QCM : Essais cliniques et corrélation — 8 questions

Questions et réponses du QCM

1. Concernant les populations, les échantillons et les distributions statistiques, quelles sont les réponses exactes ?

La population correspond à un ensemble d’individus défini par qui, où et quand.
Le tirage au sort constitue la méthode d’obtention d’un échantillon représentatif.
La fréquence relative fif_i correspond à une proportion de l’effectif total.
L’effectif nin_i désigne le nombre d’observations d’une modalité donnée.
La distribution statistique associe les modalités d’une variable à leurs paramètres cliniques.

La population correspond à un ensemble d’individus défini par qui, où et quand. · Le tirage au sort constitue la méthode d’obtention d’un échantillon représentatif. · La fréquence relative $$f_i$$ correspond à une proportion de l’effectif total. · L’effectif $$n_i$$ désigne le nombre d’observations d’une modalité donnée.

Explication

La population est l’ensemble défini des individus, alors que l’échantillon n’en représente qu’une partie. Le tirage au sort est présenté comme la méthode permettant d’obtenir un échantillon représentatif. La distribution statistique associe modalités et effectifs ou fréquences, avec fi=ninf_i = \frac{n_i}{n} ; l’effectif est un nombre d’observations et la fréquence une proportion.

2. Qu'est-ce qu'un intervalle de confiance dans le contexte de l'inférence statistique?

Une plage de valeurs où se trouve la majorité des données d’un échantillon.
Un intervalle qui, dans 95 % des cas, contient toutes les valeurs possibles du paramètre.
Un intervalle qui, lors de répétitions nombreuses de l’étude, contiendrait la vraie valeur du paramètre estimé dans 95 % des cas.
Un intervalle qui indique la gamme de valeurs observées dans un échantillon.

Un intervalle qui, lors de répétitions nombreuses de l’étude, contiendrait la vraie valeur du paramètre estimé dans 95 % des cas.

Explication

Un intervalle de confiance est conçu pour contenir la vraie valeur du paramètre dans 95 % des répétitions de l’étude. La réponse incorrecte évoque une gamme de données observées, non une estimation du paramètre.

3. Selon la définition, qu'est-ce qu'un intervalle de confiance à 95 % dans le cadre de l'inférence statistique?

C'est un intervalle qui, si l'on répète l'étude de nombreuses fois, contiendrait la vraie valeur du paramètre dans 95 % des cas.
C'est un intervalle qui, dans une seule étude, contient la valeur estimée du paramètre avec une probabilité de 95 %.
C'est un intervalle qui, si l'on répète l'étude de nombreuses fois, contient la vraie valeur du paramètre dans 95 % des cas.
C'est un intervalle qui, dans une seule étude, contient la valeur de l'échantillon avec une probabilité de 95 %.

C'est un intervalle qui, si l'on répète l'étude de nombreuses fois, contient la vraie valeur du paramètre dans 95 % des cas.

Explication

Un intervalle de confiance à 95 % est construit de manière à contenir la vraie valeur du paramètre dans 95 % des répétitions de l'étude. La probabilité qu'il contienne la valeur réelle dans une seule étude n'est pas de 95 %, mais il est conçu pour l'être dans la majorité des cas si l'étude est répétée.

4. Quel est le rôle principal de la variable dans une étude statistique ?

Mesurer la dispersion des données.
Classer les individus selon des catégories qualitatives.
Comparer deux groupes ou plus.
Attribuer une valeur numérique à chaque individu ou unité d'observation.

Attribuer une valeur numérique à chaque individu ou unité d'observation.

Explication

La variable permet d'attribuer une valeur numérique ou qualitative à chaque individu, ce qui est essentiel pour analyser et décrire les données. Contrairement à la simple classification, elle constitue la base pour la quantification ou la catégorisation dans une étude.

5. Quand la distribution normale et la loi normale standard ont-elles été formellement introduites dans la théorie statistique moderne ?

Dans les années 1950, avec l'avènement des ordinateurs et la simulation numérique.
Au début du 20ème siècle, avec le développement de la théorie de la probabilité et la formalisation des lois de distribution.
Au 19ème siècle, lors des travaux de Gauss sur la distribution des erreurs expérimentales.
Au 17ème siècle, avec la naissance de la probabilité comme branche des mathématiques.

Au début du 20ème siècle, avec le développement de la théorie de la probabilité et la formalisation des lois de distribution.

Explication

La distribution normale et la loi normale standard ont été formellement introduites au début du 20ème siècle, notamment par la contribution de Gauss et d'autres mathématiciens, dans le cadre du développement de la théorie de la probabilité et de la statistique.

6. En quoi la distribution normale et la loi normale standard diffèrent-elles principalement dans leur paramétrage ?

La distribution normale est discrète, alors que la loi normale standard est continue.
La distribution normale ne possède pas de densité, contrairement à la loi normale standard.
La distribution normale est décrite par sa moyenne et son écart-type, tandis que la loi normale standard a une moyenne de 0 et un écart-type de 1.
La distribution normale est asymétrique, alors que la loi normale standard est symétrique.

La distribution normale est décrite par sa moyenne et son écart-type, tandis que la loi normale standard a une moyenne de 0 et un écart-type de 1.

Explication

La distribution normale est caractérisée par sa moyenne et son écart-type, alors que la loi normale standard est une distribution normale particulière avec une moyenne de 0 et un écart-type de 1, permettant de standardiser toute variable normale.

7. Qui est crédité de la formulation de la loi normale, une distribution fondamentale en statistique ?

Ronald Fisher
Pierre-Simon Laplace
André-Michel Guerry
Carl Friedrich Gauss

Carl Friedrich Gauss

Explication

Carl Friedrich Gauss est crédité d'avoir formulé la loi normale, également appelée courbe de Gauss, qui décrit la distribution de nombreuses variables naturelles. Laplace a également contribué à la théorie, mais Gauss est principalement associé à cette loi.

8. Quelles sont les conséquences de l'indépendance entre deux événements sur leur probabilité conjointe ?

La probabilité conjointe est toujours inférieure à la probabilité de l'événement le plus probable.
La probabilité conjointe est le produit de leurs probabilités individuelles.
La probabilité conjointe est égale à la probabilité de l'un ou l'autre événement.
La probabilité conjointe est la somme de leurs probabilités individuelles.

La probabilité conjointe est le produit de leurs probabilités individuelles.

Explication

L'indépendance entre deux événements implique que leur probabilité conjointe est le produit de leurs probabilités individuelles, c'est-à-dire P(A et B)=P(A)×P(B)P(A \text{ et } B) = P(A) \times P(B). La réponse qui indique une somme ou une autre relation est incorrecte, car elle ne correspond pas à la définition d'indépendance.

Révisez avec les flashcards

Mémorisez les réponses avec 11 flashcards sur Essais cliniques et corrélation.

Quelle différence principale existe entre statistique descriptive et inférence statistique ?

La statistique descriptive analyse les données observées, l'inférence généralise à la population.

Intervalle de confiance : définition

Intervalle contenant la vraie valeur 95 % du temps.

Qu'est-ce qu'un intervalle de confiance à 95 % ?

Un intervalle contenant la vraie valeur du paramètre dans 95 % des répétitions.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Essais cliniques et corrélation.

Voir la fiche →

Cours similaires

Nutrition et équilibre alimentaire

SVT

Biologie cellulaire

SVT

Organisation et transformations de la matière

Chimie

Calculs numériques

Mathématiques

Introduction à la biologie cellulaire

Transmission et variabilité génétique

SVT

Crée tes propres QCM

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

Générateur de QCM