Analyse de survie

thumb|Exemple de courbe de survie. L'analyse de (la) survie est une branche des statistiques qui cherche à modéliser le temps restant avant la mort pour des organismes biologiques (l'espérance de vie) ou le temps restant avant l'échec ou la panne dans les systèmes artificiels, ce que l'on représente graphiquement sous la forme d'une courbe de survie. On parle aussi d'analyse de la fiabilité en ingénierie, d'analyse de la durée en économie ou d'analyse de l'histoire d'événements en sociologie. La représentation des données de survie se fait souvent sous la forme graphique d'une courbe de survie. Plus généralement, l'analyse de survie implique la modélisation du facteur temps dans la probabilité d'occurrence des événements, notamment grâce à des concepts tels que le taux de défaillance instantané ou la loi de fiabilité d'un système. L'analyse de survie a été généralisée à la modélisation d'événements non pas uniques mais récurrents dans le temps, comme peuvent l'être par exemple les rechutes en cas de maladie, voire à des systèmes plus complexes encore soumis à des risques multiples qui peuvent dépendre les uns des autres, etc. L'analyse de survie repose souvent sur des séries temporelles de données longitudinales. Dans les cas où les événements d'intérêt ne se sont pas produits avant la fin de la période d'observation (par exemple, la maladie n'est pas apparue chez un malade) on parle de censure de la série de données. La première méthode d'analyse de survie, la méthode actuarielle, est apparue en 1912. Elle est utilisée dans le domaine médical pour la première fois en 1950. La seconde méthode, dite de Kaplan-Meier, est apparue en 1958. La fonction de survie ( ), notée S par convention, est définie par : où t est la variable temps, T est une variable aléatoire symbolisant le moment du décès, et est la fonction probabilité. La fonction de survie est égale à la probabilité que le décès intervienne après un temps t donné.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Catégories associées (16)

Concepts associés (13)

Cours associés (15)

Séances de cours associées (217)

Personnes associées (7)

Publications associées (321)

Unités associées (8)

Medical statistics

Medical statistics deals with applications of statistics to medicine and the health sciences, including epidemiology, public health, forensic medicine, and clinical research. Medical statistics has been a recognized branch of statistics in the United Kingdom for more than 40 years but the term has not come into general use in North America, where the wider term 'biostatistics' is more commonly used. However, "biostatistics" more commonly connotes all applications of statistics to biology.

Loi de Fréchet

En théorie des probabilités et en statistique, la loi de Fréchet est un cas particulier de loi d'extremum généralisée au même titre que la loi de Gumbel ou la loi de Weibull. Le nom de cette loi est dû à Maurice Fréchet, auteur d'un article à ce sujet en 1927. Des travaux ultérieurs ont été réalisés par Ronald Aylmer Fisher et L. H. C. Tippett en 1928 et par Emil Julius Gumbel en 1958. Sa fonction de répartition est donnée par : où est un paramètre de forme.

Loi d'extremum généralisée

En probabilité et statistique, la loi d'extrémum généralisée est une famille de lois de probabilité continues qui servent à représenter des phénomènes de valeurs extrêmes (minimum ou maximum). Elle comprend la loi de Gumbel, la loi de Fréchet et la loi de Weibull, respectivement lois d'extrémum de type I, II et III. Le théorème de Fisher-Tippett-Gnedenko établit que la loi d'extremum généralisée est la distribution limite du maximum (adéquatement normalisé) d'une série de variables aléatoires indépendantes de même distribution (iid).

FIN-417: Quantitative risk management

This course is an introduction to quantitative risk management that covers standard statistical methods, multivariate risk factor models, non-linear dependence structures (copula models), as well as p

MATH-447: Risk, rare events and extremes

MATH-232: Probability and statistics

A basic course in probability and statistics

A story of two transitions: From adhesive to abrasive wear and from ductile to brittle regime

Jean-François Molinari, Sacha Zenon Wattel

Atomistic simulations performed with a family of model potential with tunable hardness have proven to be a great tool for advancing the understanding of wear processes at the asperity level. They have been instrumental in finding a critical length scale, w ...

2024

Tree diversity reduces variability in sapling survival under drought

Charlotte Grossiord, Jingjing Liang, Xiaojuan Liu

Enhancing tree diversity may be important to fostering resilience to drought-related climate extremes. So far, little attention has been given to whether tree diversity can increase the survival of trees and reduce its variability in young forest plantatio ...

Wiley2024

Effects of Hyporheic Exchange and Settlement on the Particle Size Distribution of Colloids

David Andrew Barry, Qihao Jiang

Colloid particle size plays an important role in contaminant adsorption and clogging in the hyporheic zone, but it remains unclear how the particle size changes during the transport of colloids. This study investigated the variation of the particle size of ...

New York2024

Statistique mathématique

vignette|Une régression linéaire. Les statistiques, dans le sens populaire du terme, traitent à l'aide des mathématiques l'étude de groupe d'une population. En statistique descriptive, on se contente de décrire un échantillon à partir de grandeurs comme la moyenne, la médiane, l'écart type, la proportion, la corrélation, etc. C'est souvent la technique qui est utilisée dans les recensements. Dans un sens plus large, la théorie statistique est utilisée en recherche dans un but inférentiel.

Régression (statistiques)

En mathématiques, la régression recouvre plusieurs méthodes d’analyse statistique permettant d’approcher une variable à partir d’autres qui lui sont corrélées. Par extension, le terme est aussi utilisé pour certaines méthodes d’ajustement de courbe. En apprentissage automatique, on distingue les problèmes de régression des problèmes de classification. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.

Loi de probabilité

thumb|400px 3 répartitions.png En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d'un phénomène dépendant du hasard. L'étude des phénomènes aléatoires a commencé avec l'étude des jeux de hasard. Jeux de dés, tirage de boules dans des urnes et jeu de pile ou face ont été des motivations pour comprendre et prévoir les expériences aléatoires. Ces premières approches sont des phénomènes discrets, c'est-à-dire dont le nombre de résultats possibles est fini ou infini dénombrable.

Paramètres d'estimation des VEM MATH-447: Risk, rare events and extremes

Explore les techniques d'estimation des paramètres GEV à l'aide de méthodes graphiques et basées sur la probabilité, illustrées par des exemples du monde réel.

Ajuster les courbes de Gumbel aux données de pluie ENV-221: Hydrology for engineers

Explore l'ajustement des courbes de Gumbel aux données de précipitations en hydrologie.

Théorie de la valeur extrême: GEV et GPD FIN-417: Quantitative risk management

Couvre la théorie de la valeur extrême, en se concentrant sur les distributions GEV et GPD et le modèle POT pour les dépassements de seuils.