QCM : Fondements de biostatistique — 11 questions

Explication

La biostatistique désigne l’application de la statistique aux sciences du vivant, à la biologie et à la médecine. Les autres propositions correspondent à d’autres domaines d’application de la statistique.

Explication

La biostatistique est la science qui applique la statistique aux sciences du vivant, notamment en médecine et biologie. La réponse incorrecte évoque une branche spécifique, mais ne définit pas la biostatistique elle-même.

Explication

La statistique inférentielle permet de généraliser les résultats obtenus sur un échantillon à une population plus large. La statistique descriptive se limite à décrire l’ensemble effectivement observé.

Explication

La biostatistique permet de généraliser les résultats observés sur un échantillon à une population plus large, ce qui fait progresser les connaissances médicales. Elle ne se limite pas à la détermination de la taille d’échantillon ni à la cause précise d’une maladie, et ne remplace pas l’épidémiologie.

Explication

La population est l’ensemble des individus auquel on souhaite généraliser les conclusions de l’expérience. Le groupe effectivement étudié constitue l’échantillon, qui représente un sous-ensemble de cette population.

Explication

La description des variables quantitatives vise à résumer et à analyser leur distribution à l'aide de mesures comme la moyenne, la médiane ou la variance. Contrairement à la comparaison ou à la causalité, elle se concentre sur la caractérisation des données.

Explication

Un échantillon est un sous-ensemble prélevé dans une population et sa représentativité n’est pas garantie par sa seule existence. Une population désigne l’ensemble visé par la généralisation, tandis qu’une valeur incertaine correspond à une variable aléatoire.

Explication

La probabilité d'un événement est calculée lors de l'étude des événements et probabilités, étape fondamentale pour quantifier l'incertitude. La modélisation des variables intervient après, pour analyser les données.

Explication

La probabilité conditionnelle calcule la probabilité d'un événement en tenant compte d'un autre, alors que l'indépendance stipule que la réalisation de l'un n'affecte pas la probabilité de l'autre, ce qui se traduit par $Pr(A \text{ et } B) = Pr(A)Pr(B)$.

Explication

Thomas Bayes est crédité de la formulation du théorème de Bayes, qui permet de calculer la probabilité conditionnelle à partir de probabilités inverses. Laplace a également contribué aux probabilités, mais n'est pas l'auteur de ce théorème spécifique.

Explication

Les lois discrètes et binomiales permettent de modéliser la probabilité de succès dans des essais indépendants, comme le nombre de succès dans un nombre fixe d'épreuves. La distribution normale, en revanche, concerne les variables continues.