QCM Biostatistiques PASS - Biostatistiques
QCM de 15 questions avec corrections détaillées sur Biostatistiques (Biostatistiques). Révisez efficacement avec des explications pédagogiques pour le niveau PASS.
Vous voyez maintenant l'interface exactement comme vos étudiants. La navigation et les pages affichées sont celles d'un compte étudiant.
Probabilités, tests statistiques, épidémiologie, études cliniques, odds ratio.
Banque publiée de la matière : 35 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.
Choisis un QCM et tes scores s'enregistreront automatiquement.
QCM de 15 questions avec corrections détaillées sur Biostatistiques (Biostatistiques). Révisez efficacement avec des explications pédagogiques pour le niveau PASS.
QCM de 20 questions avec corrections détaillées sur Probabilités, estimation, intervalles et tests (biostatistiques). Révisez efficacement avec des explications pédagogiques pour le niveau PASS.
La biostatistique étudie des données biologiques ou sanitaires en tenant compte de leur variabilité. La population cible est l’ensemble auquel on souhaite appliquer une conclusion ; l’échantillon rassemble les unités effectivement observées. Une mesure précise dans un échantillon ne garantit pas sa représentativité. Le recrutement, les non-réponses et les critères d’inclusion peuvent sélectionner certains profils. Il faut aussi définir l’unité statistique : personne, prélèvement, consultation ou événement. Plusieurs mesures chez une même personne ne constituent pas nécessairement autant d’observations indépendantes.
Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.
La biostatistique étudie des données biologiques ou sanitaires en tenant compte de leur variabilité. La population cible est l’ensemble auquel on souhaite appliquer une conclusion ; l’échantillon rassemble les unités effectivement observées. Une mesure précise dans un échantillon ne garantit pas sa représentativité. Le recrutement, les non-réponses et les critères d’inclusion peuvent sélectionner certains profils. Il faut aussi définir l’unité statistique : personne, prélèvement, consultation ou événement. Plusieurs mesures chez une même personne ne constituent pas nécessairement autant d’observations indépendantes.
Une variable qualitative décrit des catégories, éventuellement ordonnées ; une variable quantitative décrit une grandeur numérique. La moyenne et l’écart-type résument certains aspects d’une distribution, tandis que la médiane et les quartiles résistent davantage aux valeurs extrêmes. Une loi normale est déterminée par sa moyenne et sa variance, mais toutes les variables biologiques ne la suivent pas. L’écart-type décrit la dispersion des observations ; l’erreur standard décrit la variabilité d’un estimateur entre échantillons. Augmenter l’effectif peut réduire cette dernière sans rendre les individus biologiquement moins différents.
La probabilité de A sachant B concerne les situations où B est réalisé. Elle s’écrit $P(A|B)=P(A\cap B)/P(B)$ lorsque le dénominateur est positif. Inverser A et B change généralement la question. L’indépendance signifie que connaître un événement ne modifie pas la probabilité de l’autre ; l’incompatibilité signifie qu’ils ne peuvent pas se produire ensemble. Deux événements incompatibles de probabilités positives ne sont donc pas indépendants. Le produit des probabilités marginales ne fournit une intersection que sous une hypothèse d’indépendance pertinente.
Pour un test binaire évalué face à un état de référence, la sensibilité est la proportion de résultats positifs parmi les sujets dans l’état recherché. La spécificité est la proportion de résultats négatifs parmi ceux qui ne sont pas dans cet état. La valeur prédictive positive inverse le conditionnement : elle concerne la proportion de sujets dans l’état recherché parmi les résultats positifs. Elle dépend notamment de la fréquence de cet état dans la population étudiée. Des performances conditionnelles élevées ne suffisent donc pas à garantir une valeur prédictive élevée dans une population où l’état est rare.
Un estimateur fournit une approximation d’un paramètre inconnu, comme une moyenne ou une proportion. Un intervalle de confiance fréquentiste est produit par une procédure qui, répétée selon les mêmes conditions, couvre le paramètre dans une proportion donnée des échantillons. Après observation, le paramètre n’est pas traité comme une variable aléatoire dans cette interprétation. La largeur de l’intervalle dépend notamment de la dispersion, de l’effectif et du niveau choisi. Un intervalle étroit ne corrige pas un biais systématique de recrutement ou de mesure.
Un test confronte une hypothèse nulle à une alternative à l’aide d’une statistique dont la distribution est définie sous des hypothèses. La p-value est, sous l’hypothèse nulle et le modèle, la probabilité d’obtenir une statistique au moins aussi incompatible avec cette hypothèse que celle observée. Elle n’est ni la probabilité que l’hypothèse nulle soit vraie ni celle que le résultat soit dû au hasard. Le risque alpha concerne le rejet erroné de l’hypothèse nulle ; la puissance dépend notamment de l’effet envisagé et de l’effectif. Un résultat non significatif ne démontre pas une absence d’effet.
Une cohorte suit des groupes définis notamment par une exposition et permet, sous des conditions adaptées, d’estimer des risques. Une étude cas-témoins sélectionne selon le statut d’événement et compare les expositions antérieures ; les proportions de cas dans l’échantillon ne représentent pas directement les risques de la population. Une étude transversale mesure des états à un moment ou sur une période donnée et renseigne notamment sur une prévalence. Un essai randomisé attribue une intervention par un mécanisme aléatoire, ce qui vise à rendre les groupes comparables en moyenne.
Le risque relatif divise le risque d’un groupe par celui d’un autre. L’odds est le rapport entre probabilité d’événement et probabilité de non-événement ; l’odds ratio compare ces rapports. Il ne faut pas traiter automatiquement un odds ratio comme un risque relatif, même si une approximation est possible dans certaines situations d’événement rare. La différence absolue de risques apporte une information complémentaire. Le choix d’un test dépend enfin des données et de leurs conditions : comparaison de moyennes, de proportions, observations appariées ou indépendantes. Le chi carré, les tests de Student et l’ANOVA ne sont pas des outils interchangeables.
Considérons une population fictive de 1 000 personnes, dont 100 présentent l’état recherché. Un test a une sensibilité de 90 % et une spécificité de 90 % dans cette population. Parmi les 100 sujets concernés, 90 obtiennent un résultat positif et 10 un résultat négatif. Parmi les 900 autres, 810 obtiennent un résultat négatif et 90 un résultat positif. Le tableau comprend donc 180 résultats positifs, dont 90 seulement correspondent à l’état recherché.
La valeur prédictive positive vaut 90 divisé par 180, soit 50 %. Ce résultat n’est pas contradictoire avec les deux performances de 90 %, car les dénominateurs diffèrent. Si la fréquence de l’état change en conservant les performances conditionnelles par hypothèse, la composition du groupe positif change également. Il serait incorrect de présenter 90 % comme la probabilité de l’état chez chaque personne positive. Ce calcul est une illustration de probabilités conditionnelles et non un outil de diagnostic individuel : les performances réelles dépendent du contexte, du seuil, de la population et de la qualité de l’état de référence.
Commencer par reformuler la question en identifiant population, variable, comparaison et paramètre recherché. Construire un tableau à double entrée lorsque deux critères binaires interviennent ; écrire les effectifs marginaux avant les proportions. Associer à chaque proportion son dénominateur explicite. Pour un risque, vérifier que la période et les personnes effectivement à risque sont définies. Pour un test, vérifier indépendance, appariement, distribution ou effectifs attendus selon la procédure. Un logiciel peut calculer une valeur même lorsque le choix du modèle est inadapté.
Interpréter ensuite ensemble taille d’effet, intervalle de confiance, qualité du plan et limites. Une faible p-value ne mesure pas l’importance biologique ou sanitaire de la différence. Des analyses multiples non prévues peuvent augmenter les risques de conclusions trompeuses. Une association ajustée reste tributaire des facteurs mesurés et du modèle ; elle ne supprime pas magiquement tout biais. Dans les QCM, les erreurs les plus instructives sont souvent des inversions de conditionnement, une confusion entre dispersion et précision ou une causalité affirmée sans justification. La conclusion doit répondre exactement à la question posée, sans dépasser ce que les données permettent.
Non. Elle est calculée en supposant cette hypothèse et le modèle, puis mesure une probabilité de résultats au moins aussi extrêmes.
Non. La valeur prédictive dépend aussi de la sensibilité et de la fréquence de l’état recherché dans la population.
Non. Il améliore souvent la précision, mais ne corrige pas automatiquement une sélection ou une mesure systématiquement biaisée.
Non. Leur proximité dépend des risques et du contexte ; un événement fréquent peut entraîner des différences importantes.
Références consultées le
Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.
Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.
Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.
Nous utilisons uniquement des cookies essentiels et des analytics first-party anonymisées (aucun partage tiers). En savoir plus.