THESE DE DOCTORAT DE L UNIVERSITE PARIS 6

Size: px
Start display at page:

Download "THESE DE DOCTORAT DE L UNIVERSITE PARIS 6"

Transcription

1 THESE DE DOCTORAT DE L UNIVERSITE PARIS 6 Spécialité Statistique Présetée par Ségole Geffray Pour obteir le grade de DOCTEUR de l UNIVERSITE PARIS 6 Sujet de la thèse : Estimatio o-paramétrique de doées cesurées das u cadre multi-états souteue le 3 ovembre 26 devat le jury composé de : Paul DEHEUVELS Jea-Yves DAUXOIS Igrid VAN KEILEGOM Gérard DERZKO Agathe GUILLOUX Catherie HUBER Zha SHI Directeur de thèse Rapporteur Rapporteur Examiateur Examiatrice Examiatrice Examiateur

2 Remerciemets Ce fut pour moi u privilège et u hoeur d avoir été l élève de Paul Deheuvels. Sa grade rigueur scietifique, so respect pour ue grade liberté de pesée et d actio aisi que la cofiace qu il m a accordée pedat toutes ces aées m ot permis de meer à bie ce travail. Je remercie vivemet Gérard Derzko d avoir été l iitiateur de ce travail. J ai été heureuse qu il me doe l occasio de m itéresser à ce sujet passioat qu est l aalyse des durées de vie. Mes recherches ot été motivées par ue problématique issue du mode pharmaceutique. J ai été particulièremet ethousiaste de pouvoir mettre e oeuvre mes résultats théoriques sur la base de doées CAPRIE qu il a gééreusemet mise à ma dispositio. Je ties à exprimer toute ma gratitude à Agathe Guilloux qui m accompage depuis 4 as à chaque étape de mo travail. Le chemi a été fructueux : depuis la première ote CRAS, il y a eu la première présetatio aux jourées de la SFDS, le premier article... et puis fialemet elle a relu miutieusemet ma thèse. Sas so aide précieuse, so soutie moral et so extrême patiece, cette thèse aurait jamais vu le jour. Je suis très hoorée que Jea-Yves Dauxois et Igrid Va Keilegom aiet accepté la dure tâche de rapporteur. Je ties à les remercier sicèremet du temps qu ils ot cosacré à mo travail aisi que pour leurs commetaires précieux et erichissats pour l aveir. Merci ifiimet à Pierre et Gwladys pour leur amitié et leur soutie tat scietifique que moral. Leur boe humeur et leurs ecouragemets (à la fois pour ce travail et pour les projets futurs) me sot allés droit au coeur. Merci à Pascal de m avoir ouvert les portes de la bibliothèque, tat pour cosulter les ouvrages que pour discuter autour d u café. Merci à Louise pour sa getillesse presque materelle et à Ae pour so efficacité joyeuse. Merci aussi à tous les (ex-)membres du laboratoire pour l atmosphère qu ils ot su créer et e particulier merci à Delphie, Jérôme, Emmauel et Armelle. J ai ue pesée pour tous les (ex-)doctorats que j ai cotoyés (Jea-Baptiste, David, David, Julie, Olivier, Salim, Ae... etre autres) et pour les italiees (Samuela, Esteria, Aa- Maria et Rosalba). Je remercie chaleureusemet mes parets à qui je dois la réussite de toutes mes études. Merci pour votre soutie et merci à Mama pour ses explicatios médicales. Merci du fod du coeur à ma fratrie, Clot et Greg, pour l assistace iformatique efficace (motage et démotage d ordiateurs, istallatio et désistallatio de logiciels,...) et pour le soutie baroque si idispesable.

3 Je e saurais oublier, bie que je e les cite pas, toutes celles et tous ceux dot la getillesse, le sourire et l affectio m aidet à avacer das la vie...

4 Cotets 1 Itroductio to lifetime aalysis Lifetime data ad idepedet right-cesorig Failure times Idepedet radom right-cesorig The Nelso-Aale ad Kapla-Meier estimators Martigale-based iferece Empirical processes-based iferece Competig risks Defiitios The problem of idetifiability Iferece for idepedet ad depedet competig risks Depedet competig risks i presece of idepedet radom right-cesorig The Aale-Johase estimator Martigale-based iferece Some parametric models Uivariate expoetial distributio Bivariate expoetial distributio Uivariate expoetial Weibull distributio Strog approximatios ad LIL for processes based o the Aale-Johase estimator for the subdistributio fuctios Itroductio Mai results Strog approximatios LIL-type results Proofs Prelimiary results A first step toward the proof of Theorem Proof of Theorem Proofs of Theorems 11 ad Proof of Theorem 13 ad Proof of Propositio

5 2 Cotets 3 Costructio of joit cofidece bads for the subdistributio fuctios Itroductio Weak covergece The mai result Covergece of a useful martigale Proof of Theorem Cofidece bads Simulatios A parametric model Desig of the simulatios Results ad discussio Graphical displays ACBVW examples Simulated cofidece bads Proportioal subdistributio fuctios Itroductio The estimator ad its strog uiform cosistecy A LIL type result A strog approximatio result Weak covergece Recurret evets i the presece of a termial evet ad idepedet right-cesorig Itroductio ad backgroud Notatios Fuctios of iterest Estimatio Estimatio of the cesorig distributio fuctio Estimatio with the first duratio Estimatio with the secod duratio Estimatio with the k-th duratio Simulatios Applicatio to real data: the CAPRIE study Descriptio of the CAPRIE study The results of the CAPRIE study Cotributio of the precedig methodology Graphical displays Simulatio results Aalysis of the CAPRIE study A Mathematical backgroud 149 B Some R programs 163

6 Itroductio Le préset travail traite de l aalyse statistique o-paramétrique des durées de vie. L aalyse classique des durées de vie s itéresse à la durée jusqu à l apparitio d u évèemet d itérêt, comme la durée de vie avat u décès dû à ue certaie cause (cacer, maladie ifectieuse, accidet de la route...), la durée de répose à u traitemet, la durée avat le développemet d ue pathologie particulière, etc... La durée de vie d itérêt est alors modélisée par ue variable aléatoire positive X dot o veut estimer la loi. Das la pratique, il est courat qu o e puisse pas observer X directemet. C est le cas, par exemple, quad u idividu quitte l étude e cours avat la surveue de l évèemet d itérêt. Das ce cas, o sait seulemet que la durée X etre le début de l étude et l évèemet d itérêt est supérieure à la durée passée das l étude. O modélise ce phéomèe e supposat que l o observe le miimum mi(x, C) etre la variable d itérêt X et ue variable positive que l o ote C et que l o omme cesure aléatoire droite. Das ce cas, o supposera toujours que l o observe égalemet l idicatrice I(X C). L aalyse classique des durées de vie se cocetre alors sur les méthodes qui permettet d estimer la loi de X à partir d u échatillo cesuré de la forme (mi(x i, C i ), I(X i C i )) pour i = 1,...,. Das le chapitre 1, ous proposos u exposé des otios, modèles et résultats classiques de l aalyse des durées de vie. Ue première extesio du cas simple précédet cosiste à cosidérer des situatios das lesquelles il y a plus u seul évèemet d itérêt mais plusieurs types d évèemets, chacu état dû à u risque doé. Soit J le ombre total de risques et, pour j = 1,..., J, soit X j la durée jusqu à l apparitio d u évèemet dû au risque j e l absece des autres risques. Le modèle des risques cocurrets postule que l o observe pas toutes les variables X j pour j = 1,..., J mais seulemet leur miimum mi(x 1,..., X J ). Das ce cas, o supposera toujours que l o observe e plus ue variable C qui pred la valeur j lorsque le miimum observé correspod à u évèemet dû au risque j. L exemple usuel de risques cocurrets est celui de la populatio humaie qui est soumise à plusieurs causes de mort : u idividu meurt ue seule fois et par ue seule cause. Les foctios de répartitio spécifiques à ue cause doée correspodat au délai jusqu à l avèemet d u évèemet d u type doé permettet de décrire l évolutio d u risque doé e présece de tous les autres risques. Das les chapitres 2 et 3, ous apportos ue cotributio à l étude du modèle gééral des risques cocurrets. Puis, das le chapitre 4, ous ous itéressos au modèle des risques cocurrets à foctios de répartitio spécifiques à ue cause doée proportioelles. 3

7 4 Itroductio Ue secode extesio cosiste à cosidérer des évèemets qui peuvet se répéter au cours du temps chez u même sujet (ifectios opportuistes chez les sidées, récurrece de tumeurs chez les cacéreux...). Pour chaque idividu, les doées cosistet alors e ue suite de temps d arrivée correspodat aux évèemets successifs. Das la pratique, l observatio de ces durées est souvet défiitivemet stoppée soit par ue cesure droite idépedate soit par u évèemet termial dépedat des évèemets récurrets (décès). Les foctios de répartitio correspodat à la durée etre deux évèemets récurrets successifs coditioellemet à la survie aux évèemets précédets permettet de décrire l évolutio du risque. Das le chapitre 5, ous proposos ue étude du modèle d évèemet répétés termiés par u décès e présece de cesure. Modèle de risques cocurrets dépedats e présece de cesure droite idépedate (chapitres 2 et 3) La première partie de cette thèse cocere l étude du modèle des risques cocurrets dépedats que ous présetos ici. Itroduisos ue populatio d idividus soumis à J (J 2) risques qui e sot pas supposés idépedats. Chacu de ces risques etraîe la réalisatio d évèemets d u type doé. Pour u idividu doé, o observe pas tous les types d évèemets susceptibles de surveir mais seulemet le premier évèemet qui se réalise au cours du temps. Cet évèemet est dû à u risque et u seul. Autremet dit, ous supposos das toute la suite que deux évèemets de type différet e peuvet se produire simultaémet chez u même idividu. Das ue telle situatio, o dit que les différets risques sot e cocurrece. Das cette situatio, u couple de variable aléatoire (X, C) est associé à chaque idividu de la populatio. La variable aléatoire X représete la durée au bout de laquelle se produit l évèemet d itérêt, elle est positive de foctio de répartitio F défiie pour t par F (t) = P[X t]. La variable aléatoire à valeurs etières C pred la valeur j lorsque l évèemet est dû au jème risque. Elle idique doc le type de l évèemet, le risque à l origie de l évèemet. Das ce cotexte, o s itéresse aux différetes foctios de répartitio spécifiques à ue cause doée, elles sot défiies pour j = 1,..., J et t par F (j) (t) = P[X t, C = j]. Pour t, la quatité F (j) (t) représete la probabilité qu u évèemet de type j se produise avat l istat t et que les autres types d évèemet aiet pas ecore eu lieu à cet istat t. Les foctios F (j) sot des foctios de répartitio impropres puisqu elles e valet pas 1 e l ifii. Nous supposos das la suite que les différetes foctios F (j) pour des idices j différets ot des poits de discotiuité disticts. Das la réalité, le couple (X, C) peut être cesuré par ue variable positive C de loi G. Das toute la suite, ous supposeros l idépedace de (X, C) et C. Lorsqu il y a cesure, ous savos que la durée d itérêt X est supérieure à l istat de cesure C

8 observé mais la valeur exacte de X est icoue. Bie sûr, aucue iformatio est alors dispoible sur C, le risque associé à la durée X. Pour chaque idividu, o observe alors u couple de variables aléatoires ( T = mi(x, C), J = CI(X C) ). 5 Soit u échatillo (T i, J i ) pour i = 1,..., de couples idépedats distribués comme (T, J). Notos T 1,, T 2,,..., T, les statistiques d ordre associées à l échatillo T 1,..., T. Par idépedace de X et C, les variables aléatoires T 1,..., T sot idépedates et idetiquemet distribuées de loi H doée par la relatio 1 H = (1 F )(1 G). Notos τ H la bore supérieure du support de H (qui est le miimum des bores supérieures des supports de F et G) défiie par τ H = sup{x : H(x) < 1. Il est importat de remarquer qu aucue observatio est possible au-delà de ce poit. Aale (1978a, 1978b) a itroduit des processus stochastiques qui permettet de décrire les doées de l aalyse des durées de vie. E s appuyat sur la théorie des martigales à temps cotiu et sur l itégrale stochastique, Aale (1978a, 1978b) a proposé des estimateurs pour les foctios d itérêt de la statistique des durées de vie et a obteu différets résultats asymptotiques. Lorsque le processus des états successifs occupés par u idividu au cours du temps est u processus de Markov ihomogèe, Aale et Johase (1978) ot itroduit u estimateur des probabilités de trasitio etre états e présece de cesure aléatoire droite idépedate. Ils ot otammet obteu la cosistece faible de cet estimateur sur u compact aisi qu u résultat de covergece faible sous hypothèse de cotiuité. E fait, la situatio qui ous occupe est u cas particulier du cas de Aale et Johase puisque ous sommes e présece d u processus de Markov comportat u état trasciet et plusieurs états absorbats (J). Aisi, les foctios F (j) sot estimables au moye de l estimateur correspodat de Aale-Johase qui est défii pour t par : F (j) (t) = 1 i=1 1 F (T i ) 1 H (T i ) I(T i t, J i = j), où H est la modificatio cotiue à gauche de la foctio de répartitio empirique H défiie pour t par : H (t) = 1 I(T i t). i=1 L expressio de l estimateur de Aale-Johase implique égalemet la modificatio cotiue à gauche F de l estimateur de Kapla-Meier de F qui est défii pour t par : F (t) = 1 i=1 ( 1 I(T ) i t, J i ). (1 H (T i )) Nous rappelos ci-dessous quelques-us des ombreux résultats qui ot été proposés pour l estimateur de Kapla-Meier. Ils illustret la difficulté que l o recotre das l établissemet de résultats asymptotiques près de la bore supérieure τ H du support de H. Nous distiguos pricipalemet trois approches.

9 6 Itroductio Certais auteurs, comme Breslow et Crowley (1974), Földes et Rejtó (1981b) ou Major et Rejtő (1988), ot obteu des résultats asymptotiques pour F sur u itervalle compact strictemet iclus das le support de H. O se référera à Deheuvels et Eimahl (1996, 2) pour des résultats très fis du type loi du logarithme itéré foctioelle et valables e u poit doé ou sur u compact strictemet iclus das le support de H. D autres auteurs, comme Földes et Rejtó (1981a), Gill (1983), Csörgő et Horváth (1983b), Yig (1989) ou Che et Lo (1997) ot obteu des résultats asymptotiques sur le support de H tout etier mais sous des hypothèses sur les queues de distributio de F et G restrictives et surtout ivérifiables e pratique. Ou alors, e l absece d hypothèse, les vitesses de covergece fouries peuvet e pas coverger vers. Il apparaît doc qu il est pas possible d obteir des résultats sur l itervalle [, τ H ] sas imposer des coditios sur les queues de distributio. Les résultats de Stute (1994a) costituet u compromis etre les résultats obteus sas hypothèse sur u compact et les résultats obteus sous hypothèse sur le support de H tout etier. E effet, Stute (1994a) a obteu des résultats sur des itervalles aléatoires croissats qui peuvet asymptotiquemet recouvrir tout compact iclus das le support de H, et ce, sas hypothèse sur les queues de distributio de F et G. Ces itervalles sot les itervalles [, T k,] s arrêtat à la ( k )ème statistique d ordre. La suite (k ) est ue suite d etiers compris etre 1 et 1 et, si o la choisit égligeable devat, alors T k, coverge e probabilité vers τ H. Csörgő (1996) et Gié et Guillou (1999) ot égalemet adopté cette approche. Nous motros das les théorèmes 1, 11 et 13 que l estimateur de Aale-Johase se comporte asymptotiquemet de la même faço que l estimateur de Kapla-Meier. Nous ous aligos pour cela sur la troisième approche présetée. Autremet dit, o s attachera à établir des résultats sur les itervalles aléatoires croissats [, T k,]. Nous fourissos ue première approximatio forte pour les processus (j) ( F F (j) ) de faço joite pour j = 1,..., J. L obtetio des théorèmes 1, 11 et 13 (aisi que des théorèmes 21 et 22 au chapitre 4) requiert ue hypothèse otée (H) qui est explicitée au début de la sectio 2.2 du chapitre 2. Il s agit de coditios de régularité et de croissace sur la suite d etiers (k ). Pour la clarté de l exposé, ous itroduisos les otatios suivates. Pour ue suite (ξ ) de variables aléatoires et pour ue suite (a ) de costates positives, ous écrivos que ξ = O(a ) ou ξ = o(a ) lorsque lim sup ξ /a C presque sûremet pour ue costate détermiiste et fiie C > ou pour C = respectivemet. Nous écrivos ξ = O P (a ) lorsque lim x lim sup P[ ξ > xa ] = et ξ = o P (a ) lorsque lim sup P[ ξ > xa ] = pour tout x >. Théorème 1. Soit (k ) ue suite d etiers telle que 1 k < pour tout et satisfaisat la coditio (H). Si, pour j = 1,..., J, F (j) est cotiue, alors, pour assez grad, sur u espace de probabilité coveablemet élargi, o peut défiir J suites de

10 processus gaussies ( L (1) ),..., ( L (J) ) telles que l o ait de faço joite pour j = 1,..., J, ( ) ( ) sup F (j) (t) F (j) (j) log (t) L (t) = O. t T k, l=1 L (j) Pour fixé, les processus sot gaussies de moyee ulle et de covariace doée pour k, j = 1,..., J et pour s, t par ( L(j) ) (k) Cov (t), L (s) = s t J ( I(j = l) + F ) ( (j) F (j) (t) I(k = l) + F ) (k) F (k) (s) (1 F ) 2 1 F 1 F (1 H ) 2 dh(1,l) où H (1,j) est la foctio défiie par H (1,j) (t) = P[T t, J = j] pour j = 1,..., J et pour t. Le processus approximat pour (j) ( F F (j) ) est u processus gaussie qui est pas u processus de Wieer, alors que le processus de Kapla-Meier K () = F F 1 F s approxime fortemet par u processus de Wieer pris e ue certaie foctio de variace. L itérêt d ue approximatio par u processus de Wieer réside das le fait que de ombreux résultats ot été établis pour le processus de Wieer et que ce derier peut facilemet être simulé ou tabulé. E fait, il apparaît qu il est possible d approximer (j) ( F F (j) ) par u processus de Wieer si ue certaie quatité lui est retrachée. Aisi, les processus ( ) K (j) = F (j) F (j) 1 F 1 F peuvet être approximés, de faço joite pour j = 1,..., J, par u processus de Wieer pris e ue certaie foctio de variace. Théorème 11. Soit (k ) ue suite d etiers telle que 1 k < pour tout et satisfaisat la coditio (H). Si, pour j = 1,..., J, F (j) est cotiue, alors, pour assez grad, sur u espace de probabilité coveablemet élargi, o peut défiir J suites de processus gaussies (Ľ(1) ),..., (Ľ(J) ) telles que l o ait de faço joite pour j = 1,..., J : sup t T k, ( F (j) (t) F (j) (t) 1 F (t) 1 F (t) ) Ľ(j) k ( ) (t) = O log. Pour chaque, les processus Ľ(j) sot de moyee ulle et de covariace pour k, j = 1,..., J et pour s, t doée par Cov ( Ľ (j) (t), Ľ(k) (s) ) = J s t (I(j = l) + F ) (I(k (j) = l) + F (k) l=1 1 F 1 F k ) (1 F ) 2 (1 H ) 2 dh(1,l). 7

11 8 Itroductio Ces deux approximatios sot valides sur des itervalles aléatoires croissats [, T, k ] allat de à la ( k )ème statistique d ordre de l échatillo des durées réellemet observées, sous des hypothèses de régularité pour la suite d etiers (k ). Comme pour le processus de Kapla-Meier, l erreur d approximatio est e O ( log /k ). Les différetes foctios F (j) sot supposées cotiues afi de pouvoir utiliser les résultats aalogues que Csörgő (1996) et Gié et Guillou (1999) ot obteu pour le processus de Kapla-Meier. Nous fourissos esuite ue vitesse de covergece de sur les itervalles [, T, k ]. F (j) vers F (j) uiformémet Théorème 13. Soit (k ) ue suite d etiers telle que 1 k < pour tout et vérifiat la coditio (H) pour la partie presque-sûre. Supposos que pour j = 1,..., J, F (j) est cotiue. Alors, (j) sup F (t) F (j) O (t) = ( t T k, O P ( ) log log k) 1 k., La vitesse presque-sûre est la même que celle obteue pour l estimateur de Kapla- Meier par Gié et Guillou (1999), à savoir O ((log log /k ) 1/2 ). Aisi, si la suite (k ) est choisie trop petite, ce qui correspod au cas où T, k se rapproche rapidemet de τ H lorsque ted vers l ifii, la vitesse de covergece s effodre. A l iverse, si la suite (k ) est choisie suffisammet grade, ce qui correspod au cas où T, k se rapproche letemet de τ H lorsque ted vers l ifii, la vitesse de covergece est boe. Cela illustre la difficulté voire l impossibilité que l o a à fourir de boes vitesses de covergece uiformémet sur le support de H tout etier sas effectuer d hypothèse sur les queues de distributio. Nous raffios ce résultat par u résultat du type loi du logarithme itéré valide sur l itervalle [, T k,]. Itroduisos pour t et pour j = 1,..., J C (j) (t) = s t C(t) = dh (1) (1 H ) 2 J (I(j = l) + F (j) l=1 1 F ) 2 (1 F ) 2 (1 H ) 2 dh(1,l). Théorème 14. Soit (k ) ue suite d etiers vérifiat 1 k < pour tout et k log pour assez grad aisi que k = o() et log k log log.

12 9 Si F (j) est cotiue, si C (j) (τ H ) < pour j = 1,..., J, o a : lim sup sup t T k, (j) F 2 log log (t) F (j) (t) C (j) (τ H ) + C(τ H ). Les coditios requises pour la suite d etiers (k ) au théorème 14 sot plus restrictives que l hypothèse (H) (détaillée au chapitre 2). Le théorème 14 s iterprète de la faço suivate. Sous l hypothèse que la suite (k ) ted suffisammet vite vers l ifii tout e restat égligeable devat, ous obteos ue vitesse de covergece de vers F (j) de l ordre de log log. E fait, l hypothèse sur la suite (k ) sigifie que l o cotrait T k, à se rapprocher très letemet de τ H. C est le prix à payer pour la boe vitesse de covergece obteue. Comme l estimateur de Kapla-Meier, l estimateur de Aale-Johase possède ue structure de martigale (à temps cotiu). L itérêt de cette propriété est que la théorie de l itégrale stochastique deviet applicable. E particulier, sous des coditios d itégrabilité appropriées, l itégrale d u processus prévisible par rapport à ue martigale reste ue martigale. L itérêt des martigales réside das le fait que de ombreux résultats limites sot dispoibles. Aale ad Johase (1978) ot obteu la covergece faible des processus K (j) pour j = 1,..., J sous l hypothèse de cotiuité des F (j) e appliquat le théorème de Rebolledo qui deviet difficile à utiliser si l o e fait pas cette hypothèse. Dauxois (2) a obteu la covergece faible du processus K () basé sur l estimateur de Kapla-Meier sas hypothèse de cotiuité. Il a utilisé pour cela u théorème de Jakubowski et al. (1989). Sa méthode se gééralise à otre cas multi-dimesioel. Défiissos : K () = F F 1 F et pour j = 1,..., J : K (j) = ( F (j) ) 1 F 1 F F (j). Pour σ < τ H, o obtiet la covergece joite pour j =,..., J des processus K (j) et K (j) das l espace D J+1 [, σ] des foctios càdlàg (cotiues à droite et admettat des limites à gauche) de [, σ] das R J+1. Les processus limites sot des processus de Wieer corrélés, chacu état pris e ue certaie foctio de variace facilemet estimable. Théorème 17. Soit σ < τ H. Das D J+1 [, σ], o a les covergeces suivates : ( ) K (), K (1),..., K (J) D ( K (), K (1),..., K (J)), ( ) K() (1) (J) D, K,..., K ( K (), K (1),..., K (J)). F (j)

13 1 Itroductio Les K (j) sot des processus gaussies de moyee ulle et de covariace pour k, j =,..., J et pour s, t : Cov ( K (j) (s), K (k) (t) ) = s t J (I(j = l) + F ) (I(k (j) = l) + F (k) l=1 avec F () F. 1 F 1 F ) (1 F )(1 F ) (1 H ) 2 dh (1,l) Ce résultat de covergece faible permet d obteir des bades de cofiace asymptotiques sur tout compact iclus das le support de H de faço joite pour les F (j) avec j = 1,..., J et pour F. Nous obteos quatre types de bades de cofiace : les bades de type Hall-Weller et de type Aale-Nair aisi que les bades modifiées de type Hall- Weller et de type Aale-Nair. Afi de simuler ces différetes bades de cofiace, ous itroduisos u modèle paramétrique appelé modèle Absolutely Cotiuous Bivariate Weibull (ACBVW). Il comporte deux paramètres de courbure α et β et trois paramètres d aplatissemet λ, λ 1 et λ 2. Ce modèle permet de géérer des couples (X, C) pour J = 2 de telle sorte que les deux foctios de répartitio spécifiques à ue cause doée F (1) et F (2) sot absolumet cotiues et sas perte de mémoire. Les deux risques cocurrets sot dépedats à mois que λ = et les deux foctios F (1) et F (2) e sot pas proportioelles à mois que α = β. Les simulatios ot révélé e particulier l importace du choix du compact sur lequel les bades de cofiace sot tracées. Modèle de risques cocurrets dépedats à foctio de répartitio spécifiques à la cause proportioelles e présece de cesure droite idépedate (chapitre 4) Nous cosidéros ici u cas particulier du modèle précédet. Nous faisos l hypothèse que les différetes foctios de répartitio spécifiques à la cause sot proportioelles. Gather et Pawlitschko (1998) aisi que Geffray et Guilloux (25) ot étudié ce modèle sous l hypothèse d idépedace des différets risques cocurrets. Sas perte de gééralité, ous supposos que les foctios F (j) pour j 2 sot proportioelles à F (1). Cela etraîe que les foctios F (j) pour j = 1,..., J sot proportioelles à F avec α 1,j comme coefficiet de proportioalité. Nous souhaitos alors proposer u estimateur de F (j) basé sur u estimateur de α 1,j et sur u estimateur de F. E ce qui cocere l estimatio de F, o dispose comme auparavat de l estimateur de Kapla-Meier F de F. E ce qui cocere l estimatio de α 1,j, o voit que α 1,j est la proportio théorique d observatios dues à la cause j et est doc pas directemet estimable. Nous réexprimos alors α 1,j sous la forme du rapport de deux proportios théoriques estimables à savoir P[J = j] α 1,j = P[J ].

14 Nous proposos alors d estimer F (j) au moye d u estimateur semi-paramétrique oté F (j) (j) défii comme le produit F = α 1,j F où α 1,j est le rapport de deux proportios empiriques à savoir i=1 α 1,j = I(J i = j) i=1 I(J i ). 11 Nous allos voir que les propriétés des j = 1,..., J. F (j) sot très similaires à celles des F (j) pour Tout d abord, la vitesse de covergece de vers F (j) uiformémet sur les itervalles aléatoires croissats [, T, k ] est la même que la vitesse de covergece de F (j) vers F (j) e probabilité et presque-sûremet. Théorème 21. Soit (k ) ue suite d etiers tels que 1 k < pour tout et satisfaisat la coditio (H) pour la partie presque-sûre. Si F (j) est cotiue pour j = 1,..., J, alors ( ) log log (j) sup F (t) F (j) O k (t) =, ( ) t T k, 1 O P k. F (j) D autre part, les processus (j) ( F F (j) ) peuvet être approximés de faço joite pour j = 1,..., J par des processus gaussies corrélés. Théorème 22. Soit (k ) ue suite d etiers tels que 1 k < pour tout et satisfaisat la coditio (H). O suppose que F (j) est cotiue pour j = 1,..., J. Pour assez grad, il existe u espace de probabilité coveablemet élargi sur lequel o a presque sûremet et de faço joite pour j = 1..., J : ( ) sup F (j) (t) F (j) (t) t T k, ( log (t) = O Pour j = 1,..., J, les processus ( L (j) ) sot, à fixé, gaussies de moyee ulle et de covariace défiie pour k, j = 1,..., J et pour s, t par : ( L(j) Cov (s), L (j) k ) (k) L (t) = F (s)f (t) α 1,j (I(k = j) α 1,k ) P[J ] + α 1,j α 1,k (1 F (s))(1 F (t)) s t dh (1) (1 H ) 2. Das le cadre de ce modèle, otre derier résultat cosiste e la covergece faible des processus (j) ( F F (j) ) de faço joite pour j = 1,..., J. Cette covergece a lieu das l espace D J [, σ] des foctios càdlàg de [, σ] das R J. Les processus limites sot des processus gaussies corrélés de foctios de covariace facilemet estimables mais ce e sot pas des processus cous (e particulier, les processus limites e sot pas des processus de Wieer). Par ailleurs, la théorie des martigales est pas applicable à cause ).

15 12 Itroductio du α 1,j qui est i prévisible, i ue martigale. O utilise alors la théorie des processus empiriques. Théorème 23. Soit σ < τ H. Das l espace D J [, σ] des foctios càdlàg sur [, σ] à valeurs das R J, o a : ( ( ) F (1) F (1),..., ( )) ( F (J) F (J) D K(1),..., K ) (J), où les K (j) sot des processus gaussies de moyee ulle et de covariace doée pour k, j = 1,..., J et pour s, t par : ( Cov K(j) (s), K ) (k) (t) = F (s)f (t) α 1,j (I(k = j) α 1,k ) P[J ] + α 1,j α 1,k (1 F (s))(1 F (t)) s t 1 F 1 F dh (1) (1 H ) 2. Aisi, si l hypothèse de proportioalité des différetes foctios de répartitio spécifiques à la cause est vérifiée, la variace asymptotique de (j) ( F F (j) ) est iférieure à la variace asymptotique de (j) ( F F (j) ). Aisi, si l hypothèse de proportioalité des différetes foctios de répartitio spécifiques à ue cause doée est vérifiée, ous disposos d u estimateur qui a le même comportemet asymptotique, la même vitesse de covergece que l estimateur de Aale-Johase, mais qui est asymptotiquemet plus efficace. E revache, il est pas possible de costruire des bades de cofiace basées sur l estimateur F (j), du mois avec ue méthodologie idetique au cas précédet. Modèle d évèemets récurrets e présece d u évèemet termial et de cesure droite idépedate (chapitre 5) Das de ombreuses études logitudiales, les idividus peuvet subir des évèemets de maière répétée. Das ce travail, ous cosidéros le cas des patiets souffrat d athérosclérose. L athérosclérose se caractérise par la formatio de plaques das la paroi itere des artères. L évolutio de l athérosclérose peut aboutir à la formatio d u caillot au cotact d ue plaque. Ce caillot obstrue l artère, ce qui etraîe ue dimiutio partielle ou totale de la vascularisatio d aval. Il e résulte alors ue iadaptatio etre les besois et les apports e oxygèe das les tissus : c est l accidet ischémique. Les maifestatios cliiques de l athérosclérose sot diverses. Les trois localisatios majeures du problème correspodet aux artères coroaires (ifarcus du myocarde), aux carotides (accidet vasculaire cérébral), et aux artères des membres iférieures (artérite), voir Cambou (1999), Teiger et Castaige (1999). L aalyse des évèemets récurrets de l athérosclérose est effectuée e regroupat les différets accidets ischémiques e deux catégories : les accidets ischémiques o-fatals (AINF) et les accidets ischémiques fatals ou décès, et ce, quelque soit la localisatio des accidets ischémiques e questio. E effet, lorsqu o s itéresse à l efficacité d u

16 traitemet pour la prévetio des accidets ischémiques, il semble itéressat de predre e compte tous les types d accidets ischémiques afi d émettre u avis sur les qualités globales du traitemet, celui-ci devat préveir au maximum les risques de récidive sas egedrer d autres risques pour le patiet. Les décès sot distigués pour predre e compte leur caractère termial. E effet, la surveue du décès du patiet empêche bie sûr toute récurrece ultérieure des accidets ischémiques. Au cours d ue étude logitudiale, l observatio des accidets ischémiques est parfois défiitivemet empêchée par la surveue d u évèemet de cesure. Des causes fréquetes de cesure das ce cotexte sot la fi de l étude ou le décès pour ue raiso idépedate de la maladie et du traitemet. 13 AINF cesure S 1 AINF AINF cesure S 2 S 3 AINF décès S 4 AINF AINF décès S 5 S 6 décès cesure Figure 1: Exemple de doées (AINF = Accidet Ischémique No-Fatal). Les doées recueillies au cours d ue étude logitudiale ressemblet typiquemet à celles illustrées sur la figure. Il s agit d u gere particulier de doées multivariées. E effet, otos tout d abord que l o e dispose pas du même ombre de doées pour les différets patiets. Le ombre de patiets ecore vivats et ecore présets das l étude dimiue au fur et à mesure que les évèemets se produiset. La surveue d u AINF etraîe gééralemet ue dégradatio de l état de saté et va aisi de pair avec u risque accru de ouvel accidet ischémique (fatal ou o). Ce mécaisme idique que les différets istats d iterarrivée d accidets ischémiques (fatals ou o) pour u patiet doé sot corrélés etre eux. E revache, o suppose que la cesure, qui surviet au plus ue fois pour u patiet doé, est idépedate du processus des évèemets récurrets et de décès. Il est importat de oter que le derier évèemet que l o eregistre pour u patiet est soit ue cesure soit u décès. O itroduit X [k] la v.a. positive représetat l istat de surveue du kème AINF. L istat iitial X[] est fixé à. Ces variables sot stochastiquemet ordoées : o a

17 14 Itroductio presque-sûremet X [] < X [1] < X [2] <.... O ote Z la v.a. représetat l istat de décès du patiet (décès lié à l athérosclérose) de foctio de répartitio F Z. Le ombre total d accidets ischémiques (fatals ou o) que subit u patiet doé est ue v.a. que l o ote N. La modélisatio et l estimatio avec des doées d évèemets récurrets, e présece ou o d u évèemet termial et e présece ou o de cesure, ot fait récemmet l objet de ombreux travaux. Das l aalyse des doées d évèemets récurrets, l itérêt peut être porté sur la durée etre deux évèemets successifs comme l ot fait Wag et Chag (1999) et Li et al. (1999), sur l istat de surveue des évèemets comme l o fait Derzko et Lecote (24) ou ecore sur l itesité du processus des évèemets récurrets N(t) qui compte le ombre d évèemets récurrets ayat eu lieu avat l istat t. Derzko et Lecote (24) ot développé u estimateur o-paramétrique pour la foctio de répartitio de l istat de surveue du kème évèemet récurret e présece de mort. Lawless et Nadeau (1995) et Cook et Lawless (1997) se sot cocetrés sur la foctio fréquece moyee aussi appelée foctio moyee cumulée défiie pour t par M(t) = E[N(t)]. Les deux approches gééralemet adoptées cosistet à poser u modèle margial ou u modèle de fragilité (das lequel ue variable latete est utilisée pour predre e compte u effet aléatoire spécifique au patiet). Des modèles de régressio variés ot aussi été cosidérés pour répodre à différets types de questios, voir par exemple Pretice et al. (1981), Aderse et Gill (1982), Wei, Li et Weissfeld (1989), Li et al. (2) ou Ghosh et Li (23). La pertiece das le choix d u modèle doé dépeds de la ature des évèemets récurrets aisi que du cetre d itérêt de l étude. Ce chapitre s appuye sur le travail de Li et al. (1999) cocerat la foctio de répartitio associée à la durée etre deux évèemets successifs coditioellemet au fait d avoir expérimeté les évèemets précédets avat u istat doé. Leur approche est adaptée pour predre e compte le décès. Li et Lagakos (1997) et Derzko et Lecote (24) ot cosidéré le décès comme u risque cocurret dépedat qui s exerce à chaque récurrece de la maladie. C est cette approche qui est adoptée ici par ce qu elle correspod bie à la structure du problème. E effet, à chaque récurrece, à coditio d avoir survécu aux accidets ischémiques précédets et d être ecore das l étude, le patiet est soumis à deux risques cocurrets dépedats (le premier est faire u accidet ischémique, le secod est mourir d u accidet ischémique ) e présece de cesure aléatoire droite idépedate. Pour predre e compte les risques cocurrets, o itroduit les variables suivates. Pour k = 1,..., N, cosidèros X [k] = X [k] Z l istat de surveue du kème accidet ischémique (fatal ou o). La ature du kème accidet ischémique est doée par la v.a. à valeurs etières : { C [k] 1 si le = kème accidet ischémique est pas fatal, 2 si le kème accidet ischémique est fatal. Pour k = 1,..., N, itroduisos Y [k] = X [k] X [k 1] la v.a. positive représetat la durée etre le (k 1)ème et le kème accidet ischémique. Bie sûr, o a X [1] = Y [1] et

18 X [k] = k l=1 Y [l]. Les v.a. Y [k] sot corrélées etre elles et avec Z. Efi, l istat de cesure est représeté par ue v.a. positive C, de loi G, idépedate des v.a. X [k] (et doc des Y [k] ) et des v.a. C [k]. Das le préset cotexte, les variables observables sot les suivates. Le ombre total d évèemets observés pour u patiet doé est représeté par ue v.a. K positive à valeurs etières. L istat de surveue du kème évèemet est représeté par ue v.a. positive T [k] X. La durée etre le (k 1)ème et le kème évèemet est représeté par ue v.a. positive T [k] Y. La v.a. J [k] = C [k] I ( X [k] C ) = C [k] I( k l=1 Y [l] C) idique la ature du kème évèemet. O itroduit efi H la foctio de répartitio défiie par 1 H = (1 F Z )(1 G) aisi que la bore supérieure droite du support de H otée par τ H = sup{x : H(x) < 1. Lorsqu o évalue l efficacité d u traitemet pour la prévetio des accidets ischémiques, il est souvet importat d évaluer si le traitemet retarde le délai etre la déclaratio de la maladie et le premier accidet ischémique, celui etre le premier accidet ischémique et le secod et aisi de suite. Nous préféros ous itéresser à la durée etre le (k 1)ème et le kème accidet ischémique plutôt qu à la durée totale depuis le début de la prise du traitemet jusqu à la surveue du kème accidet ischémique. E effet, u traitemet qui retarde la surveue du premier accidet ischémique allogera iévitablemet la durée totale depuis le début de la prise du traitemet jusqu à la surveue d u secod accidet ischémique même s il deviet iefficace après la surveue du premier accidet ischémique. De plus, das certais cas, il peut exister u phéomèe compesatoire etre les différets épisodes de la maladie. Par exemple, u traitemet peut se révéler être plus efficace qu u traitemet de référece pour la première surveue d accidets ischémiques mais mois efficace pour les récurreces ultérieures. Il est importat de détecter u tel phéomèe. Cela dit, les deux approches (qui cosistet à s itéresser respectivemet aux durées iterévèemet et aux durées totales) peuvet être complémetaires. Bie sûr, cosidérer la surveue d u secod accidet ischémique a de ses que si le patiet a survécu à l accidet ischémique précédet dot o sait qu il a déjà eu lieu. Efi, u traitemet peut dimiuer l icidece d accidets ischémiques par ue dimiutio de l icidece des accidets ischémiques o-fatals ou par ue dimiutio de l icidece des décès. Comme ces deux types d accidets ischémiques ot pas la même importace du poit de vue du patiet, il est itéressat de cosidérer ces deux aspects. Par coséquet, o s itéresse à la foctio de répartitio associée à la durée etre le début de la prise du traitemet et le premier accidet ischémique, foctio que l o décompose e deux sous-foctios selo que l accidet ischémique est fatal ou o. Ce sot les foctios de répartitio spécifiques à ue cause doée das le cadre des risques cocurrets. 15

19 16 Itroductio Nous cosidéros doc pour t : F [1] (t) = P [ Y [1] t ], que l o décompose e F [1] (t) = F [1(1)] (t) + F [1(2)] (t) où pour t et F [1(1)] (t) = P [ Y [1] t, C [1] = 1 ], F [1(2)] (t) = P [ Y [1] t, C [1] = 2 ]. O s itéresse aussi à la foctio de répartitio associée à la durée etre le premier accidet ischémique et le secod coditioellemet au fait d avoir eu le premier accidet ischémique avat u istat doé et d y avoir survécu. Cette foctio est décomposée à so tour e deux sous-foctios selo que le secod accidet ischémique est fatal ou o. Nous cosidéros alors pour t 1, t 2 : F [2/1] (t 2 /t 1 ) = P [ Y [2] t 2 Y [1] t 1, C [1] = 1 ], que l o décompose e F [2/1] (t 2 /t 1 ) = F [2(1)/1] (t 2 /t 1 ) + F [2(2)/1] (t 2 /t 1 ) où et F [2(1)/1] (t 2 /t 1 ) = P [ Y [2] t 2, C [2] = 1 Y [1] t 1, C [1] = 1 ], F [2(2)/1] (t 2 /t 1 ) = P [ Y [2] t 2, C [2] = 2 Y [1] t 1, C [1] = 1 ]. O gééralise facilemet les résultats qui suivet aux récurreces ultérieures. Les apports de ce chapitre sot les suivats. Tout d abord, ous proposos des estimateurs fortemet cosistats des quatités d itérêt exposées précédemmet. Pour évaluer à distace fiie le comportemet de ces estimateurs, ous effectuos des simulatios. Efi, la méthodologie présetée est appliquée à u échatillo réel. Supposos que l o dispose d u échatillo i.i.d. de idividus. Pour i = 1,...,, les doées pour le ième patiet sot costituées d u ombre K i de couples où K i 1 est le ombre d AINF observés. Pour k = 1,..., K i, le kème couple est doé par (T [k] X,i, J [k] i ) ou de maière équivalete par (T [k] Y,i, J [k] i ) qui sot distribués respectivemet comme (T [k] X, J [k] ) et (T [k] Y, J [k] ). Avat d estimer les quatités d itérêt, otos que la foctio de répartitio associée au décès (lié à l athérosclérose) est directemet estimable. E effet, le derier évèemet eregistré pour chaque patiet est soit ue cesure soit u décès. Pour u patiet doé, o observe pas à la fois décès et cesure mais seulemet le premier évèemet qui surviet au cours du temps et sa ature (décès ou cesure). Comme il y a idépedace etre l istat de décès et de cesure, o se trouve exactemet das la situatio où l o peut estimer la foctio de répartitio associée à la cesure au moye de l estimateur de Kapla-Meier calculé à partir des derières observatios de chacu des patiets. Cet estimateur s exprime doc sous la forme suivate pour t : ( ) I T [K i] X,i t, J [K i] i = Ĝ (t) = 1 1 ). i=1 l=1 (T I [K l] X,l T [K i] X,i

20 Les foctios d itérêt précédetes e sot pas directemet estimables puisque les variables impliquées e sot pas observables. E revache, o peut les exprimer au moye de foctios directemet estimables dot o ijecte u estimateur pour fialemet obteir u estimateur des quatités d itérêt. E ce qui cocere la première surveue d évèemets, cela mèe à la forme suivate pour les estimateurs (Ĝ est la modificatio cotiue à gauche de Ĝ). Ils sot défiis pour t par : 17 F [1] (t) = F [1(1)] (t) = F [1(2)] (t) = dh [1(1)] 1 Ĝ, dh [1(1,1)] 1 Ĝ dh [1(1,2)] 1 Ĝ,. Ces estimateurs sot exprimés e foctio de foctios de répartitio empiriques calculées à partir des observatios de la première surveue d évèemets et défiies pour t par : H [1(1)] (t) = 1 H [1(1,1)] (t) = 1 H [1(1,2)] (t) = 1 I i=1 I i=1 I i=1 ( ) T [1] [1] Y,i t, J i, ( ) T [1] [1] Y,i t, J i = 1, ( ) T [1] [1] Y,i t, J i = 2. [1] [1(1)] Les trois estimateurs F (t), F (t) et reste strictemet das [, τ H ]. [1(2)] F (t) sot fortemet cosistets lorsque t E ce qui cocere la secode durée d itérêt, comme précédemmet, o propose u estimateur plug-i. Les estimateurs sot aisi défiis pour t 1, t 2 par : F [2/1] (t 2 /t 1 ) = F [2(1)/1] (t 2 /t 1 ) = F [2(2)/1] (t 2 /t 1 ) = 1 F [1(1)] (t 1 ) 1 F [1(1)] (t 1 ) 1 F [1(1)] (t 1 ) u t 1,v t 2 H u t 1,v t 2 H u t 1,v t 2 H [1(1,1),2(1)] (du, dv) 1 Ĝ (u + v) [1(1,1),2(1,1)] (du, dv) 1 Ĝ (u + v) [1(1,1),2(1,2)] (du, dv) 1 Ĝ (u + v) Ces estimateurs sot exprimés e foctio de foctios de répartitio empiriques bivariées calculées à partir des observatios des patiets ayat eu au mois deux évèemets et,,.

I. Chi-squared Distributions

I. Chi-squared Distributions 1 M 358K Supplemet to Chapter 23: CHI-SQUARED DISTRIBUTIONS, T-DISTRIBUTIONS, AND DEGREES OF FREEDOM To uderstad t-distributios, we first eed to look at aother family of distributios, the chi-squared distributios.

More information

NPTEL STRUCTURAL RELIABILITY

NPTEL STRUCTURAL RELIABILITY NPTEL Course O STRUCTURAL RELIABILITY Module # 0 Lecture 1 Course Format: Web Istructor: Dr. Aruasis Chakraborty Departmet of Civil Egieerig Idia Istitute of Techology Guwahati 1. Lecture 01: Basic Statistics

More information

In nite Sequences. Dr. Philippe B. Laval Kennesaw State University. October 9, 2008

In nite Sequences. Dr. Philippe B. Laval Kennesaw State University. October 9, 2008 I ite Sequeces Dr. Philippe B. Laval Keesaw State Uiversity October 9, 2008 Abstract This had out is a itroductio to i ite sequeces. mai de itios ad presets some elemetary results. It gives the I ite Sequeces

More information

5: Introduction to Estimation

5: Introduction to Estimation 5: Itroductio to Estimatio Cotets Acroyms ad symbols... 1 Statistical iferece... Estimatig µ with cofidece... 3 Samplig distributio of the mea... 3 Cofidece Iterval for μ whe σ is kow before had... 4 Sample

More information

Chapter 7 Methods of Finding Estimators

Chapter 7 Methods of Finding Estimators Chapter 7 for BST 695: Special Topics i Statistical Theory. Kui Zhag, 011 Chapter 7 Methods of Fidig Estimators Sectio 7.1 Itroductio Defiitio 7.1.1 A poit estimator is ay fuctio W( X) W( X1, X,, X ) of

More information

Asymptotic Growth of Functions

Asymptotic Growth of Functions CMPS Itroductio to Aalysis of Algorithms Fall 3 Asymptotic Growth of Fuctios We itroduce several types of asymptotic otatio which are used to compare the performace ad efficiecy of algorithms As we ll

More information

Properties of MLE: consistency, asymptotic normality. Fisher information.

Properties of MLE: consistency, asymptotic normality. Fisher information. Lecture 3 Properties of MLE: cosistecy, asymptotic ormality. Fisher iformatio. I this sectio we will try to uderstad why MLEs are good. Let us recall two facts from probability that we be used ofte throughout

More information

Key Ideas Section 8-1: Overview hypothesis testing Hypothesis Hypothesis Test Section 8-2: Basics of Hypothesis Testing Null Hypothesis

Key Ideas Section 8-1: Overview hypothesis testing Hypothesis Hypothesis Test Section 8-2: Basics of Hypothesis Testing Null Hypothesis Chapter 8 Key Ideas Hypothesis (Null ad Alterative), Hypothesis Test, Test Statistic, P-value Type I Error, Type II Error, Sigificace Level, Power Sectio 8-1: Overview Cofidece Itervals (Chapter 7) are

More information

0.7 0.6 0.2 0 0 96 96.5 97 97.5 98 98.5 99 99.5 100 100.5 96.5 97 97.5 98 98.5 99 99.5 100 100.5

0.7 0.6 0.2 0 0 96 96.5 97 97.5 98 98.5 99 99.5 100 100.5 96.5 97 97.5 98 98.5 99 99.5 100 100.5 Sectio 13 Kolmogorov-Smirov test. Suppose that we have a i.i.d. sample X 1,..., X with some ukow distributio P ad we would like to test the hypothesis that P is equal to a particular distributio P 0, i.e.

More information

Chapter 7 - Sampling Distributions. 1 Introduction. What is statistics? It consist of three major areas:

Chapter 7 - Sampling Distributions. 1 Introduction. What is statistics? It consist of three major areas: Chapter 7 - Samplig Distributios 1 Itroductio What is statistics? It cosist of three major areas: Data Collectio: samplig plas ad experimetal desigs Descriptive Statistics: umerical ad graphical summaries

More information

Case Study. Normal and t Distributions. Density Plot. Normal Distributions

Case Study. Normal and t Distributions. Density Plot. Normal Distributions Case Study Normal ad t Distributios Bret Halo ad Bret Larget Departmet of Statistics Uiversity of Wiscosi Madiso October 11 13, 2011 Case Study Body temperature varies withi idividuals over time (it ca

More information

Economics 140A Confidence Intervals and Hypothesis Testing

Economics 140A Confidence Intervals and Hypothesis Testing Ecoomics 140A Cofidece Itervals ad Hypothesis Testig Obtaiig a estimate of a parameter is ot the al purpose of statistical iferece because it is highly ulikely that the populatio value of a parameter is

More information

Overview of some probability distributions.

Overview of some probability distributions. Lecture Overview of some probability distributios. I this lecture we will review several commo distributios that will be used ofte throughtout the class. Each distributio is usually described by its probability

More information

An example of non-quenched convergence in the conditional central limit theorem for partial sums of a linear process

An example of non-quenched convergence in the conditional central limit theorem for partial sums of a linear process A example of o-queched covergece i the coditioal cetral limit theorem for partial sums of a liear process Dalibor Volý ad Michael Woodroofe Abstract A causal liear processes X,X 0,X is costructed for which

More information

3. Covariance and Correlation

3. Covariance and Correlation Virtual Laboratories > 3. Expected Value > 1 2 3 4 5 6 3. Covariace ad Correlatio Recall that by takig the expected value of various trasformatios of a radom variable, we ca measure may iterestig characteristics

More information

7. Sample Covariance and Correlation

7. Sample Covariance and Correlation 1 of 8 7/16/2009 6:06 AM Virtual Laboratories > 6. Radom Samples > 1 2 3 4 5 6 7 7. Sample Covariace ad Correlatio The Bivariate Model Suppose agai that we have a basic radom experimet, ad that X ad Y

More information

Modified Line Search Method for Global Optimization

Modified Line Search Method for Global Optimization Modified Lie Search Method for Global Optimizatio Cria Grosa ad Ajith Abraham Ceter of Excellece for Quatifiable Quality of Service Norwegia Uiversity of Sciece ad Techology Trodheim, Norway {cria, ajith}@q2s.tu.o

More information

ORDERS OF GROWTH KEITH CONRAD

ORDERS OF GROWTH KEITH CONRAD ORDERS OF GROWTH KEITH CONRAD Itroductio Gaiig a ituitive feel for the relative growth of fuctios is importat if you really wat to uderstad their behavior It also helps you better grasp topics i calculus

More information

Definition. Definition. 7-2 Estimating a Population Proportion. Definition. Definition

Definition. Definition. 7-2 Estimating a Population Proportion. Definition. Definition 7- stimatig a Populatio Proportio I this sectio we preset methods for usig a sample proportio to estimate the value of a populatio proportio. The sample proportio is the best poit estimate of the populatio

More information

Center, Spread, and Shape in Inference: Claims, Caveats, and Insights

Center, Spread, and Shape in Inference: Claims, Caveats, and Insights Ceter, Spread, ad Shape i Iferece: Claims, Caveats, ad Isights Dr. Nacy Pfeig (Uiversity of Pittsburgh) AMATYC November 2008 Prelimiary Activities 1. I would like to produce a iterval estimate for the

More information

Maximum Likelihood Estimators.

Maximum Likelihood Estimators. Lecture 2 Maximum Likelihood Estimators. Matlab example. As a motivatio, let us look at oe Matlab example. Let us geerate a radom sample of size 00 from beta distributio Beta(5, 2). We will lear the defiitio

More information

Output Analysis (2, Chapters 10 &11 Law)

Output Analysis (2, Chapters 10 &11 Law) B. Maddah ENMG 6 Simulatio 05/0/07 Output Aalysis (, Chapters 10 &11 Law) Comparig alterative system cofiguratio Sice the output of a simulatio is radom, the comparig differet systems via simulatio should

More information

Confidence Intervals for One Mean with Tolerance Probability

Confidence Intervals for One Mean with Tolerance Probability Chapter 421 Cofidece Itervals for Oe Mea with Tolerace Probability Itroductio This procedure calculates the sample size ecessary to achieve a specified distace from the mea to the cofidece limit(s) with

More information

Sequences and Series

Sequences and Series CHAPTER 9 Sequeces ad Series 9.. Covergece: Defiitio ad Examples Sequeces The purpose of this chapter is to itroduce a particular way of geeratig algorithms for fidig the values of fuctios defied by their

More information

Chapter 6: Variance, the law of large numbers and the Monte-Carlo method

Chapter 6: Variance, the law of large numbers and the Monte-Carlo method Chapter 6: Variace, the law of large umbers ad the Mote-Carlo method Expected value, variace, ad Chebyshev iequality. If X is a radom variable recall that the expected value of X, E[X] is the average value

More information

Confidence Intervals for One Mean

Confidence Intervals for One Mean Chapter 420 Cofidece Itervals for Oe Mea Itroductio This routie calculates the sample size ecessary to achieve a specified distace from the mea to the cofidece limit(s) at a stated cofidece level for a

More information

Department of Computer Science, University of Otago

Department of Computer Science, University of Otago Departmet of Computer Sciece, Uiversity of Otago Techical Report OUCS-2006-09 Permutatios Cotaiig May Patters Authors: M.H. Albert Departmet of Computer Sciece, Uiversity of Otago Micah Colema, Rya Fly

More information

Standard Errors and Confidence Intervals

Standard Errors and Confidence Intervals Stadard Errors ad Cofidece Itervals Itroductio I the documet Data Descriptio, Populatios ad the Normal Distributio a sample had bee obtaied from the populatio of heights of 5-year-old boys. If we assume

More information

Vladimir N. Burkov, Dmitri A. Novikov MODELS AND METHODS OF MULTIPROJECTS MANAGEMENT

Vladimir N. Burkov, Dmitri A. Novikov MODELS AND METHODS OF MULTIPROJECTS MANAGEMENT Keywords: project maagemet, resource allocatio, etwork plaig Vladimir N Burkov, Dmitri A Novikov MODELS AND METHODS OF MULTIPROJECTS MANAGEMENT The paper deals with the problems of resource allocatio betwee

More information

4.1 Sigma Notation and Riemann Sums

4.1 Sigma Notation and Riemann Sums 0 the itegral. Sigma Notatio ad Riema Sums Oe strategy for calculatig the area of a regio is to cut the regio ito simple shapes, calculate the area of each simple shape, ad the add these smaller areas

More information

Soving Recurrence Relations

Soving Recurrence Relations Sovig Recurrece Relatios Part 1. Homogeeous liear 2d degree relatios with costat coefficiets. Cosider the recurrece relatio ( ) T () + at ( 1) + bt ( 2) = 0 This is called a homogeeous liear 2d degree

More information

Taking DCOP to the Real World: Efficient Complete Solutions for Distributed Multi-Event Scheduling

Taking DCOP to the Real World: Efficient Complete Solutions for Distributed Multi-Event Scheduling Taig DCOP to the Real World: Efficiet Complete Solutios for Distributed Multi-Evet Schedulig Rajiv T. Maheswara, Milid Tambe, Emma Bowrig, Joatha P. Pearce, ad Pradeep araatham Uiversity of Souther Califoria

More information

SECTION 1.5 : SUMMATION NOTATION + WORK WITH SEQUENCES

SECTION 1.5 : SUMMATION NOTATION + WORK WITH SEQUENCES SECTION 1.5 : SUMMATION NOTATION + WORK WITH SEQUENCES Read Sectio 1.5 (pages 5 9) Overview I Sectio 1.5 we lear to work with summatio otatio ad formulas. We will also itroduce a brief overview of sequeces,

More information

Hypothesis testing. Null and alternative hypotheses

Hypothesis testing. Null and alternative hypotheses Hypothesis testig Aother importat use of samplig distributios is to test hypotheses about populatio parameters, e.g. mea, proportio, regressio coefficiets, etc. For example, it is possible to stipulate

More information

8.5 Alternating infinite series

8.5 Alternating infinite series 65 8.5 Alteratig ifiite series I the previous two sectios we cosidered oly series with positive terms. I this sectio we cosider series with both positive ad egative terms which alterate: positive, egative,

More information

Hypothesis Tests Applied to Means

Hypothesis Tests Applied to Means The Samplig Distributio of the Mea Hypothesis Tests Applied to Meas Recall that the samplig distributio of the mea is the distributio of sample meas that would be obtaied from a particular populatio (with

More information

CS103A Handout 23 Winter 2002 February 22, 2002 Solving Recurrence Relations

CS103A Handout 23 Winter 2002 February 22, 2002 Solving Recurrence Relations CS3A Hadout 3 Witer 00 February, 00 Solvig Recurrece Relatios Itroductio A wide variety of recurrece problems occur i models. Some of these recurrece relatios ca be solved usig iteratio or some other ad

More information

University of California, Los Angeles Department of Statistics. Distributions related to the normal distribution

University of California, Los Angeles Department of Statistics. Distributions related to the normal distribution Uiversity of Califoria, Los Ageles Departmet of Statistics Statistics 100B Istructor: Nicolas Christou Three importat distributios: Distributios related to the ormal distributio Chi-square (χ ) distributio.

More information

1. C. The formula for the confidence interval for a population mean is: x t, which was

1. C. The formula for the confidence interval for a population mean is: x t, which was s 1. C. The formula for the cofidece iterval for a populatio mea is: x t, which was based o the sample Mea. So, x is guarateed to be i the iterval you form.. D. Use the rule : p-value

More information

MEI Structured Mathematics. Module Summary Sheets. Statistics 2 (Version B: reference to new book)

MEI Structured Mathematics. Module Summary Sheets. Statistics 2 (Version B: reference to new book) MEI Mathematics i Educatio ad Idustry MEI Structured Mathematics Module Summary Sheets Statistics (Versio B: referece to ew book) Topic : The Poisso Distributio Topic : The Normal Distributio Topic 3:

More information

Simulation and Monte Carlo integration

Simulation and Monte Carlo integration Chapter 3 Simulatio ad Mote Carlo itegratio I this chapter we itroduce the cocept of geeratig observatios from a specified distributio or sample, which is ofte called Mote Carlo geeratio. The ame of Mote

More information

Non-life insurance mathematics. Nils F. Haavardsson, University of Oslo and DNB Skadeforsikring

Non-life insurance mathematics. Nils F. Haavardsson, University of Oslo and DNB Skadeforsikring No-life isurace mathematics Nils F. Haavardsso, Uiversity of Oslo ad DNB Skadeforsikrig Mai issues so far Why does isurace work? How is risk premium defied ad why is it importat? How ca claim frequecy

More information

3. Continuous Random Variables

3. Continuous Random Variables Statistics ad probability: 3-1 3. Cotiuous Radom Variables A cotiuous radom variable is a radom variable which ca take values measured o a cotiuous scale e.g. weights, stregths, times or legths. For ay

More information

1 Introduction to reducing variance in Monte Carlo simulations

1 Introduction to reducing variance in Monte Carlo simulations Copyright c 007 by Karl Sigma 1 Itroductio to reducig variace i Mote Carlo simulatios 11 Review of cofidece itervals for estimatig a mea I statistics, we estimate a uow mea µ = E(X) of a distributio by

More information

CHAPTER 7: Central Limit Theorem: CLT for Averages (Means)

CHAPTER 7: Central Limit Theorem: CLT for Averages (Means) CHAPTER 7: Cetral Limit Theorem: CLT for Averages (Meas) X = the umber obtaied whe rollig oe six sided die oce. If we roll a six sided die oce, the mea of the probability distributio is X P(X = x) Simulatio:

More information

UC Berkeley Department of Electrical Engineering and Computer Science. EE 126: Probablity and Random Processes. Solutions 9 Spring 2006

UC Berkeley Department of Electrical Engineering and Computer Science. EE 126: Probablity and Random Processes. Solutions 9 Spring 2006 Exam format UC Bereley Departmet of Electrical Egieerig ad Computer Sciece EE 6: Probablity ad Radom Processes Solutios 9 Sprig 006 The secod midterm will be held o Wedesday May 7; CHECK the fial exam

More information

1 Computing the Standard Deviation of Sample Means

1 Computing the Standard Deviation of Sample Means Computig the Stadard Deviatio of Sample Meas Quality cotrol charts are based o sample meas ot o idividual values withi a sample. A sample is a group of items, which are cosidered all together for our aalysis.

More information

THE HEIGHT OF q-binary SEARCH TREES

THE HEIGHT OF q-binary SEARCH TREES THE HEIGHT OF q-binary SEARCH TREES MICHAEL DRMOTA AND HELMUT PRODINGER Abstract. q biary search trees are obtaied from words, equipped with the geometric distributio istead of permutatios. The average

More information

TO: Users of the ACTEX Review Seminar on DVD for SOA Exam MLC

TO: Users of the ACTEX Review Seminar on DVD for SOA Exam MLC TO: Users of the ACTEX Review Semiar o DVD for SOA Eam MLC FROM: Richard L. (Dick) Lodo, FSA Dear Studets, Thak you for purchasig the DVD recordig of the ACTEX Review Semiar for SOA Eam M, Life Cotigecies

More information

Descriptive statistics deals with the description or simple analysis of population or sample data.

Descriptive statistics deals with the description or simple analysis of population or sample data. Descriptive statistics Some basic cocepts A populatio is a fiite or ifiite collectio of idividuals or objects. Ofte it is impossible or impractical to get data o all the members of the populatio ad a small

More information

Subject CT5 Contingencies Core Technical Syllabus

Subject CT5 Contingencies Core Technical Syllabus Subject CT5 Cotigecies Core Techical Syllabus for the 2015 exams 1 Jue 2014 Aim The aim of the Cotigecies subject is to provide a groudig i the mathematical techiques which ca be used to model ad value

More information

B1. Fourier Analysis of Discrete Time Signals

B1. Fourier Analysis of Discrete Time Signals B. Fourier Aalysis of Discrete Time Sigals Objectives Itroduce discrete time periodic sigals Defie the Discrete Fourier Series (DFS) expasio of periodic sigals Defie the Discrete Fourier Trasform (DFT)

More information

THE REGRESSION MODEL IN MATRIX FORM. For simple linear regression, meaning one predictor, the model is. for i = 1, 2, 3,, n

THE REGRESSION MODEL IN MATRIX FORM. For simple linear regression, meaning one predictor, the model is. for i = 1, 2, 3,, n We will cosider the liear regressio model i matrix form. For simple liear regressio, meaig oe predictor, the model is i = + x i + ε i for i =,,,, This model icludes the assumptio that the ε i s are a sample

More information

BASIC STATISTICS. Discrete. Mass Probability Function: P(X=x i ) Only one finite set of values is considered {x 1, x 2,...} Prob. t = 1.

BASIC STATISTICS. Discrete. Mass Probability Function: P(X=x i ) Only one finite set of values is considered {x 1, x 2,...} Prob. t = 1. BASIC STATISTICS 1.) Basic Cocepts: Statistics: is a sciece that aalyzes iformatio variables (for istace, populatio age, height of a basketball team, the temperatures of summer moths, etc.) ad attempts

More information

Riemann Sums y = f (x)

Riemann Sums y = f (x) Riema Sums Recall that we have previously discussed the area problem I its simplest form we ca state it this way: The Area Problem Let f be a cotiuous, o-egative fuctio o the closed iterval [a, b] Fid

More information

A probabilistic proof of a binomial identity

A probabilistic proof of a binomial identity A probabilistic proof of a biomial idetity Joatho Peterso Abstract We give a elemetary probabilistic proof of a biomial idetity. The proof is obtaied by computig the probability of a certai evet i two

More information

Advanced Probability Theory

Advanced Probability Theory Advaced Probability Theory Math5411 HKUST Kai Che (Istructor) Chapter 1. Law of Large Numbers 1.1. σ-algebra, measure, probability space ad radom variables. This sectio lays the ecessary rigorous foudatio

More information

Convexity, Inequalities, and Norms

Convexity, Inequalities, and Norms Covexity, Iequalities, ad Norms Covex Fuctios You are probably familiar with the otio of cocavity of fuctios. Give a twicedifferetiable fuctio ϕ: R R, We say that ϕ is covex (or cocave up) if ϕ (x) 0 for

More information

Sequences II. Chapter 3. 3.1 Convergent Sequences

Sequences II. Chapter 3. 3.1 Convergent Sequences Chapter 3 Sequeces II 3. Coverget Sequeces Plot a graph of the sequece a ) = 2, 3 2, 4 3, 5 + 4,...,,... To what limit do you thik this sequece teds? What ca you say about the sequece a )? For ǫ = 0.,

More information

when n = 1, 2, 3, 4, 5, 6, This list represents the amount of dollars you have after n days. Note: The use of is read as and so on.

when n = 1, 2, 3, 4, 5, 6, This list represents the amount of dollars you have after n days. Note: The use of is read as and so on. Geometric eries Before we defie what is meat by a series, we eed to itroduce a related topic, that of sequeces. Formally, a sequece is a fuctio that computes a ordered list. uppose that o day 1, you have

More information

Lecture 7: Borel Sets and Lebesgue Measure

Lecture 7: Borel Sets and Lebesgue Measure EE50: Probability Foudatios for Electrical Egieers July-November 205 Lecture 7: Borel Sets ad Lebesgue Measure Lecturer: Dr. Krisha Jagaatha Scribes: Ravi Kolla, Aseem Sharma, Vishakh Hegde I this lecture,

More information

Section IV.5: Recurrence Relations from Algorithms

Section IV.5: Recurrence Relations from Algorithms Sectio IV.5: Recurrece Relatios from Algorithms Give a recursive algorithm with iput size, we wish to fid a Θ (best big O) estimate for its ru time T() either by obtaiig a explicit formula for T() or by

More information

Stat 104 Lecture 16. Statistics 104 Lecture 16 (IPS 6.1) Confidence intervals - the general concept

Stat 104 Lecture 16. Statistics 104 Lecture 16 (IPS 6.1) Confidence intervals - the general concept Statistics 104 Lecture 16 (IPS 6.1) Outlie for today Cofidece itervals Cofidece itervals for a mea, µ (kow σ) Cofidece itervals for a proportio, p Margi of error ad sample size Review of mai topics for

More information

Normal Distribution.

Normal Distribution. Normal Distributio www.icrf.l Normal distributio I probability theory, the ormal or Gaussia distributio, is a cotiuous probability distributio that is ofte used as a first approimatio to describe realvalued

More information

Joint Probability Distributions and Random Samples

Joint Probability Distributions and Random Samples STAT5 Sprig 204 Lecture Notes Chapter 5 February, 204 Joit Probability Distributios ad Radom Samples 5. Joitly Distributed Radom Variables Chapter Overview Joitly distributed rv Joit mass fuctio, margial

More information

Measures of Spread and Boxplots Discrete Math, Section 9.4

Measures of Spread and Boxplots Discrete Math, Section 9.4 Measures of Spread ad Boxplots Discrete Math, Sectio 9.4 We start with a example: Example 1: Comparig Mea ad Media Compute the mea ad media of each data set: S 1 = {4, 6, 8, 10, 1, 14, 16} S = {4, 7, 9,

More information

Estimating the Mean and Variance of a Normal Distribution

Estimating the Mean and Variance of a Normal Distribution Estimatig the Mea ad Variace of a Normal Distributio Learig Objectives After completig this module, the studet will be able to eplai the value of repeatig eperimets eplai the role of the law of large umbers

More information

PSYCHOLOGICAL STATISTICS

PSYCHOLOGICAL STATISTICS UNIVERSITY OF CALICUT SCHOOL OF DISTANCE EDUCATION B Sc. Cousellig Psychology (0 Adm.) IV SEMESTER COMPLEMENTARY COURSE PSYCHOLOGICAL STATISTICS QUESTION BANK. Iferetial statistics is the brach of statistics

More information

ARITHMETIC AND GEOMETRIC PROGRESSIONS

ARITHMETIC AND GEOMETRIC PROGRESSIONS Arithmetic Ad Geometric Progressios Sequeces Ad ARITHMETIC AND GEOMETRIC PROGRESSIONS Successio of umbers of which oe umber is desigated as the first, other as the secod, aother as the third ad so o gives

More information

, a Wishart distribution with n -1 degrees of freedom and scale matrix.

, a Wishart distribution with n -1 degrees of freedom and scale matrix. UMEÅ UNIVERSITET Matematisk-statistiska istitutioe Multivariat dataaalys D MSTD79 PA TENTAMEN 004-0-9 LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK Multivariat dataaalys D, 5 poäg.. Assume that

More information

5 Boolean Decision Trees (February 11)

5 Boolean Decision Trees (February 11) 5 Boolea Decisio Trees (February 11) 5.1 Graph Coectivity Suppose we are give a udirected graph G, represeted as a boolea adjacecy matrix = (a ij ), where a ij = 1 if ad oly if vertices i ad j are coected

More information

Discrete Mathematics and Probability Theory Spring 2014 Anant Sahai Note 13

Discrete Mathematics and Probability Theory Spring 2014 Anant Sahai Note 13 EECS 70 Discrete Mathematics ad Probability Theory Sprig 2014 Aat Sahai Note 13 Itroductio At this poit, we have see eough examples that it is worth just takig stock of our model of probability ad may

More information

AQA STATISTICS 1 REVISION NOTES

AQA STATISTICS 1 REVISION NOTES AQA STATISTICS 1 REVISION NOTES AVERAGES AND MEASURES OF SPREAD www.mathsbox.org.uk Mode : the most commo or most popular data value the oly average that ca be used for qualitative data ot suitable if

More information

Statistical Methods. Chapter 1: Overview and Descriptive Statistics

Statistical Methods. Chapter 1: Overview and Descriptive Statistics Geeral Itroductio Statistical Methods Chapter 1: Overview ad Descriptive Statistics Statistics studies data, populatio, ad samples. Descriptive Statistics vs Iferetial Statistics. Descriptive Statistics

More information

1 Correlation and Regression Analysis

1 Correlation and Regression Analysis 1 Correlatio ad Regressio Aalysis I this sectio we will be ivestigatig the relatioship betwee two cotiuous variable, such as height ad weight, the cocetratio of a ijected drug ad heart rate, or the cosumptio

More information

The following example will help us understand The Sampling Distribution of the Mean. C1 C2 C3 C4 C5 50 miles 84 miles 38 miles 120 miles 48 miles

The following example will help us understand The Sampling Distribution of the Mean. C1 C2 C3 C4 C5 50 miles 84 miles 38 miles 120 miles 48 miles The followig eample will help us uderstad The Samplig Distributio of the Mea Review: The populatio is the etire collectio of all idividuals or objects of iterest The sample is the portio of the populatio

More information

*The most important feature of MRP as compared with ordinary inventory control analysis is its time phasing feature.

*The most important feature of MRP as compared with ordinary inventory control analysis is its time phasing feature. Itegrated Productio ad Ivetory Cotrol System MRP ad MRP II Framework of Maufacturig System Ivetory cotrol, productio schedulig, capacity plaig ad fiacial ad busiess decisios i a productio system are iterrelated.

More information

PROCEEDINGS OF THE YEREVAN STATE UNIVERSITY AN ALTERNATIVE MODEL FOR BONUS-MALUS SYSTEM

PROCEEDINGS OF THE YEREVAN STATE UNIVERSITY AN ALTERNATIVE MODEL FOR BONUS-MALUS SYSTEM PROCEEDINGS OF THE YEREVAN STATE UNIVERSITY Physical ad Mathematical Scieces 2015, 1, p. 15 19 M a t h e m a t i c s AN ALTERNATIVE MODEL FOR BONUS-MALUS SYSTEM A. G. GULYAN Chair of Actuarial Mathematics

More information

The second difference is the sequence of differences of the first difference sequence, 2

The second difference is the sequence of differences of the first difference sequence, 2 Differece Equatios I differetial equatios, you look for a fuctio that satisfies ad equatio ivolvig derivatives. I differece equatios, istead of a fuctio of a cotiuous variable (such as time), we look for

More information

Class Meeting # 16: The Fourier Transform on R n

Class Meeting # 16: The Fourier Transform on R n MATH 18.152 COUSE NOTES - CLASS MEETING # 16 18.152 Itroductio to PDEs, Fall 2011 Professor: Jared Speck Class Meetig # 16: The Fourier Trasform o 1. Itroductio to the Fourier Trasform Earlier i the course,

More information

Module 4: Mathematical Induction

Module 4: Mathematical Induction Module 4: Mathematical Iductio Theme 1: Priciple of Mathematical Iductio Mathematical iductio is used to prove statemets about atural umbers. As studets may remember, we ca write such a statemet as a predicate

More information

Section 9.2 Series and Convergence

Section 9.2 Series and Convergence Sectio 9. Series ad Covergece Goals of Chapter 9 Approximate Pi Prove ifiite series are aother importat applicatio of limits, derivatives, approximatio, slope, ad cocavity of fuctios. Fid challegig atiderivatives

More information

Chapter 9: Correlation and Regression: Solutions

Chapter 9: Correlation and Regression: Solutions Chapter 9: Correlatio ad Regressio: Solutios 9.1 Correlatio I this sectio, we aim to aswer the questio: Is there a relatioship betwee A ad B? Is there a relatioship betwee the umber of emploee traiig hours

More information

Section 7-3 Estimating a Population. Requirements

Section 7-3 Estimating a Population. Requirements Sectio 7-3 Estimatig a Populatio Mea: σ Kow Key Cocept This sectio presets methods for usig sample data to fid a poit estimate ad cofidece iterval estimate of a populatio mea. A key requiremet i this sectio

More information

Week 3 Conditional probabilities, Bayes formula, WEEK 3 page 1 Expected value of a random variable

Week 3 Conditional probabilities, Bayes formula, WEEK 3 page 1 Expected value of a random variable Week 3 Coditioal probabilities, Bayes formula, WEEK 3 page 1 Expected value of a radom variable We recall our discussio of 5 card poker hads. Example 13 : a) What is the probability of evet A that a 5

More information

Measurable Functions

Measurable Functions Measurable Fuctios Dug Le 1 1 Defiitio It is ecessary to determie the class of fuctios that will be cosidered for the Lebesgue itegratio. We wat to guaratee that the sets which arise whe workig with these

More information

N04/5/MATHL/HP2/ENG/TZ0/XX MATHEMATICS HIGHER LEVEL PAPER 2. Thursday 4 November 2004 (morning) 3 hours INSTRUCTIONS TO CANDIDATES

N04/5/MATHL/HP2/ENG/TZ0/XX MATHEMATICS HIGHER LEVEL PAPER 2. Thursday 4 November 2004 (morning) 3 hours INSTRUCTIONS TO CANDIDATES c IB MATHEMATICS HIGHER LEVEL PAPER DIPLOMA PROGRAMME PROGRAMME DU DIPLÔME DU BI PROGRAMA DEL DIPLOMA DEL BI N/5/MATHL/HP/ENG/TZ/XX 887 Thursday November (morig) hours INSTRUCTIONS TO CANDIDATES! Do ot

More information

CHAPTER 3 THE TIME VALUE OF MONEY

CHAPTER 3 THE TIME VALUE OF MONEY CHAPTER 3 THE TIME VALUE OF MONEY OVERVIEW A dollar i the had today is worth more tha a dollar to be received i the future because, if you had it ow, you could ivest that dollar ad ear iterest. Of all

More information

Approximating Area under a curve with rectangles. To find the area under a curve we approximate the area using rectangles and then use limits to find

Approximating Area under a curve with rectangles. To find the area under a curve we approximate the area using rectangles and then use limits to find 1.8 Approximatig Area uder a curve with rectagles 1.6 To fid the area uder a curve we approximate the area usig rectagles ad the use limits to fid 1.4 the area. Example 1 Suppose we wat to estimate 1.

More information

MARTINGALES AND A BASIC APPLICATION

MARTINGALES AND A BASIC APPLICATION MARTINGALES AND A BASIC APPLICATION TURNER SMITH Abstract. This paper will develop the measure-theoretic approach to probability i order to preset the defiitio of martigales. From there we will apply this

More information

Inference on Proportion. Chapter 8 Tests of Statistical Hypotheses. Sampling Distribution of Sample Proportion. Confidence Interval

Inference on Proportion. Chapter 8 Tests of Statistical Hypotheses. Sampling Distribution of Sample Proportion. Confidence Interval Chapter 8 Tests of Statistical Hypotheses 8. Tests about Proportios HT - Iferece o Proportio Parameter: Populatio Proportio p (or π) (Percetage of people has o health isurace) x Statistic: Sample Proportio

More information

1 The Binomial Theorem: Another Approach

1 The Binomial Theorem: Another Approach The Biomial Theorem: Aother Approach Pascal s Triagle I class (ad i our text we saw that, for iteger, the biomial theorem ca be stated (a + b = c a + c a b + c a b + + c ab + c b, where the coefficiets

More information

Z-TEST / Z-STATISTIC: used to test hypotheses about. µ when the population standard deviation is unknown

Z-TEST / Z-STATISTIC: used to test hypotheses about. µ when the population standard deviation is unknown Z-TEST / Z-STATISTIC: used to test hypotheses about µ whe the populatio stadard deviatio is kow ad populatio distributio is ormal or sample size is large T-TEST / T-STATISTIC: used to test hypotheses about

More information

Lecture Notes CMSC 251

Lecture Notes CMSC 251 We have this messy summatio to solve though First observe that the value remais costat throughout the sum, ad so we ca pull it out frot Also ote that we ca write 3 i / i ad (3/) i T () = log 3 (log ) 1

More information

Section 11.3: The Integral Test

Section 11.3: The Integral Test Sectio.3: The Itegral Test Most of the series we have looked at have either diverged or have coverged ad we have bee able to fid what they coverge to. I geeral however, the problem is much more difficult

More information

Geometric Sequences and Series. Geometric Sequences. Definition of Geometric Sequence. such that. a2 4

Geometric Sequences and Series. Geometric Sequences. Definition of Geometric Sequence. such that. a2 4 3330_0903qxd /5/05 :3 AM Page 663 Sectio 93 93 Geometric Sequeces ad Series 663 Geometric Sequeces ad Series What you should lear Recogize, write, ad fid the th terms of geometric sequeces Fid th partial

More information

One-sample test of proportions

One-sample test of proportions Oe-sample test of proportios The Settig: Idividuals i some populatio ca be classified ito oe of two categories. You wat to make iferece about the proportio i each category, so you draw a sample. Examples:

More information

Installment Joint Life Insurance Actuarial Models with the Stochastic Interest Rate

Installment Joint Life Insurance Actuarial Models with the Stochastic Interest Rate Iteratioal Coferece o Maagemet Sciece ad Maagemet Iovatio (MSMI 4) Istallmet Joit Life Isurace ctuarial Models with the Stochastic Iterest Rate Nia-Nia JI a,*, Yue LI, Dog-Hui WNG College of Sciece, Harbi

More information

Determining the sample size

Determining the sample size Determiig the sample size Oe of the most commo questios ay statisticia gets asked is How large a sample size do I eed? Researchers are ofte surprised to fid out that the aswer depeds o a umber of factors

More information

Distributions of Order Statistics

Distributions of Order Statistics Chapter 2 Distributios of Order Statistics We give some importat formulae for distributios of order statistics. For example, where F k: (x)=p{x k, x} = I F(x) (k, k + 1), I x (a,b)= 1 x t a 1 (1 t) b 1

More information