QCM : Biostatistiques en santé (38 questions)

Explication

La probabilité exprime la vraisemblance d’un événement et appartient à l’intervalle de zéro à un. Une fréquence observée ou les autres intervalles proposés ne correspondent pas à cette définition.

Explication

Une variable quantitative continue peut prendre un très grand nombre de valeurs, tandis qu’une variable quantitative discrète possède un nombre limité de résultats possibles. Le nombre de caries par personne est un exemple de variable discrète.

Explication

La population cible est le groupe auquel les résultats de l’étude sont censés s’appliquer et que les conclusions visent. La population source fournit les participants échantillonnés; la représentativité concerne la conformité de la composition de l’échantillon à celle de la population qu’il doit représenter.

Explication

La population source est le groupe à partir duquel l’échantillon est prélevé et fournit donc les participants recrutés. Le groupe auquel les conclusions s’appliquent est la population cible; la représentativité compare la composition de l’échantillon à celle de la population qu’il doit représenter.

Explication

La représentativité signifie que la composition de l’échantillon est conforme à celle de la population qu’il doit représenter. Les propositions sur les cas et les dénominateurs décrivent des indicateurs, pas la représentativité.

Explication

La prévalence rapporte le nombre de cas à la population totale. L’incidence rapporte le nombre de nouveaux cas à la population à risque; ni les personnes non malades ni la population malade ne constituent le numérateur ou le dénominateur de la prévalence.

Explication

L’exactitude rapporte les prédictions correctes à l’ensemble des prédictions, en comptant les vrais positifs et les vrais négatifs. Les autres définitions correspondent respectivement à la sensibilité, à la spécificité, à la valeur prédictive positive et à la valeur prédictive négative.

Explication

La sensibilité est la probabilité d’obtenir un test positif chez une personne malade; son dénominateur comprend les personnes malades. La probabilité d’un résultat négatif chez une personne non malade relève de la spécificité, et l’absence de symptômes ne définit pas à elle seule la sensibilité.

Explication

La spécificité mesure la probabilité d’un résultat négatif chez une personne non malade, soit les vrais négatifs parmi les non-malades. La probabilité d’un résultat positif chez les malades définit la sensibilité.

Explication

La valeur prédictive positive est la probabilité d’être réellement malade sachant que le test est positif. La probabilité de ne pas être malade après un résultat négatif est la valeur prédictive négative; un résultat négatif chez une personne non malade relève de la spécificité.

Explication

Les diagrammes en barres et circulaires conviennent aux variables qualitatives, tout comme les diagrammes en barres présentant leurs catégories. Les histogrammes et les graphiques de dispersion sont cités parmi les représentations des variables quantitatives.

Explication

Les histogrammes, boîtes à moustaches, graphiques de dispersion et courbes figurent parmi les représentations possibles des variables quantitatives. Le diagramme circulaire est présenté pour les variables qualitatives.

Explication

La médiane est la valeur centrale d’une série ordonnée et partage les données triées en deux parties centrales. La valeur la plus fréquente est le mode, tandis que la somme divisée par le nombre de valeurs définit la moyenne.

Explication

L’écart-type est la racine carrée de la variance, ce qui justifie les formulations équivalentes indiquant cette opération. La moyenne des carrés des écarts à la moyenne définit la variance, et la valeur centrale correspond à la médiane.

Explication

Un intervalle de confiance donne une gamme de valeurs servant à estimer un paramètre inconnu de la population. La valeur calculée directement décrit l’échantillon, tandis que la dispersion, la valeur exacte du paramètre et les catégories observées ne définissent pas cet intervalle.

Explication

L’intervalle est centré sur la moyenne échantillonnale et sa marge vaut $1{,}96\frac{s}{\sqrt{n}}$. Remplacer $\sqrt{n}$ par $n$ est incorrect; la formule en $p$ et $q$ concerne un pourcentage.

Explication

L’intervalle est centré sur $p$ et ses bornes s’obtiennent en ajoutant et en retranchant la marge $1{,}96\sqrt{\frac{pq}{n}}$. Le terme sous la racine repose sur le produit $pq$, et non sur la somme $p+q$.

Explication

Le risque relatif est le quotient du risque chez les exposés par celui chez les non-exposés, selon $RR=\frac{a/(a+b)}{c/(c+d)}$. Le quotient des cotes correspond à l’odds ratio; inverser les groupes ou comparer cas et témoins ne décrit pas cette formule.

Explication

Le risque relatif est utilisé dans les études de cohorte pour comparer la probabilité d’un événement entre groupes exposés et non exposés. L’odds ratio est généralement associé aux études cas-témoins; ces formulations attribuent donc à tort ces contextes au risque relatif.

Explication

Le coefficient de Pearson mesure à la fois la force et la direction de la relation linéaire entre deux variables quantitatives. Il ne démontre pas une causalité et ne mesure pas une association entre variables qualitatives sous forme de cotes.

Explication

Une corrélation ne démontre pas que l’une des variables cause l’autre, car une cause commune peut expliquer leur association. Les formulations affirmant une causalité ou la déduisant de l’absence d’une cause commune dépassent ce que la corrélation établit.

Explication

L’hypothèse nulle pose l’absence de différence significative entre les groupes, et l’hypothèse alternative pose son existence. Les deux hypothèses portent donc sur la présence ou l’absence d’une différence entre les groupes, non au sein de chaque groupe.

Explication

Le risque α est une erreur de première espèce : accepter l’hypothèse alternative alors que l’hypothèse nulle est vraie, avec un seuil classique de 0,05. Accepter l’hypothèse nulle alors que l’alternative est vraie décrit le risque β.

Explication

La valeur p est présentée comme la probabilité que le hasard puisse, à lui seul, expliquer la différence observée. Elle n’est pas la probabilité que l’hypothèse alternative soit vraie ni une proportion de sujets.

Explication

Lorsque p est inférieur ou égal à α, l’hypothèse nulle est rejetée et l’alternative acceptée. Si p dépasse α, on ne rejette pas l’hypothèse nulle, sans pour autant l’accepter.

Explication

Le test t de Student est le plus utilisé pour comparer des moyennes. Le Chi² sert à comparer des distributions et requiert des effectifs attendus d’au moins 5. Le test de Fisher est une possibilité lorsque les conditions du Chi² ne sont pas remplies. Welch est proposé en cas d’inégalité des variances, et Wilcoxon en cas de distribution non normale.

Explication

La condition de distribution est satisfaite si n > 30 ou si la variable suit une loi normale, et les variances doivent être égales. En cas d’inégalité des variances, le test de Welch est une solution possible.

Explication

Le Chi² sert à comparer des distributions et requiert des effectifs attendus au moins égaux à 5. Il ne s’agit pas d’un test de comparaison des moyennes, et la condition porte sur les effectifs attendus, non observés.

Explication

La régression linéaire simple modélise une variable quantitative à expliquer à partir d’une variable explicative quantitative ou binaire. Une variable catégorielle à expliquer, notamment binaire, relève plutôt de la régression logistique. Une variable explicative nominale ne correspond pas aux types indiqués pour la régression linéaire simple.

Explication

L’équation est $Y = a + bX$ : Y est la variable à expliquer, X la variable explicative, a l’ordonnée à l’origine et b la pente. La proposition qui inverse les rôles de X et Y ne respecte pas cette définition.

Explication

Le coefficient b mesure le changement moyen de Y associé à une unité supplémentaire de X. La valeur moyenne de Y lorsque X vaut zéro correspond à l’ordonnée à l’origine a, et non à b.

Explication

La régression logistique simple s’écrit $\operatorname{Logit}(p) = a + bX$, où p est la probabilité de l’événement et X la variable explicative. La variable explicative est X, et non p.

Explication

Une régression multiple relie une variable à expliquer à plusieurs variables explicatives, qui peuvent être quantitatives ou qualitatives. L’effet combiné de deux variables peut être plus complexe que la somme de leurs effets individuels : il ne correspond donc pas nécessairement à cette somme.

Explication

L’effet associé à une variable explicative s’estime à autres variables constantes, ce qui permet de tenir compte des autres variables du modèle. Faire varier simultanément toutes les autres variables ne correspond pas à cette estimation.

Explication

Les données de survie, également appelées données censurées, analysent la durée jusqu’à la survenue d’un événement d’intérêt. Elles ne définissent pas le délai entre deux événements successifs.

Explication

Les exclus-vivants n’ont pas subi l’événement à la clôture de l’étude, alors que les perdus de vue l’ont quittée avant son terme. Les autres propositions inversent ces situations ou attribuent à l’un des groupes un statut de suivi incorrect.

Explication

La fonction de survie $S(t)$ est la probabilité de survivre au moins jusqu’à la date $t$. La probabilité de subir l’événement avant cette date décrit l’événement contraire, et non la fonction de survie.

Explication

La courbe de Kaplan-Meier visualise la probabilité de survie au cours du temps ; ses chutes représentent les événements et ses petits traits les observations censurées. Attribuer les censures aux chutes confond les deux repères graphiques.