Documente Academic
Documente Profesional
Documente Cultură
: n°
d) ■ Les variances « within » et « between » sont des estimateurs d’une même variance
8. Si on veut comparer 2 modèles ajustés sur le même ensemble de variables par le critère AIC
(Aikike information criterion), il faut tenir compte de :
a) □ la variance des résidus seulement
b) □ le nombre de paramètres ajustés seulement
c) □ la log-vraisemblance maximale et la variance des résidus
d) ■ la log-vraisemblance maximale et le nombre de paramètres ajustés
9. Si l’odds d’une probabilité est de 4, cette probabilité vaut
a) ■ 0.8
b) □ 0.25
c) □ 0.75
d) □ 0.2
O=p/(1-p) à p=O/(1+O) à p=4/5=0.8
10. Si l’aire en dessous de la courbe (« area under the curve » : AUC) d’une courbe ROC évaluant
l’aptitude d’un test à distinguer 2 états (ex : pathologique/non pathologique) est égale à 0.5,
a) □ le test a une aptitude élevée
b) □ le test a une aptitude moyenne
c) ■ le test ne sert à rien
d) □ la sensibilité égale la spécificité quelle que soit le seuil envisagé
AUC=0.5 correspond à une courbe ROC sur la 1ère bissectrice c’est-à-dire la ligne sur laquelle
la réponse du test est purement aléatoire (sans rapport avec la pathologie), donc le test ne
sert à rien.
11. Si une courbe de survie est une courbe exponentielle décroissante,
a) □ le hazard décroît exponentiellement
b) □ le hazard est nul
c) □ le hazard décroît linéairement
d) ■ le hazard est indépendant du temps
12. Si la probabilité d’observer un évènement est de 1/1000 et que l’on effectue 3000
observations,
a) □ on a une probabilité de 95% de ne pas observer l’évènement
b) ■ on a une probabilité de 5% de ne pas observer l’évènement
c) □ on a une probabilité de 50% d’observer l’évènement
d) □ on a une probabilité de 25% d’observer l’évènement
Pour n=3/p (p=1/1000 à n=3000), on ramène la probabilité de rater l’évènement à 5%.
13. Si on veut évaluer l’influence du sexe, de l’âge et de la VO2max sur le taux de décès après une
intervention chirurgicale, on effectue :
a) □ une régression logistique
b) □ une analyse de variance
c) ■ une régression de Cox
d) □ un log-rank test
14. Si le taux de survenue d’un évènement est égal à 12/(100 patients à risque . année) et qu’ on
a 150 patients à risque au départ, combien de nouveaux évènements s’attend-on à observer
en 6mois ?
a) □ 12
b) ■ 9
c) □ 6
d) □ 18
Taux = 12/(100.annnée) à 12 pour 100 patients en 1 an à 18 pour 150 patients en 1 an à 9
pour 150 patients en 0.5 année.
15. Si la puissance d’un test d’hypothèse est de 85%, cela veut dire que
a) ■ le risque de commettre l’erreur de type II est de 15%
b) □ le risque de commettre l’erreur de type I est de 15%
c) □ le risque de commettre l’erreur de type I est de 85%
d) □ le risque de commettre l’erreur de type II est de 85%
16. La valeur prédictive positive d’un test détectant une pathologie est
a) □ la probabilité que le test soit positif si la pathologie est présente
b) □ la probabilité que le test soit négatif si la pathologie n’est pas présente
c) ■ la probabilité que la pathologie soit présente si le test est positif
d) □ la probabilité que la pathologie ne soit pas présente si le test est négatif
La réponse (a) correspond à la sensibilité, la réponse (b) à la spécificité et la réponse (d) à la
valeur prédictive négative.
17. Quelle proposition est vraie ?
a) □ Une méta-analyse n’a rien à voir avec une revue systématique de la littérature
b) □ Une méta-analyse est un autre nom pour une revue systématique de la littérature
c) □ Une revue systématique de la littérature implique une méta-analyse
d) ■ Une méta-analyse implique une revue systématique de la littérature
La revue systématique est distincte est distincte de la méta-analyse. Une revue systématique
n’implique pas forcément de faire une méta-analyse (on peut s’arrêter là) mais une méta-
analyse implique que l’on fasse d’abord une revue systématique.
18. Le test Kappa
a) □ estime l’égalité des variances de 2 populations
b) ■ estime l’agrément qualitatif entre 2 évaluations
c) □ estime l’agrément quantitatif entre 2 méthodes
d) □ estime l’agrément entre paires non-ordonnées
19. L’équivalent paramétrique du test non-paramétrique de Kruskal-Wallis est :