QCM : Titre : Fondamentaux de la statistique descriptive et inférentielle — 20 questions

Explication

La statistique descriptive sert à décrire les données observées par des indicateurs et des graphiques. L’inférence, elle, sert à tirer une conclusion sur une population à partir d’un échantillon.

Explication

La statistique inférentielle suit une logique de décision fondée sur des hypothèses et un test. Les autres propositions relèvent plutôt de la description des données.

Explication

La population est l’ensemble total que l’on souhaite étudier. L’échantillon n’en est qu’une partie utilisée pour estimer ou tester.

Explication

La p-value mesure à quel point une statistique observée serait extrême si H0 était vraie. Elle sert ensuite à comparer cette évidence au niveau α.

Explication

L’IQR, ou intervalle interquartile, mesure la dispersion des 50 % centraux des données entre Q1 et Q3. Il ne correspond pas à l’étendue totale.

Explication

La boîte à moustaches résume la médiane, les quartiles et les valeurs extrêmes grâce aux moustaches. C’est un outil de description de la dispersion.

Explication

L’erreur de première espèce consiste à rejeter H0 alors qu’elle est vraie. C’est précisément le risque contrôlé par le niveau de signification α.

Explication

La valeur critique est le seuil de référence qui délimite la zone de rejet selon la loi du test et le niveau choisi. Elle guide la décision finale sur H0.

Explication

Si la p-value est inférieure ou égale à α, les données sont jugées trop incompatibles avec H0 et on rejette H0. Sinon, on ne rejette pas H0.

Explication

Un test bilatéral répartit la zone de rejet dans les deux extrémités de la distribution. Le choix bilatéral ou unilatéral modifie donc la valeur critique utilisée.

Explication

Les tests de normalité servent à vérifier si les données suivent une loi normale sous H0. Parmi les exemples cités figurent Shapiro-Wilk, Kolmogorov-Smirnov, Anderson-Darling et Jarque-Bera.

Explication

Quand les hypothèses paramétriques ne sont pas respectées pour deux groupes indépendants, on utilise Mann-Whitney. Student est réservé au cadre paramétrique.

Explication

Le test de Student est le test paramétrique classique pour comparer deux moyennes de groupes indépendants. Wilcoxon concerne les données appariées et non le cas indépendant.

Explication

Wilcoxon compare deux séries appariées en s’appuyant sur les rangs des différences. Mann-Whitney est, lui, destiné aux groupes indépendants.

Explication

Kruskal-Wallis est l’alternative non paramétrique à l’ANOVA pour k groupes indépendants. Il est fondé sur les rangs plutôt que sur les moyennes.

Explication

Le test de Friedman s’applique à k mesures appariées, c’est-à-dire sur les mêmes individus. Il constitue l’alternative non paramétrique aux comparaisons répétées.

Explication

Le test de Fisher est le test de référence pour comparer deux variances. Les autres tests servent à d’autres objectifs, comme la comparaison de moyennes ou de corrélations.

Explication

Bartlett fait partie des tests mentionnés pour comparer plusieurs variances. Le texte indique aussi Levene comme autre option selon l’arbre de décision.

Explication

Pearson évalue une liaison linéaire entre deux variables quantitatives à l’aide du coefficient r. Ce n’est pas un test de comparaison de groupes ou de variances.

Explication

Spearman utilise les rangs pour évaluer une association monotone entre deux variables quantitatives. Pearson, en revanche, vise l’association linéaire sur les valeurs brutes.