Section 2

Question 1

statistique descriptive vs inférentielle

Answer 1

descriptive : résumer un ensemble de données dans une population ou échantillon pur présenter des faits saillants

inférentielle : généraliser un résultat d’un échantillon à une population
- énoncer une conclusion

Question 2

moyenne d’un échantillon vs moyenne d’une population

Answer 2

échantillon : 𝑋/ population : µ

Question 3

le théorème central limite propose que ?

Answer 3

toutes les moyennes d’échantillons seront distribués normalement autour de la moyenne de la population (µ)

Question 4

l’écart-type de la distribution des échantillons est ?

Answer 4

l’erreur-type (pour la population) : 𝝈∕√𝒏

Question 5

l’erreur-type est estimé à partir de ?

Answer 5

s / √𝒏

Question 6

quelles sont les stratégies pour permettre de déterminer si les résultats du théorème central limite sont signitifcatifs ?

Answer 6

1) intervalles de confiance
2) tests statistiques

Question 7

un intervalle retrouve 95% des données dans un échantillon : : 𝐗̅± 2s

pour trouver la moyenne de la population (µ), quelle est la formule ?

Answer 7

𝐗̅±𝟐𝐬∕√𝐧

Question 8

Un chercheur joint par téléphone 100 personnes ayant utilisé ce service dans les 6 derniers mois et mesure leur satisfaction sur une échelle variant de 0 (très insatisfait) à 100 (très satisfait). Si 𝑿̅=𝟕𝟒 et écart-type (s) = 10

Answer 8

74 + 2 * 10 = 94
74 - 2 * 10 = 54
[54 - 94] représente 95% des observations de l’échantillon

Question 9

Un chercheur joint par téléphone 100 personnes ayant utilisé ce service dans les 6 derniers mois et mesure leur satisfaction sur une échelle variant de 0 (très insatisfait) à 100 (très satisfait). Si 𝑿̅=𝟕𝟒 et écart-type (s) = 10

cherche la moyenne de la population

Answer 9

[54 - 94] représente 95% des observations de l’échantillon

74 + 20 / 10 = 76
74 - 20 / 10 = 72

il y a des chances (95%) que µ (la moyenne de la population) soit entre [72 - 76]

Question 10

plus la taille de l’échantillon sera grand (n), plus l’intervalle obtenu sera ?

Answer 10

petit –> précis

Question 11

IC des observations de l’échantillon (descriptif) vs de la population (inférence)

Answer 11

IC échantillon : IC95% = 𝑋̅±2𝑠
- seulement si la distribution est normale

IC population (inférence) : IC95% = 𝑋̅±2𝑠∕√𝑛
- les données sont applicable si le n est supérieur à 30

Question 12

la valeur p fait référence à ?

Answer 12

le résultat du test d’hypothèse qui correspond à la probabilité que les données de recherche aient été obtenus par hasard (autrement dit, la probabilité que l’hypothèse nulle soit vraie)

probabilité d’avoir tort en affirmant qu’une différence existe

Question 13

symbole pour comparer des proportions

Answer 13

symbole de PI (π) pour comparer des proportions

Question 14

le test d’hypothèse compare ?

Answer 14

l’hypothèse nulle (H0) à une hypothèse alternative (H1)

Question 15

si la valeur p est petite, cela veut dire ?

Answer 15

que la probabilité que l’hypothèse nulle (H0) soit vraie est petite –> on rejette H0 et on assume que H1 est vrai

Question 16

quel est le seuil primordial à partir duquel on rejette H0 ?

Answer 16

seuil alpha : degré de signification statistique (généralement 5%)

si la valeur P est inférieur au niveau du test (p < α), on rejette H0 –> résultat statistiquement significatif

si la valeur p est égale ou supérieur au seuil alpha, on conserve l’hypothèse nulle (H0) –> résultat non-significatif

Question 17

est-ce qu’un résultat statistiquement significatif que ce l’est aussi cliniquement ?

Answer 17

non :
1) il faut mesurer l’importance de l’effet en contexte clinique
2) déterminé par un consensus scientifique et/ou par expertise clinique et/ou par gros bon sens

Question 18

facteurs affectant le résultat du test statistique

Answer 18

1. % d’écart entre les données comparées
   - probable qu’une petite différence soit due au hasard, mais peu probable qu’une très large différence soit due au hasard
   - par rapport aux moyennes ou proportions entre les groupes comparées
2. taille de l’échantillon
3. l’écart-type : un très grand écart-type indique une très grande variabilité (variable influencée par ++ facteurs, la différence observée est peut être aussi du au hasard)

Question 19

2 types d’erreurs lors de l’évaluation de la valeur p

Answer 19

1. rejeter à tort H0 : on assume qu’il existe une différence statistiquement significative alors qu’en réalité H0 est vrai (ERREUR ALPHA ou DE PREMIÈRE ESPÈCE) –> faux positif
   - lorsque échantillon tellement gros qu’on accepte statistiquement H1 alors que cliniquement l’intervention a pas d’effet observable.
2. on rejette pas statistiquement H0 alors qu’en réalité H0 est fausse (ERREUR DE 2e ESPÈCE ou BÊTA) –> faux négatif
   - survient lorsqu’on a une trop grande variabilité ou pas assez de sujets pour prouver statistiquement qu’il y a une différence

Question 20

mesure la probabilité de ne pas commettre d’errer de type 2

Answer 20

mesure la puissance statistique : 1 - bêta

on considère qu’une puissance de 80% est considéré adéquat. Avant d’accepter H0, il faut calculer la puissance avant de conclure si on ne fait pas une erreur.

Question 21

facteurs influençant la puissance

Answer 21

1. taille échantillon : + c’est grand + la puissance est élevé
2. taille de l’effet : + la taille est taille, plus la puissance est élevé
3. variation : plus la variation (écart-type) est grand, plus la puissance est faible
4. seuil alpha : plus le seuil est petit, plus la puissance est faible

Question 22

le choix du test statistique (pour valeur p) dépend de ?

Answer 22

1. type de variable
   - quantitative ou qualitative (ordinale vs nominale)
   - moyenne vs proportion
2. nombre de groupes impliqués
3. groupes dépendants / indépendants
   - est-ce que les données comparées proviennent des mêmes sujets ou de sujets différents
4. type de distribution
   - normale (et/ou n>30 par groupe) –> test paramétrique
   - anormal (et n<30 par groupe) –> test non-paramétrique

Question 23

groupe dépendant vs indépendant

Answer 23

dépendant : les mêmes patients dans le temps ou un groupe témoin apparié selon des caractéristique des patients
- force de préhension pré vs post
- témoins élections pour chacun des cas

indépendant : les patients ne se retrouvent pas dans les différents groupes
- un groupe avec médicament vs l’autre placebo
- un groupe malade vs l’autre non

Question 24

test paramétrique possible si ?

Answer 24

grâce au TCL, si le nombre de sujets est supérieur à 30 par groupe, on peut utiliser des tests paramétriques peu importe la distribution de l’échantillon

Question 25

si le N est inférieur à 30 par groupe, est-ce que la distribution ne sera pas normale ?

Answer 25

non –> il est possible que les données soient normalement distribués avec un n inférieur à 30

distribution non mentionnée –> test paramétrique et non-paramétrique à effectuer

Question 26

dans les variables nominales ou ordinales (qualitatives), on ne tient pas en compte ?

Answer 26

la normalité et le nombre de groupes (donc moins de tests)

on évalue juste si on a des groupes dépendants et indépendants (si indépendant, il faut voir si fréquence attendue supérieur à 5)

Question 27

fréquence attendues (Fa) =

Answer 27

total ligne * total colonne / TOTAL

pas de calcul de Fa, on veut juste comprendre la logique.

Question 28

questions à se demander afin d’identifier le test approprié pour obtenir notre valeur p

Answer 28

1. Quelle est la variable analysée ? Quelle est sa nature ?
2. Combien de groupes sont comparés dans cette étude ?
3. Les groupes sont-ils dépendants ou indépendants ?
4. Peut-on présumer de la normalité des données ou non ? (pour les variables quantitatives)

Question 29

comparer la qualité de vie mesurée de 0 à 100 selon 2 types de programme de réadaptation

Answer 29

qualité de vie : variable quantitative
2 groupes (2 programmes) : groupes indépendants