Intervalle de fluctuation

Résumé

En mathématiques, un intervalle de fluctuation, aussi appelé intervalle de pari, permet de détecter un écart important par rapport à la valeur théorique pour une grandeur établie sur un échantillon. C'est un intervalle dans lequel la grandeur observée est censée se trouver avec une forte probabilité (souvent de l'ordre de 95 %). Le fait d'obtenir une valeur en dehors de cet intervalle s'interprète alors en mettant en cause la représentativité de l'échantillon ou la valeur théorique. À l'inverse, le fait que la moyenne soit comprise dans l'intervalle n'est pas une garantie de la validité de l'échantillon ou du modèle. Lorsque la grandeur observée est une proportion d'individus satisfaisant certains critères dans l'échantillon, l'intervalle de fluctuation est déterminé par la loi binomiale. Si la taille de l'échantillon n est suffisamment importante et la proportion p vérifie np ≥ 5 et n(1–p) ≥ 5, alors cette loi est approchée par la loi normale en vertu du t

Source officielle

https://fr.wikipedia.org/wiki/Intervalle_de_fluctuation

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.

Publications associées (17)

Chargement

Afficher plus

Publications associées

Chargement

Personnes associées (2)

Personnes associées

Chargement

Unités associées (3)

Unités associées

Chargement

Concepts associés (21)

Concepts associés

Chargement

Cours associés (27)

Cours associés

Chargement

Séances de cours associées (50)

Séances de cours associées

Chargement

Publications associées (17)

Comparative study of joint analysis of microarray gene expression data in survival prediction and risk assessment of breast cancer patients

Haleh Yasrebi

Microarray gene expression data sets are jointly analyzed to increase statistical power. They could either be merged together or analyzed by meta-analysis. For a given ensemble of data sets, it cannot be foreseen which of these paradigms, merging or meta-analysis, works better. In this article, three joint analysis methods, Z-score normalization, ComBat and the inverse normal method (meta-analysis) were selected for survival prognosis and risk assessment of breast cancer patients. The methods were applied to eight microarray gene expression data sets, totaling 1324 patients with two clinical endpoints, overall survival and relapse-free survival. The performance derived from the joint analysis methods was evaluated using Cox regression for survival analysis and independent validation used as bias estimation. Overall, Z-score normalization had a better performance than ComBat and meta-analysis. Higher Area Under the Receiver Operating Characteristic curve and hazard ratio were also obtained when independent validation was used as bias estimation. With a lower time and memory complexity, Z-score normalization is a simple method for joint analysis of microarray gene expression data sets. The derived findings suggest further assessment of this method in future survival prediction and cancer classification applications.

Oxford Univ Press2016

Chargement

Robustness via Cross-Domain Ensembles

Oguzhan Fatih Kar, Amir Roshan Zamir, Shuqing Teresa Yeo

We present a method for making neural network predictions robust to shifts from the training data distribution. The proposed method is based on making predictions via a diverse set of cues (called 'middle domains') and ensembling them into one strong prediction. The premise of the idea is that predictions made via different cues respond differently to a distribution shift, hence one should be able to merge them into one robust final prediction. We perform the merging in a straightforward but principled manner based on the uncertainty associated with each prediction. The evaluations are performed using multiple tasks and datasets (Taskonomy, Replica, ImageNet, CIFAR) under a wide range of adversarial and non-adversarial distribution shifts which demonstrate the proposed method is considerably more robust than its standard learning counterpart, conventional deep ensembles, and several other baselines.

IEEE2021

Chargement

EPFL/LMH1997

Chargement

Afficher plus