QCM : Biostatistiques descriptives et inférentielles (66 questions)

Questions et réponses du QCM

1. Quel ensemble de domaines la statistique étudie-t-elle ?

La présentation des données, la variabilité liée à l’échantillonnage et l’étude des échantillons par l’inférence
La réduction des données, la variabilité biologique et l’étude des populations par la description
La réduction des données, la variabilité liée à l’échantillonnage et l’étude des populations par l’inférence
La présentation des données, la variabilité biologique et l’étude des échantillons par la description

La réduction des données, la variabilité liée à l’échantillonnage et l’étude des populations par l’inférence

Explication

La statistique englobe la réduction des données, la variabilité liée à l’échantillonnage et l’étude des populations au moyen de l’inférence. Réduire son champ à la description, confondre variabilité biologique et variabilité d’échantillonnage, ou remplacer les populations par les échantillons déforme cette définition.

2. Comment définit-on la biostatistique ?

L’application des sciences de la vie aux méthodes statistiques
L’application de la statistique aux sciences de la vie
L’étude théorique de la statistique dans les sciences de la vie
L’application de la statistique aux seules sciences médicales

L’application de la statistique aux sciences de la vie

Explication

La biostatistique désigne l’application de la statistique aux sciences de la vie. L’étude théorique de la statistique, sa restriction aux sciences médicales ou l’inversion entre discipline et domaine d’application ne correspondent pas à cette définition.

3. Une équipe veut tirer des conclusions sur l’ensemble des personnes atteintes d’une maladie en mesurant un groupe limité de participants. Quelle description distingue correctement les deux ensembles ?

La population est très grande et généralement non mesurable; l’échantillon est lui aussi non mesurable
La population est très grande et généralement non mesurable; l’échantillon est fini et mesurable
La population est finie et mesurable; l’échantillon est très grand et généralement non mesurable
La population est finie et mesurable; l’échantillon est également fini, mais non mesurable

La population est très grande et généralement non mesurable; l’échantillon est fini et mesurable

Explication

La population, de taille N, est très grande et généralement non mesurable, alors que l’échantillon, de taille n, est fini et mesurable. Inverser N et n ou attribuer la non-mesurabilité à l’échantillon confond les deux ensembles.

4. Une analyste résume les mesures recueillies auprès des patients participants, puis utilise ces résultats pour formuler des hypothèses sur la population visée. Quel ordre de démarches décrit-elle ?

Statistiques inférentielles, puis statistiques descriptives
Statistiques inférentielles, puis réduction descriptive des données
Statistiques descriptives, puis variabilité d’échantillonnage
Statistiques descriptives, puis statistiques inférentielles

Statistiques descriptives, puis statistiques inférentielles

Explication

Les statistiques descriptives décrivent les données observées ou mesurées; les statistiques inférentielles formulent des hypothèses à propos d’une population ou d’un échantillon. Inverser ces fonctions ou confondre l’inférence avec la seule description ne respecte pas cette distinction.

5. Dans une étude comparant plusieurs patients, que désigne une variable ?

Une caractéristique déterminée par une valeur identique pour chaque individu
Un individu susceptible de présenter des caractéristiques différentes
Une caractéristique susceptible de prendre des valeurs différentes selon les individus
Une valeur observée qui reste identique selon les individus

Une caractéristique susceptible de prendre des valeurs différentes selon les individus

Explication

Une variable est une caractéristique ou un facteur pouvant prendre des valeurs différentes selon les individus étudiés. Une valeur isolée ou un individu n’est pas une variable, et l’absence de variation entre individus ne correspond pas à la définition donnée.

6. Une enquête recueille, d’une part, le poids des participants et, d’autre part, leur couleur des yeux. Quelle classification convient à ces deux variables ?

Le poids et la couleur des yeux sont quantitatifs
Le poids est qualitatif et la couleur des yeux est quantitative
Le poids et la couleur des yeux sont qualitatifs
Le poids est quantitatif et la couleur des yeux est qualitative

Le poids est quantitatif et la couleur des yeux est qualitative

Explication

Le poids prend des valeurs numériques exploitables arithmétiquement, tandis que la couleur des yeux correspond à des qualités réparties en classes. Classer le poids comme qualité ou la couleur comme mesure numérique confond les deux types de variables.

7. Un laboratoire enregistre le nombre de consultations reçues par jour et la durée d’attente mesurée en minutes, avec des fractions possibles. Quelle classification convient ?

Le nombre de consultations et la durée sont discrets
Le nombre de consultations est discret et la durée est continue
Le nombre de consultations et la durée sont continus
Le nombre de consultations est continu et la durée est discrète

Le nombre de consultations est discret et la durée est continue

Explication

Le nombre de consultations est un dénombrement sans valeurs intermédiaires, donc une variable discrète; une durée pouvant inclure des fractions peut prendre des valeurs intermédiaires dans l’intervalle observé, donc elle est continue. Inverser les catégories revient à confondre dénombrement et mesure.

8. Dans un questionnaire, le niveau de satisfaction est classé en « faible », « moyen » ou « élevé », tandis que le groupe sanguin est relevé. Quelle classification s’applique ?

La satisfaction est nominale et le groupe sanguin est ordinal
La satisfaction et le groupe sanguin sont ordinaux
La satisfaction et le groupe sanguin sont nominaux
La satisfaction est ordinale et le groupe sanguin est nominal

La satisfaction est ordinale et le groupe sanguin est nominal

Explication

Les niveaux de satisfaction peuvent être ordonnés et sont donc ordinaux; les groupes sanguins ne forment pas de hiérarchie et sont nominaux. Traiter les groupes sanguins comme ordonnés ou les niveaux de satisfaction comme non hiérarchisables inverse la distinction.

9. Pour décrire un ensemble de données, quelle combinaison de moyens peut être utilisée pour présenter la distribution ?

Des tableaux, des diagrammes et des paramètres résumant la distribution
Des tableaux et des paramètres de dispersion, sans représentation graphique
Des tableaux, des diagrammes et des tests établissant les causes
Des diagrammes et des paramètres de position, sans présentation tabulaire

Des tableaux, des diagrammes et des paramètres résumant la distribution

Explication

La description des données peut combiner tableaux, diagrammes et paramètres qui résument la distribution. Les mesures seules ou l’analyse causale ne constituent pas la combinaison décrite.

10. Un graphique représente une variable quantitative continue par des barres de largeurs différentes. Quelle règle permet de reconnaître un histogramme plutôt qu’un diagramme en barres ?

La largeur des barres est fixée de la même façon dans les deux graphiques
La hauteur de chaque barre est proportionnelle à la fréquence relative des effectifs
La largeur des barres est libre, indépendamment de leur surface
La surface de chaque barre est proportionnelle à la fréquence relative des effectifs

La surface de chaque barre est proportionnelle à la fréquence relative des effectifs

Explication

Dans un histogramme, c’est la surface de chaque barre qui est proportionnelle à la fréquence relative des effectifs. La hauteur seule confond surface et hauteur, tandis que la largeur libre caractérise le diagramme en barres.

11. Les valeurs d’une série sont ordonnées, et une valeur la partage en deux groupes contenant le même nombre d’observations. De quel paramètre s’agit-il ?

La médiane
Le mode
La moyenne
Le premier quartile

La médiane

Explication

La médiane partage une série ordonnée en deux groupes d’effectifs égaux. Le mode désigne la valeur la plus fréquente, le premier quartile laisse 25 % des valeurs les plus faibles en dessous, et la moyenne est calculée à partir de la somme des valeurs.

12. Dans une distribution ordonnée, quelle interprétation correspond au troisième quartile ?

Il laisse 25 % des valeurs les plus faibles en dessous
Il laisse 50 % des valeurs les plus faibles en dessous
Il laisse 75 % des valeurs les plus faibles en dessous
Il laisse 25 % des valeurs les plus élevées en dessous

Il laisse 75 % des valeurs les plus faibles en dessous

Explication

Le troisième quartile est la valeur sous laquelle se trouvent 75 % des valeurs les plus faibles. Le premier quartile correspond à 25 %, la médiane à 50 %, et l’interprétation portant sur les valeurs les plus élevées inverse le sens du partage.

13. Une équipe relève les nombres d’heures de sommeil de ses participants. Quelle opération calcule la moyenne de ces observations ?

Ordonner les valeurs et retenir celle qui partage l’effectif en deux
Additionner les valeurs et diviser leur somme par le nombre de sujets
Additionner les valeurs et diviser leur somme par le nombre de valeurs distinctes
Repérer la valeur qui apparaît le plus souvent

Additionner les valeurs et diviser leur somme par le nombre de sujets

Explication

La moyenne s’obtient en divisant la somme des valeurs observées par le nombre de sujets. La médiane dépend du rang central, le mode de la fréquence des valeurs, et le nombre de valeurs distinctes n’est pas le dénominateur de la moyenne.

14. Dans une enquête, une variable binaire est codée 0 ou 1, et 28 participants sur 40 ont la valeur 1. Quelle interprétation de la moyenne de cette variable est correcte ?

La proportion ayant la valeur 1, soit 28 %
La proportion ayant la valeur 1, soit 40 %
La proportion ayant la valeur 1, soit 70 %
La proportion ayant la valeur 0, soit 30 %

La proportion ayant la valeur 1, soit 70 %

Explication

Pour une variable binaire codée 0 ou 1, la moyenne est la proportion de sujets ayant la valeur 1 : 28/40=0,7028/40 = 0{,}70, soit 70 %. La proportion de zéros vaut 30 %, tandis que 28 et 40 sont des effectifs, pas les pourcentages demandés.

15. Une série de mesures va de 12 à 31 unités. Quelle est son étendue ?

43 unités
19 unités
−19 unités
21,5 unités

19 unités

Explication

L’étendue est la différence entre la valeur maximale et la valeur minimale : 31−12=1931-12=19 unités. L’addition des extrêmes donne 43, leur soustraction inversée donne −19 et leur moyenne donne 21,5.

16. Pour comparer la dispersion centrale de deux groupes dont les données comportent des valeurs extrêmes aberrantes, quel paramètre faut-il privilégier ?

L’étendue, entre la plus petite et la plus grande valeur
L’intervalle interquartile, entre le premier et le troisième quartile
La variance, fondée sur les écarts à la moyenne
L’écart-type, racine carrée de la variance

L’intervalle interquartile, entre le premier et le troisième quartile

Explication

L’intervalle interquartile mesure l’écart entre le premier et le troisième quartile et s’affranchit des valeurs extrêmes. L’étendue y est sensible, tandis que variance et écart-type résument les écarts par rapport à la moyenne.

17. La variance d’une série de durées est exprimée en minutes carrées. Dans quelle unité son écart-type est-il exprimé ?

En minutes par sujet
Sans unité
En minutes
En minutes carrées

En minutes

Explication

L’écart-type est la racine carrée de la variance et s’exprime dans les mêmes unités que la moyenne, ici en minutes. Les minutes carrées correspondent à l’unité de la variance, tandis qu’une mesure sans unité caractérise le coefficient de variation.

18. Pour une série dont la moyenne est de 50 kg et l’écart-type de 5 kg, quelle valeur décrit le coefficient de variation ?

0,1 %
10 %
1 000 %
5 %

10 %

Explication

Le coefficient de variation est l’écart-type divisé par la moyenne, puis exprimé en pourcentage : 550×100=10%\frac{5}{50}\times100=10\%. Le rapport inversé donne 1 000 %, l’écart-type seul donne 5 %, et 0,1 % omet le facteur de conversion approprié.

19. Une variable discrète prend quatre valeurs possibles, dont les fréquences relatives sont 0,1, 0,2, 0,3 et 0,4. Que représente la fréquence relative associée à une valeur précise ?

La probabilité d’obtenir exactement cette valeur
La probabilité d’obtenir une valeur inférieure à celle-ci
La probabilité d’obtenir une valeur supérieure à celle-ci
La probabilité d’obtenir une valeur dans un intervalle autour de celle-ci

La probabilité d’obtenir exactement cette valeur

Explication

Pour une variable discrète, chaque fréquence relative correspond à la probabilité d’obtenir exactement la valeur associée, et la somme des fréquences vaut 1. Une probabilité cumulée concerne les valeurs inférieures, tandis qu’un intervalle et un dépassement décrivent d’autres événements.

20. Sur le graphique d’une variable continue, quelle quantité représente l’aire sous la courbe de densité entre 4 et 7 ?

La densité de probabilité à la valeur 7
La probabilité que la variable soit comprise entre 4 et 7
La probabilité que la variable soit inférieure à 7
La probabilité que la variable soit exactement égale à 5

La probabilité que la variable soit comprise entre 4 et 7

Explication

Pour une variable continue, l’aire sous la courbe de densité entre deux valeurs correspond à la probabilité que la variable soit comprise entre ces bornes. L’aire avant 7 est une probabilité cumulée, et une hauteur de courbe n’est pas l’aire de l’intervalle.

21. Une distribution continue présente une courbe en cloche dont les valeurs se concentrent autour de la moyenne et décroissent de façon symétrique de chaque côté. De quelle distribution s’agit-il ?

Une loi normale
Une distribution asymétrique
Une distribution uniforme
Une distribution discrète

Une loi normale

Explication

La loi normale est une distribution continue en forme de cloche, symétrique autour de sa moyenne, avec une concentration des valeurs près du centre. Une distribution asymétrique n’a pas cette symétrie, une distribution discrète concerne des valeurs distinctes et une distribution uniforme n’a pas cette forme en cloche.

22. Un caractère suit une loi normale de moyenne 100 et d’écart-type 10. Quelle affirmation décrit correctement les valeurs comprises entre 90 et 110 ?

Elles représentent environ 95 % des valeurs, et la médiane vaut 110
Elles représentent environ 95 % des valeurs, et la médiane vaut 100
Elles représentent environ 68 % des valeurs, et la médiane vaut 90
Elles représentent environ 68 % des valeurs, et la médiane vaut 100

Elles représentent environ 68 % des valeurs, et la médiane vaut 100

Explication

Dans une loi normale, l’intervalle d’un écart-type autour de la moyenne contient 68 % des valeurs, et moyenne et médiane coïncident. L’intervalle à 95 % correspond à environ 1,96 écart-type, et la médiane n’est ni 90 ni 110.

23. Dans une étude sur une population, quel rôle joue l’échantillonnage ?

Affecter des participants à des groupes d’étude
Décrire les valeurs observées dans un échantillon
Tirer des échantillons à partir d’une population
Estimer un paramètre inconnu de la population

Tirer des échantillons à partir d’une population

Explication

L’échantillonnage est le mécanisme qui permet de tirer des échantillons d’une population. La description concerne les données observées, l’estimation vise un paramètre et l’affectation concerne la répartition en groupes.

24. Une équipe fixe à l’avance l’effectif de son échantillon, puis sélectionne les personnes au hasard en effectuant chaque tirage indépendamment des précédents. Quelle méthode applique-t-elle ?

Un échantillonnage simplement fortuit
Un échantillonnage par quotas
Un échantillonnage stratifié
Un échantillonnage en grappes

Un échantillonnage simplement fortuit

Explication

L’échantillonnage simplement fortuit fixe l’effectif à l’avance et repose sur des tirages au hasard et indépendants. La stratification impose des effectifs par strate, les grappes sélectionnent des groupes et les quotas fixent des nombres par catégorie.

25. Dans une enquête où les personnes âgées risquent d’être sous-représentées, quelle méthode permet de prévoir un nombre de participants dans chaque groupe d’âge ?

L’échantillonnage stratifié
L’échantillonnage en grappes
La randomisation centralisée
L’échantillonnage simplement fortuit

L’échantillonnage stratifié

Explication

L’échantillonnage stratifié impose un nombre de personnes dans chaque strate, par exemple chaque catégorie d’âge, et aide à représenter un groupe sous-représenté. Les grappes sélectionnent des groupes, le tirage fortuit ne fixe pas d’effectif par strate et la randomisation centralisée attribue des groupes de traitement.

26. Une analyste compare la dispersion des valeurs individuelles d’un groupe à la variation des moyennes obtenues en répétant les échantillonnages. Quelle mesure décrit cette variation des moyennes ?

L’écart-type
L’erreur type
L’étendue
L’intervalle interquartile

L’erreur type

Explication

L’erreur type décrit la variabilité d’échantillonnage des moyennes, alors que l’écart-type décrit la variabilité des individus. L’étendue et l’intervalle interquartile résument aussi la dispersion des valeurs individuelles.

27. Pour un échantillon, la moyenne est m=20m=20 et son erreur type est sm=2s_m=2. Quelles sont les bornes de l’intervalle de confiance à 95 % de la moyenne ?

De 1616 à 2424
De 1818 à 2222
De 16,0816,08 à 23,9223,92
De 18,0418,04 à 21,9621,96

De $$16,08$$ à $$23,92$$

Explication

Les bornes sont m−1,96smm-1,96s_m et m+1,96smm+1,96s_m : 20−1,96×2=16,0820-1,96\times2=16,08 et 20+1,96×2=23,9220+1,96\times2=23,92. Les bornes de 16 à 24 emploient l’approximation par deux erreurs types, tandis que les autres choix n’appliquent qu’une seule erreur type.

28. Une équipe choisit un intervalle de confiance à 95 % pour estimer une moyenne. Quelle valeur du risque acceptable α\alpha et quel quantile normal associe-t-elle à cette procédure ?

α=5%\alpha=5\% et le quantile 1,641,64
α=1%\alpha=1\% et le quantile 2,582,58
α=5%\alpha=5\% et le quantile 1,961,96
α=95%\alpha=95\% et le quantile 1,961,96

$$\alpha=5\%$$ et le quantile $$1,96$$

Explication

Un intervalle de confiance à 95 % correspond à un risque α\alpha de 5 %, associé au quantile 1,96 de la loi normale. La valeur 95 % désigne le niveau de confiance, tandis que 1,64 et 2,58 sont associés à d’autres niveaux.

29. Une équipe veut décrire l’incertitude autour d’une moyenne estimée plutôt que la dispersion des valeurs individuelles de la population. Quel intervalle doit-elle rapporter ?

Un intervalle interquartile
Une étendue
Un intervalle de référence
Un intervalle de confiance

Un intervalle de confiance

Explication

Un intervalle de confiance décrit l’incertitude sur l’estimateur d’un paramètre, tandis qu’un intervalle de référence décrit la dispersion des valeurs individuelles. L’intervalle interquartile et l’étendue sont des mesures de dispersion des observations.

30. Dans un compte rendu d’étude, que permet d’évaluer la p-valeur ?

Si le résultat se reproduira dans toute étude ultérieure
Si le résultat de l’étude est statistiquement significatif
Combien de participants ont été inclus dans l’étude
Quelle est l’ampleur de l’effet mesuré dans l’étude

Si le résultat de l’étude est statistiquement significatif

Explication

La p-valeur sert à prendre une décision statistique et à déterminer si le résultat est significatif. La taille de l’échantillon, l’ampleur de l’effet et la reproductibilité sont des notions distinctes.

31. Une chercheuse prélève un échantillon de patients pour tirer une conclusion sur l’ensemble des patients d’une région, en formulant une hypothèse sur cette population. Quelle démarche réalise-t-elle ?

Une statistique inférentielle
Une statistique descriptive de l’échantillon
Une prédiction individuelle sans analyse d’échantillon
Un recensement de la population entière

Une statistique inférentielle

Explication

La statistique inférentielle consiste à prendre une décision sur une population à partir de l’analyse d’un échantillon et d’une hypothèse sur cette population. Décrire l’échantillon ne permet pas, à lui seul, de réaliser cette inférence; un recensement porte sur toute la population.

32. Une équipe veut comparer l’efficacité d’un traitement dans deux groupes dont les populations sont inconnues; elle prélève un échantillon dans chaque groupe. À quel type de comparaison correspond cette situation ?

La comparaison à une population de référence, cas le plus fréquent
La comparaison à une population de référence
La comparaison de deux populations entièrement recensées
La comparaison de deux populations inconnues

La comparaison de deux populations inconnues

Explication

Lorsque les deux populations sont inconnues, on extrait un échantillon de chacune pour les comparer; c’est le cas le plus fréquent en pratique. Une population de référence est connue, tandis qu’un échantillon ne constitue pas un recensement complet.

33. Pour vérifier l’efficacité d’un nouveau médicament, une équipe prélève des patients traités et des patients non traités. Quels groupes compare-t-elle ?

Un échantillon de patients traités et un échantillon de patients non traités
Deux échantillons de patients traités à des doses différentes
Un échantillon de patients traités et les mêmes patients avant traitement
Un échantillon de patients non traités et une population de référence historique

Un échantillon de patients traités et un échantillon de patients non traités

Explication

L’évaluation décrite compare un échantillon de patients ayant reçu le nouveau médicament à un échantillon de patients qui ne l’ont pas reçu. Une référence historique ou une comparaison avant-après des mêmes patients correspond à un autre dispositif.

34. Une équipe compare les moyennes d’un marqueur biologique chez deux populations et veut tester si elles diffèrent. Quelle hypothèse nulle doit-elle poser ?

H0:μ1>μ2H_0 : \mu_1 > \mu_2
H0:μ1≠μ2H_0 : \mu_1 \neq \mu_2
H0:μ1=μ2H_0 : \mu_1 = \mu_2
H0:p1=p2H_0 : p_1 = p_2

$$H_0 : \mu_1 = \mu_2$$

Explication

Dans ce test, l’hypothèse nulle contient l’égalité que l’on cherche à rejeter, ici l’égalité des moyennes. L’inégalité relève d’une alternative, le sens unique correspond à une alternative unilatérale, et l’égalité des proportions porte sur une autre quantité.

35. Après qu’un test a conduit au rejet de l’hypothèse nulle, quelle hypothèse est retenue ?

L’hypothèse d’égalité
L’hypothèse nulle
L’hypothèse de risque
L’hypothèse alternative

L’hypothèse alternative

Explication

Lorsque les résultats conduisent à rejeter l’hypothèse nulle, l’hypothèse alternative est retenue. Conserver l’hypothèse nulle inverse la décision, l’égalité constitue ici l’hypothèse nulle, et un risque n’est pas une hypothèse.

36. Un essai doit détecter si un médicament est meilleur ou moins bon qu’un placebo. Quel type d’hypothèse alternative convient à cette question ?

Une alternative bilatérale
Une alternative unilatérale vers l’amélioration
Une alternative unilatérale vers la détérioration
Une hypothèse nulle d’égalité

Une alternative bilatérale

Explication

L’alternative bilatérale autorise une différence dans les deux sens, ce qui convient si le médicament peut être meilleur ou moins bon. Les alternatives unilatérales ne retiennent qu’un sens, tandis que l’égalité appartient à l’hypothèse nulle.

37. Un test médical est réalisé au seuil de 5 %. Si le traitement est en réalité inefficace, quel événement correspond au risque de première espèce ?

Ne pas rejeter l’hypothèse nulle alors qu’elle est vraie
Rejeter l’hypothèse nulle alors qu’elle est vraie
Ne pas rejeter l’hypothèse nulle alors que l’alternative est vraie
Rejeter l’hypothèse nulle alors que l’alternative est vraie

Rejeter l’hypothèse nulle alors qu’elle est vraie

Explication

Le risque de première espèce est la probabilité de rejeter une hypothèse nulle vraie, et le cours fixe ce risque à 5 %. Le non-rejet d’une hypothèse nulle vraie ne constitue pas cette erreur; les deux autres situations supposent que l’alternative est vraie.

38. Un médicament est réellement efficace, mais l’étude ne permet pas de rejeter l’hypothèse nulle d’inefficacité. Quel risque cette situation illustre-t-elle ?

Le risque de première espèce α\alpha
Le seuil de significativité de 5 %
Le risque de seconde espèce β\beta
La puissance du test 1−β1-\beta

Le risque de seconde espèce $$\beta$$

Explication

Le risque de seconde espèce β\beta est la probabilité de ne pas rejeter H0H_0 alors que H1H_1 est vraie, comme lorsque l’étude manque un effet réel. Le risque de première espèce concerne un rejet erroné, tandis que la puissance mesure la détection de l’effet.

39. Dans une étude où l’hypothèse alternative est vraie, quelle quantité représente la probabilité de détecter l’effet en rejetant l’hypothèse nulle ?

Le risque de première espèce, égal à α\alpha
Le seuil du test, fixé à 5 %
Le risque de seconde espèce, égal à β\beta
La puissance, égale à 1−β1-\beta

La puissance, égale à $$1-\beta$$

Explication

La puissance est la probabilité de rejeter H0H_0 lorsque H1H_1 est vraie; elle vaut 1−β1-\beta. β\beta mesure au contraire le risque de manquer l’effet, et α\alpha correspond au rejet de H0H_0 alors qu’elle est vraie.

40. Une équipe conduit un test d’hypothèse. Après avoir défini les hypothèses, recueilli les données et fixé le niveau d’incertitude, quelle étape vient ensuite dans la démarche générale ?

Déterminer le seuil de décision ou la p-valeur
Calculer la statistique du test
Recueillir de nouveau les données
Conclure à partir des hypothèses définies

Calculer la statistique du test

Explication

Après la fixation du niveau d’incertitude, on calcule la statistique du test, puis on détermine le seuil de décision ou la p-valeur avant de conclure. Déterminer la p-valeur à ce stade inverse l’ordre des étapes, tandis que conclure ou reprendre la collecte saute le calcul requis.

41. Une chercheuse veut comparer les moyennes de deux échantillons, dont l’un comprend 24 sujets. Quel test peut-elle choisir à la place du test Z en raison de la taille de cet échantillon ?

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

Le test t de Student

Explication

Le test t de Student compare deux moyennes et peut remplacer le test Z lorsqu’au moins un échantillon est petit, ici avec n=24<30n=24<30. Le test F compare des variances, Wilcoxon-Mann-Whitney s’appuie sur des rangs et le test t apparié concerne des mesures liées.

42. Avant d’utiliser un test paramétrique qui suppose des variances égales, une analyste veut comparer les variances de deux séries quantitatives. Quel test répond à cet objectif ?

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

Le test F de Fisher-Snedecor

Explication

Le test F de Fisher-Snedecor compare les variances de deux séries quantitatives et peut vérifier l’égalité des variances requise par certains tests paramétriques. Le test t compare des moyennes, tandis que les tests de Wilcoxon cités s’appuient sur des rangs.

43. Un service médical mesure la même variable chez chaque patient avant et après un traitement et souhaite comparer les deux séries de mesures. Quel test convient à cette structure liée paire par paire ?

Le test de Wilcoxon-Mann-Whitney
Le test t pour deux échantillons indépendants
Le test F de Fisher-Snedecor
Le test t apparié

Le test t apparié

Explication

Le test t apparié compare deux séries quantitatives liées paire par paire, notamment deux mesures effectuées chez les mêmes individus. Traiter ces mesures comme indépendantes néglige leur lien, le test F compare des variances et Wilcoxon-Mann-Whitney vise deux séries indépendantes.

44. Un chercheur observe simultanément le poids et la taille de chaque participant, sans manipuler aucune de ces variables. Quel type d’analyse étudie leur association dans cette situation ?

Un test de comparaison de deux moyennes
Une analyse de régression expérimentale
Une analyse descriptive univariée
Une analyse de corrélation

Une analyse de corrélation

Explication

La corrélation mesure l’association entre deux variables quantitatives observées simultanément chez les mêmes sujets, sans contrôle expérimental de l’une d’elles. Une régression expérimentale se distingue notamment par le fait que l’expérimentateur fixe X et observe Y.

45. Dans une étude, un expérimentateur fixe différentes doses d’un médicament et mesure ensuite la réponse des patients. Quelle distinction entre corrélation et régression décrit le rôle des variables ?

En régression, X est fixée et Y est observée
En corrélation, X est fixée et Y est observée
En régression, X et Y sont observées simultanément sans intervention
En corrélation, Y est fixée et X est observée

En régression, X est fixée et Y est observée

Explication

En régression, l’expérimentateur fixe X et observe Y; en corrélation, X et Y sont observées simultanément et jouent des rôles symétriques. Dire que X est fixée en corrélation confond les deux démarches, et les deux autres formulations inversent les rôles ou décrivent l’observation corrélationnelle.

46. Une analyste obtient pour deux variables quantitatives un coefficient d’échantillon r égal à -0,72. Quelle caractéristique mathématique du coefficient reste vraie dans ce cas ?

Il est exprimé dans l’unité de la variable Y
Il est sans unité et compris entre -1 et 1
Il n’est défini que si la relation est croissante
Il peut dépasser 1 si la relation est très forte

Il est sans unité et compris entre -1 et 1

Explication

Le coefficient d’échantillon r mesure la relation linéaire, est sans unité et respecte −1≤r≤1-1\leq r\leq 1; la valeur −0,72-0,72 est donc dans son intervalle admissible. L’unité de Y n’est pas celle de r, une forte relation ne permet pas de dépasser 1 et un coefficient négatif reste défini.

47. Une étude observationnelle trouve une corrélation de 0,96 entre deux variables quantitatives. Quelle conclusion est justifiée par cette valeur à elle seule ?

Elle montre qu’il n’existe pas de liaison entre les variables
Elle prouve que la première variable cause la seconde
Elle démontre que l’une des variables a été contrôlée expérimentalement
Elle indique une liaison statistique, sans établir une causalité

Elle indique une liaison statistique, sans établir une causalité

Explication

Même proche de 1, un coefficient de corrélation établit une liaison statistique, mais ne prouve pas que l’une des variables cause l’autre. Interpréter la valeur comme une preuve causale dépasse ce que démontre une corrélation; elle n’indique ni absence de lien ni contrôle expérimental.

48. Quel modèle décrit la régression linéaire entre une variable dépendante quantitative YY et une variable explicative XX ?

Un classement des valeurs de YY et de XX
Une droite reliant YY à XX
Une courbe quadratique reliant YY à XX
Deux variables dépendantes sans rôle explicatif

Une droite reliant $$Y$$ à $$X$$

Explication

La régression linéaire décrit la relation entre YY et XX au moyen d’une droite. Un classement relève d’une approche par rangs, une courbe quadratique n’est pas une droite et l’analyse distingue ici une variable dépendante d’une variable explicative.

49. Une chercheuse veut examiner si une dose de médicament est liée à une mesure de performance et prévoir la performance pour une dose donnée. À quoi peut lui servir la régression ?

Établir une causalité, classer les doses et mesurer une performance
Décrire le lien, en tester l’existence et estimer une performance
Classer les doses, tester leur ordre et estimer une performance
Décrire le lien, fixer les doses et éliminer les variations

Décrire le lien, en tester l’existence et estimer une performance

Explication

La régression peut décrire le lien entre les variables, tester s’il existe et estimer une valeur de YY pour une valeur de XX. Elle ne prouve pas à elle seule la causalité, ne se limite pas au classement et ne consiste pas à fixer les doses.

50. Pour ajuster une droite à un nouveau nuage de points, quel critère permet de choisir la droite des moindres carrés ?

Minimiser la somme des distances verticales avec leur signe
Minimiser la somme des distances verticales non élevées au carré
Minimiser la somme des carrés des distances horizontales
Minimiser la somme des carrés des distances verticales

Minimiser la somme des carrés des distances verticales

Explication

La droite des moindres carrés est choisie pour minimiser la somme des carrés des distances verticales entre les observations et la droite. Les distances simples, horizontales ou conservant leur signe ne correspondent pas à ce critère.

51. Dans une étude, le test de la pente rejette l’hypothèse nulle selon laquelle la pente de la droite de régression dans la population est nulle. Quelle conclusion en découle ?

Les données établissent que XX cause les variations de YY
Les données indiquent que la liaison est nécessairement non linéaire
Les données indiquent une liaison entre XX et YY
Les données ne permettent pas de détecter une liaison

Les données indiquent une liaison entre $$X$$ et $$Y$$

Explication

Le rejet de l’hypothèse d’une pente nulle indique une liaison entre XX et YY. Il ne démontre pas une causalité, ne correspond pas à un non-rejet et ne permet pas de conclure que la relation est non linéaire.

52. Dans une étude, la dispersion résiduelle de YY est égale ou supérieure à celle attribuable à la pente de la droite ajustée. Que suggère cette comparaison ?

Elle ne met pas en évidence de liaison nette entre XX et YY
Elle met en évidence une liaison nette dès que la pente est positive
Elle montre que la dispersion totale de YY est nulle
Elle met en évidence une liaison nette entre XX et YY

Elle ne met pas en évidence de liaison nette entre $$X$$ et $$Y$$

Explication

Quand la dispersion résiduelle égale ou dépasse celle attribuable à la pente, les fluctuations autour de la droite ne sont pas suffisamment faibles pour indiquer une liaison nette. Une liaison nette correspond plutôt à une dispersion résiduelle faible par rapport à celle due à la pente; une pente positive ou une dispersion totale nulle ne change pas ce critère.

53. Dans une étude, une droite de régression est ajustée à un nuage de points reliant une variable explicative à une réponse. Que mesure le coefficient r2r^2 ?

La variation moyenne de Y associée à une unité de X
La part de la variabilité totale de Y attribuée à la régression
La part de la variabilité totale de Y qui reste inexpliquée
La probabilité que X et Y soient indépendantes

La part de la variabilité totale de Y attribuée à la régression

Explication

Le coefficient r2r^2 quantifie la part de la variabilité totale de Y attribuée à la régression et renseigne sur l’ajustement de la droite. La variabilité inexpliquée correspond à la composante résiduelle, la variation par unité de X relève de la pente, et l’indépendance est une autre notion.

54. Pour une valeur de X, une droite estime Y à 20 et l’écart-type résiduel vaut 3. Quel intervalle de prédiction approximatif contient 95 % des observations ?

De 14 à 26
De 17 à 23
De 17 à 26
De 20 à 26

De 14 à 26

Explication

L’intervalle est Y±2Sy/xY \pm 2S_{y/x} : 20±2×320 \pm 2 \times 3 donne des bornes de 14 et 26. L’intervalle de 17 à 23 n’utilise qu’un écart-type, tandis que les deux autres choix ne sont pas centrés correctement sur l’estimation.

55. Une équipe fixe expérimentalement les doses X administrées et mesure les réponses Y. Quelle interprétation convient à cette situation ?

La régression de X sur Y est adaptée, puisque X est contrôlée
La corrélation est symétrique, car les deux variables sont observées
La régression de Y sur X est adaptée, et la corrélation ne s’interprète pas
La corrélation doit être testée avant toute régression

La régression de Y sur X est adaptée, et la corrélation ne s’interprète pas

Explication

En régression, l’expérimentateur fixe une variable et étudie l’autre en fonction de celle-ci; avec les doses X fixées, on ajuste Y sur X, sans interpréter la corrélation comme dans une étude corrélationnelle. Traiter X et Y comme aléatoires ou tester leur corrélation d’abord confond les deux cadres.

56. Une étude mesure le temps écoulé jusqu’à la fin d’une hospitalisation pour chaque patient. Quelle est la nature de ces données et que vise leur analyse ?

Des mesures moyennes de durée, pour estimer une valeur centrale unique
Des nombres d’événements, pour comparer leurs totaux entre groupes
Des durées jusqu’à un événement, pour estimer sa probabilité au cours du temps
Des états observés à une date donnée, pour estimer leur fréquence à cette date

Des durées jusqu’à un événement, pour estimer sa probabilité au cours du temps

Explication

Une donnée de survie est une durée jusqu’à un événement, et son analyse estime la probabilité de cet événement au cours du temps. Une mesure d’état ponctuelle ou un simple total d’événements ne décrit pas cette évolution temporelle, et l’objectif ne se réduit pas à une moyenne.

57. À un an, une courbe donne S(1)=0,72S(1)=0{,}72. Quelle interprétation correspond à la fonction de survie ?

La probabilité d’être vivant exactement à un an est de 0,72
La probabilité de vivre au-delà d’un an est de 0,72
La probabilité que l’événement survienne après un an est de 0,28
La probabilité d’avoir subi l’événement avant un an est de 0,72

La probabilité de vivre au-delà d’un an est de 0,72

Explication

La fonction de survie est S(t)=P(T>t)S(t)=P(T>t) : ici, elle représente une probabilité de 0,72 de vivre au-delà d’un an. La probabilité d’événement avant un an inverse l’interprétation, et une probabilité d’événement après un an ne vaut pas 0,28 d’après cette définition seule.

58. Un patient est encore vivant lors de son dernier contrôle, puis il quitte l’étude sans que la date de son décès soit connue. Comment qualifier son temps de suivi ?

Une durée d’événement observé, car le suivi a pris fin à une date connue
Une durée indéterminée sans information sur la survie après le dernier contrôle
Une durée censurée, car le patient a survécu au-delà du dernier contrôle observé
Une durée complète, car le temps du dernier contrôle est connu

Une durée censurée, car le patient a survécu au-delà du dernier contrôle observé

Explication

La durée est censurée : la date exacte de l’événement n’est pas observée, mais on sait que le patient a survécu au-delà de son dernier contrôle. Une fin de suivi n’est pas un événement observé, et le dernier temps connu fournit bien une information sur la survie.

59. Une équipe veut comparer deux courbes de Kaplan-Meier, puis évaluer l’effet de plusieurs facteurs sur la survie. Quels outils répondent respectivement à ces deux objectifs ?

Le test du Log Rank, puis le modèle de Cox
La lecture verticale, puis la lecture horizontale des courbes
Le modèle de Cox, puis le test du Log Rank
La méthode de Kaplan-Meier, puis le test du Log Rank

Le test du Log Rank, puis le modèle de Cox

Explication

Le test du Log Rank compare deux courbes de Kaplan-Meier, tandis que le modèle de Cox peut intégrer un ou plusieurs facteurs influençant la survie. Le modèle de Cox ne remplace pas le test de comparaison visé ici, et les lectures des courbes ne permettent pas à elles seules d’ajuster plusieurs facteurs.

60. Dans un tableau de contingence, que présentent les cases et les marges ?

Les effectifs dans les cases et les pourcentages des lignes et des colonnes dans les marges
Les pourcentages dans les cases et les moyennes des lignes et des colonnes dans les marges
Les effectifs dans les cases et les totaux des lignes et des colonnes dans les marges
Les totaux des lignes et des colonnes dans les cases et les effectifs dans les marges

Les effectifs dans les cases et les totaux des lignes et des colonnes dans les marges

Explication

Un tableau de contingence inscrit les effectifs dans les cases et les totaux des lignes et des colonnes dans les marges. Les pourcentages ou les moyennes ne remplacent pas ces éléments constitutifs.

61. Une équipe compare la répartition d’une caractéristique dans trois échantillons distincts; une autre cherche si deux variables sont liées chez les mêmes participants. Quel test correspond à la seconde analyse ?

Le test du chi carré d’homogénéité
Le test de McNemar
L’analyse de variance
Le test du chi carré d’indépendance

Le test du chi carré d’indépendance

Explication

Le chi carré d’indépendance étudie la liaison entre deux variables dans un même échantillon. L’homogénéité compare des distributions entre échantillons, l’ANOVA compare des moyennes et McNemar concerne des pourcentages appariés.

62. Dans un tableau de quatre cases, un chercheur constate qu’un effectif théorique est inférieur à 5. Quelle démarche convient pour respecter les conditions du chi carré ?

Regrouper des classes ou utiliser le test exact de Fisher
Conserver le tableau et appliquer le chi carré sans ajustement
Remplacer les effectifs théoriques par les effectifs observés
Utiliser le test de McNemar pour comparer les cases

Regrouper des classes ou utiliser le test exact de Fisher

Explication

Le chi carré exige que chaque effectif théorique soit au moins égal à 5; si ce n’est pas le cas, on peut regrouper des classes ou, dans un tableau de quatre cases, utiliser Fisher. Appliquer le chi carré sans correction néglige la condition, tandis que McNemar vise des données appariées.

63. Que quantifie le test exact de Fisher sous l’hypothèse nulle lorsqu’on compare des pourcentages ?

La probabilité d’obtenir une configuration présentant un écart au moins aussi grand que celui observé
La taille exacte de l’écart entre les pourcentages, sans calcul de probabilité
La différence entre les pourcentages attendus si l’hypothèse alternative est vraie
La probabilité d’obtenir un écart plus faible que celui qui a été observé

La probabilité d’obtenir une configuration présentant un écart au moins aussi grand que celui observé

Explication

Sous l’hypothèse nulle, Fisher calcule la probabilité d’une configuration donnant un écart au moins aussi grand que celui constaté. La taille de l’écart seule n’est pas une probabilité, et la comparaison porte sur l’hypothèse nulle.

64. Pour une ANOVA comparant les moyennes de quatre groupes, quelles hypothèses formule-t-on pour le test bilatéral ?

Sous l’hypothèse nulle, les quatre moyennes sont différentes; sous l’alternative, elles sont identiques
Sous l’hypothèse nulle, les moyennes augmentent; sous l’alternative, elles diminuent
Sous l’hypothèse nulle, deux moyennes sont identiques; sous l’alternative, toutes les moyennes sont identiques
Sous l’hypothèse nulle, les quatre moyennes sont identiques; sous l’alternative, elles sont différentes

Sous l’hypothèse nulle, les quatre moyennes sont identiques; sous l’alternative, elles sont différentes

Explication

L’hypothèse nulle de l’ANOVA affirme l’égalité de toutes les moyennes, tandis que l’alternative bilatérale affirme qu’elles sont différentes. Inverser ces rôles ou imposer une direction de variation ne correspond pas à cette formulation.

65. Avant d’utiliser une ANOVA paramétrique pour comparer plusieurs groupes, quelles propriétés les distributions des populations doivent-elles satisfaire ?

Elles doivent être normales et présenter la même variance
Elles doivent être normales et présenter des variances différentes
Elles doivent être comparées à partir de leurs rangs moyens
Elles doivent présenter la même variance et des moyennes identiques

Elles doivent être normales et présenter la même variance

Explication

L’ANOVA paramétrique suppose des distributions normales et de même variance dans les populations d’origine. L’égalité des moyennes est l’hypothèse nulle à tester, et l’analyse des rangs caractérise plutôt le test de Kruskal-Wallis.

66. Les distributions de plusieurs groupes ne satisfont pas les conditions paramétriques, et l’analyse doit comparer leurs rangs plutôt que les valeurs brutes. Quel test convient ?

L’analyse de variance
Le test de Kruskal-Wallis
Le test de McNemar
Le chi carré d’indépendance

Le test de Kruskal-Wallis

Explication

Kruskal-Wallis est un test non paramétrique qui compare les rangs moyens de plusieurs échantillons plutôt que les valeurs brutes. L’ANOVA est paramétrique, tandis que les tests du chi carré et de McNemar portent sur des données catégorielles.

Révisez avec les flashcards

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

Qu’étudie la statistique ?

Les méthodes de réduction des données, la variabilité liée à l’échantillonnage et les populations par l’inférence.

À quoi la biostatistique applique-t-elle la statistique ?

Aux sciences de la vie.

Quelle taille caractérise une population en statistique ?

Une taille NN.

Voir les flashcards →

Approfondir avec la fiche

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

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