Brainscape's Knowledge GenomeTM

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


See full index

Analyses Quantitatives > Examen intra > Flashcards

Examen intra Flashcards

1
Q

Vocabulaire:

Paramètre + exemple

A

Mesure utilisée pour décrire la population (ex: ensemble des chômeurs du Québec)

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

Signes pour population (paramètres) + échantillon (indices statistiques)

A 
Population=
Moyenne: (genre de u)
Écrat-type: (rond avec barre)
Nombre d'unité: N
Pourcentage: (pi)
Échantillon=
Moyenne: (X barre)
Écrat-type: s
Nombre d'unité: n 
Pourcentage: p
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Types d’échantillons au hasard

A
  • simple
  • grappes
  • plusieurs degrés

(Permettent de déterminer la probabilité qu’a un élément de la population d’être inclus dans l’échantillon)

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

Échantillon au hasard simple (+ exemple)

A

Chance égale d’être sélectionné (ex: tirage au sort)

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

Échantillons non probabilistes (ou empirique) + exemple type

A

Ne permettent pas de déterminer la probabilité qu’a un élément de la population d’être inclus dans l’échantillon

(Exemple: échantillonnage de convenance, de volontaires)

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

Variable indépendante

A

C’est la cause. Condition qui est manipulée pour en observer les effets. (Ex: un traitement)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Variable explicative + exemple de niveau (variable indépendante)

A

Dans un étude non expérimentale ou corrélationnelle (ex: enquête). Pas manipulée, mais observée. Peut prendre diverses valeurs qu’on appelle des niveaux (ex: gars ou fille)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Variable dépendante

A

C’est la mesur de l’effet d’une variable indépendante. (Exemple: mon traitement est-il efficace ou non?)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Variable à expliquer (variable dépendante)

A

Dans étude non expérimentale ou corrélationnelle (ex: enquête) car pas de réelle relation de cause à effet parce qu’on ne contrôle pas les variables de confusion oi parasites

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

Variables de confusion (ou parasite) + exemple

A

Autres causes possible (ex: dans mon traitement, d’autres causes qui amène la réussite ou l’échec) (ex: la conduite automobile, gars ou fille change quelque chose, donc on va prendre juste un des deux)

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

4 types déchelles de mesure de la variable dépendante

A
  • nominale
  • ordinale
  • à intervalles
  • de rapport
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Variables discontinues (nominales + qualitatives)

A

Valeurs nominales ou qualitatives. Valeurs catégorielles (un ou l’autre, pas entre deux, ex le sexe des sujets)
Peuvent aussi être ordinales (ex: classement à un examen par rapport aux autres étudiants de la classe)

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

Variables continues (intervalles+rapport)

A

Intervalles. (Ex: quotient intellectuel des sujets ou échelle de Likert (degré d’accord))
Rapports. (Ex: argent en banque). Ont un zéro absolu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Les 3 plans de recherche classique

A
  • à groupe indépendant
  • a mesures répetées
  • plan combiné
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Plan à groupes indépendants + formulation

A

Deux groupes de sujet ou plus, mesurées une seule fois (ex: sexe / masculin ou féminin / nombre de boites de savon acheté)
Formalisation : 2

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

Plan à mesures répetées + formulation

A

Un seul groupe de sujets mesurés plus d’une fois (ex: temps de la mesure / avant publicité ou après publicité / nombre de boites de savon acheté par hommes et femmes)
Formulation : (2)

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

Plan combiné + formulation

A

Combinaison des deux groupes (indépendants+mesures répetées) (ex: temps de la mesure / avant publicité (féminin ou masculin) et après publicité (féminin ou masculin) / nombres de boites de savon acheté)

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

Qu’est-ce qu’un histogramme?

A

Diagramme a bande

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

Qu’est-ce qu’un polygone de fréquence?

A

Diagramme a ligne brisée

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Qu’est-ce que le mode?

Mesure de…

A

La mesure qui revient le plus (la plus fréquente)

Mesure de tendance centrale

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Qu’est-ce que la médiane?

Mesure de …

A

Résultat au centre de la distribution

Mesure de tendance centrale

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Qu’est-ce que la moyenne?

A

Mesure de la tendance centrale la plus utile

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Les 3 mesures de tendances centrales

A
  • mode
  • médiane
  • moyenne
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Dans une distribution normale, le mode, la médiane et la moyenne sont….

A

Égales

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

4 mesures de dispersion

A
  • l’étendue
  • l’écart-type
  • le skewness (asymétrie)
  • le kurtosis (kurtose ou aplatissement)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

L’étendue
(L’étendue interquartile aussi)
Mesure de….

A

On soustrait le minimum au maximum (on soustrait : derniere valeur - premiere valeur)
Mesure de dispersion

Étendue interquartile: calcule la différence entre deux autres valeurs plus stable. Se trouve en retirant 25% des scores les plus faibles, 25% des scores kes plus élevés, puis utiliser l’étendue

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

L’écart-type ou déviation standard

Mesur de….

A

La racine carrée de la variance (variance : sommation au carrés des X - la moyenne, divisée par n-1)
Mesure de dispertion

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

Les deux prémisses pour qu’un échantillon soit aléatoire (et donc représentatif de la population)

A

1- chaque membre de la population doit avoir une chance égale d’être sélectionné
2- les observations doivent être égales les unes des autres

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q 
Le skewness (asymétrie)
Mesure de...
Snewness positif = ...
Skewness négatif = ...
Skewness = 0 = ....
Varie de ....
A

Nous renseigne si la majorité des sujets ont des résultats élévés ont des résultats faibles (skewness positif), potentiellement normaux (skewness = 0) ou élevés (skweness négatif)
Varie de moins infini a plus infini
Mesure de dispersion

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q 
Le kurtosis (kurtose ou aplatissement)
Mesure de....
Kurtosis négative = ....
Kurtosis = 0 = ....
Kurtosis positive = ....
Varie de...
A

Nous renseigne sinles sujets ont des résultats très étalés du plus faible au plus élevé (kurtosis négatif ou distribution placycurtique), des résultat potentiellement normaux (kurtosis = 0) ou des résultats très concentrés aux alentours du mode (kurtosis positive ou distribution leptocurtique)
Mesure de dispersion
Varie de moins infini a plus infini

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Courbes skewness (+,-, normale)

A 
\+ = curve plus haute a gauche
- = curve plus haute a droite
Normale = curve plus haute au milieu
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Courbes kurtose

A 
- = curve plus plate
\+ = curve tres pointue
Normale = curve ronde, pas pointue mais pas étendue
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Distribution normale:

  • comment est la courbe?
  • 2 caractéristiques pour que ce soit normal
A
  • Courbe en forme de cloche

- doit être unimodale et symétrique (on peut alors utiliser les tests paramétriques T et les analyses de variance

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

Tester la normalité de la distribution avec le test de Kolmogorov-Smirnov ou Shapiro-Wilk
-combien de participants?

A

K-S: avec plus de 50 participants

S-W: avec 50 participants et moins

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

Socre Z

  • comment le calculer
  • exemple d’utilisation
A
  • (le score individuel - la moyenne) / l’écart-type

- ex: comparer les résultats, à une même matière de deux étudiants dans deux écoles différentes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

Pourcentage distribution normale (dans la cloche)

  • proche de la moyenne
  • très supérieur ou très inférieurs
  • extrêmement supérieurs ou extrêmement inférieurs (.0214)
A
  • 68% proche de la moyenne (.3413 de chaque coté)
  • 5% très supérieur ou très inférieurs (.1359) (plus ou moins 1,96 unité de score Z)
  • 1% extrêmement supérieurs ou extrêmement inférieurs (.0214) (plus ou moins 2,58 unités de score Z)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

Statistiques inférentielles:

-utilisées quand….

A

-employé quand on généralise les conclusions d’un échantillon à une population

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

Erreurs peuvent être dues à…: (types d’erreures de mesure + exemple pour chaque)

A
  • erreur de l’instrument de mesure (ex: question mal comprise dans une enquête)
  • l’erreur du sujet (ex: celui qui veut donner une réponse mais en inscrit une autre)
  • l’erreur de l’expérimentateur (ou l’interviewer (ex: erreur de saisie des données)
  • l’erreur due au hasard ( différences dans les échantillons)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
39
Q

Est-il préférable d’utiliser les teste paramétriques ou non-paramétriques et pourquoi?

A

Paramétriques, car ils sont légèrement plus puissants (capable de détecter un effet lorsqu’il existe)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
40
Q 
Lettre pour:
Corrélation
Chi-charré
Test T
ANOVA
A

Corrélation (r)
Chi-carré (x2)
Test T (T)
ANOVA (F)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
41
Q

Calculer les degrés de liberté pour

  • test T à échantillon unique
  • test T à groupes indépendant
  • corrélation de Pearson
  • chi-carré
  • ANOVA simple (one-way)
  • corrélation de Pearson
A
  • test T à échantillon unique: nombre de participants - 1
  • test T à groupes indépendant:
    sommation des nombres de participants par groupe - 1

-corrélation de Pearson:
Nombre d’observations (participante) - le nombre de mesures corrélées (variables)

-chi-carré:
Produit du nombre de niveaux de la ou les variables - 1

-ANOVA simple (one-way):
2 degrés de liberté:
•inter-groupe: se situe au numérateur : nombre de groupes -1
•intra-groupe: se situe au dénominateur : nombre total de sujets- le nombre de groupes

-corrélation de Pearson :
Nombre d’observations (sujets) - le nombre de variables

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
42
Q

Sig. Doit etre égal a combien pour que le test statistique soit significatif?

A

0,05

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
43
Q

2 manières de présenter les résultats

A

1- tableaux (de fréquence)

2- graphiques

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

Objectif premier de la corrélation bivariée

A

Quantifier la relation entre deux mesures continues (mesurer à quel point les mesures varient simultanément)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
45
Q

Corrélation bivariée
Relation directe?
Relation inverse?
Aucune relation?

A

Relation directe: si un indicidu obtient un score élevé à la mesure X, obtient aussi un score élevé à la mesure Y

Relation inverse: un indicidu obtient un score élevé à la mesure X, obtient un score faible à la mesure Y

Aucune relation: un indicidu obtient un score élevé à la mesure X, obtient un score quelquonque à la mesure Y

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
46
Q

La corrélation entre deux variables peut etre attribuable a 3 choses

A

1- relation de cause à effet (coup de marteau sur le pouce cause de la douleur)
2- une cause commune (ex: chaleur est une cause commune ou variable parasite, fait augmenter le nombre de noyade et de vente de crème glacée)
3- une relation fortuite (fausse corrélation) (ex: réussite à l’examen et l’âge de la personne)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
47
Q

Pour qu’il y ait causalité, il faut que la cause produise (…) et qu’il n’y ait pas (…) en son (…), que la (…) précède l’effet et que n’interviennent pas de variables (…)

A

L’effet …. d’effet….. absence…. cause… parasites

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
48
Q

Important de noter que la méthode corrélationnelle ne fait qu’observer les variables et ne permet pas un contrôle parfait des variables de confusion! On ne peut donc jamais etre certain de…

A

La causalité lorsqu’on utilise cette méthode

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
49
Q

L’étude corrélationnelle simplifiée:

Mesurer….. et évaluer……

A

Mesurer deux variables (par observation) et à évaluer le niveau de relation qui existe entre elles

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
50
Q

Comment quantifier la force de la relation dans l’étude corrélationnelle

A

Avec le coefficient de corrélation (qui va de -1 a +1)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
51
Q

3 manieres de Calculer le coefficient de Pearson

A

1- r = (produit des scores standards (Z) de chacune des deux mesures) / nombre de sujets (N)-1

E Zxi • Zyi
_____________
N-1

2- à partir des écarts à la moyenne (tableau)

3- à partir des scores bruts (tableau)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
52
Q

Valeurs extrêmes

A

Valeurs éloignées qui faussent les résultats de la corrélation de Pearson.

Valeurs extrêmes elevées = valeurs plus grandes que (la valeur du 75e centile + (1.5 x étendue interquartile))

Valeurs extrêmes faibles = valeurs plus petites que (la valeur du 25e centile - (1.5 x étendue interquartile))

S’assurer que, pour faire la des corrélations de Pearson, il n’y ait pas de valeurs extrêmes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
53
Q

Seul qui nous informe si le lien entre la valeur X et la valeur Y est assez fort en tenant compte du degré de liberté

A

Test d’hypothèse statistique

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
54
Q

Hypothèse statistiques: hypothèse nulle

A

Sur laquelle porte le test statistique

Conservée si p est plus grand que 5% ou rejetée si p est plus petit ou égale a 5%

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
55
Q

Hypothèse statistiques: hypothèse nulle dans corrélation bivariée

A

“Il n’y a pas de relation linéaire entre les deux variables”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
56
Q

Hypothèse statistiques: hypothèse alternative

A

H1
L’hypothèse de recherche qui est confirmée si l’hypothèse nulle est rejetée ou infirmée si l’hypothèse nulle est conservée

Elle peut etre bidirectionnelle “il y a une relation linéaire entre les deux variables”
Ou unidirectionnelle si le contexte théorique le justifie “il y a une relation linéaire directe (ou inverse) entre les deux variables”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
57
Q

Hypothèse statistique: taille d’échantillon pour avoir un effet moyen

A

85 participants

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
58
Q

Représentation graphique d’une corrélation est…

A

Un nuage de points

Chaque point = intersection des mesure X et Y

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
59
Q

Nuage de points (sa forme nous indique….)

A 
Relation directe (coefficient positif)
Relation inverse (coefficient négatif)
Ou aucune relation (coefficient 
près de 0)
Plus le coefficient est fort, plus les points sont enlignés
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
60
Q

Corrélation de Spearman (non paramétrique)

A

Utilisé quand le relation est curvilinéaire
Transforme les données à intervalles (numériques) en range et cherche a établir ensuite s’il existe un lien monotone (c-a-d croissant ou décroissant) entre les variables

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
61
Q

Corrélation partielle:

A

Quand on pense qu’une relation entre deux variables peut être affectée par des variables parasites

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
62
Q

Corrélation partielle de premier ordre, de deuxieme ordre, de troisieme ordre

A

1er: quand on ne controle qu’une variable parasite
2e: quand on ne controle pas deux variables
3e : 3 variables

63
Q

Calcul de corrélation partielle de premier ordre

A

Calculer les corrélations entre la variable parasite et chacune des variables X et Y, puis de retirer ensuite les liens trouvés dans le calcul de la corrélation entre X et Y

64
Q

Régression linéaire simple:

Objectif premier

A

Objectif: prédire une mesure continue qui sera inconnue a partir de la connaissance d’une autre mesure continue connue
(La variable a expliquer est connue, ce qu’on désire c’est d’etre capable de la prédire quand elle sera inconnue)
Mesure de X quand on connait la mesure de Y

65
Q

Régression linéaire simple:

Si deux mesures ne sont pas reliées (corrélation non significative) une prédiction est elle possible?

A

Non

66
Q

Régression linéaire simple:

Plus la corrélation est forte….

A

Plus la prédiction est précise

67
Q

Avant de faire une Régression linéaire simple, il faut s’assurer qu’il y a….

A

Une corrélation bivariée significative

68
Q

Régression linéaire simple:
Quand la corrélation est pratiquement parfaite (+1 ou -1), la ligne de régression est tout simplement…. MAIS, quand pas parfait et que le nuage de points comporte des irrégularités, on doit…..

A

La droite qui joint tous les points du nuage de points

Estimer où se situe la ligne de régression

69
Q

Regression linéaire simple:
Formule de prédiction d’une valeur Y à partir d’une valeur X connue

Prédire x quand y est connu

A

Y = bX + a

a= l'ordonnée à l'origine (quand X=0, combien vaut Y?)
b= la pente de la ligne de régression (si j'augmente d'une unité à X, de combien j'augmente d'unité a Y?)

X = bY + a

70
Q

Relation entre la régression et la corrélation:

Qu’est-ce qu’on obtient en multipliant la pente des deux lignes de régression (X et Y)

A

On obtient le coefficient de corrélation au carré ( ou coefficient de détermination)

71
Q

Qu’est-ce que la prédiction d’une mesure X ou Y?

A

Une estimation d’une mesure lorsqu’on connait l’autre mesure dans tous les cas ou la corrélation est significative, mais non parfaite

72
Q

Erreur standard (type) de l’estimation:

  • qu’est-ce que le résidu?
  • calculer l’erreur type
A
  • l’écart entre les valeurs prédites et les valeurs réelles dans la prédiction d’une mesure X ou Y
  • la moyenne quadratique de ces résidus (se calcule a l’ordi)
73
Q

Quand on prédit une valeur d’Y ou X, celle-ci se situe dans une zone allant de…

A

La valeur prédite moins l’erreur standard d’estimation, à la valeur prédite plus l’erreur standard d’estimation

74
Q

Calculer à la main l’erreur standard d’estimation:

Formule

A

Se= Sy racine (1-r2)

Se (erreur type d’estimation) = Sy (écart type de la variable dépendante) x (racine carrée de (1- r2 (coefficient de détermination)

75
Q

Quels sont les deux types de méthodes d’échantillonnage?

A

Probabiliste et non probabiliste

76
Q

Quelle est la différence entre les deux types de méthodes d’échantillonnage?

A

Échantillonnage probabiliste: chaque unité a une “chance” d’être sélectionnée et que cette chance peut être quantifiée

Échantillonnage non probabiliste: chaque unité à l’intérieur d’une population n’a pas une chance égale d’être sélectionnée

77
Q

Quelle est la différence entre pramètre et statistique?

A

Paramètre: mesure utilisée pour décrire la population

Statistique: mesure utilisée pour décrire un échantillon

78
Q

Je veux étudier la grandeur des nouveau-nés de l’hôpital Ste-Justine en 2017. Je sélectionnerai au hasard 30 dossiers de nouveau-nés. Quel type d’échantillonnage ai-je utilisé?

A

Échantillons probabilistes

79
Q

Je veux vérifier s’il existe un lien entre la consommation de cannabis et les résultats scolaires. Quelle est ma variable indépendante?
Quelle est ma variable dépendante?

A

Indépendante: Consommation de cannabis

Dépendante: résultats scolaires

80
Q

Je veux vérifier s’il existe un lien entre la consommation de cannabis et les résultats scolaires. Mes résultats démontrent qu’il existe une corrélation entre les deux. Puis-je conclure que fumer conduit à de moins bons résultats scolaires?

A

Non. Il se peut que fumer soit la cause de moins bons résultats. Mais il se peut aussi qu’avoir de moins bons résultats conduise à fumer. Ou encore que les gens plus sociables tendent à la fois à fumer du cannabis et à prendre lers résultats moins au sérieux.

81
Q

Quelle est la mesure de tendance centrale la plus utile?

A

La moyenne

82
Q

Quelle est la mesure de tendance centrale qui nous donne le résultat au centre de la distribution?

A

Médiane

83
Q

Quelle est la mesure de tendance centrale qui nous donne les résultats les plus fréquents?

A

Mode

84
Q

Quelle est la mesure du score individuel - la moyenne / écart type?

A

Distribution normale

85
Q

Comment nomme-t-on une distribution ou les trois mesures de tendance centrale sont égales?

A

Score Z

86
Q

Comment nomme-t-on une distribution que : mode > médiane > moyenne

A

Skewness (-)

87
Q

Comment nomme-t-on une distribution que : moyenne > médiane > mode

A

Skewness (+)

88
Q

Quels sont les 2 conditions pour qu’une distribution soit considéré normale?

A

Elle doit être unimodale et symétrique

89
Q

Quel type de tests je devrai employer si ma distribution a une asymétrie plus petite que < -1

A

Test non paramétrique

90
Q

Pour tester la normalité de la distribution, puis-je employer le test de Shapiro-Wilk avec 80 participants?

A

NON. Shapiro-Wilk = 50 participants et moins

TRUC: nom plus petit donc moins

91
Q

Pour tester la normalité de la distribution, puis-je employer le test de Kolmogorov-Smirnov avec 80 participants?

A

OUI. Kolmogorov-smirnov: plus de 50 participants

TRUC: nom plus long donc plus

92
Q

Quelle mesur me permettra de comparer les résultats d’un joueur de basket ball avec un joueur de hockey?

A

Score Z. Utile lorsqu’on compare des individus de groupes différents

93
Q

Dans une distribution normale, quel % des participants ont des résultats près d’une unité de score Z?

A

68% (34,1 de chaque côté du milieu de la cloche)

94
Q

Dans une distribution normale, quel % des participants ont des résultats très supérieurs ou très inférieurs à la moyenne (plus ou moins 1,96 unité de score Z)

A

5% (2,1%) plus petit de chaque coté de la courbe

95
Q

Quels sont les 4 types d’erreurs de mesure?

A

1) l’erreur de l’instrument de mesure
2) l’erreur du sujet
3) l’erreur de l’expérimentateur ou interviewer
4) erreur due au hasard

96
Q

J’ai une population de 1000 individus. Je sélectionne un échantillon de 100 participants pour effectuer une corrélation de Pearson. Quel sera mon degré de liberté?

A

ddl= 98 : n de mon échantillon 100 - nombre de variables dans la corrélation 2

97
Q

Je rejette l’hypothèse que mon médicament ait un effet de guérison sur le cancer alors qu’en réalité, il y avait un réel effet. Quel type d’erreur je viens de commettre?

A

De type 2 l’hypothèse nulle ( que mon médicament n’ai aucun effet) est maintenue alors que c’est faux

98
Q

Combien de participatns minimum dois-je avoir dans mon échantillon pour massurer d’une distribution déchantillonnage de la moyenne normale?

A

30 participants et plus

99
Q

Quel pourcentage de chance que la moyenne de l’échantillon se situe à moins de deux écarts type?

A

95% (1,96)

100
Q

Une décision de pouvoir rejeter l’hypothèse nulle repose sur quoi?

A
  • la distribution des indices statistiques
  • la table de T (valeurs critiques en fonction de la taille d’échantillonnage)
  • la sitribution d’échantillonnage de la moyenne
101
Q

Lors du test de français de secondaire 5, la moyenne de la population des élèves est de 68%. Un groupe d’étudiants d’une école XYZ a obtenu 71%. Peut-on affirmer que ce groupe est significativement différent de la moyenne?

A

NON. Tout dépend de combien grand doit être l’écart à la moyenne pour pouvoir rejeter l’hypothèse nulle. La différence significative

102
Q

Lors du test de français de secondaire 5, la moyenne de la population des élèves est de 68%. Un groupe d’étudiants d’une école XYZ a obtenu 71%. Si 71% se situe dans la zone de rejet: quelle décision je prendrai?
Et si il est dans la zone d’acceptation?

A
  • rejeter l’hypothèse nulle, donc le groupe à un écart significativement différent de la moyenne de la population
  • maintenir l’hypothèse nulle. Donc, je ne peux pas affirmer que le groupe a une différence significative à la moyenne de la population.
103
Q

Un groupe d’étudiant est composé de 20 étudiants. Puis-je utiliser la distribution d’échantillonnage de la moyenne pour prendre une décision?

A

NON. le n doit être plus grand que 30

104
Q

Lors du test de français de secondaire 5, la moyenne de la population des élèves est de 68%. Un groupe d’étudiants d’une école XYZ a obtenu 71%.
1) Quelle serait l’hypothèse nulle et l’hypothèse alternative du test de français?

2) Quelle serait-elles si je voulais affirmer que ce groupe est supérieur à la moyenne?

A 
1. Hypothèse nulle: 
H0: moyenne groupe XYZ = 68
Hypothèse alternative:
H1: moyenne groupe XYZ pas = 68
(TEST BILATÉRAL)
2. Hypothèse nulle:
H0: moyenne groupe xyz <= 68
Hypothèse alternative 
H1: moyenne groupe xyz > 68
(TEST UNILATÉRAL)
105
Q

Suite au calcul de corrélation entre 2 variables, j’obtiens rxy= 0,261; p=0,10. Selon la table de Cohen, comment puis-je définir ma corrélation

A

Le seuil de signification (p=0,10) n’est pas atteint (p<0,5) pour assurer une corrélation

106
Q

Suite au calcul de corrélation entre 2 variables, j’obtiens rxy= 0,451; p<0,05. Selon la table de Cohen, comment puis-je définir ma corrélation

A

On peut parler d’une corrélation moyenne forte

Table de Cohen:
0,10 = faible
0,30= moyenne
0,50 = forte

107
Q

Quelle donnée nous donne la force de la relation?

A

La corrélation r

108
Q

Trouvez l’étendue pour l’ensemble de données suivants:
A) 6/8/11/15/24/38
B) 11/-6/-2/16/9/-8/17/19
C) 6,4/3,8/5,9/4,7/5,3/7,1/3,2

A

A) 32
B) 27
C) 3,8

109
Q

Nombre de mariages enregistré par année

1: 40 650
2: 40 812
3: 41 300
4: 41 450
5: 39 594
6: 40 734
7: 39 993
8: 38 814
9: 37 828
10: 35 716

Calculer: 
A- étendue
B- médiane
C- les quartiles supérieur et inférieur
D- l'écart interquartile
A

A- 5734
B- 40 321,5
C- q1= 38 814 à Q3 40 812
D- 1998

110
Q

Comment se nomme le degré avec lequel la connaissance de X permet de réduire l’incertitude de Y?

A

Coefficient de détermination

111
Q

Si rxy= 1, quel est mon coefficient de détermination?

A

100% (degré de certitude)

Coefficient de détermination = degré de relation entre les 2 variables

112
Q

Si rxy= 0,5 quel est mon degré de relation entre les deux variable?

A

rxy2 = 0,5 x 0,5 = 25%

= 25% de variance expliqué
=25% de variance partagée
= 25% de degré de relation entre les 2 variables
= 25% de coefficient de détermination

113
Q

Distribution d’échantillonnage: pour avoir une distribution normale, combien de participants faut-il dans l’échantillon?

A

30

114
Q

Distribution d’échantillonnage: si la distribution des données se distribue normalement, on présume que les moyennes….

A

Se distribuent normalement

115
Q

Test T: combien de participants faut-il pour atteindre une valeur critique de 1,96?

A

121

116
Q

Formulation des hypothèse:

  • hypothèse nulle (+ signes)
  • hypothèse alternative (+ signes)
A

H0: hypothèse maintenue jusqu’a preuve du contraire, pour la formuler, on utilise le symbole =

H1: hypothèse qu’on voudrait démontrer. On utilise les symboles pas égal, >,

117
Q

Erreurs dans les hypothèses:

A
  • erreur de type 1: quand l’hypothèse nulle est rejetée, alors qu’elle est vraie
  • erreur de type 2: quand l’hypothèse nulle est maintenue, alors qu’elle est fausse
118
Q

Étapes d’un test d’hypothèse:

-étape 1

A

1- formuler l’hypothèse nulle et l’hypothèse alternative

119
Q

Étapes d’un test d’hypothèse:

-étape 2

A

2- choisir le seuil de signification du test : noté par la lettre “a” qui est fixé a 0,05 ou moins
Doit aussi se questionner sur la taille de l’échantillon. La taille de l’échantillon détermine la puissance du test d’hypothèse

120
Q

Étapes d’un test d’hypothèse:

-étape 3

A

3- déterminer la distribution pour effectuer le test

121
Q

Étapes d’un test d’hypothèse:

-étape 4

A

4- définir la région critique : on utilise la table des Z pour déterminer la valeur critique qui correspond au seuil de signification désiré. Si la moyenne Xbarre diffère de 1,96 erreur type ou plus de la valeur hypothétique moyenneH0, il est justifié de rejeter l’hypothèse bulle

122
Q 
Hypothèses:
Définitions:
-différence significative
-région de rejet de l'hypothèse nulle
-région d'acceptation
A
  • une différence entre l’estimateur (ex: Xbarre) et la valeur supposée du paramètre (ex: u) qui mène au rejet de l’hypothèse nulle
  • constituée de l’intervalle ou les intervalles de valeurs à l’intérieur desquels il est jugé fort improbable (selon “a”) que l’indice statistique se situe
  • la région complétmentaire de la ou les régions de rejet
123
Q

Étapes d’un test d’hypothèse:

-étape 5

A

5- établir la règle de décision:
Maintenir H0 si la valeur de l’indice statistique se situe dans la région d’acceptation
OU
Rejeter H0 si la valeur de l’indince statistique se situe dans la région de rejet

124
Q

Étapes d’un test d’hypothèse:

-étape 6

A

6- faire les calculs nécessaire: calculer la valeur de l’indice statistique qui permet d’estimer le paramètre concerné.
RC = Xbarre - MoyenneH0 (écart-type de l’échantillon/ racine carrée de la taille de l’échantillon)
______________________
ObarreMoyenne

Xbarre= erreur standard de la moyenne (estimation de l’écart type de la moyenne d’échantillonnage de la population lorsque celui-ci est inconnu (écart-type de l’échantillon / racine carrée de la taille de l’échantillon)

125
Q

Étapes d’un test d’hypothèse:

-étape 7

A

Prendre la décision

126
Q

Test bilatéral

-régions de rejet

A

Lorsqu’on ne peut spécifier de direcion particulière pour l’hypothèse alternative (H1 pas égal a …)
Donc deux régions de rejet (“a”/2)

127
Q

Test unilatéral

-région de rejet

A

Quand on peut spécifier une direction particuliere pour l’hypothese alternative (H1 plus petit ou plus grand)
-une seule région de rejet, soit a

128
Q

Probabilité des erreurs de type 1 et de type 2 (symboles)

A

1- “a”

2- “B avec longue queue au bas”

129
Q

Distribution d’échantillonnage de la différence entre deux moyennes (formule)

A

On calcule la différence de la moyenne des deux échantiollons, donc Xbarre1 - Xbarre2 = d

130
Q

Formules test T:
Rapport critique
Erreur type de la différence entre deux moyennes d’échantillonnage

A

Rapport critique:

RC= (Xbarre1-Xbarre2) - Õ
________________________
Õxbarre1-xbarre2

Õxbarre1-xbarre2 =
RACINE ((S1ala2/n1) + (S2ala2/n2))

131
Q

Test d’hypothèse sur deux moyennes lorsque les écart-type population sont inconnus

A

On doit les estimer avec l’aide des écarts-types échantillonnaux

132
Q

Calculer la valeur de T (test T)

A

La différence des moyennes des échantillons / erreur type de la différence entre les deux moyennes d’échantillonnage

133
Q

Échelles de mesure nominale

A

Nommer la catégorie à laquelle chaque observations appartien (ex:prénom, couleur des yeux, etc.)
Il faut attribuer des nombres au variables numériques
(A appartient a la catégorie 1, B à la catégorie 2)

134
Q

Échelle de mesure ordinale

A

Mesure la position de chaque observation par rapport aux autres (cette position se nomme le rang)
Ne mesure pas la différences entre les observation (juste dire le cheval #1 est arrivé avant le #2, pas combien de temps)
(A est plus grand que B. A est premier, les autres ne le sont pas)

135
Q

Échelle de mesure à intervalles:

A

Mesure la position de chaque individu, mais aussi l’ampleur des différences entres elles
-n’ont pas de point zero
-ex: échelle de Likert
(La différence entre A et B est plus grande que la différence entre B et C)

136
Q

Échelle de mesure de rapport

A

Comme intervalle, mais ont un point zero absolu
Ex: la taille, montant d’argent en banque…
Peut dire que qqch est deux fois plus petit que l’autre

137
Q

Les formes de distribution:

La distribution unimodale

A

Une seule bosse qui indeique que l’effectif pour une des valeurs ou intervalle de valeurs est plus grande que celle de n’importe quelle valeur (va avec le mode)

138
Q

Les formes de distribution: distribution bimodale

A

Contient deux modes.

139
Q

Les formes de distribution:

Distribution symétrique

A

La fréquence des valeurs se répartit également des deux côtés de la valeur modale

140
Q

Les formes de distribution:

Distribution asymétrique

A

Distribution asymétrique + : valeurs plus étirées du côté droit de l’abscisse

Distribution asymétrique - : valeurs plus à gauche

141
Q

3 Façons de déterminer la postition d’une observation par rapport aux autres:

A
  • le rang
  • le rang percentile
  • valeur étalon
142
Q

3 Façons de déterminer la postition d’une observation par rapport aux autres:
-Le rang

A

Indique la position de chaque observation sur une échelle de 1 à N (les placer en ordre croissant ou décroissant

143
Q

3 Façons de déterminer la postition d’une observation par rapport aux autres:
-le rang percentile

A

Pourcentage fe personnes qui tombent sous cette valeur plus la moitié des personnes qui tombent exactement sur cette valeur.

144
Q

3 Façons de déterminer la postition d’une observation par rapport aux autres:
-4 étapes pour construire un tableau des percentiles

A
  1. compiler la fréquence des notes (1 personne a obtenu 29%, 2 ont obtenus 49%, etc)
  2. convertir la distribution des effectifs en pourcentage (4e colonne)
  3. Cumuler les ppircentages pour obtenir un pourcentage cumulatif (5e colonne)
  4. Calculer: pourcentage inférieur à X + (1/2 x pourcentage de X) = rang percentil
145
Q

La valeur étalon Z

A

Indique la position d’une observation par rapport à la moyenne

146
Q

Plus la valeur étalon Z est loin de zéro, plus la valeur brute qui lui correspond est…

A

Loin de la moyenne

147
Q

Calculer la cote Z

A

(La valeur - la moyenne) / écart type

148
Q

Exemple cote Z: un étudiant à obtenu 70% à l’examen d’anthropologie et 80% en littérature. Est-il meilleur en littérature qu’en anthropologie? La moyenne et l’écart-type de l’examen d’anthropologie:
Xbarre = 50
s = 10

La moyenne et l’écart-type pour l’examen de littérature
Xbarre = 65
s = 15.

A
  1. Convertir les deux performances en valeurs étalons Z. La valeur Z pour l’examen d’anthropologie est (70-50)/10 = +2 (très supérieure à la moyenne). Calculer la valeur étalon Z = (70-65)/15= +0,33. (plutôt proche de la moyenne). La note en anthropologie étant beaucoup plus forte que la note moyenne de sa classe et la note en littérature, étant beaucoup plus proche de la moyenne, nous pouvons alors conclure que l’étudiant est plus fort en anthropologie qu’il ne l’est en littérature
149
Q

La moyenne d’une distribution en valeur étalon Z est toujours de…

A

Zéro

150
Q

L’écart-type d’une distribution en valeur étalon Z est toujours de…

A

1

151
Q

Formule pour ramener une valeur étalon à sa valeur initiale brute

A

X = (ZxS) + Xbarre

X= (Cote Z x écart-type) + moyenne

152
Q

Valeur étalon T

  • A une moyenne de..
  • A un écart-type de…
A

Moyenne: 50

Écart-type: 10

153
Q

Comment calculer la valeur étalon T

A

T = (10xZ) + 50

même calcul que valeur étalon Z

Analyses Quantitatives (1 decks)

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