élevée en dépit d'une fraction des faux-positifs (FFP) élevée. En général, ce point se trouve sur la portion de la courbe qiii est située près de l'axe horizontal supérieur de l'espace COR où les différents points sont obtenus par des valeurs de seuil critique faibles. Donc, selon la prédominance de la maladie, le chercheur peut choisir une valeur de seuil critique (faible ou élevée) qui répond aux caractéristiques de son domaine. Essentiellement, une courbe COR décrit un compromis entre la sensibilité (FVP) et la fraction des faux-positifs (FFP). Elle donne un aperçu de l'ensemble de toutes les paires de sensibilité (FVP) et de fausse alarme (FFP) pour un test diagnostique. Elle représente l'habilité du test à faire une discrimination selon des valeurs différentes de seuils critiques.
31 Nature des données Dans la plupart des domaines où on utilise des tests diagnostiques, les résultats sont le produit d'une variable dichotomique, catégorielle ordinale ou continue. Dans les prochaines sections, nous décrirons selon la nature des données, la méthode à utiliser afin d'obtenir des points dans l'espace COR Données dichotomiques Dans le domaine de l'imagerie médicale, les tests diagnostiques sont générale- ment interprétés par des observateurs (radiologistes, médecins,...) qui fournissent des résultats sous forme dichotomique (positif ou négatif). L'observateur regarde une à une, les images obtenues à partir d'un échantillon de sujets. Pour chacune de ces images, il pose un diagnostic (positif ou négatif). Aucun autre diagnostic n'est permis. Par exemple, l'observateur ne peut répondre '(je ne sais pas". Cette procédure est appelée "méthode oui/nonn ou "méthode dichotomique".
32 17 Pour mesurer la performance d'un test diagnostique, nous devons connaître le statut de chacun des sujets. Ce dernier doit être obtenu par un moyen indépendant du test diagnostique qui est évalué. Evidemment, cette étape est effectuée à l'insu de l'observateur. Avec le statut de chacun des sujets, nous pouvons calculer la sensibilité (FVP) et la fraction des faux-positifs (FFP) afin d'obtenir un point sur le graphique. Pour obtenir plusieurs points, l'observateur regarde la même série d'images à plusieurs reprises. Pour chacune des séries, l'observateur varie la sévérité de son jugement. Il fait en quelque sorte varier le seuil critique. De cette façon, nous obtenons plusieurs couples (FFP,FVP) qui permettent, en les reliant, d'obtenir une courbe COR. Toutefois, cette approche est inefficace sur le plan pratique car elle exige que l'observateur regarde la série d'images M fois pour obtenir M points sur le graphique Données discrètes En psychologie expérimentale, il est fréquent que les tests diagnostiques fournissent des résultats qui sont le produit d'une variable discrète. Ces tests se ramènent à fournir une catégorie parmi plusieurs (K). Par exemple, les catégories peuvent être représentées par une échelle ordinale; (1) définitivement négatif, (2) probablement négatif, (3) indécis, (4) probablement positif, (5) définitivement positif et l'observateur assigne une valeur de l'échelle à chacun des sujets.
33 18 Pour établir une courbe COR, il faut procéder de la façon suivante. Premièrement, seulement les résultats de la catégorie correspondant aux sujets définitivement positifs (catégorie 5) sont considérés positifs tandis que les autres sont tous considérés négatifs. Avec le statut de chaque sujet obtenu préalablement, nous obtenons la sensibilité (FVP) et la fraction des faux-positifs (FFP). Ce couple correspond à l'utilisation d'une valeur de seuil critique élevée, c'est-à-dire que les sujets sont considérés positifs si l'observateur est certain que les sujets étudiés sont positifs. Ensuite, les sujets positifs sont définis par les sujets qui correspondent aux deux catégories les plus fortement positives (catégories 4 et 5). La sensibilité (FVP) et la fraction des faux-positifs (FFP) sont calculées et nous obtenons un point correspondant à une valeur de seuil critique moins élevée. Cette procédure est répétée en prenant les trois catégories les plus fortement positives, ensuite en retenant les quatre catégories les plus fortement positives,.... Finalement, tous les résultats sont considérés positifs et dans ce cas, la sensibilité (FVP) et la fraction des faux-positifs (FFP) sont égales à 1. En procédant de cette façon, nous trouvons K-1 points différents à partir d'une échelle de K catégories en plus du point (0'0) et du point (1'1). L'utilisation d'une échelle ordinale de K catégories est préférable à l'utilisation d'une échelle dichotomique car la méthode à utiliser avec une échelle ordinale exige que l'observateur analyse seulement une fois l'ensemble des sujets. De plus, la méthode précédente possède l'avantage d'aider à assurer une meilleure répartition des points sur le graphique étant donné les catégories de classement.
Chapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailPerrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6
Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 1 1.But et théorie: Le but de cette expérience est de comprendre l'intérêt de la spectrophotométrie d'absorption moléculaire
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes 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 détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailLa conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA)
La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) I. L'intérêt de la conversion de données, problèmes et définitions associés. I.1. Définitions:
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailMarchés oligopolistiques avec vente d un bien non homogène
Marchés oligopolistiques avec vente d un bien non homogène Partons de quelques observations : 1. La plupart des industries produisent un grand nombre de produits similaires mais non identiques; 2. Parmi
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailRÉSOLUTION DE SYSTÈMES À DEUX INCONNUES
RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détail6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailComment tracer une droite représentative d'une fonction et méthode de calcul de l'équation d'une droite.
Comment tracer une droite représentative d'une fonction et méthode de calcul de l'équation d'une droite. Introduction : Avant de commencer, il est nécessaire de prendre connaissance des trois types de
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
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 détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailCHAPITRE IX : Les appareils de mesures électriques
CHAPITRE IX : Les appareils de mesures électriques IX. 1 L'appareil de mesure qui permet de mesurer la différence de potentiel entre deux points d'un circuit est un voltmètre, celui qui mesure le courant
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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en 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 détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
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 détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailDegré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1
Degré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1 L utilisation des indicateurs de performance ne peut se faire de manière pertinente
Plus en détailChapitre 4: Dérivée d'une fonction et règles de calcul
DERIVEES ET REGLES DE CALCULS 69 Chapitre 4: Dérivée d'une fonction et règles de calcul Prérequis: Généralités sur les fonctions, Introduction dérivée Requis pour: Croissance, Optimisation, Études de fct.
Plus en détailLes mesures à l'inclinomètre
NOTES TECHNIQUES Les mesures à l'inclinomètre Gérard BIGOT Secrétaire de la commission de Normalisation sols : reconnaissance et essais (CNSRE) Laboratoire régional des Ponts et Chaussées de l'est parisien
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailLa polarisation des transistors
La polarisation des transistors Droite de charge en continu, en courant continu, statique ou en régime statique (voir : le transistor) On peut tracer la droite de charge sur les caractéristiques de collecteur
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailG.P. DNS02 Septembre 2012. Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3. Réfraction
DNS Sujet Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3 Réfraction I. Préliminaires 1. Rappeler la valeur et l'unité de la perméabilité magnétique du vide µ 0. Donner
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailNotion de fonction. Série 1 : Tableaux de données. Série 2 : Graphiques. Série 3 : Formules. Série 4 : Synthèse
N7 Notion de fonction Série : Tableaux de données Série 2 : Graphiques Série 3 : Formules Série 4 : Synthèse 57 SÉRIE : TABLEAUX DE DONNÉES Le cours avec les aides animées Q. Si f désigne une fonction,
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
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 détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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 détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
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 détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en 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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détail