Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

PSY1004 > Cours 4 > Flashcards

Cours 4 Flashcards

1
Q

Def. population

A
  • Groupe complet ou groupe inaccessible que nous souhaitons connaître
  • Représente 100% des infos concernant un phénomène ou un groupe
  • Représente la vérité absolue au sujet d’un phénomène = car l’info pour le phénomène est obtenue pour toutes les personnes constituant la population
  • L’ensemble des personnes auxquelles s’appliquent les conclusions d’une recherche
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Def. échantillon

A
  • Consiste en ce que nous connaissons et ce que nous avons accès
  • Informations obtenues sur une petite partie de la population qui est normalement distribuée (pas bcp de symétrie, ni d’aplatissement)
  • Meilleur estimé de la population
  • Directement mesurable
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Quels sont les principales raisons pour lesquelles nous étudions des échantillons au lieu des populations?

A
  • Moins cher
  • Accessible / possible
  • Moins long
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Def. population en termes statistiques

A

L’ensemble d’unités (personnes) généralisé par un modèle statistique (échantillon)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Associe les prises de mesures avec la proportion de la population

a) Population
b) Échantillon

1) Recensement
2) Sondage

A

a) et 1)
b) et 2)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

En quoi consiste l’inférence statistique?

A
  • À tirer une conclusion au sujet des caractéristiques d’une population à partir des caractéristiques mesurées d’un échantillon
  • Consiste à estimer les paramètres de la population à partir des statistiques de l’échantillon
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Def. paramètre et symboles utilisés

A
  • Décrit les caractéristiques de la population
  • Alphabet Grec
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Def. statistique et symboles utilisés

A
  • Décrit les caractéristiques de l’échantillon OU de la population par l’intermédiaire d’une inférence
  • Alphabet latin
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Exemples de caractéristiques de la distribution d’une population ou d’un échantillon

A

Moyenne, écart-type, score-z, variance, asymétrie, aplatissement, etc.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Quels sont les symboles pour les caractéristiques suivantes (autant pour paramètre que pour statistique):
- Moyenne
- Variance
- Écart-type
- Corrélation

(voir diapo 18 pour symboles)

A

Paramètre :
- Moyenne = mu
- Variance = sigma^2
- Écart-type = sigma
- Corrélation = rho

Statistique :
- Moyenne = M ou X barre
- Variance = s^2
- Écart-type = s
- Corrélation = r

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Def. erreur d’inférence

A

Erreur quand on estime les paramètres à partir des statistiques

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Est-ce que l’inférence qu’on fait sur la population à partir de l’échantillon est nécessairement vraie?

A

Non ça dépend si l’échantillon représente bien notre population

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Caractéristiques d’un échantillon représentatif

A
  • Est semblable à la population
  • La forme et les caractéristiques de la courbe sont similaires (ex. asymétrie, aplatissement, etc.)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Comment peut-on moduler notre échantillon pour qu’il soit le + représentatif possible de notre population?

A
  • Augmenter la taille de la population
  • Échantillonage aléatoire simple (lois du hasard)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

3 critères de l’échantillon aléatoire

A

1- Critère de la chance égales
2- Taille de l’échantillon
3- Critère de l’indépendance des réponses

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Def. critère de la chance égale

A

Chaque individu de la population a une chance égale d’être choisi (randomisation)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Def. de l’indépendance des réponses

A

La réponse d’un participant ne doit pas être influencée par la réponse d’un autre participant (anonymat, confidentialité)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

3 types d’échantillons aléatoires

A

1- Échantillon aléatoire simple
2- Échantillon aléatoire stratifié
3- Échantillon par grappes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Def. échantillon aléatoire simple

A

Chaque élément d’une population a une chance égale d’être choisi (hasard), peu importe ses caractéristiques

20
Q

Def. échantillon aléatoire stratifié

A
  • Le + précis
  • Combine aléatoire et représentativité (respecte lois du hasard, mais augmente la représentativité)
  • Les strates correspondent à des caractéristiques connues de la population
  • Sert à représenter la population le + précisément possible
21
Q

Def. échantillon par grappes

A

Par groupes de personnes qui sont choisis au hasard

22
Q

Vrai ou faux: on doit nécessairement savoir la taille de la population pour inférer

A

Vrai

23
Q

Explique pourquoi une taille élevée de l’échantillon est plus représentatif de la population

A
  • Dans une population normalement distribuée, la majorité des observations sont proches de la moyenne. Plus on s’éloigne de la moyenne, plus les données sont rares.
  • Plus la taille de l’échantillon est élevée = + on inclut les données extrêmes
  • Donc taille élevée d’échantillon = échantillon représentatif
24
Q

Pourquoi est-ce que les calculs de variance et d’écart-type sont différents entre l’échantillon et la population?
Population = divise par N
Échantillon = divise par n-1

A
  1. À cause des degrés de liberté :
    Il existe des valeurs très extrêmes qui ne sont (probablement) pas prises en compte dans l’échantillon qui est + restreint -> échantillon = - de variance, ce qui est un biais -> division par n-1 exagère la variance de l’échantillon, ce qui permet une meilleure estimation de la variance de la population
  2. Lorsqu’on calcule l’écart-type il faut faire la soustraction d’une valeur à la moyenne. Les critères de randomisation exigent que chaque différence (valeur-moyenne) soit indépendante, mais ce n’est pas le cas : un des écarts n’est jamais indépendant (on est tjrs capable d’en deviner un, car on sait que la somme de tous les écarts = 0). On fait donc n-1 pour l’éliminer.
25
Q

Def. théorie

A

Représentation de la réalité

26
Q

Def. hypothèse alternative (H1)

A
  • Prédiction que l’expérimentation aura un effet (que quelque chose est vrai dans la population)
  • Confirme la théorie
27
Q

Def. hypothèse nulle (H0)

A
  • Théorie ne fonctionne pas
  • Absence d’effets
  • Les échantillons proviennent de la même population (X et mu = similaires)
28
Q

Quelle est la conséquence d’une différence entre la moyenne d’un échantillon est la moyenne d’une population

A
  • L’échantillon qui n’a pas une même moyenne que la population doit obligatoirement venir d’une autre population
  • Quand les moyennes ne sont pas pareilles, cela signifie que H1 est accepté, car on affirme qu’il y a une différence entre les 2 groupes (ex. notes des femmes et des hommes, si les moyennes des notes des 2 groupes sont différentes = ils ne peuvent pas provenir de la même population) -> voir diapo 46
29
Q

Def. signification statistique

A

Lorsque nous trouvons une ressemblance, une différence, une corrélation, etc. significative entre deux variables au niveau de l’échantillon, nous inférons pour la population. Mais on peut se tromper…

30
Q

Si H0 est rejetée, qu’arrive-t’il avec H1?

A

H1 est nécessairement vraie

31
Q

Si H0 n’est pas rejeté, qu’arrive-t’il avec H1?

A
  • Le non-rejet de H0 ne prouve pas nécessairement que H1 est fausse (on ne peut pas non plus affirmer que H1 est vraie)
  • On ne peut jamais prouver qu’une H1 est fausse (que le phénomène n’existe pas) à partir d’un échantillon, parce que peut être que les résultats qui nous permettent de prouver que H1 est vraie sont dans la population qui n’a pas été sélectionnée pour faire partie de l’échantillon
32
Q

En sciences, est-il possible d’affirmer que quelque chose n’existe pas?

A

Non, on a pas de preuves pour prouver que quelque chose n’existe pas. On peut seulement prouver que les phénomènes existent.

33
Q

Vrai ou faux: 2 échantillons de la même taille, extraits d’une même population ont toujours la même moyenne

A

Faux, ils n’ont pas nécessairement la même moyenne et leur moyenne n’est pas nécessairement la même moyenne que celle de la population

34
Q

Quelle est la cause de l’erreur d’échantillonnage

A

La fluctuation naturelle entre les échantillons tirés d’une même population (différents échantillons ne seront pas composés de toutes les mêmes observations)

35
Q

Quelle est la cause de l’erreur type de la moyenne

A

La fluctuation naturelle entre les moyennes des échantillons tirés d’une même population (la moyenne des échantillons extraits d’une même population ne sera pas nécessairement la même)

36
Q

Quand exactement est-ce qu’on rejette H0

A

Quand la différence entre la moyenne de l’échantillon et la moyenne de la population ou les moyennes de deux échantillons est plus grande que l’erreur type de la moyenne -> l’échantillon n’appartient pas à la population

37
Q

Def. erreur de type I

A
  • Conclure qu’un phénomène existe alors qu’il n’existe pas / rejette H0, alors qu’il n’aurait pas fallu le rejeter
  • Faux positif
38
Q

Def. erreur de type II

A
  • Conclure qu’un phénomène n’existe pas, alors qu’il existe / on aurait dû rejeter H0
  • Faux négatif
39
Q

En quoi consiste l’inférence scientifique?

A

Consiste à décider s’il est possible de rejeter l’hypothèse nulle : seulement lorsque la différence entre la moyenne de la population et la moyenne de l’échantillon est plus grand que l’erreur type de la moyenne

40
Q

Lorsqu’on créé la distribution à l’aide des moyennes des échantillons que peut-on en tirer?

A
  • La plupart des échantillons ont un moyenne proche de la moyenne de la population
  • Si on a bcp d’échantillons, la distribution sera “normale”
  • La moyenne de tous les échantillons sera égale à la moyenne de la population
41
Q

La population de référence doit toujours avoir une distribution normale pour qu’on puisse inférer. Qu’arrive-t’il à la distribution des échantillons lorsque la distribution de la population est anormale (asymétrie, aplatissement, etc.)?

A

La distribution des échantillons est toujours normale, dans ce cas-ci elle ne représenterait pas bien la population. C’est pourquoi la population doit être normale pour qu’on puisse inférer.

42
Q

À partir d’une population, on tire tous les différents échantillons qui ont la même taille. On calcule ensuite la moyenne de chaque échantillon. Les caractéristiques suivantss seront-elles semblables ou différentes:
a) Observations qui forment les échantillons
b) Moyennes des échantillons

A

a) Différents
b) Différents

43
Q

Def. erreur-type de la moyenne

A

C’est la fluctuation “typique” entre les moyennes des échantillons provenant de la même population

44
Q

Quelle est la proportion d’erreur d’inférence conventionnelle?

A

p = 0,05 -> ce qui signifie qu’on a slm 5% de chances de se tromper lorsqu’on rejette H0 (c’est-à-dire que lorsqu’on affirme que l’échantillon appartient à une autre population, on a slm 5% de chances de se tromper)

45
Q

Quel est le pourcentage des moyennes des échantillons qui se retrouvent à plus ou moins un erreur type de la moyenne de la population? Et ça donne combien de % d’erreur?

A

68% et 32% -> bcp de chances de se tromper

46
Q

Quel est le pourcentage des moyennes des échantillons qui se retrouvent à plus ou moins deux erreurs types de la moyenne de la population? Et ça donne combien de % d’erreur?

A

95% et 5% -> pas bcp de chances de se tromper

PSY1004 (11 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions