QCM : Biostatistiques descriptives et distributions (137 questions)

Questions et réponses du QCM

1. Un chercheur utilise des méthodes statistiques pour étudier des données biologiques et médicales. Comment qualifie-t-on cette application de la statistique ?

La biostatistique
La statistique inférentielle
La statistique des populations
La statistique descriptive

La biostatistique

Explication

La biostatistique désigne l’application de la statistique aux sciences de la vie. La statistique descriptive concerne la description des données, l’étude des populations est une composante plus générale de la statistique, et l’inférence vise à tirer des conclusions sur une population.

2. Une équipe veut étudier tous les patients hypertendus d’un pays, mais ne peut mesurer qu’un groupe fini de patients recrutés pour l’étude. Comment distinguer ces deux ensembles ?

La population et l’échantillon sont deux groupes mesurés de même taille
La population est le groupe mesuré et l’échantillon est l’ensemble visé
La population est l’ensemble visé et l’échantillon en est le sous-ensemble mesuré
La population est une partie mesurée et l’échantillon est un ensemble non mesurable

La population est l’ensemble visé et l’échantillon en est le sous-ensemble mesuré

Explication

La population est l’ensemble très grand, généralement non mesurable, auquel l’étude s’intéresse; l’échantillon est le sous-ensemble fini et mesurable. Inverser les deux notions confond le groupe recruté avec l’ensemble visé, tandis que leur attribuer la même taille ou les propriétés opposées ne respecte pas cette distinction.

3. Après une élection, une analyste décrit les pourcentages réellement obtenus dans les résultats de l’ensemble des votes. Quelle démarche statistique utilise-t-elle ?

Des statistiques inférentielles
Une estimation de la population à partir d’un échantillon
Une hypothèse sur des résultats non observés
Des statistiques descriptives

Des statistiques descriptives

Explication

Décrire les résultats effectivement observés relève des statistiques descriptives. L’inférence tire plutôt des conclusions sur une population à partir de données, et les réponses évoquant une estimation ou une hypothèse introduisent une généralisation qui n’est pas décrite ici.

4. Dans une enquête, le groupe sanguin est enregistré sous forme de catégories, tandis que la pression artérielle est mesurée par des valeurs numériques utilisables dans des calculs. Quelle classification convient ?

Le groupe sanguin est quantitatif et la pression artérielle qualitative
Le groupe sanguin est qualitatif et la pression artérielle quantitative
Les deux variables sont quantitatives puisqu’elles sont enregistrées
Les deux variables sont qualitatives puisqu’elles sont observées

Le groupe sanguin est qualitatif et la pression artérielle quantitative

Explication

Une variable qualitative correspond à des classes ou à des qualités, alors qu’une variable quantitative prend des valeurs numériques exploitables arithmétiquement. Traiter les catégories sanguines comme des nombres confond codage et mesure, et classer la pression comme qualitative néglige ses valeurs numériques.

5. Une série ordonnée de durées de consultation comporte 9 observations. Quelle valeur partage cette série en deux groupes de même effectif ?

La cinquième valeur ordonnée
La somme des durées divisée par neuf
La deuxième valeur ordonnée
La valeur observée le plus souvent

La cinquième valeur ordonnée

Explication

Avec neuf observations ordonnées, la cinquième est au centre et laisse quatre valeurs de chaque côté; elle est donc la médiane. La valeur la plus fréquente est le mode, le premier quartile marque un seuil différent, et la somme divisée par neuf est la moyenne.

6. Dans une distribution de mesures, quel énoncé décrit correctement le deuxième quartile ?

Il correspond à la médiane et laisse 50 % des valeurs en dessous
Il laisse 75 % des valeurs en dessous et correspond au troisième quartile
Il indique la proportion de sujets ayant une modalité donnée
Il laisse 25 % des valeurs en dessous et correspond au premier quartile

Il correspond à la médiane et laisse 50 % des valeurs en dessous

Explication

Le deuxième quartile est la médiane, qui partage la distribution en deux moitiés et laisse 50 % des valeurs en dessous. Le premier et le troisième quartiles correspondent respectivement aux seuils de 25 % et 75 %, tandis qu’une proportion de sujets décrit une fréquence relative.

7. Dans un groupe de 80 patients, 20 présentent une modalité donnée. Quelle est sa fréquence relative, exprimée en pourcentage ?

4 %
75 %
25 %
0,25 %

25 %

Explication

La fréquence relative est le nombre de sujets concernés divisé par l’effectif total : 20/80=0,2520/80 = 0{,}25, soit 0,25×100=25%0{,}25 \times 100 = 25\%. Inverser le rapport donne une autre quantité, omettre la conversion laisse la proportion sous forme décimale, et 75 % est le complément.

8. Les valeurs minimale et maximale d’une série de températures sont respectivement de 12 °C et 29 °C. Quelle est l’étendue de la série ?

41 °C
−17 °C
17 °C
20,5 °C

17 °C

Explication

L’étendue est la différence entre la valeur maximale et la valeur minimale : 29−12=1729 - 12 = 17 °C. Additionner les extrêmes, soustraire dans l’ordre inverse ou calculer leur moyenne ne donne pas la mesure de dispersion demandée.

9. Un relevé porte sur le nombre de consultations par patient, une variable discrète. Quelle interprétation convient aux fréquences relatives de ses différentes valeurs ?

Elles totalisent 1 et indiquent la probabilité de chaque valeur exacte.
Elles totalisent l’effectif observé et indiquent la probabilité de chaque valeur exacte.
Elles totalisent le nombre de classes et indiquent la probabilité de chaque valeur exacte.
Elles totalisent 1 et indiquent la probabilité d’être inférieur ou égal à chaque valeur.

Elles totalisent 1 et indiquent la probabilité de chaque valeur exacte.

Explication

Pour une variable discrète, chaque fréquence relative représente la probabilité d’observer exactement une valeur et leur somme vaut 1. Les effectifs bruts ne sont pas des fréquences relatives, et les probabilités cumulées décrivent une autre quantité.

10. La densité d’une variable continue est représentée par une courbe. Quelle quantité donne la probabilité que cette variable soit comprise entre AA et BB ?

L’aire sous la courbe entre AA et BB.
La hauteur de la courbe au point AA.
L’aire sous la courbe après BB.
L’aire sous la courbe avant AA.

L’aire sous la courbe entre $$A$$ et $$B$$.

Explication

Pour une variable continue, la probabilité d’appartenir à un intervalle est donnée par l’aire sous la densité entre ses deux bornes. La hauteur en un point et les aires situées avant ou après l’intervalle ne représentent pas cette probabilité.

11. Quelle description caractérise la loi normale ?

Une distribution discrète dont les valeurs forment une cloche symétrique autour de la moyenne.
Une distribution continue dont la densité est asymétrique autour du mode.
Une distribution continue dont la densité est uniforme autour de la moyenne.
Une distribution continue dont la densité forme une cloche symétrique autour de la moyenne.

Une distribution continue dont la densité forme une cloche symétrique autour de la moyenne.

Explication

La loi normale décrit une variable quantitative continue dont la densité forme une courbe en cloche symétrique autour de la moyenne. Une distribution asymétrique, discrète ou uniforme ne correspond pas à cette caractérisation.

12. Dans une population dont la taille suit une loi normale de moyenne 170170 cm et d’écart-type 66 cm, quelle proportion des tailles se situe entre 164164 cm et 176176 cm ?

Environ 68 %.
Environ 50 %.
Environ 95 %.
Environ 99,7 %.

Environ 68 %.

Explication

L’intervalle 164164–176176 cm est centré sur 170170 cm et s’étend d’un écart-type de chaque côté, car 170−6=164170-6=164 et 170+6=176170+6=176. Dans une loi normale, environ 68 % des valeurs se trouvent dans cet intervalle.

13. Une équipe sélectionne des participants dans une population afin de constituer plusieurs groupes d’étude. Quel terme désigne le mécanisme qui permet de tirer ces groupes ?

La statistique descriptive.
La statistique inférentielle.
L’échantillon.
L’échantillonnage.

L’échantillonnage.

Explication

L’échantillonnage est le mécanisme qui permet de tirer des échantillons à partir d’une population. L’échantillon est le groupe obtenu, tandis que les statistiques descriptive et inférentielle désignent des démarches d’analyse.

14. Une étude porte sur tous les patients concernés par une maladie, mais mesure un groupe précis de 240 patients. Comment caractériser ces deux ensembles ?

La population est de taille NN, généralement considérée comme infinie, et l’échantillon est de taille nn, finie et mesurable.
La population et l’échantillon sont tous deux de taille NN, généralement considérée comme infinie.
La population et l’échantillon sont tous deux de taille nn, finie et mesurable.
La population est de taille nn, finie et mesurable, et l’échantillon est de taille NN, généralement considéré comme infini.

La population est de taille $$N$$, généralement considérée comme infinie, et l’échantillon est de taille $$n$$, finie et mesurable.

Explication

La population est généralement considérée comme très grande, de taille NN, tandis que l’échantillon mesuré est fini, de taille nn. Intervertir ces rôles ou attribuer la même taille aux deux ensembles confond les notions.

15. Une analyste résume les âges mesurés chez les participants, puis utilise ces données pour estimer une caractéristique de la population en tenant compte d’un risque d’erreur. Comment classer ces deux démarches ?

Les deux sont inférentielles.
Les deux sont descriptives.
La première est descriptive et la seconde inférentielle.
La première est inférentielle et la seconde descriptive.

La première est descriptive et la seconde inférentielle.

Explication

La statistique descriptive résume les données effectivement mesurées; la statistique inférentielle formule des hypothèses sur la population en tenant compte d’un risque d’erreur. Estimer une caractéristique de la population relève donc de l’inférence.

16. Dans une étude, les âges des individus s’écartent de la moyenne de la population, et les moyennes calculées dans plusieurs échantillons varient d’un échantillon à l’autre. Quelle mesure correspond à chacune de ces variations ?

L’erreur-type mesure la variabilité des individus; l’écart-type mesure celle des moyennes d’échantillons.
L’écart-type mesure la variabilité des individus; l’erreur-type mesure la variabilité de la moyenne de population.
L’écart-type mesure la variabilité des individus; l’erreur-type mesure celle des moyennes d’échantillons.
L’erreur-type mesure la variabilité de la moyenne de population; l’écart-type mesure celle des moyennes d’échantillons.

L’écart-type mesure la variabilité des individus; l’erreur-type mesure celle des moyennes d’échantillons.

Explication

L’écart-type décrit la dispersion des individus autour de la moyenne de population, tandis que l’erreur-type décrit la dispersion des moyennes d’échantillons autour de cette moyenne. Inverser les deux mesures confond la variabilité individuelle avec celle des moyennes échantillonnales.

17. Une équipe analyse un échantillon de patients pour décider si un traitement est efficace dans la population dont ils proviennent. Quelle démarche statistique suit-elle ?

Décrire l’échantillon sans tirer de conclusion sur la population
Prendre une décision sur la population à partir de l’échantillon
Choisir un traitement à partir des caractéristiques de la population
Prendre une décision sur l’échantillon à partir de la population

Prendre une décision sur la population à partir de l’échantillon

Explication

La statistique inférentielle utilise l’analyse d’un échantillon pour prendre une décision concernant la population. Décrire l’échantillon relève de la statistique descriptive, tandis que les deux autres choix inversent ou déplacent l’objet de la décision.

18. Une chercheuse compare le paramètre moyen de deux populations et cherche à montrer qu’ils diffèrent. Quel rôle joue l’hypothèse nulle dans son test ?

Elle exprime la conclusion retenue lorsque les données conduisent au rejet du test
Elle pose l’égalité des moyennes observées dans les deux échantillons
Elle pose une différence entre les paramètres et constitue l’hypothèse que le test cherche à rejeter
Elle pose l’égalité des paramètres et constitue l’hypothèse que le test cherche à rejeter

Elle pose l’égalité des paramètres et constitue l’hypothèse que le test cherche à rejeter

Explication

Dans ce cadre, H₀ pose l’égalité des paramètres comparés et le test cherche à la rejeter. Une hypothèse de différence correspond à H₁, et l’égalité des moyennes observées dans les échantillons ne définit pas H₀.

19. Un essai compare un nouveau médicament à un placebo, et les résultats conduisent au rejet de H₀. Quelle hypothèse est alors retenue ?

L’hypothèse alternative, qui indique nécessairement un effet bénéfique
L’hypothèse alternative, qui peut être bilatérale ou unilatérale
L’hypothèse nulle, qui indique que les résultats restent indéterminés
L’hypothèse nulle, qui peut être bilatérale ou unilatérale

L’hypothèse alternative, qui peut être bilatérale ou unilatérale

Explication

Lorsque les résultats conduisent au rejet de H₀, l’hypothèse alternative H₁ ou Hₐ est retenue, et elle peut être bilatérale ou unilatérale. Le rejet de H₀ ne précise pas à lui seul le sens de l’effet, et ne revient pas à retenir H₀.

20. Un chercheur veut tester si les moyennes de deux populations diffèrent dans un sens ou dans l’autre. Quel couple d’hypothèses doit-il poser ?

H0:μ1=μ2H_0 : \mu_1 = \mu_2 et H1:μ1≠μ2H_1 : \mu_1 \ne \mu_2
H0:μ1≠μ2H_0 : \mu_1 \ne \mu_2 et H1:μ1=μ2H_1 : \mu_1 = \mu_2
H0:μ1=μ2H_0 : \mu_1 = \mu_2 et H1:μ1>μ2H_1 : \mu_1 > \mu_2
H0:m1=m2H_0 : m_1 = m_2 et H1:m1≠m2H_1 : m_1 \ne m_2

$$H_0 : \mu_1 = \mu_2$$ et $$H_1 : \mu_1 \ne \mu_2$$

Explication

Pour comparer les moyennes de deux populations sans fixer le sens de la différence, H₀ pose leur égalité et H₁ leur inégalité. Inverser les hypothèses, choisir une alternative unilatérale ou écrire les moyennes d’échantillon modifie la formulation demandée.

21. Quelle séquence décrit les étapes de résolution d’un test d’hypothèse ?

Définir les hypothèses, collecter les données, fixer l’incertitude, calculer la statistique, déterminer la valeur p, conclure
Définir les hypothèses, collecter les données, calculer la statistique, déterminer la valeur p, conclure
Définir les hypothèses, collecter les données, fixer l’incertitude, choisir le test, calculer la statistique, conclure
Définir les hypothèses, calculer la statistique, collecter les données, fixer l’incertitude, déterminer la valeur p, conclure

Définir les hypothèses, collecter les données, fixer l’incertitude, calculer la statistique, déterminer la valeur p, conclure

Explication

La résolution suit l’ordre suivant : définir les hypothèses, recueillir les données, fixer le niveau d’incertitude, calculer la statistique, déterminer le seuil de décision à partir de la valeur p, puis conclure. Le calcul ne précède pas la collecte, et la séquence comprend la fixation de l’incertitude et l’évaluation de la valeur p.

22. Deux groupes indépendants sont comparés sur une mesure quantitative, et l’un des échantillons compte 24 personnes. Quel test peut comparer leurs moyennes en remplacement du test Z dans cette situation ?

Le test F de Fisher-Snedecor
Le test de Wilcoxon-Mann-Whitney
Le test T apparié
Le test T de Student

Le test T de Student

Explication

Le test T de Student compare les moyennes de deux échantillons et peut remplacer le test Z lorsqu’au moins un échantillon est petit, avec n<30n < 30. Le test F compare des variances, le test T apparié concerne des observations liées, et Wilcoxon-Mann-Whitney utilise les rangs.

23. Une analyste doit vérifier si les variances de deux séries quantitatives sont égales avant d’envisager un test T de Student. Quel test répond à ce besoin ?

Le test T de Student
Le test F de Fisher-Snedecor
Le test de Wilcoxon pour séries appariées
Le test de Wilcoxon-Mann-Whitney

Le test F de Fisher-Snedecor

Explication

Le test F de Fisher-Snedecor compare les variances de deux séries quantitatives et permet de vérifier l’égalité des variances requise par certains tests paramétriques, comme le test T de Student. Le test T compare les moyennes, tandis que les tests de Wilcoxon reposent sur des rangs et se distinguent aussi selon que les séries sont indépendantes ou appariées.

24. Deux groupes indépendants sont évalués sur une variable quantitative, et l’analyse doit s’appuyer sur les rangs plutôt que sur les valeurs mesurées. Quel test convient ?

Le test F de Fisher-Snedecor
Le test de Wilcoxon-Mann-Whitney
Le test T de Student
Le test de Wilcoxon pour séries appariées

Le test de Wilcoxon-Mann-Whitney

Explication

Wilcoxon-Mann-Whitney compare deux séries d’une variable quantitative en utilisant les rangs des observations. Le Wilcoxon apparié concerne des différences liées par paires, le test T compare des moyennes et le test F compare des variances.

25. Dans une étude, un test de liaison entre deux variables indépendantes sous l’hypothèse nulle conduit au rejet de H₀. Quelle conclusion est justifiée ?

Les variables sont indépendantes
Le test ne permet aucune conclusion sur leur liaison
Une variable cause l’autre
Les variables présentent une liaison

Les variables présentent une liaison

Explication

Sous H₀, les variables sont supposées indépendantes ; rejeter cette hypothèse permet de conclure à l’existence d’une liaison. L’indépendance correspond à l’hypothèse nulle, la causalité dépasse ce que démontre le test, et l’absence de conclusion ne tient pas compte du rejet.

26. Dans une étude observationnelle portant sur les mêmes sujets, que mesure la corrélation entre deux variables quantitatives X et Y ?

La présence et l’intensité de leur liaison
La dispersion de X autour de sa moyenne
La valeur de Y prédite pour chaque valeur de X
L’effet causal de X sur Y

La présence et l’intensité de leur liaison

Explication

La corrélation mesure la présence et l’intensité de la liaison entre deux variables quantitatives observées simultanément chez les mêmes sujets. Une prédiction de Y relève notamment de la régression, une association ne prouve pas la causalité, et la dispersion d’une seule variable n’est pas une corrélation.

27. Une équipe calcule r à partir d’un échantillon de taille n et souhaite décrire la relation dans l’ensemble de la population. Quelle interprétation distingue correctement r et ρ ?

r estime ρ, qui décrit la relation dans la population
r et ρ désignent deux mesures sans distinction de population
r décrit la population, tandis que ρ résume l’échantillon
ρ estime r, qui décrit la relation dans la population

r estime ρ, qui décrit la relation dans la population

Explication

Le coefficient ρ décrit la relation entre X et Y dans toute la population, tandis que r est son estimateur calculé sur un échantillon de taille n. Inverser leurs rôles confond paramètre et estimateur ; les deux autres formulations effacent cette distinction ou attribuent à ρ le rôle de statistique d’échantillon.

28. Après un calcul, une analyste obtient un coefficient de corrélation r égal à 1,08. Quelle démarche s’impose ?

Inverser le signe, car une corrélation positive est impossible ici
Interpréter 1,08 comme le coefficient de détermination
Vérifier le calcul, car r doit être compris entre −1 et 1
Conserver le résultat, car une forte corrélation peut dépasser 1

Vérifier le calcul, car r doit être compris entre −1 et 1

Explication

Le coefficient r est compris entre −1 et 1 ; une valeur en dehors de cet intervalle indique une erreur de calcul. Une intensité élevée ne permet pas de dépasser cette borne, le coefficient de détermination est une autre notion, et le signe positif n’est pas en soi une erreur.

29. Dans une expérience, la chercheuse impose plusieurs doses d’un traitement et observe la réponse mesurée pour chaque dose. Quel rôle jouent les variables dans cette régression ?

La dose et la réponse jouent des rôles symétriques de variables aléatoires
La dose et la réponse sont deux variables dépendantes
La réponse est X, explicative, et la dose est Y, dépendante
La dose est X, explicative, et la réponse est Y, dépendante

La dose est X, explicative, et la réponse est Y, dépendante

Explication

En régression, X peut être fixée par l’expérimentateur et sert de variable explicative, tandis que Y est observée pour chaque valeur de X. Inverser les variables confond leurs rôles ; les considérer comme symétriques correspond davantage à la corrélation, et ici la dose est imposée.

30. Une ingénieure veut résumer le lien entre la température X et la performance Y, vérifier si ce lien existe et estimer la performance à une température donnée. Quelle méthode répond à ces objectifs ?

La régression, qui teste la relation sans estimer de valeur de Y
La régression, qui estime X pour une valeur observée de Y
La régression, qui décrit, teste et estime Y pour une valeur de X
La corrélation, qui estime Y à partir d’une variable explicative imposée

La régression, qui décrit, teste et estime Y pour une valeur de X

Explication

La régression sert à décrire la relation entre Y et X, à tester son existence et à estimer Y pour une valeur donnée de X. La limiter au test omet deux fonctions, prédire X inverse la tâche ciblée, et une corrélation traite les variables de façon symétrique plutôt que comme explicative et dépendante.

31. Pour ajuster une droite à un nuage de points, un analyste applique la méthode des moindres carrés. Quelle quantité cette méthode minimise-t-elle ?

La somme des carrés des distances verticales des points à la droite
La somme des carrés des distances horizontales des points à la droite
La somme des carrés des distances perpendiculaires des points à la droite
La somme des distances verticales des points à la droite

La somme des carrés des distances verticales des points à la droite

Explication

La droite des moindres carrés minimise la somme des carrés des distances verticales entre les points observés et la droite. Minimiser les distances sans les mettre au carré omet l’opération essentielle ; les distances horizontales ou perpendiculaires ne sont pas le critère décrit.

32. Dans une régression linéaire, une équipe teste si la pente de la population est nulle. Sous H₀, quelle statistique utilise-t-elle pour évaluer la pente estimée b ?

La différence b − 0 seule, selon une loi t de Student
Le rapport de b − 0 à son écart-type, selon une loi normale
Le rapport de b − 0 à son écart-type, selon une loi t de Student
Le rapport du coefficient r à son écart-type, selon une loi t de Student

Le rapport de b − 0 à son écart-type, selon une loi t de Student

Explication

Le test de la pente vérifie si la pente de la population est nulle ; sous H₀, le rapport de b − 0 à son écart-type suit une loi t de Student. La différence seule omet l’écart-type, la loi normale remplace à tort la loi t, et r correspond au coefficient de corrélation plutôt qu’à la pente testée.

33. En analyse de survie, que représente S(t)S(t) pour un instant tt donné ?

La durée moyenne de vie jusqu’à t
La probabilité de vivre au-delà de t
La probabilité de décéder avant t
La densité des décès à l’instant t

La probabilité de vivre au-delà de t

Explication

La fonction de survie donne la probabilité que la durée de survie dépasse t. La probabilité de décéder avant t est son complément, tandis que la densité et la durée moyenne sont d’autres mesures.

34. Un participant est perdu de vue après avoir été observé vivant jusqu’à 18 mois. Que peut-on conclure sur sa durée exacte de survie ?

Elle est connue et vaut 18 mois
Elle est connue et dépasse exactement 18 mois
Elle est inconnue et inférieure à 18 mois
Elle est inconnue, mais dépasse 18 mois

Elle est inconnue, mais dépasse 18 mois

Explication

Une observation censurée indique que le sujet était vivant à son dernier suivi : sa durée exacte reste inconnue, mais elle dépasse ce temps. Prendre 18 mois pour un décès confond censure et événement observé.

35. Quelle méthode non paramétrique est la plus utilisée parmi les méthodes d’estimation de la courbe de survie présentées ?

La méthode de régression paramétrique
La méthode des risques proportionnels
La méthode de Kaplan-Meier
La méthode actuarielle

La méthode de Kaplan-Meier

Explication

Kaplan-Meier est une méthode non paramétrique d’estimation de la courbe de survie et la plus utilisée parmi les méthodes présentées. La méthode actuarielle est une autre méthode, et les deux autres choix ne sont pas la méthode décrite.

36. Dans une étude, la survie estimée juste avant un décès observé est de 0,80 et la probabilité de survivre à ce temps de décès est de 0,90. Quelle survie estime Kaplan-Meier après ce décès ?

0,90
0,70
0,72
0,10

0,72

Explication

Kaplan-Meier multiplie la survie précédente par la probabilité de survie actuelle : 0,80×0,90=0,720{,}80 \times 0{,}90 = 0{,}72. L’addition, la soustraction ou l’oubli de la survie précédente ne suivent pas cette règle.

37. Une équipe compare la répartition d’une catégorie de résultat entre trois échantillons distincts. Quel test du chi carré correspond à cette question ?

Le test du chi carré d’ajustement
Le test du chi carré d’indépendance
Le test t de Student
Le test du chi carré d’homogénéité

Le test du chi carré d’homogénéité

Explication

Le test d’homogénéité compare des distributions observées dans plusieurs échantillons. Le test d’indépendance examine la liaison entre deux variables dans un même échantillon.

38. Dans un tableau de contingence, une ligne totalise 30 observations, une colonne en totalise 20 et le total général est 100. Quel est l’effectif théorique de leur case d’intersection ?

600
100
1,5
6

6

Explication

L’effectif théorique est le produit du total de ligne et du total de colonne, divisé par le total général : 30×20100=6\frac{30 \times 20}{100}=6. Omettre la division donne 600, tandis que l’effectif attendu n’est pas le total général.

39. Avant un test du chi carré, une case du tableau présente un effectif théorique de 4, alors que les autres sont d’au moins 5. Quelle conduite respecte la règle indiquée ?

Vérifier la condition à partir des effectifs observés plutôt que théoriques
Rejeter automatiquement l’hypothèse nulle à cause de cette case
Regrouper des classes ou utiliser le test exact de Fisher s’il convient
Poursuivre le test sans modification, car les autres cases atteignent 5

Regrouper des classes ou utiliser le test exact de Fisher s’il convient

Explication

Les effectifs théoriques doivent être au moins égaux à 5 dans chaque case. Si cette condition échoue, il faut regrouper des classes ou recourir au test exact de Fisher lorsqu’il est applicable.

40. Dans une comparaison de deux pourcentages par le test exact de Fisher, la probabilité sous l’hypothèse nulle d’obtenir un écart au moins aussi grand que celui observé vaut 0,03. Quelle conclusion faut-il tirer au seuil de 5 % ?

Rejeter l’hypothèse nulle d’indépendance entre variables
Conclure que les deux pourcentages sont exactement égaux
Conserver l’hypothèse nulle d’égalité des pourcentages
Rejeter l’hypothèse nulle d’égalité des pourcentages

Rejeter l’hypothèse nulle d’égalité des pourcentages

Explication

Le test de Fisher rejette l’hypothèse nulle d’égalité lorsque la probabilité calculée est inférieure à 5 %; ici, 0,03 est inférieur à 0,05. Le seuil de 1 % applique un seuil différent, l’interprétation comme probabilité de vérité de l’hypothèse est incorrecte, et l’indépendance concerne un autre test.

41. Une équipe compare la présence d’un symptôme avant et après une intervention, chaque personne étant évaluée aux deux moments. Quel test convient pour comparer les pourcentages observés ?

Le test exact de Fisher
Le test t apparié
Le test de McNemar
Le chi carré d’indépendance

Le test de McNemar

Explication

McNemar compare deux pourcentages mesurés sur des échantillons appariés, constitués de paires concordantes ou discordantes. Fisher sert à comparer des pourcentages sans cette règle d’appariement, le chi carré d’indépendance teste une liaison entre variables, et le test t porte sur des moyennes.

42. Dans un même échantillon, une étude croise plusieurs catégories de profession et plusieurs catégories de moyen de transport. Quel test permet d’évaluer si ces deux variables qualitatives sont indépendantes ?

Le chi carré d’indépendance
Le chi carré de tendance
Le test de McNemar
Le chi carré d’homogénéité

Le chi carré d’indépendance

Explication

Le chi carré d’indépendance teste la relation entre deux variables qualitatives à plusieurs classes observées dans un même échantillon. Le chi carré de tendance concerne une évolution ordonnée, McNemar des pourcentages appariés, et le chi carré d’homogénéité compare des distributions entre échantillons.

43. Une étude examine si le pourcentage d’une réponse binaire augmente de façon linéaire selon un niveau de dose codé en catégories ordonnées. Quel test cible cette évolution ?

Le chi carré d’indépendance
Le chi carré de tendance
Le test de McNemar
Le test exact de Fisher

Le chi carré de tendance

Explication

Le chi carré de tendance met en évidence l’évolution d’un pourcentage selon une variable ordinale ou quantitative discrète, en supposant une liaison linéaire. Le chi carré d’indépendance ne cible pas cette tendance, McNemar exige des paires, et Fisher compare des pourcentages par une probabilité exacte.

44. Une chercheuse doit comparer la proportion de personnes vaccinées dans deux groupes distincts, sans appariement. Quelle famille de tests convient à cette comparaison ?

Le test de McNemar
Le test t de Student indépendant
Le chi carré d’homogénéité
Le chi carré ou le test exact de Fisher

Le chi carré ou le test exact de Fisher

Explication

Les pourcentages de séries indépendantes peuvent être comparés par le chi carré ou le test exact de Fisher. McNemar concerne des séries appariées, le chi carré d’homogénéité compare des distributions indépendantes, et le test t compare des moyennes quantitatives.

45. Pour examiner une liaison entre deux variables, une analyste veut tester une tendance dans un pourcentage selon des catégories ordonnées. Quel test doit-elle retenir ?

Le chi carré d’indépendance
Le chi carré d’homogénéité
Le test de McNemar
Le chi carré de tendance

Le chi carré de tendance

Explication

Pour tester une liaison, le chi carré de tendance porte sur un pourcentage, tandis que le chi carré d’indépendance porte sur une distribution. Le chi carré d’homogénéité compare des distributions entre groupes, et McNemar compare des pourcentages appariés.

46. Deux groupes distincts ont des mesures quantitatives normalement distribuées, mais leurs variances sont inégales. Quel test faut-il utiliser pour comparer leurs moyennes ?

Le test t apparié
Le test de Mann-Whitney
Le test t indépendant avec variances homogènes
Le test de Welch

Le test de Welch

Explication

Pour deux groupes indépendants, le test t classique suppose la normalité et l’homogénéité des variances; lorsque les variances sont inégales, on utilise le test de Welch. Le test t apparié exige des mesures liées, et Mann-Whitney répond au cas où la normalité n’est pas respectée.

47. Deux groupes indépendants sont comparés sur une variable quantitative dont la distribution ne respecte pas la normalité. Quel test est approprié ?

L’ANOVA à un facteur
Le test de Mann-Whitney
Le test t indépendant
Le test des rangs signés de Wilcoxon

Le test de Mann-Whitney

Explication

Mann-Whitney compare deux groupes indépendants lorsque la normalité n’est pas respectée. Wilcoxon des rangs signés s’applique à des mesures appariées non normales; le test t indépendant est paramétrique, et l’ANOVA compare plusieurs moyennes indépendantes.

48. Quel test compare généralement les moyennes d’une variable quantitative mesurée dans plusieurs populations distinctes ?

Le test de Kruskal-Wallis
L’ANOVA, ou test F de Fisher-Snedecor
Le test de McNemar
Le test du chi carré d’homogénéité

L’ANOVA, ou test F de Fisher-Snedecor

Explication

L’ANOVA, également appelée test F de Fisher-Snedecor, compare la distribution d’une variable quantitative entre plusieurs populations, généralement par leurs moyennes. Kruskal-Wallis compare les rangs, le chi carré concerne notamment des distributions de catégories, et McNemar des données appariées.

49. Une équipe compare les moyennes d’un marqueur biologique dans trois populations. Quelle hypothèse nulle doit-elle poser pour une ANOVA ?

Les trois moyennes de population sont identiques
Les trois variances de population sont identiques
Les trois distributions de population sont dissymétriques
Au moins deux moyennes de population diffèrent

Les trois moyennes de population sont identiques

Explication

L’hypothèse nulle de l’ANOVA affirme que les moyennes des populations sont identiques; l’alternative bilatérale affirme qu’elles diffèrent. « Au moins deux moyennes diffèrent » relève de l’alternative, tandis que l’égalité des variances est une condition d’application et non l’hypothèse nulle.

50. Une ANOVA menée sur quatre groupes donne un résultat significatif. Quelle analyse permet ensuite d’identifier les groupes qui diffèrent ?

Une comparaison des rangs moyens des quatre groupes
Des tests de normalité entre chaque paire de groupes
Des comparaisons deux à deux entre les groupes
Une nouvelle ANOVA globale sur les mêmes groupes

Des comparaisons deux à deux entre les groupes

Explication

Après une ANOVA significative, des comparaisons deux à deux servent à déterminer quels groupes diffèrent. L’ANOVA globale ne désigne pas elle-même les paires; les tests de normalité et la comparaison des rangs répondent à d’autres questions.

51. Les distributions de trois échantillons ne satisfont pas les conditions paramétriques de l’ANOVA. Quel test non paramétrique peut comparer ces échantillons en s’appuyant sur leurs rangs ?

Le test F de Fisher-Snedecor
Le test de Kruskal-Wallis
Le test de Wilcoxon pour données appariées
Le chi carré d’homogénéité

Le test de Kruskal-Wallis

Explication

Kruskal-Wallis est une solution non paramétrique pour comparer plusieurs échantillons et porte sur leurs rangs moyens plutôt que sur les valeurs brutes. Le test F compare les moyennes dans le cadre de l’ANOVA, le chi carré vise des catégories et Wilcoxon apparié concerne des mesures liées.

52. Les durées de vie d’un produit présentent une longue queue vers les grandes valeurs. Quelle transformation peut atténuer l’influence de ces valeurs extrêmes ?

La soustraction de la moyenne à chaque observation
La transformation par addition d’une constante
La transformation par multiplication par une constante
La transformation logarithmique

La transformation logarithmique

Explication

La transformation logarithmique atténue les valeurs extrêmes des distributions dissymétriques à droite, situation fréquente notamment pour les durées de vie. Les transformations linéaires facilitent la manipulation des valeurs, mais ne normalisent pas la distribution; le centrage ne réduit pas non plus son étirement.

53. Pour transformer un échantillon positif avant d’effectuer les calculs sur l’échelle logarithmique, quelle démarche faut-il suivre ?

Calculer yi=exiy_i=e^{x_i} pour chaque observation, puis travailler sur l’échantillon transformé
Calculer yi=ln⁡(xi)y_i=\ln(x_i) pour chaque observation, puis travailler sur l’échantillon transformé
Calculer yi=ln⁡(xi)y_i=\ln(x_i) pour chaque observation, puis travailler sur l’échantillon initial
Calculer yi=ln⁡(xˉ)y_i=\ln(\bar{x}) pour chaque observation, puis travailler sur l’échantillon transformé

Calculer $$y_i=\ln(x_i)$$ pour chaque observation, puis travailler sur l’échantillon transformé

Explication

La transformation consiste à calculer yi=ln⁡(xi)y_i=\ln(x_i) pour chaque observation, à former l’échantillon transformé, puis à effectuer les calculs sur ses valeurs. Transformer uniquement la moyenne ne transforme pas les observations; l’exponentielle est une autre opération, et poursuivre sur les valeurs initiales annule l’usage de la transformation.

54. Quel dispositif décrit le mieux l’essai COREA-TAXUS évaluant le célécoxib après pose d’un stent coronaire à élution de paclitaxel ?

Un essai randomisé en double aveugle mené dans deux centres sud-coréens
Un essai randomisé ouvert mené dans plusieurs centres européens
Un essai randomisé ouvert mené dans deux centres sud-coréens
Un essai randomisé ouvert évaluant un stent à élution de sirolimus

Un essai randomisé ouvert mené dans deux centres sud-coréens

Explication

COREA-TAXUS était un essai randomisé ouvert mené dans deux centres sud-coréens chez des patients recevant un stent à élution de paclitaxel. Le double aveugle, les centres européens et le stent au sirolimus correspondent à des confusions distinctes.

55. Un patient inclus dans COREA-TAXUS reçoit le traitement prévu dans le groupe célécoxib. Quel schéma médicamenteux doit-il suivre autour de l’intervention et pendant les six mois suivants ?

Aspirine 100 mg/j et clopidogrel 75 mg/j; célécoxib 200 mg avant l’intervention, puis 400 mg deux fois par jour
Célécoxib 400 mg avant l’intervention, puis 200 mg deux fois par jour, sans traitement antiplaquettaire commun
Aspirine 100 mg/j et clopidogrel 75 mg/j; célécoxib 400 mg avant l’intervention, puis 200 mg deux fois par jour
Aspirine 100 mg/j et clopidogrel 75 mg/j; célécoxib 400 mg avant l’intervention, puis 200 mg une fois par jour

Aspirine 100 mg/j et clopidogrel 75 mg/j; célécoxib 400 mg avant l’intervention, puis 200 mg deux fois par jour

Explication

Les patients recevaient tous de l’aspirine à 100 mg/j et du clopidogrel à 75 mg/j; dans le groupe célécoxib, la dose était de 400 mg avant l’intervention puis de 200 mg deux fois par jour pendant six mois. Les autres propositions inversent les doses, réduisent la fréquence d’entretien ou omettent les antiplaquettaires.

56. Dans COREA-TAXUS, quelle mesure constituait le critère principal évalué à six mois ?

Le décès cardiaque ou l’infarctus du myocarde observé à six mois
La perte luminale tardive intrastent mesurée par angiographie coronaire quantitative
La proportion de lésions présentant une resténose binaire à six mois
La revascularisation de la lésion cible enregistrée au cours du suivi

La perte luminale tardive intrastent mesurée par angiographie coronaire quantitative

Explication

Le critère principal était la perte luminale tardive intrastent, mesurée par angiographie coronaire quantitative à six mois. Le décès cardiaque, l’infarctus et la revascularisation de la lésion cible étaient des critères secondaires; la resténose binaire n’est pas le critère principal désigné ici.

57. Chez un patient évalué pour un infarctus du myocarde, on relève des symptômes ischémiques et de nouvelles modifications électrocardiographiques compatibles, mais une CK-MB inférieure à deux fois la limite normale supérieure. La définition de l’essai est-elle satisfaite ?

Non, car la CK-MB doit dépasser deux fois la limite normale supérieure
Oui, car deux des trois éléments diagnostiques sont présents
Non, car les modifications électrocardiographiques doivent s’ajouter à une CK-MB élevée
Oui, car un seul élément diagnostique suffit en présence de symptômes

Oui, car deux des trois éléments diagnostiques sont présents

Explication

La définition exige au moins deux éléments parmi les symptômes ischémiques, une CK-MB au moins deux fois supérieure à la limite normale supérieure et des modifications électrocardiographiques compatibles. Ici, les symptômes et l’ECG fournissent deux éléments; les distracteurs imposent une enzyme élevée ou n’exigent qu’un seul critère.

58. À six mois, l’analyse angiographique montre que la perte luminale tardive intrastent est plus faible de 0,26 mm sous célécoxib. Quelle interprétation relative correspond au résultat rapporté ?

Une réduction relative de 26 %
Une réduction relative de 0,35 %
Une augmentation relative de 35 %
Une réduction relative de 35 %

Une réduction relative de 35 %

Explication

La différence de 0,26 mm correspondait à une réduction relative de 35 % de la perte luminale tardive sous célécoxib. Le chiffre 26 reprend la différence absolue en millimètres, tandis qu’une augmentation inverse le sens de l’effet.

59. Lors de la comparaison à six mois, quelle combinaison décrit correctement la resténose binaire sous célécoxib et sous traitement témoin ?

Stent : 13 % contre 30 %; segment : 11 % contre 24 %
Stent : 11 % contre 24 %; segment : 13 % contre 30 %, avec p=0,001 pour le stent et p=0,007 pour le segment
Stent : 11 % contre 24 %; segment : 13 % contre 30 %
Stent : 24 % contre 11 %; segment : 30 % contre 13 %

Stent : 11 % contre 24 %; segment : 13 % contre 30 %

Explication

La resténose binaire était moins fréquente sous célécoxib : 11 % contre 24 % dans le stent et 13 % contre 30 % dans le segment. L’inversion des groupes ou des mesures stent/segment déforme la comparaison; les valeurs de p étaient respectivement 0,007 et 0,001.

60. Les événements cardiaques indésirables majeurs diminuent sous célécoxib, mais les décès cardiaques et les infarctus ne diffèrent pas entre les groupes. Quelle explication rend compte de la réduction rapportée ?

La réduction des revascularisations de la lésion cible
La réduction des décès cardiaques
La réduction des infarctus du myocarde
La réduction des infarctus périprocéduraux

La réduction des revascularisations de la lésion cible

Explication

La réduction relative de 66 % des événements cardiaques indésirables majeurs était principalement liée à la diminution des revascularisations de la lésion cible, sans différence de décès cardiaque ni d’infarctus. Attribuer l’effet aux décès ou aux infarctus contredit ce profil; les infarctus périprocéduraux ne sont pas l’explication rapportée.

61. Un comité envisage de recommander le célécoxib après un essai de taille limitée avec un suivi de six mois. Quelle démarche correspond à la prudence des auteurs ?

Réaliser une étude en double aveugle de taille comparable sans prolonger le suivi
Recommander le célécoxib dès maintenant en se fondant sur les résultats à six mois
Attendre des études en double aveugle, beaucoup plus vastes et avec un suivi à long terme
Répéter un essai ouvert de taille comparable avec le même suivi de six mois

Attendre des études en double aveugle, beaucoup plus vastes et avec un suivi à long terme

Explication

Les auteurs déconseillaient de recommander le célécoxib sur la seule base de cet essai et demandaient des études en double aveugle, dans une population beaucoup plus grande, avec un suivi à long terme. Les autres propositions négligent l’un ou plusieurs de ces éléments nécessaires.

62. Dans l’essai Adenoma Prevention with Celecoxib, si le risque d’événements cardiovasculaires sous placebo est représenté par 1, quel risque relatif a été observé sous célécoxib ?

1,6
2,6
1,0
0,38

2,6

Explication

Le risque sous célécoxib était 2,6 fois celui observé sous placebo. La valeur 0,38 inverse le rapport, 1,6 ne correspond pas au risque relatif rapporté et 1,0 suggère un risque identique.

63. Quelle conclusion les grandes méta-analyses ont-elles rapportée en comparant le célécoxib au rofécoxib pour le risque d’événements cardiovasculaires ?

Les deux médicaments augmentaient le risque cardiovasculaire.
Les deux médicaments n’augmentaient pas le risque cardiovasculaire.
Le célécoxib augmentait le risque, contrairement au rofécoxib.
Le célécoxib n’augmentait pas le risque, contrairement au rofécoxib.

Le célécoxib n’augmentait pas le risque, contrairement au rofécoxib.

Explication

Les grandes méta-analyses rapportaient que le célécoxib, contrairement au rofécoxib, n’augmentait pas le risque d’événements cardiovasculaires. L’augmentation attribuée au célécoxib transpose le signal du rofécoxib, tandis que les deux autres réponses effacent la distinction entre les médicaments.

64. Une étude suit pendant six mois des patients sous célécoxib et double thérapie antiplaquettaire. Quelle conclusion est justifiée par cette durée de suivi concernant les événements cardiaques indésirables ?

Aucune hausse ne semble observée à moyen terme, mais l’effet sur plusieurs années reste indéterminé.
Une hausse du risque est démontrée à moyen terme, sans conclusion à long terme.
Une baisse du risque est démontrée à moyen terme et sur plusieurs années.
Aucune conclusion n’est possible même pour la période de six mois.

Aucune hausse ne semble observée à moyen terme, mais l’effet sur plusieurs années reste indéterminé.

Explication

Le suivi de six mois ne suggère pas d’augmentation à moyen terme, mais il est trop court pour conclure sur plusieurs années. La baisse du risque n’est pas établie, et l’absence de conclusion à moyen terme néglige les résultats observés pendant l’étude.

65. Dans Rcmdr, une analyste veut comparer, selon le sexe, la proportion de personnes ayant une PAS normale. Quelle démarche convient pour représenter les pourcentages par groupe ?

Convertir Sexe en facteur, puis représenter SEXE_FACT en barres par groupe de PAS_CAT avec les effectifs.
Conserver Sexe comme variable numérique, puis représenter SEXE en barres par groupe de PAS_CAT avec les pourcentages.
Convertir Sexe en facteur, puis représenter SEXE_FACT en barres par groupe de PAS_CAT avec les pourcentages.
Convertir PAS_CAT en variable numérique, puis représenter PAS_CAT en barres par groupe de SEXE avec les pourcentages.

Convertir Sexe en facteur, puis représenter SEXE_FACT en barres par groupe de PAS_CAT avec les pourcentages.

Explication

Pour comparer les pourcentages selon le sexe, il faut convertir la variable numérique Sexe en facteur et représenter SEXE_FACT en barres par groupe de PAS_CAT avec les pourcentages. Garder Sexe numérique ou inverser les groupes ne suit pas cette procédure; des effectifs ne répondent pas à la comparaison demandée en pourcentages.

66. Un graphique compare la proportion de femmes et d’hommes ayant une PAS normale : il indique 47 % chez les femmes et 52 % chez les hommes. Quelle interprétation est correcte ?

La proportion est plus élevée chez les hommes, avec 52 % contre 47 % chez les femmes.
La proportion est plus élevée chez les hommes, avec 5 % contre 47 % chez les femmes.
La proportion est plus élevée chez les femmes, avec 53 % contre 48 % chez les hommes.
La proportion est plus élevée chez les femmes, avec 52 % contre 47 % chez les hommes.

La proportion est plus élevée chez les hommes, avec 52 % contre 47 % chez les femmes.

Explication

Le graphique indique 52 % chez les hommes contre 47 % chez les femmes, donc la proportion de PAS normale est plus élevée chez les hommes. L’inversion des valeurs attribue les pourcentages aux mauvais groupes; 5 % et les valeurs complémentaires décrivent une autre interprétation que les proportions normales rapportées.

67. Une PAD de 69 mmHg est observée chez un sujet. Dans quelle classe de PAD se situe-t-elle ?

De 6 à 87 mmHg
De 6 à 70 mmHg
De 87 à 198 mmHg
De 70 à 87 mmHg

De 6 à 70 mmHg

Explication

La première classe de PAD couvre l’intervalle de 6 à 70 mmHg, ce qui inclut 69 mmHg. L’intervalle de 70 à 87 mmHg correspond à la classe intermédiaire, celui de 87 à 198 mmHg à la classe supérieure, et 6 à 87 mmHg fusionne deux classes.

68. Quels effectifs correspondent respectivement aux trois classes de PAD, de la plus basse à la plus élevée ?

181, 156 et 163 sujets
156, 181 et 163 sujets
181, 163 et 156 sujets
36,2, 31,2 et 32,6 sujets

181, 156 et 163 sujets

Explication

Les trois classes comptent respectivement 181, 156 et 163 sujets. L’ordre 156 puis 181 inverse les deux premiers effectifs, 163 en deuxième position déplace l’effectif de la classe élevée, et les valeurs 36,2, 31,2 et 32,6 sont des pourcentages.

69. En comparant les classes de PAD faible, intermédiaire et élevée, quelle évolution des moyennes et des médianes de l’IMC observe-t-on ?

Les moyennes et les médianes diminuent avec la classe de PAD
Les moyennes et les médianes augmentent avec la classe de PAD
Les moyennes diminuent et les médianes augmentent avec la classe de PAD
Les moyennes augmentent et les médianes diminuent avec la classe de PAD

Les moyennes et les médianes augmentent avec la classe de PAD

Explication

Les moyennes passent de 25,480 à 26,473 puis à 28,006, et les médianes de 24,632 à 25,945 puis à 27,457 : les deux mesures augmentent. Les autres réponses inversent la tendance ou attribuent des évolutions opposées à la moyenne et à la médiane.

70. Un chercheur constate que la distribution d’une variable n’est pas normale. Quels paramètres doit-il privilégier pour la résumer ?

La moyenne et l’écart-type
La médiane et la variance
La moyenne et l’étendue
La médiane et l’écart interquartile

La médiane et l’écart interquartile

Explication

Une variable non normalement distribuée se résume par la médiane et l’écart interquartile. La moyenne et l’écart-type sont associés à une distribution normale; la variance ou l’étendue ne remplacent pas l’écart interquartile dans cette règle.

71. Une mesure de PAS est de 175 mmHg. Quelle catégorie lui est attribuée ?

Normale
Très élevée
Non classée
Élevée

Élevée

Explication

La catégorie « Élevée » comprend les valeurs de 140 mmHg inclus à moins de 180 mmHg; 175 mmHg y appartient. « Normale » concerne les valeurs inférieures à 140 mmHg, tandis que « Très élevée » commence à 180 mmHg.

72. Dans un tableau d’analyse, PAS_CAT2 et PAD_CAT2 sont des variables recodées en catégories, tandis que PAS et PAD conservent leur mesure numérique. Comment classer ces variables ?

PAS_CAT2 et PAD_CAT2 sont qualitatives; PAS et PAD sont quantitatives
PAS_CAT2 et PAD_CAT2 sont quantitatives; PAS et PAD sont qualitatives
Les quatre variables sont qualitatives
Les quatre variables sont quantitatives

PAS_CAT2 et PAD_CAT2 sont qualitatives; PAS et PAD sont quantitatives

Explication

Les versions recodées PAS_CAT2 et PAD_CAT2 sont qualitatives, alors que les mesures PAS et PAD sont quantitatives. La deuxième réponse inverse le statut des variables recodées et d’origine; les deux dernières ignorent cette distinction.

73. Dans une cohorte de 500 sujets, quelle répartition correspond aux catégories normale, élevée et très élevée de PAS ?

230 sujets, 200 sujets et 70 sujets
200 sujets, 230 sujets et 70 sujets
230 sujets, 70 sujets et 200 sujets
46 sujets, 40 sujets et 14 sujets

230 sujets, 200 sujets et 70 sujets

Explication

La répartition est de 230 sujets en catégorie normale, 200 en catégorie élevée et 70 en catégorie très élevée. Les autres effectifs déplacent les catégories ou utilisent les pourcentages 46 %, 40 % et 14 % comme s’il s’agissait de nombres de sujets.

74. Une étude modélise le taux de cholestérol en fonction de l’âge. Quelle variable est la variable explicative du modèle ?

L’âge
Le taux de cholestérol
La valeur prédite
La réponse du modèle

L’âge

Explication

Dans une relation « Y en fonction de X », X est la variable explicative et Y la réponse ; ici, l’âge joue le rôle de X. Le taux de cholestérol correspond à Y, tandis que les deux autres termes ne désignent pas la variable fixée.

75. Une chercheuse veut estimer la pression artérielle en fonction de l’âge, puis prédire la pression d’une personne de 60 ans. Quel enchaînement d’étapes convient ?

Examiner le nuage avec la droite des moindres carrés, ajuster le modèle, puis prédire
Prédire une valeur, examiner le nuage, puis ajuster le modèle
Examiner le nuage, prédire une valeur, puis ajuster le modèle
Ajuster le modèle, prédire une valeur, puis examiner le nuage

Examiner le nuage avec la droite des moindres carrés, ajuster le modèle, puis prédire

Explication

L’analyse commence par l’examen du nuage de points et de la droite des moindres carrés, se poursuit par l’ajustement donnant l’équation, puis utilise le modèle pour prédire. Les autres séquences placent la prédiction trop tôt ou retardent l’examen graphique.

76. Dans une étude, les deux variables sont continues, leur relation est monotone, mais les vérifications de normalité ne sont pas satisfaisantes. Quel test de corrélation faut-il privilégier ?

Une régression logistique
Le test de Pearson
Le test de Spearman
Un test de Shapiro-Wilk

Le test de Spearman

Explication

Spearman convient lorsque les variables ne sont pas normales, ainsi que pour une variable ordinale. Pearson est privilégié lorsque la normalité est vérifiée ; la régression logistique et Shapiro-Wilk ne sont pas des tests de corrélation.

77. Une chercheuse étudie l’association entre une mesure continue et une appréciation classée en quatre niveaux ordonnés. Quelle démarche est indiquée pour choisir la corrélation ?

Utiliser directement le test de Spearman
Transformer les niveaux en mesures continues pour Pearson
Traiter l’appréciation comme une variable nominale
Vérifier la normalité, puis utiliser Pearson

Utiliser directement le test de Spearman

Explication

Une variable qualitative ordinale à quatre niveaux justifie l’emploi direct de Spearman, sans nuage de points ni vérification préalable de la normalité. Vérifier la normalité pour Pearson néglige le caractère ordinal, et les autres démarches changent la nature de la variable.

78. Dans une table de Kaplan-Meier, une ligne indique un temps de 40 jours, 12 personnes à risque, 3 événements et une survie de 0,75. Que représente la valeur 12 ?

Le nombre d’individus encore à risque
Le temps auquel survient un événement
La probabilité de survie à ce temps
Le nombre d’événements survenus à ce temps

Le nombre d’individus encore à risque

Explication

La colonne n.risk donne le nombre d’individus encore à risque à chaque temps. n.event désigne les événements, survival la probabilité de survie et time le temps d’événement.

79. Les quartiles du temps de survie global sont 296 jours au 25e percentile, 1627 jours au 50e et 2353 jours au 75e. Quelle est la médiane de survie ?

2353 jours
296 jours
1324,5 jours
1627 jours

1627 jours

Explication

La médiane correspond au 50e percentile, soit 1627 jours. 296 jours est le 25e percentile, 2353 jours le 75e, et la moyenne des quartiles extrêmes n’est pas la définition de la médiane.

80. Un test du LogRank comparant les courbes de survie selon le sexe donne une valeur p de 0,005. Quelle conclusion convient au seuil de 0,05 ?

Rejeter l’hypothèse de courbes similaires et conclure à une différence significative
Conclure à une différence des médianes sans comparer les courbes
Conserver l’hypothèse de courbes similaires et conclure à une différence significative
Rejeter l’hypothèse de courbes différentes et conclure à des courbes similaires

Rejeter l’hypothèse de courbes similaires et conclure à une différence significative

Explication

Le LogRank oppose des courbes similaires sous l’hypothèse nulle à des courbes différentes sous l’alternative ; comme 0,005 est inférieur à 0,05, l’hypothèse nulle est rejetée. Conserver cette hypothèse ou inverser les hypothèses conduit à la mauvaise conclusion.

81. Pour un groupe, le quantile de survie au 75e percentile est affiché comme NA. Quelle interprétation est correcte ?

La courbe atteint ce niveau après la fin du suivi
Les observations de survie du groupe sont absentes
La probabilité de survie vaut zéro à ce percentile
La courbe ne descend pas jusqu’au niveau requis pour déterminer ce quantile

La courbe ne descend pas jusqu’au niveau requis pour déterminer ce quantile

Explication

Un quantile affiché comme NA signifie que la courbe ne descend pas jusqu’à la valeur nécessaire pour le déterminer. Cela ne signifie ni une probabilité nulle ni l’absence des données du groupe.

82. Lors d’une analyse de survie hospitalière, les quantiles rapportés sont 25 = 22 jours, 50 = NA et 75 = NA. Quelle interprétation du temps médian est correcte ?

La médiane n’est pas atteinte pendant le suivi
La médiane de survie est de zéro jour
La médiane de survie est supérieure au quantile 75
La médiane de survie est de 22 jours

La médiane n’est pas atteinte pendant le suivi

Explication

La médiane correspond au quantile 50, qui est noté NA : elle n’a donc pas été atteinte pendant le suivi. Lire le quantile 25 comme la médiane confond deux quantiles, tandis que NA ne signifie ni une survie nulle ni une valeur connue au quantile 75.

83. Une comparaison par LogRank des courbes de survie hospitalière selon les antécédents d’infarctus donne p=0,5p = 0{,}5. Au seuil de 0,050{,}05, quelle conclusion faut-il retenir ?

Conclure que les médianes sont nécessairement différentes
Ne pas rejeter l’hypothèse de courbes similaires
Rejeter l’hypothèse de courbes similaires
Conclure que les courbes sont prouvées identiques

Ne pas rejeter l’hypothèse de courbes similaires

Explication

Comme 0,5>0,050{,}5 > 0{,}05, le test ne conduit pas à rejeter l’hypothèse nulle de courbes similaires. Rejeter cette hypothèse inverse la règle du seuil, et l’absence de rejet ne prouve pas que les courbes sont identiques ni que les médianes diffèrent.

84. Dans une comparaison LogRank des courbes de survie hospitalière selon le BMI, le résultat est p=0,04p = 0{,}04 au seuil de 0,050{,}05. Quelle interprétation correspond au résultat rapporté ?

Les courbes diffèrent significativement et le surpoids est associé à une survie plus courte
Les courbes ne diffèrent pas significativement et le surpoids est associé à une survie plus courte
Les courbes ne diffèrent pas significativement et le surpoids n’est pas associé à la survie
Les courbes diffèrent significativement et le surpoids n’est pas associé à une survie plus courte

Les courbes diffèrent significativement et le surpoids n’est pas associé à une survie plus courte

Explication

Puisque 0,04<0,050{,}04 < 0{,}05, la différence entre les courbes de survie selon le BMI est significative; la conclusion rapportée est que le surpoids n’est pas associé à une durée de survie plus faible, mais à une conclusion inverse. Dire que le surpoids raccourcit la survie inverse cette conclusion, tandis que la non-significativité reprend à tort le résultat de MI_FACT.

85. Pour étudier l’association entre MI_FACT et Age_CLASS, quelle configuration permet d’effectuer l’analyse prévue ?

Age_CLASS en ligne, MI_FACT en colonne, pourcentages par colonne, chi-deux et Fisher
MI_FACT en ligne, Age_CLASS en colonne, pourcentages par colonne, chi-deux et Fisher
MI_FACT en ligne, Age_CLASS en colonne, pourcentages par colonne, chi-deux seul
MI_FACT en ligne, Age_CLASS en colonne, pourcentages par ligne, chi-deux et Fisher

MI_FACT en ligne, Age_CLASS en colonne, pourcentages par colonne, chi-deux et Fisher

Explication

L’analyse prévue place MI_FACT en ligne et Age_CLASS en colonne, calcule les pourcentages par colonne et comprend le chi-deux d’indépendance ainsi que le test exact de Fisher. Inverser les variables, calculer les pourcentages par ligne ou omettre Fisher ne respecte pas cette configuration.

86. Dans une comparaison des deux classes d’âge, les antécédents d’infarctus concernent 42 % des sujets âgés de 72 à 104 ans et 26,8 % de ceux âgés de 30 à 72 ans; p=0,00037p = 0{,}00037. Quelle conclusion est justifiée ?

Les antécédents sont plus fréquents chez les sujets plus jeunes, avec une association significative
Les antécédents sont plus fréquents chez les sujets âgés, avec une association significative
Les antécédents sont également fréquents dans les deux classes d’âge
Les antécédents sont plus fréquents chez les sujets âgés, sans association significative

Les antécédents sont plus fréquents chez les sujets âgés, avec une association significative

Explication

La fréquence est plus élevée dans la classe de 72 à 104 ans (42 % contre 26,8 %), et p=0,00037p = 0{,}00037 indique une association statistiquement significative. L’inversion des pourcentages désigne à tort les plus jeunes, et qualifier l’association de non significative contredit la valeur p.

87. Une équipe veut comparer la répartition des catégories de PAS entre des hommes et des femmes. Quelle démarche convient-elle ?

Comparer les moyennes de PAS, convertir le sexe en facteur, puis appliquer un test t et un test de Shapiro-Wilk
Catégoriser la PAS, apparier les hommes et les femmes, puis appliquer le test de McNemar aux paires
Catégoriser la PAS, convertir le sexe en facteur, puis croiser les variables avec pourcentages par colonne et tests du chi-deux et de Fisher
Convertir la PAS en facteur, conserver le sexe numérique, puis comparer les distributions avec un test de Mann-Whitney

Catégoriser la PAS, convertir le sexe en facteur, puis croiser les variables avec pourcentages par colonne et tests du chi-deux et de Fisher

Explication

La comparaison des proportions exige des catégories de PAS, un facteur pour le sexe et un tableau croisé avec pourcentages par colonne, complété par les tests du chi-deux et exact de Fisher. La comparaison des moyennes confond variable quantitative et proportions, McNemar concerne des données appariées, et Mann-Whitney compare une variable quantitative entre groupes.

88. Une étude relève une caractéristique chez les mêmes personnes à deux moments, tandis qu’une autre compare deux groupes distincts. Quel test convient aux données répétées chez les mêmes personnes ?

Le chi-deux d’indépendance
Le test exact de Fisher
Le test t de Student
Le test de McNemar

Le test de McNemar

Explication

McNemar s’applique aux données appariées mesurées sur une même population à deux temps. Fisher et le chi-deux d’indépendance visent des groupes indépendants, tandis que le test t compare des variables quantitatives.

89. Dans un tableau croisé de catégories de PAS et de sexe, les conditions d’application du chi-deux ne sont pas satisfaites. Quelle p-valeur faut-il interpréter ?

Celle du test de McNemar
Celle du test t de Welch
Celle du test exact de Fisher
Celle du chi-deux d’indépendance

Celle du test exact de Fisher

Explication

Lorsque les conditions d’application du chi-deux ne sont pas respectées, il faut interpréter la p-valeur du test exact de Fisher. Maintenir le chi-deux ignore ses conditions, McNemar concerne des données appariées et Welch compare des moyennes.

90. Une chercheuse compare une mesure quantitative entre deux groupes indépendants. Les distributions et l’homogénéité des variances ont été examinées. De quoi dépend le choix du test ?

De la taille des pourcentages, pour choisir entre chi-deux et Mann-Whitney
De la normalité seule, pour choisir entre Student et Fisher
De l’homogénéité seule, pour choisir entre McNemar et Welch
De la normalité et de l’homogénéité des variances, pour choisir Student, Welch ou Mann-Whitney

De la normalité et de l’homogénéité des variances, pour choisir Student, Welch ou Mann-Whitney

Explication

Pour deux groupes indépendants et une variable quantitative, le choix entre Student, Welch et Mann-Whitney repose sur la normalité et l’homogénéité des variances. La normalité ou l’homogénéité considérée isolément ne décrit pas l’ensemble des critères, et les tests de proportions ne répondent pas à cette comparaison.

91. Une équipe veut comparer le taux d’albumine de patients vivants et décédés. Quelle démarche permet de choisir correctement le test de comparaison ?

Tracer un histogramme commun aux groupes, puis appliquer Student sans autre vérification
Examiner moyennes et médianes, histogrammes et QQ-plots par groupe, puis tester normalité et homogénéité des variances
Calculer uniquement les médianes, puis appliquer McNemar aux deux groupes
Examiner les proportions par groupe, puis appliquer le chi-deux et le test exact de Fisher

Examiner moyennes et médianes, histogrammes et QQ-plots par groupe, puis tester normalité et homogénéité des variances

Explication

La démarche consiste à examiner les moyennes et médianes, les histogrammes et QQ-plots par groupe, puis à effectuer les tests de Shapiro-Wilk et d’homogénéité des variances avant de choisir le test. Un choix direct de Student ou l’absence de vérification des variances omet une étape nécessaire; les tests de proportions et McNemar ne conviennent pas ici.

92. Dans une comparaison de deux groupes indépendants, le test d’homogénéité des variances est significatif. Quel test faut-il retenir pour comparer les moyennes ?

Le test de McNemar
Le test t de Student à variances égales
Le test t de Welch
Le test exact de Fisher

Le test t de Welch

Explication

Un résultat significatif au test d’homogénéité conduit à rejeter l’égalité des variances; on utilise alors le test t de Welch plutôt que Student à variances égales. Student conserve l’hypothèse rejetée, tandis que Fisher et McNemar ne sont pas des tests de comparaison de moyennes indépendantes.

93. Pour l’âge, le test de Shapiro-Wilk donne des p-valeurs de 0,07908, 0,3381 et 0,6546 dans trois groupes œdémateux. Au seuil de 0,05, quelle conclusion faut-il tirer ?

Les moyennes des trois groupes sont égales
La normalité est rejetée dans un seul groupe
La normalité est rejetée dans les trois groupes
La normalité n’est rejetée dans aucun des trois groupes

La normalité n’est rejetée dans aucun des trois groupes

Explication

Comme les trois p-valeurs dépassent 0,05, le test ne conduit pas à rejeter la normalité dans aucun groupe. Rejeter la normalité inverse la règle du test, tandis que l’égalité des moyennes relève d’une autre comparaison.

94. Un test de Bartlett appliqué à l’âge dans trois groupes donne p=0,4111p = 0{,}4111. Quelle conclusion convient au seuil de 0,05 ?

L’égalité des moyennes est établie
L’homogénéité des variances est rejetée
La normalité des âges est rejetée
L’homogénéité des variances n’est pas rejetée

L’homogénéité des variances n’est pas rejetée

Explication

La p-valeur de Bartlett dépasse 0,05 : on ne rejette donc pas l’hypothèse d’homogénéité des variances. La normalité est évaluée par un autre test, et Bartlett ne permet pas de conclure à l’égalité des moyennes.

95. Dans une comparaison de l’âge entre trois groupes œdémateux, les conditions de normalité et d’homogénéité des variances sont satisfaites. Quel test compare alors les moyennes ?

Un test de Mann-Whitney
Un test de Bartlett
Une ANOVA à un facteur
Un test de Kruskal-Wallis

Une ANOVA à un facteur

Explication

Lorsque la normalité et l’homogénéité des variances sont satisfaites, une ANOVA à un facteur compare les moyennes des trois groupes. Kruskal-Wallis est une solution non paramétrique, Mann-Whitney compare deux groupes, et Bartlett porte sur les variances.

96. Les triglycérides sont mesurés dans deux groupes de traitement. Le test de Shapiro-Wilk donne p=7,922×10−14p = 7{,}922\times10^{-14} sous D-Pénicillamine et p=0,000000002705p = 0{,}000000002705 sous placebo. Quelle conclusion s’impose ?

La normalité n’est rejetée dans aucun groupe
La normalité est rejetée dans les deux groupes
La normalité est rejetée sous placebo seulement
La normalité est rejetée sous D-Pénicillamine seulement

La normalité est rejetée dans les deux groupes

Explication

Les deux p-valeurs sont très inférieures au seuil de 0,05, donc la normalité est rejetée dans chacun des groupes. Ce résultat porte sur la distribution, pas sur l’existence d’une différence entre traitements.

97. Dans une comparaison de triglycérides entre deux traitements, la normalité est infirmée. Quelle démarche suit la règle de choix du test ?

Passer directement au test de Kruskal-Wallis
Tester d’abord l’homogénéité avec Bartlett
Utiliser une ANOVA à un facteur
Passer directement au test de Mann-Whitney

Passer directement au test de Mann-Whitney

Explication

Quand la normalité est infirmée pour cette comparaison entre deux groupes, la démarche passe directement au test de Mann-Whitney sans test préalable d’homogénéité des variances. Bartlett ne remplace pas ce choix, et Kruskal-Wallis concerne ici la comparaison de plusieurs groupes.

98. Le test bilatéral de Mann-Whitney compare les triglycérides entre deux traitements et donne p=0,3702p = 0{,}3702. Au seuil de 0,05, quelle conclusion convient ?

Aucune différence statistiquement significative n’est mise en évidence
La normalité des triglycérides est confirmée
Une différence statistiquement significative est mise en évidence
Les deux groupes ont des taux exactement égaux

Aucune différence statistiquement significative n’est mise en évidence

Explication

La p-valeur de 0,3702 dépasse 0,05 : le test ne met pas en évidence de différence statistiquement significative entre traitements. Cela ne prouve pas une égalité exacte, et Mann-Whitney ne teste pas la normalité.

99. On compare les triglycérides dans trois groupes de statut œdémateux. Le test de normalité rejette cette hypothèse dans au moins un groupe. Quelle procédure faut-il retenir ?

Poursuivre par une ANOVA à un facteur
Passer directement au test de Mann-Whitney
Tester d’abord l’homogénéité des variances
Passer directement au test de Kruskal-Wallis

Passer directement au test de Kruskal-Wallis

Explication

Si la normalité est infirmée dans au moins un des trois groupes, la règle conduit directement au test de Kruskal-Wallis, sans test d’homogénéité des variances. Bartlett ajoute une étape inutile ici, tandis que Mann-Whitney concerne la comparaison de deux groupes.

100. Pour les différences de bilirubine entre deux visites, le test de Shapiro-Wilk donne W=0.62472W = 0.62472 et p<2.2×10−16p < 2.2 \times 10^{-16} ; quelle conclusion s’impose concernant la normalité ?

L’égalité des variances est retenue
La normalité des différences est rejetée
La normalité des différences est retenue
L’égalité des moyennes est rejetée

La normalité des différences est rejetée

Explication

Une valeur de p très inférieure au seuil conduit à rejeter l’hypothèse de normalité des différences. Retenir la normalité inverse cette conclusion, tandis que l’égalité des moyennes ou des variances n’est pas évaluée par ce test.

101. Chez les mêmes patients, deux mesures quantitatives sont comparées et leur différence ne suit pas une distribution normale. Quel test convient ?

Le test de Student pour groupes indépendants
Le test des rangs signés de Wilcoxon apparié
Le test t de Student apparié
Le test de McNemar

Le test des rangs signés de Wilcoxon apparié

Explication

Lorsque les mesures sont appariées et que la distribution des différences n’est pas normale, le test adapté est celui des rangs signés de Wilcoxon. Le test t apparié dépend des conditions de normalité, le test indépendant néglige l’appariement et McNemar porte sur des variables binaires.

102. Une analyse de bilirubine compare les mesures bili1 et bili3 chez les mêmes patients avec le test de Wilcoxon apparié ; elle donne p=0.005109p = 0.005109. Au seuil de 0.050.05, quelle décision prendre ?

Ne pas rejeter l’hypothèse nulle
Rejeter l’hypothèse nulle
Retenir l’hypothèse de normalité
Conclure à l’indépendance des mesures

Rejeter l’hypothèse nulle

Explication

Comme 0.005109<0.050.005109 < 0.05, l’hypothèse nulle est rejetée au seuil indiqué. Ne pas la rejeter revient à appliquer à tort un seuil plus strict ou à mal interpréter la faible valeur p ; ce test ne vérifie pas la normalité.

103. Un chercheur compare le stade histologique ordinal des mêmes patients lors de deux visites. Quel test doit-il choisir ?

Le test de Wilcoxon apparié
Le test t de Student apparié
Le test de McNemar
Le test de Wilcoxon pour groupes indépendants

Le test de Wilcoxon apparié

Explication

Le stade histologique est ordinal et mesuré chez les mêmes patients à deux visites ; le test indiqué est le test de Wilcoxon apparié. Le test t vise une variable quantitative, tandis que les tests indépendants et McNemar ne correspondent pas à cette situation.

104. Une équipe compare la présence ou l’absence d’une caractéristique chez les mêmes sujets à deux moments. Quel test convient à cette comparaison binaire appariée ?

Un test d’indépendance pour groupes indépendants
Le test de Wilcoxon apparié
Le test de McNemar
Le test t de Student indépendant

Le test de McNemar

Explication

Le test de McNemar est adapté à une variable qualitative binaire mesurée chez les mêmes sujets à deux moments. Un test d’indépendance pour groupes indépendants ignore l’appariement ; Wilcoxon et le test t concernent des données quantitatives.

105. Chez des patients suivis entre deux visites, la proportion d’hépatomégalie passe de 9.5%9.5\% à 11%11\% ; le test de McNemar donne p=0.6936p = 0.6936. Quelle interprétation est justifiée ?

Aucune augmentation significative n’est mise en évidence
Une augmentation significative est mise en évidence
Une diminution significative est mise en évidence
L’égalité exacte des proportions est démontrée

Aucune augmentation significative n’est mise en évidence

Explication

La valeur p=0.6936p = 0.6936 ne met pas en évidence une augmentation significative au seuil usuel, malgré la légère hausse observée. Une valeur p élevée ne prouve pas une égalité exacte, et les données ne montrent pas de diminution.

106. Une chercheuse veut étudier l’association entre une mesure continue et un stade clinique ordonné. Quelle méthode doit-elle choisir sans examiner la normalité ni tracer de nuage de points ?

L’analyse de variance à un facteur
La corrélation non paramétrique de Spearman
La corrélation paramétrique de Pearson
Le test t pour échantillons indépendants

La corrélation non paramétrique de Spearman

Explication

Pour une variable quantitative continue associée à une variable qualitative ordinale, la méthode recommandée est la corrélation non paramétrique de Spearman, sans étape de vérification de la normalité ni de tracé d’un nuage de points. Pearson suppose une démarche paramétrique, tandis que les tests t et l’analyse de variance comparent des moyennes.

107. À la première visite, le coefficient entre l’albumine et le stade histologique est de r=−0.3503877r=-0.3503877. Quelle relation ce signe indique-t-il ?

L’albumine tend à diminuer lorsque le stade augmente
L’albumine tend à augmenter lorsque le stade augmente
L’albumine ne varie pas avec le stade histologique
Le coefficient indique seulement que la relation est significative

L’albumine tend à diminuer lorsque le stade augmente

Explication

Un coefficient négatif indique une relation décroissante : les valeurs d’albumine tendent à être plus faibles lorsque le stade histologique augmente. Une relation croissante inverse le sens du coefficient, et le signe seul ne signifie ni absence de relation ni significativité statistique.

108. Dans une étude des mêmes patients aux visites 1 et 3, quelle variable faut-il créer pour comparer l’évolution des plaquettes et examiner ensuite sa normalité ?

Diff_plaq = platelet1 − platelet3
Diff_plaq = platelet3 + platelet1
Diff_plaq = la moyenne des deux visites
Diff_plaq = platelet3 − platelet1

Diff_plaq = platelet3 − platelet1

Explication

La différence à étudier est définie par la valeur de la visite 3 moins celle de la visite 1, puis sa distribution est examinée pour choisir le test apparié. Inverser les visites change le sens de la différence, tandis qu’une somme ou une moyenne ne représente pas cette différence.

109. Pour la différence des plaquettes entre les visites 1 et 3, Shapiro-Wilk rejette la normalité, mais les autres vérifications conduisent à retenir une distribution normale. Quel test est alors indiqué pour comparer les visites chez les mêmes patients ?

Le test des rangs de Wilcoxon pour groupes indépendants
Le test t de Student pour échantillons indépendants
Le test des rangs de Wilcoxon pour données appariées
Le test t de Student pour échantillons appariés

Le test t de Student pour échantillons appariés

Explication

La conclusion retenue dans l’analyse est que la différence suit une distribution normale; comme les deux mesures proviennent des mêmes patients, le test indiqué est le test t apparié. Le choix fondé sur la non-normalité de Shapiro-Wilk néglige la conclusion générale, et un test indépendant ne convient pas aux mesures répétées chez les mêmes personnes.

110. Le test t apparié comparant les plaquettes aux visites 1 et 3 donne p=0.00000004882p=0.00000004882. Quelle conclusion faut-il tirer ?

Conserver H0 et conclure à l’absence de changement significatif
Rejeter H0 et conclure à une diminution significative des plaquettes
Rejeter H0 et conclure à une augmentation significative des plaquettes
Conclure à une différence significative entre les sexes

Rejeter H0 et conclure à une diminution significative des plaquettes

Explication

La très petite valeur de p conduit à rejeter H0; l’analyse conclut que le taux de plaquettes diminue significativement entre la première et la dernière visite. Une petite valeur de p ne justifie pas le maintien de H0, et ce résultat porte sur l’évolution temporelle, non sur une comparaison entre sexes.

111. Une équipe veut savoir si l’évolution des plaquettes entre les visites 1 et 3 dépend du sexe. Quelle comparaison doit-elle effectuer ?

Comparer les visites 1 et 3 comme deux groupes indépendants
Comparer platelet3 entre les hommes et les femmes seulement
Comparer les taux bruts des deux visites sans calculer leur différence
Comparer Diff_plaq entre les groupes indépendants d’hommes et de femmes

Comparer Diff_plaq entre les groupes indépendants d’hommes et de femmes

Explication

Pour tester si l’évolution dépend du sexe, il faut comparer la variable de différence Diff_plaq entre les groupes indépendants d’hommes et de femmes. Comparer une seule visite ou les taux bruts ne cible pas directement l’évolution, et les visites répétées ne constituent pas deux groupes indépendants.

112. Quel objectif principal l’étude poursuit-elle chez les patients atteints d’insuffisance rénale chronique terminale ?

Comparer la survie selon la technique de dialyse initiale, DP ou HD
Comparer la fréquence des changements entre les modalités de dialyse
Évaluer la survie après transplantation rénale
Identifier les facteurs associés à la survie sans comparer les techniques

Comparer la survie selon la technique de dialyse initiale, DP ou HD

Explication

L’objectif principal est de comparer la survie des patients selon qu’ils commencent par la dialyse péritonéale ou l’hémodialyse. L’identification des facteurs associés correspond à un objectif secondaire, les changements de modalité ne constituent pas l’objectif principal et la transplantation n’est pas le traitement comparé dans cette question.

113. Quelle base de données fournit les informations de la cohorte rétrospective étudiée en région PACA ?

Les dossiers d’un registre national distinct de REIN
Une enquête prospective menée auprès des patients
Les données du réseau REIN
Les courbes calculées par la méthode de Kaplan-Meier

Les données du réseau REIN

Explication

La cohorte rétrospective s’appuie sur les données de la région PACA issues du Réseau épidémiologique et information en néphrologie (REIN). Une enquête prospective et une méthode statistique ne sont pas la source des données, et l’attribution à un registre distinct confond la base indiquée.

114. Une équipe constitue l’échantillon de l’étude en appliquant les critères temporels et d’âge définis. Quel patient peut être inclus ?

Un patient de 18 ans ayant commencé sa première dialyse en PACA en 2014
Un patient de 17 ans ayant commencé sa première dialyse en PACA en 2010
Un patient de 18 ans ayant commencé sa première dialyse en PACA en 2010
Un patient de 18 ans ayant commencé sa première dialyse en PACA en 2013

Un patient de 18 ans ayant commencé sa première dialyse en PACA en 2010

Explication

L’inclusion concerne les patients âgés d’au moins 18 ans qui ont commencé un premier traitement par dialyse en PACA du 1er janvier 2004 au 31 décembre 2012. Le patient de 17 ans est trop jeune, tandis que les dates 2013 et 2014 sont hors de la période d’inclusion, même si le suivi s’est poursuivi plus tard.

115. Pour comparer les courbes de survie des groupes HD et DP tout en tenant compte de plusieurs facteurs susceptibles d’influencer la survie, quelle démarche statistique convient ?

Cox seul, sans estimation ni comparaison des courbes
Kaplan-Meier et log-rank, complétés par Cox et un score de propension
Score de propension seul, sans analyse de survie
Kaplan-Meier et log-rank, sans analyse ajustée des facteurs

Kaplan-Meier et log-rank, complétés par Cox et un score de propension

Explication

Kaplan-Meier estime la survie et le test du log-rank compare les courbes; l’analyse multivariée de Cox et le score de propension complètent l’approche pour tenir compte des facteurs pertinents. Le log-rank seul ne fournit pas l’ajustement multivarié, Cox seul ne reprend pas l’ensemble des méthodes indiquées, et le score de propension n’est pas à lui seul une méthode d’estimation de survie.

116. Dans une cohorte où de nombreux patients passent de l’HD à la DP, ou inversement, selon leur état de santé ou leurs préférences, pourquoi une comparaison stricte des deux modalités peut-elle mal représenter la pratique clinique ?

Parce que les changements sont déterminés par la méthode de Kaplan-Meier
Parce que la modalité initiale est identique pour tous les patients
Parce que les patients peuvent changer de modalité au cours de leur prise en charge
Parce que la survie n’intervient pas dans l’évaluation des modalités

Parce que les patients peuvent changer de modalité au cours de leur prise en charge

Explication

La comparaison stricte ne reflète pas entièrement la pratique, car les patients changent souvent de modalité selon leur état de santé ou leurs préférences. L’idée d’une modalité initiale identique nie la comparaison HD-DP, Kaplan-Meier n’explique pas ces changements, et la survie fait partie de l’évaluation étudiée.

117. Quel cadre permet à l’étude de comparer la survie selon la technique initiale tout en recherchant les facteurs qui lui sont associés ?

Une analyse du seul registre national, sans cohorte régionale
Une cohorte limitée aux patients contre-indiqués pour la greffe
Une cohorte de patients débutant la dialyse dans toute la région PACA
Un essai comparant des traitements attribués par tirage au sort

Une cohorte de patients débutant la dialyse dans toute la région PACA

Explication

L’étude porte sur une cohorte de patients commençant la dialyse dans toute la région PACA, afin de comparer la survie selon la technique initiale et d’identifier les facteurs associés. La limiter aux patients contre-indiqués pour la greffe restreint le cadre, le registre national seul ne correspond pas au dispositif régional décrit et aucun essai randomisé n’est indiqué.

118. Quel type d’étude a été mené à partir des données du registre REIN entre 2004 et 2014 ?

Un essai randomisé contrôlé multicentrique
Une enquête transversale fondée sur un échantillon
Une cohorte descriptive multicentrique
Une étude descriptive monocentrique

Une cohorte descriptive multicentrique

Explication

L’étude était une cohorte descriptive menée dans plusieurs centres à partir des données du registre REIN. Un essai randomisé suppose une répartition expérimentale, une étude monocentrique se limite à un centre, et une enquête transversale ne suit pas une cohorte dans le temps.

119. Une patiente de 18 ans commence sa première dialyse en PACA en 2010. Correspond-elle à la population définie pour cette étude ?

Oui, car l’âge minimal requis était de 18 ans exactement
Non, car il fallait avoir plus de 18 ans au début de la dialyse
Non, car les inclusions se limitaient aux années 2004 à 2009
Non, car seuls les patients ayant déjà changé de technique étaient inclus

Non, car il fallait avoir plus de 18 ans au début de la dialyse

Explication

La population comprenait les adultes de plus de 18 ans ayant commencé une première dialyse en PACA entre 2004 et 2012 ; une personne âgée exactement de 18 ans ne satisfait donc pas le critère d’âge. La période 2004–2009 ne correspond pas à la période d’inclusion, et l’étude portait sur un premier traitement.

120. Un patient reçoit sa première séance de dialyse immédiatement après l’évaluation d’un néphrologue, car une hyperkaliémie constitue un risque vital. Comment cette initiation est-elle classée ?

Une dialyse programmée
Une dialyse en urgence
Une dialyse urgente seulement si plusieurs critères sont présents
Un changement de technique

Une dialyse en urgence

Explication

La dialyse en urgence correspond à une première séance réalisée immédiatement après une évaluation néphrologique en raison d’un risque vital ; un seul critère clinique suffit. Une initiation programmée n’a pas ce caractère immédiat, et un changement de technique concerne une autre situation.

121. Pour un patient dont le suivi s’arrête à la date de clôture prévue, quelles dates délimitent la mesure de sa survie ?

Du diagnostic d’insuffisance rénale au 30 juin 2014
De l’inscription au registre à la dernière séance de dialyse
Du premier traitement de dialyse au 30 juin 2014
Du premier traitement de dialyse à la première hospitalisation

Du premier traitement de dialyse au 30 juin 2014

Explication

La survie était calculée à partir de la date du premier traitement de dialyse jusqu’à la date des dernières nouvelles, avec un point de suivi fixé au 30 juin 2014. Le diagnostic et l’inscription au registre ne constituent pas le point de départ indiqué.

122. Après ajustement sur le score de propension, une comparaison de survie entre deux techniques donne un RR ajusté de 1,11, un IC à 95 % de 0,89 à 1,39 et une valeur de p de 0,327. Quelle conclusion convient ?

Aucune différence significative de survie n’est mise en évidence
Les deux techniques sont démontrées équivalentes en survie
La seconde technique réduit significativement la survie
La première technique améliore significativement la survie

Aucune différence significative de survie n’est mise en évidence

Explication

La valeur de p de 0,327 et l’intervalle de confiance qui inclut 1 indiquent qu’aucune différence significative n’est mise en évidence après ajustement. Un RR supérieur à 1 ne suffit pas à établir une différence, et l’absence de significativité ne prouve pas l’équivalence.

123. Après appariement sur le score de propension, une analyse compare 193 patients en DP à 193 patients en HD et obtient un RR de 0,845, un IC à 95 % de 0,625 à 1,142 et une valeur de p de 0,272. Que peut-on conclure ?

L’appariement montre une équivalence certaine entre les techniques
L’HD améliore significativement la survie des patients appariés
Aucune différence significative de survie n’est observée dans les groupes appariés
La DP améliore significativement la survie des patients appariés

Aucune différence significative de survie n’est observée dans les groupes appariés

Explication

Dans les groupes appariés, l’intervalle de confiance comprend 1 et la valeur de p est 0,272 : la différence de survie n’est pas statistiquement significative. Le RR inférieur à 1 ne suffit pas à conclure à un bénéfice significatif de la DP, et l’absence de différence significative ne démontre pas une équivalence certaine.

124. Deux patients dialysés présentent des profils comparables, mais l’un est plus âgé. Quel lien avec la mortalité est attendu d’après les résultats de l’étude ?

L’âge est associé à une meilleure autonomie de marche
Le patient plus âgé présente une mortalité associée plus élevée
L’âge est associé à l’amélioration de survie liée au changement de technique
Le patient plus âgé présente une mortalité associée plus faible

Le patient plus âgé présente une mortalité associée plus élevée

Explication

L’augmentation de l’âge est associée à une mortalité plus élevée chez les patients dialysés. Une mortalité plus faible inverse cette association, tandis que l’autonomie de marche et le changement de technique sont des facteurs distincts.

125. Dans une analyse de Kaplan-Meier de patients dialysés, un patient reçoit une greffe rénale. Comment cette analyse traite-t-elle cet événement ?

La greffe est traitée comme un décès survenu à la date de transplantation
La greffe est modélisée comme un risque concurrent de façon explicite
La greffe est intégrée comme une covariable expliquant la survie
La greffe est traitée comme une censure, sans modéliser le risque concurrent

La greffe est traitée comme une censure, sans modéliser le risque concurrent

Explication

Dans cette analyse de Kaplan-Meier, la greffe rénale est traitée comme une censure, et le risque concurrent qu’elle représente n’est pas pris en compte. La censure ne signifie pas que le patient est considéré comme décédé, et cette méthode ne modélise pas explicitement la greffe comme risque concurrent.

126. Un salarié indique qu’il travaille en alternance le jour et la nuit selon un rythme « 3 × 8 ». Quel critère justifie de lui proposer l’intervention nutritionnelle ?

Son poste appartient à une catégorie professionnelle particulière
Son travail est effectué de nuit selon un horaire fixe
Son travail posté alterne entre des horaires de jour et de nuit
Son travail alterne entre plusieurs équipes sans horaire nocturne

Son travail posté alterne entre des horaires de jour et de nuit

Explication

Le critère est un travail posté comportant une alternance entre le jour et la nuit, comme un rythme « 3 × 8 ». Un horaire nocturne fixe ne correspond pas à cette alternance, et le seul intitulé professionnel ou le travail en équipes ne suffit pas à établir le critère.

127. Parmi 371 personnes pré-incluses, 136 ont été exclues : 24 n’avaient pas eu d’entretien diététique et une personne manquait de disponibilité. Combien ont été exclues par désintérêt pour le suivi ?

235 personnes
24 personnes
1 personne
111 personnes

111 personnes

Explication

Les exclusions se répartissaient entre 24 absences d’entretien, 111 cas de désintérêt et un manque de disponibilité. Le nombre 24 correspond à l’absence d’entretien, tandis que 235 désigne les personnes incluses.

128. Une participante suit l’intervention nutritionnelle complète. Quel calendrier correspond au programme prévu sur un an ?

Trois entretiens, deux courriers et aucun examen de santé final
Deux entretiens, un courrier à six mois et un examen de santé final
Trois entretiens, un courrier à trois mois et un examen de santé final
Trois entretiens, un courrier à six mois et un examen de santé final

Trois entretiens, un courrier à six mois et un examen de santé final

Explication

Le suivi s’étend sur un an et comprend trois entretiens diététiques, un courrier personnalisé à six mois et un nouvel examen de santé à la fin. Placer le courrier à trois mois confond son échéance avec celle d’un entretien de suivi.

129. Lors de l’entretien initial, une diététicienne veut adapter ses conseils au rythme de travail d’un participant. Quelle démarche correspond à cet entretien ?

Reconstituer l’alimentation selon les horaires, sans aborder les obstacles ni définir d’objectifs avec le participant
Reconstituer l’alimentation et fixer des objectifs, puis remettre un programme uniforme sans conseils personnalisés
Reconstituer l’alimentation selon les horaires et le repos, explorer les obstacles, puis fixer des objectifs et remettre des conseils personnalisés
Explorer les obstacles et fixer des objectifs, sans reconstituer l’alimentation selon les horaires et les périodes de repos

Reconstituer l’alimentation selon les horaires et le repos, explorer les obstacles, puis fixer des objectifs et remettre des conseils personnalisés

Explication

L’entretien initial prend en compte l’alimentation aux différents horaires de travail et pendant le repos, puis examine les obstacles avant de définir des objectifs avec le participant et de lui remettre des conseils personnalisés. Se limiter aux jours travaillés néglige les périodes de repos, tandis qu’un programme uniforme ne respecte pas la personnalisation prévue.

130. Après le suivi d’un an, quel bilan général caractérise l’intervention structurée chez les travailleurs postés ayant des horaires de nuit ?

Des comportements alimentaires améliorés et une activité physique de loisirs accrue
Des comportements alimentaires détériorés et une activité physique de loisirs accrue
Des comportements alimentaires améliorés mais une activité physique de loisirs réduite
Des connaissances nutritionnelles améliorées sans changement de comportement

Des comportements alimentaires améliorés et une activité physique de loisirs accrue

Explication

Le bilan fait état d’une amélioration des comportements alimentaires et d’une augmentation de l’activité physique de loisirs. Une progression des connaissances à elle seule ne résume pas les changements observés, et l’activité de loisirs n’a pas diminué.

131. Une entreprise emploie des équipes dont les horaires alternent entre le jour et la nuit. Quelle action de prévention est préconisée pour limiter les complications associées au travail de nuit ?

Remplacer la prévention nutritionnelle par un réaménagement des horaires
Intervenir après l’apparition de complications physiques ou psychiques
Développer l’information et la prévention nutritionnelles dans l’entreprise
Réserver l’information nutritionnelle aux salariés sans horaire nocturne

Développer l’information et la prévention nutritionnelles dans l’entreprise

Explication

Il est préconisé de développer l’information et la prévention nutritionnelles dans les entreprises concernées afin de prévenir ou retarder les complications liées au travail de nuit. Réserver l’action aux travailleurs de jour ou attendre l’apparition des complications va à l’encontre de cette visée préventive.

132. Quelle cohorte était incluse dans l’étude rétrospective menée au CHU de Reims ?

402 transplantés entre mars 1999 et décembre 2009, suivis dans un autre centre hospitalier
402 transplantés entre mars 1999 et décembre 2009, avec des greffons de donneurs vivants
402 transplantés entre mars 1998 et décembre 2009, avec des greffons de donneurs cadavériques
402 transplantés entre mars 1999 et décembre 2009, avec des greffons de donneurs cadavériques

402 transplantés entre mars 1999 et décembre 2009, avec des greffons de donneurs cadavériques

Explication

L’étude rétrospective concernait 402 patients transplantés au CHU de Reims entre mars 1999 et décembre 2009, dont les greffons provenaient de donneurs cadavériques. La période commençant en 1998, les donneurs vivants et un autre centre ne correspondent pas aux caractéristiques de cette cohorte.

133. Une équipe classe les patients selon leur créatininémie un an après la greffe. Quels seuils doit-elle utiliser pour distinguer les deux groupes étudiés ?

≤ 110 µmol/L et > 110 µmol/L
< 100 µmol/L et ≥ 100 µmol/L
> 100 µmol/L et ≤ 100 µmol/L
≤ 100 µmol/L et > 100 µmol/L

≤ 100 µmol/L et > 100 µmol/L

Explication

La comparaison distinguait les créatininémies à un an inférieures ou égales à 100 µmol/L de celles strictement supérieures à 100 µmol/L. Inverser les groupes, déplacer le seuil à 110 ou placer la valeur égale à 100 dans le groupe supérieur modifie cette définition.

134. Dans une analyse de la créatininémie à un an, une équipe examine le BMI, le temps d’ischémie froide, l’âge, la durée opératoire et les pertes sanguines. Quels facteurs présentent une différence significative entre les groupes de créatininémie ?

Le BMI et le temps d’ischémie froide
La durée opératoire et les pertes sanguines
Le BMI et l’âge
L’âge et la durée opératoire

Le BMI et le temps d’ischémie froide

Explication

La créatininémie à un an différait significativement selon le BMI (p = 0,008) et le temps d’ischémie froide (p = 0,002). L’âge, la durée opératoire et les pertes sanguines n’étaient pas significatifs dans ces comparaisons.

135. Dans un modèle multivarié, un analyste observe un âge du donneur associé à HR = 1,016 et un âge du receveur associé à HR = 0,986. Quelle interprétation respecte les facteurs prédictifs indépendants rapportés pour une créatininémie supérieure à 100 µmol/L à un an ?

L’âge du donneur, l’âge du receveur et le BMI sont des facteurs prédictifs indépendants
L’âge du donneur et le temps d’ischémie froide sont des facteurs prédictifs indépendants
L’âge du receveur et les pertes sanguines sont des facteurs prédictifs indépendants
Le BMI et la durée opératoire sont les facteurs prédictifs indépendants

L’âge du donneur, l’âge du receveur et le BMI sont des facteurs prédictifs indépendants

Explication

L’analyse multivariée identifiait l’âge du donneur, l’âge du receveur et le BMI comme facteurs prédictifs indépendants d’une créatininémie supérieure à 100 µmol/L à un an. L’âge du donneur avait un HR supérieur à 1 et celui du receveur un HR inférieur à 1; les autres options substituent des variables non rapportées comme prédicteurs indépendants.

136. Dans un registre de transplantation, le tabagisme est codé en trois catégories sans ordre naturel, le stade d’insuffisance rénale en catégories ordonnées et le statut diabétique en deux catégories. Comment classer ces variables ?

Tabagisme ordinal, stade nominal, statut diabétique binaire
Tabagisme nominal, stade binaire, statut diabétique ordinal
Tabagisme nominal, stade ordinal, statut diabétique binaire
Tabagisme binaire, stade ordinal, statut diabétique nominal

Tabagisme nominal, stade ordinal, statut diabétique binaire

Explication

Une variable nominale comporte des catégories sans hiérarchie, une variable ordinale des catégories ordonnées et une variable binaire deux catégories. Le tabagisme décrit ici est nominal, les stades sont ordonnés et le statut diabétique possède deux catégories.

137. Une chercheuse doit évaluer si la distribution d’une variable quantitative est compatible avec la normalité. Quel ensemble de vérifications correspond aux repères statistiques recommandés ?

Comparer moyenne et étendue, examiner un diagramme en boîte, puis utiliser un test t
Comparer médiane et mode, examiner un nuage de points, puis utiliser un test du chi carré
Comparer moyenne et médiane, examiner un diagramme en boîte, puis utiliser une corrélation
Comparer moyenne et médiane, examiner l’histogramme et le graphique Q-Q, puis utiliser Shapiro

Comparer moyenne et médiane, examiner l’histogramme et le graphique Q-Q, puis utiliser Shapiro

Explication

L’évaluation de la normalité combine la proximité de la moyenne et de la médiane, la symétrie de l’histogramme, l’alignement sur le graphique Q-Q et le test de Shapiro. Se fier à des résumés seuls ou remplacer ces vérifications par d’autres graphiques ou tests ne reprend pas les repères indiqués.

Révisez avec les flashcards

Mémorisez les réponses avec 94 flashcards sur Biostatistiques descriptives et distributions.

Qu’étudie la statistique ?

La réduction des données, la variabilité d’échantillonnage et les populations par l’inférence.

À quel domaine la biostatistique applique-t-elle la statistique ?

Aux sciences de la vie.

Quelle différence distingue une population d’un échantillon ?

Une population est très grande et généralement non mesurable, tandis qu’un échantillon est fini et mesurable.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Biostatistiques descriptives et distributions.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM