WorksheetsStats II 4. Modèle structurel ANOVA (effets, résidus, hypo,..)
Total questions: 110
Worksheet time: 55mins
Name
Class
Date
1.
Quels éléments caractérisent l'organisation et les objectifs du Crash Course Statistica ?
a)
Il s'agit d'une séance pratique sans cours formel
b)
Il permet de travailler le TD avec les ARE ou en autonomie
c)
Il est enregistré pour être revu plus tard
d)
Il sert à apprendre à importer les données dans Statistica
2.
Pourquoi une mauvaise importation des données dans Statistica est-elle critique pour l'examen du TD ?
a)
Parce qu'elle empêche la réalisation de l'analyse statistique
b)
Parce que l’examen est noté sur 10
c)
Parce qu'elle mène à une note automatique de zéro
d)
Parce que Statistica bloque l’ouverture du fichier
3.
Pourquoi est-il important de bien gérer les formats lors de l'importation dans Statistica ?
a)
Car les décimales peuvent varier selon les paramètres régionaux
b)
Car un mauvais formatage fausse les résultats
c)
Car Statistica accepte tous les formats automatiquement
d)
Car Windows et Excel utilisent parfois des conventions différentes
4.
Quels sont les moyens complémentaires d’accès ou de poursuite du TD ?
a)
Accéder à la table non tronquée du complément de la diapo 75
b)
Poursuivre le TD en autonomie ou pendant les heures de permanence
c)
Demander une correction écrite au professeur
d)
Assister à une session Zoom avec l’assistant
5.
Pourquoi le Crash Course R est-il plus complexe que celui de Statistica ?
a)
Car R nécessite une connaissance du codage plus approfondie
b)
Car Statistica est plus intuitif
c)
Car R n’est pas utilisé dans les TD
d)
Car R ne permet pas d’importer de fichiers Excel
6.
Comment les étudiants peuvent-ils vérifier leur compréhension des Crash Courses ?
a)
En faisant le quiz proposé à la fin de la séance
b)
En comparant leurs résultats attendus (ex : R²)
c)
En assistant au live du professeur
d)
En lisant la correction automatique dans Statistica
7.
Pourquoi n’y a-t-il pas d’enregistrement lors du Crash Course Statistica ?
a)
Parce qu’aucune information n’est donnée au micro
b)
Parce que l'enregistrement est réservé aux CM
c)
Parce que les ARE le demandent
d)
Parce que cela risquerait de dévoiler les solutions
8.
Que doivent préparer les étudiants avant de venir au Crash Course Statistica ?
a)
Leur ordinateur avec Statistica installé
b)
Le fichier PDF du TD et les jeux de données
c)
Une copie papier du corrigé du TD
d)
Une demande de participation écrite
9.
Quelles sont les deux décisions clés en statistique inférentielle et comment sont-elles prises ?
a)
Décider si les résultats de l’échantillon s’appliquent à la population
b)
Décider si l’expérience est reproductible dans d’autres contextes
c)
Estimer le risque associé à cette décision
d)
Choisir entre deux hypothèses alternatives
e)
Prédire les résultats d’une nouvelle expérience
10.
Pourquoi le respect des conditions d'application est-il crucial en statistique inférentielle ?
a)
Parce que les tests statistiques ne fonctionnent que sur les petits échantillons
b)
Parce que les théorèmes reposent sur des postulats comme normalité, indépendance et variances égales
c)
Parce que sans elles, la distribution F utilisée est invalide
d)
Parce que cela garantit un risque d’erreur limité à 5 %
e)
Parce que sinon on obtient toujours une p-valeur de 0
11.
Quels sont les rôles de la distribution F dans une analyse statistique ?
a)
Comparer la variance des moyennes à la moyenne des variances
b)
Évaluer la distribution de l’indice F sous H0
c)
Donner une approximation de la moyenne des scores
d)
Permettre de calculer une p-valeur à partir d’H0
e)
Identifier les données manquantes dans un échantillon
12.
Pourquoi la distribution d’échantillonnage est-elle parfois difficile à comprendre ou invalide ?
a)
Elle dépend de la distribution réelle des données
b)
Elle suppose des conditions parfois complexes comme normalité ou variances égales
c)
Elle est toujours identique quelle que soit l'expérience
d)
Elle devient fausse si les postulats sont violés
e)
Elle est toujours intuitive pour l’expérimentateur
13.
Qu’est-ce qui distingue l’indice F de la simple moyenne ?
a)
L’indice F est utilisé pour comparer plusieurs groupes
b)
La moyenne permet de simplifier l’analyse dans un seul groupe
c)
La moyenne est plus adaptée à l’analyse de variance
d)
L’indice F repose sur des distributions d’échantillonnage
e)
La moyenne est toujours plus précise que F
14.
À quoi sert la p-valeur dans la prise de décision statistique ?
a)
Elle indique le risque de se tromper si l'on rejette H0
b)
Elle indique si l’on peut généraliser le résultat à la population
c)
Elle permet de fixer la valeur de l’indice F
d)
Elle sert à déterminer si H0 doit être rejetée
e)
Elle remplace le test d’hypothèse
15.
Pourquoi les postulats (normalité, indépendance, etc.) sont-ils essentiels en statistique ?
a)
Ils garantissent que les distributions d’échantillonnage sont correctes
b)
Ils facilitent la modélisation et l’interprétation des tests
c)
Ils sont obligatoires dans toutes les disciplines
d)
Ils assurent la robustesse des indices statistiques comme F
e)
Ils permettent de contourner les calculs mathématiques
16.
Pourquoi la distribution d’échantillonnage dépend-elle de l’expérience menée ?
a)
Chaque expérience a ses propres distributions de données
b)
Les hypothèses varient selon les situations expérimentales
c)
Les théorèmes ne s’appliquent qu’aux expériences en laboratoire
d)
Les données expérimentales influencent directement la forme de la distribution d’échantillonnage
e)
L’expérience impose toujours une p-valeur constante
17.
Quels sont les deux objectifs principaux de la statistique inférentielle, d’après le chapitre 3 ?
a)
Décider si les résultats observés sur un échantillon peuvent être généralisés à la population
b)
Comparer les résultats à une distribution d’échantillonnage pour estimer le risque d’erreur
c)
Comparer le QI moyen entre hommes et femmes
d)
Vérifier la fidélité d’un questionnaire
18.
Quelles conditions doivent être respectées pour que la distribution F soit correcte dans une analyse ?
a)
Les données doivent être issues de distributions normales (gaussiennes)
b)
Les variances des groupes doivent être équivalentes
c)
Les observations doivent être indépendantes
d)
Le nombre de participants doit être pair
19.
Pourquoi la distribution d’échantillonnage est-elle parfois difficile à comprendre ?
a)
Elle repose sur des postulats mathématiques souvent abstraits
b)
Elle dépend fortement des caractéristiques de l’expérience
c)
Elle ne permet pas de tirer des conclusions sur la population
d)
Elle ne peut pas être représentée graphiquement
20.
Quelles sont les conséquences si les postulats statistiques ne sont pas respectés ?
a)
Les résultats peuvent être biaisés
b)
Les décisions fondées sur les tests statistiques peuvent être erronées
c)
Les scores individuels deviennent inutilisables
d)
La p-valeur devient automatiquement nulle
21.
Comment une moyenne obtenue à partir d’un échantillon est-elle interprétée dans le cadre d’une distribution d’échantillonnage ?
a)
Comme un score parmi d’autres dans une distribution théorique
b)
Comme une estimation possible de la moyenne réelle de la population
c)
Comme une valeur exacte de la population
d)
Comme un artefact sans valeur analytique
22.
Pourquoi les distributions statistiques changent-elles selon les expériences ?
a)
Car les variables mesurées ne sont pas les mêmes (taille, clients, etc.)
b)
Parce que les distributions de données varient selon la population étudiée
c)
Parce que la moyenne est toujours égale à zéro
d)
Parce que les logiciels statistiques imposent des distributions standards
23.
Que signifie obtenir une p-valeur inférieure à 5 % ?
a)
Il y a moins de 5 % de chances d’obtenir ce résultat si l’hypothèse nulle est vraie
b)
On peut rejeter H0 avec un risque d’erreur de 5 %
c)
La différence observée est nécessairement due à un biais expérimental
d)
Le test est invalide dans tous les cas
24.
Pourquoi répéter une expérience augmente-t-il la précision des résultats statistiques ?
a)
Parce que les moyennes obtenues se rapprochent de la moyenne réelle de la population
b)
Parce que les distributions deviennent plus concentrées autour de la valeur centrale
c)
Parce que cela garantit toujours une p-valeur significative
d)
Parce que cela élimine les biais de sélection
25.
Quelle conclusion peut-on tirer en obtenant une moyenne de 3,4 clients à la poste sur 10 expériences ?
a)
Cette moyenne devient une statistique qui contribue à une distribution de la statistique.
b)
Cela indique que tous les clients attendent en même temps.
c)
On peut généraliser immédiatement à toutes les files d’attente.
d)
La moyenne représente toujours la médiane.
26.
Pourquoi les distributions de gauche et de droite diffèrent-elles dans l'exemple des tailles ?
a)
À gauche, on observe la distribution des scores individuels.
b)
À droite, on observe la distribution des moyennes.
c)
La variabilité est réduite à droite car les moyennes varient moins que les scores individuels.
d)
Les deux graphiques sont identiques si les données sont bien réparties.
27.
Quel enseignement tire-t-on de l'exemple des tailles pour les distributions de statistique ?
a)
Une statistique comme la moyenne a une distribution qui dépend des données mesurées.
b)
Toutes les moyennes suivent la même distribution.
c)
Chaque expérience crée une distribution différente.
d)
La statistique est indépendante des données observées.
28.
Pourquoi faut-il tenir compte de la distribution des données quand on utilise la statistique F ?
a)
Car elle conditionne la forme de la distribution d’échantillonnage.
b)
Car elle permet de définir si la statistique F est interprétable.
c)
Car elle influence les probabilités associées à la statistique calculée.
d)
Car elle rend inutile le calcul de la moyenne.
29.
Comment l'expérience de mesurer le QI de deux groupes illustre-t-elle l’impact de la distribution ?
a)
Les scores de QI doivent être bien distribués pour interpréter la statistique F.
b)
Les groupes doivent contenir uniquement des hommes.
c)
Les données doivent suivre une distribution correcte pour assurer une validité statistique.
d)
La variance n’a aucun impact sur les résultats.
30.
Quel est le lien entre la distribution des données et la probabilité d’un lancer de dés ?
a)
Chaque face du dé a une probabilité de 16 % si le dé est équilibré.
b)
La distribution permet de prédire la fréquence des résultats.
c)
Un dé équilibré suit une distribution uniforme.
d)
La distribution n'a aucune importance en statistique.
31.
Quelle est la première étape après avoir tiré aléatoirement dix observations dans une expérience ?
a)
Calculer la moyenne des observations.
b)
Comparer les scores à une moyenne populationnelle.
c)
Attribuer un score F immédiatement.
d)
Analyser les scores individuellement sans calcul.
32.
Pourquoi la distribution des données est-elle cruciale dans le calcul de la statistique F ?
a)
Elle influence directement le résultat et son interprétation.
b)
Elle permet de dériver une distribution théorique correcte.
c)
Elle garantit que les comparaisons statistiques sont valides.
d)
Elle permet d’éviter complètement le test d’ANOVA.
33.
Quelle différence peut-on observer entre les lancées de dés avec la main droite et la main gauche dans un exercice de statistique F ?
a)
Les moyennes et les variances peuvent différer entre les deux mains.
b)
Les scores de la main droite sont toujours plus élevés.
c)
Les deux mains donnent exactement la même distribution.
d)
La main gauche donne toujours des valeurs extrêmes.
e)
Les résultats des deux mains doivent obligatoirement être identiques.
34.
Que représente la distribution des moyennes dans l'exemple des lancées de dés ?
a)
Les résultats individuels de chaque lancé de dé.
b)
La distribution de la moyenne après plusieurs expériences.
c)
La fréquence des scores obtenus à chaque lancer.
d)
La somme totale des scores des deux mains.
e)
La distribution des écarts-types.
35.
Comment calcule-t-on la statistique F dans l'exemple des lancées de dés ?
a)
F = variance des moyennes / variance des données brutes.
b)
F = n × variance des moyennes / moyenne des variances.
c)
F = moyenne des variances / variance des moyennes.
d)
F = somme des scores / variance des scores.
e)
F = variance globale / écart-type.
36.
Pourquoi est-il important de comparer la statistique F à une distribution F ?
a)
Pour obtenir une p-valeur permettant de juger de la significativité des résultats.
b)
Pour vérifier si la moyenne est correcte.
c)
Pour ajuster la variance des données brutes.
d)
Pour déterminer la taille de l’échantillon.
e)
Pour s’assurer que la statistique est toujours supérieure à 1.
37.
Quelles conditions doivent être respectées pour utiliser la distribution F correctement ?
a)
Les données doivent suivre une distribution gaussienne.
b)
Les variances entre groupes doivent être égales.
c)
Les échantillons doivent être très grands.
d)
Les données doivent être ordinales.
e)
Les moyennes doivent être égales.
38.
Les données issues de lancées de dés respectent-elles les conditions d'application de la distribution F ?
a)
Non, car elles ne suivent pas une distribution gaussienne.
b)
Oui, car elles ont des moyennes identiques.
c)
Oui, car elles ont des variances égales.
d)
Non, car elles n’ont pas été obtenues aléatoirement.
e)
Oui, car elles sont parfaitement distribuées.
39.
Quelle est la différence entre la statistique F et la distribution F ?
a)
La statistique F est une mesure calculée, la distribution F est une distribution théorique.
b)
La distribution F dépend du sexe de l’échantillon.
c)
La statistique F est une courbe de Gauss.
d)
La distribution F est la moyenne des scores bruts.
e)
Il n’y a pas de différence.
40.
Pourquoi la distribution des données est-elle importante pour la statistique F ?
a)
Parce qu’elle influence la validité de l’interprétation de la statistique F.
b)
Parce qu’elle garantit toujours une valeur F supérieure à 1.
c)
Parce qu’elle permet de supprimer les variances.
d)
Parce qu’elle rend le calcul plus rapide.
e)
Parce qu’elle corrige les erreurs d’échantillonnage.
41.
Pourquoi la distribution des données n'est-elle pas une distribution F classique dans l'exemple avec les lancées de dés ?
a)
Parce que les données ne sont pas gaussiennes
b)
Parce que les groupes n'ont pas la même variance
c)
Parce que le test F est inapproprié dans tous les cas
d)
Parce que la moyenne est trop faible
42.
Quelles sont les deux conditions nécessaires pour utiliser correctement la distribution F ?
a)
Les données doivent être gaussiennes
b)
Les données doivent être uniformes
c)
Les groupes doivent avoir la même variance
d)
La moyenne doit être identique entre les groupes
43.
Comment la simulation R contourne-t-elle les limites d’application de la distribution F ?
a)
Elle transforme les données en scores z
b)
Elle génère une distribution empirique d’échantillonnage
c)
Elle applique une correction de Bonferroni
d)
Elle permet de calculer une statistique F sans hypothèses strictes
44.
Pourquoi la statistique F peut être utilisée dans l’expérience sur les QI ?
a)
Car les scores de QI suivent une distribution gaussienne
b)
Car les groupes ont des variances différentes
c)
Car les groupes ont la même variance
d)
Car les scores de QI sont des nombres entiers
45.
Quelle est la formule utilisée pour calculer la statistique F ?
a)
F = variance des moyennes / moyenne des variances
b)
F = moyenne des scores / écart-type
c)
F = variance totale / variance expliquée
d)
F = n × (variance des moyennes / moyenne des variances)
46.
Pourquoi la distribution F1-18 est-elle applicable dans l’expérience sur les QI ?
a)
Les données sont gaussiennes
b)
Les données sont uniformes
c)
Les variances sont égales entre les groupes
d)
Les données ont été manipulées
47.
Que signifie avoir des données qui ne satisfont pas toutes les conditions d’application ?
a)
La distribution F n’est plus correcte
b)
La p-valeur est surévaluée
c)
La moyenne est biaisée
d)
La simulation permet d’obtenir des résultats fiables malgré tout
48.
Quelle est la principale différence entre les données de QI et les lancées de dés ?
a)
Les QI sont gaussiens, les dés uniformes
b)
Les dés ont toujours une variance nulle
c)
Les QI respectent les conditions d’application de F
d)
Les dés permettent toujours une p-valeur significative
49.
Que se passe-t-il si vous utilisez une mauvaise distribution d'échantillonnage pour calculer la p-valeur ?
a)
La p-valeur peut être incorrecte.
b)
Le risque d’erreur est mal estimé.
c)
La décision statistique reste fiable.
d)
Cela garantit une meilleure robustesse.
e)
La distribution devient automatiquement gaussienne.
50.
Quelles sont les conséquences d’utiliser SPSS ou Statistica sans vérifier les conditions d’application ?
a)
On peut obtenir une p-valeur biaisée.
b)
Les logiciels s’adaptent automatiquement aux conditions réelles.
c)
Les résultats peuvent être mal interprétés.
d)
La distribution F reste valide dans tous les cas.
e)
La normalité des données est toujours vérifiée par défaut.
51.
Quelles sont les conditions nécessaires pour utiliser correctement une distribution F ?
a)
Les données doivent être gaussiennes.
b)
Les variances doivent être égales.
c)
Les groupes doivent avoir la même taille.
d)
Les données doivent provenir d’une seule population.
e)
Les scores doivent être des QI.
52.
Pourquoi la distribution F est-elle couramment utilisée dans les logiciels statistiques ?
a)
Elle s’applique dans de nombreuses situations expérimentales.
b)
Elle est valide même sans conditions d’application.
c)
Elle est intégrée dans les calculs automatisés des logiciels.
d)
Elle est réservée aux tests sur les QI uniquement.
e)
Elle permet de toujours obtenir une p-valeur exacte.
53.
Quel est l’impact de comparer les données à une mauvaise distribution d’échantillonnage ?
a)
La p-valeur obtenue ne reflètera pas correctement le risque d’erreur.
b)
Le test statistique sera plus puissant.
c)
L’interprétation des résultats peut devenir erronée.
d)
Cela renforce la validité de l’hypothèse alternative.
e)
On ne sait plus vraiment quel risque on prend en décidant.
54.
Dans l’exemple donné, quelles sont les p-valeurs obtenues selon que l'on respecte ou non les conditions d’application ?
a)
Si les conditions ne sont pas respectées, la p-valeur est 0.02.
b)
Si les conditions sont respectées, la p-valeur est 0.01.
c)
Si les conditions sont respectées, la p-valeur est 0.01.
d)
Ces valeurs ne changent pas selon les conditions.
e)
Les p-valeurs sont toujours comprises entre 0.05 et 0.1.
55.
Pourquoi la p-valeur fournie par un logiciel peut-elle être incorrecte ?
a)
Si les données ne sont pas normalement distribuées.
b)
Si les variances entre groupes sont différentes.
c)
Si on entre trop de données dans le logiciel.
d)
Si le logiciel est mal programmé.
e)
Si les conditions d’application de la distribution F ne sont pas vérifiées.
56.
Pourquoi est-il important de contrôler les conditions d'application avant d'utiliser une distribution F ?
a)
Pour garantir que le calcul de la p-valeur est correct
b)
Pour éviter de fausses conclusions
c)
Pour maximiser les différences entre les groupes
d)
Parce que les logiciels ne peuvent pas détecter d’erreur de calcul
e)
Pour éviter de devoir vérifier les conditions de normalité
57.
Quelle est la première méthode utilisée pour calculer la statistique F dans l'analyse de variance ?
a)
Calculer la variance des moyennes des groupes pour le numérateur
b)
Calculer la moyenne des variances intra-groupes pour le dénominateur
c)
Utiliser une table de chi carré
d)
Additionner toutes les observations entre elles
e)
Diviser la variance totale par le nombre d’observations
58.
Quelles étaient les données utilisées pour l'analyse de variance illustrée dans l'exemple ?
a)
Des prix de maisons dans cinq villes différentes
b)
Des données de QI de plusieurs enfants
c)
Des prix de voitures dans différentes régions
d)
Des températures moyennes dans plusieurs pays
e)
Des poids d’enfants dans différentes écoles
59.
Quels sont les trois chiffres clés mentionnés pour la première observation de la maison la plus chère ?
a)
880 pour l’observation
b)
677 pour la moyenne du groupe
c)
418 pour la moyenne générale
d)
207 pour la moyenne du groupe
e)
188 pour une autre maison
60.
Quel est l'exemple donné d'une maison ayant un prix beaucoup plus bas ?
a)
Maison à Gilroy avec un prix de 188
b)
Moyenne du groupe à Gilroy est 207
c)
Moyenne générale était de 418
d)
Maison la plus chère coûtait 880
e)
Maison moyenne coûtait 550
61.
Qu'est-ce que la 'somme des carrés' dans l'analyse de variance ?
a)
Une mesure des écarts par rapport aux moyennes
b)
Utilisée pour calculer la statistique F
c)
Elle permet de mesurer la variance inter et intra groupes
d)
Elle indique uniquement l’erreur d’échantillonnage
e)
C’est une approximation visuelle des résultats
62.
Quelle est la deuxième méthode mentionnée pour calculer la statistique F ?
a)
Utilisation des théorèmes de la statistique mathématique
b)
Application des concepts de somme des carrés
c)
Utilisation directe de l’écart-type
d)
Moyenne de tous les scores bruts
e)
Utilisation d’un diagramme de dispersion
63.
Pourquoi utilise-t-on la statistique F pour comparer les villes ?
a)
Pour savoir si les différences de moyenne entre les villes sont dues au hasard ou non
b)
Pour identifier des variations significatives
c)
Pour évaluer si les villes doivent être fusionnées
d)
Pour sélectionner la ville la plus chère
e)
Pour améliorer le prix moyen des maisons
64.
Quel est le raisonnement derrière l’usage des sommes des carrés dans l’ANOVA ?
a)
Comparer la prédiction d’une observation avec et sans connaissance du groupe
b)
Évaluer la variance expliquée par le groupe
c)
Maximiser l’écart-type global
d)
Minimiser l’erreur de mesure
e)
Ajuster les valeurs vers la moyenne
65.
Quelle est la meilleure prédiction si l’on ne sait pas dans quelle ville se trouve une maison ?
a)
La moyenne générale
b)
La moyenne du groupe
c)
La médiane
d)
La maison la plus chère
e)
La moyenne mobile
66.
Comment mesurer l’erreur de prédiction quand on utilise la moyenne générale ?
a)
Différence entre observation réelle et moyenne générale
b)
Appelée 'hauteur verte' dans l’exemple
c)
C’est la variance inter-groupes
d)
C’est toujours égale à zéro
e)
Équivaut à la moyenne du groupe
67.
Que mesure l'amélioration de la prédiction lorsqu'on connaît la ville ?
a)
Différence entre moyenne du groupe et moyenne générale
b)
Appelée 'hauteur rouge' dans l’exemple
c)
Permet d’évaluer la précision de la prédiction
d)
Mesure la variance intra-groupe
e)
Indique l’erreur de mesure
68.
Que représente la partie non expliquée par la prédiction basée sur la ville (résidu) ?
a)
Différence entre observation réelle et moyenne du groupe
b)
Partie appelée 'résidu'
c)
Représente ce qui n’est pas expliqué par le modèle
d)
Écart entre moyenne générale et observation
e)
La somme des carrés expliquée
69.
Pourquoi certaines différences peuvent-elles être négatives dans les calculs ?
a)
Parce que certaines observations sont inférieures à leur moyenne de groupe
b)
La prédiction basée sur la ville peut alors surévaluer la vraie valeur
c)
La moyenne générale est toujours plus grande
d)
L’erreur est parfois volontairement augmentée
e)
Les données sont arrondies vers le bas
70.
Que permettent de déterminer les calculs d’ANOVA lorsqu’on compare la moyenne globale et les moyennes par ville ?
a)
Ils quantifient combien l'information sur la ville améliore la prédiction par rapport à la moyenne globale.
b)
Ils permettent de savoir si les différences entre les groupes sont significatives.
c)
Ils donnent les coefficients de corrélation entre villes.
d)
Ils permettent d’obtenir la moyenne par ville.
71.
Que représente la somme des carrés totale dans l’analyse ANOVA ?
a)
La variance totale des données sans information sur les groupes.
b)
La somme des carrés des différences entre chaque valeur et la moyenne globale.
c)
Le résultat de la statistique F.
d)
La moyenne des variances par groupe.
72.
Comment obtient-on la somme des carrés totale dans cet exemple avec les prix de maisons ?
a)
On élève au carré la différence entre chaque prix et la moyenne globale.
b)
On additionne tous ces carrés pour les 25 maisons.
c)
On fait la moyenne des prix par groupe.
d)
On calcule l’écart interquartile de chaque ville.
73.
Pourquoi décomposer la variance totale en somme des carrés des groupes et des résidus est-elle utile en ANOVA ?
a)
Cela permet de savoir combien de variance est expliquée par la différence entre les groupes.
b)
Cela montre combien de variance reste inexpliquée à l'intérieur des groupes.
c)
Cela permet de déterminer si les groupes sont identiques.
d)
Cela aide à visualiser la covariance entre observations.
74.
Comment sont nommées les deux principales sommes des carrés en ANOVA ?
a)
Somme des carrés des groupes (entre groupes)
b)
Somme des carrés des résidus (intra-groupe)
c)
Somme des carrés de la moyenne
d)
Somme des carrés de la covariance
75.
Pourquoi la décomposition de la variance est-elle importante dans une ANOVA ?
a)
Elle permet d’identifier la part de variance expliquée par les différences entre groupes.
b)
Elle permet de prédire de nouvelles données à partir d’un modèle linéaire.
c)
Elle permet de distinguer la variance due aux groupes et la variance résiduelle.
d)
Elle indique le seuil de significativité pour la statistique F.
76.
Que signifient les 'somme des carrés rouges' et 'somme des carrés bleus' dans l’ANOVA ?
a)
Les carrés rouges représentent la variance expliquée par les groupes.
b)
Les carrés bleus représentent la variance totale de l’échantillon.
c)
Les carrés rouges sont liés aux erreurs de mesure.
d)
Les carrés bleus représentent les erreurs de prédiction (résidus).
77.
Que peut-on dire sur la proportion de variance expliquée dans cet exemple d’ANOVA ?
a)
Elle est faible car inférieure à 10%.
b)
Elle est significative car 583’000 sur 819’000 sont expliqués.
c)
Elle correspond à environ 71% de la variance totale.
d)
Elle est négligeable et indique que les groupes sont semblables.
78.
À quoi servent les degrés de liberté dans l’ANOVA ?
a)
À normaliser les sommes des carrés pour obtenir les mean squares.
b)
À déterminer la significativité du test en fixant la p-valeur.
c)
À calculer le nombre de groupes présents dans les données.
d)
À obtenir la statistique F par comparaison des variances.
79.
Que faut-il savoir sur la statistique F dans l’ANOVA ?
a)
Elle correspond au rapport des variances inter et intra-groupes.
b)
Sa valeur peut indiquer une différence significative entre les groupes.
c)
Elle est indépendante de la normalité des données.
d)
Elle est ici égale à 12,4 dans l’exemple donné.
80.
Quelles sont les conditions nécessaires pour que la statistique F soit interprétable ?
a)
Normalité des données dans chaque groupe.
b)
Homogénéité des variances entre groupes.
c)
Échantillons de taille strictement égale.
d)
Hypothèse nulle supposant égalité des moyennes.
81.
Que représente la p-valeur calculée à partir de la statistique F dans une ANOVA ?
a)
La probabilité que l'hypothèse nulle soit vraie
b)
La probabilité d’obtenir une valeur de F aussi extrême sous H0
c)
Une estimation de la taille de l’effet
d)
Un indicateur de variance intra-groupe
e)
Un degré de liberté ajusté
82.
Pourquoi utilise-t-on la variance dans une ANOVA alors que l'hypothèse testée concerne les moyennes ?
a)
La variance permet d’estimer les écarts entre groupes
b)
L’hypothèse alternative concerne la variance
c)
La variance est plus stable que la moyenne
d)
La variance capture les fluctuations entre et dans les groupes
e)
La moyenne n'est pas une statistique utile
83.
Quels facteurs peuvent influencer une observation dans une ANOVA ?
a)
La variable explicative principale (ex. ville, traitement)
b)
Les caractéristiques individuelles (ex. taille maison)
c)
La moyenne globale de l’échantillon
d)
Le hasard
e)
Le type de test statistique utilisé
84.
Quels sont les avantages d’une ANOVA avec plusieurs facteurs ?
a)
Permet de tester plusieurs hypothèses simultanément
b)
Prend en compte les interactions entre variables
c)
Simplifie l’interprétation des moyennes
d)
Ignore les effets individuels
e)
Permet une meilleure compréhension des résultats
85.
Quelles sont les principales sources de variabilité dans une ANOVA simple ?
a)
La variabilité due à la variable principale
b)
La variabilité due aux erreurs de mesure
c)
La variabilité due aux variables non mesurées
d)
La variabilité due au choix du logiciel utilisé
e)
La variabilité aléatoire résiduelle
86.
Pourquoi le stress ou les états psychologiques doivent-ils être considérés dans une expérience ?
a)
Parce qu'ils peuvent fausser les résultats
b)
Parce qu’ils font partie de la variable indépendante
c)
Parce qu’ils représentent une source de variabilité non mesurée
d)
Parce qu’ils réduisent le besoin de randomisation
e)
Parce qu’ils expliquent toujours la majorité des écarts
87.
Pourquoi les erreurs de mesure sont-elles critiques à considérer dans une analyse statistique ?
a)
Elles sont inévitables et introduisent de la variabilité
b)
Elles biaisent systématiquement les résultats
c)
Elles peuvent affecter la fiabilité des conclusions
d)
Elles rendent les ANOVA inutilisables
e)
Elles expliquent toute la variance observée
88.
Dans le modèle ANOVA simple (B3 Stat Psy II), que permettent la randomisation et l'effet spécifique de chaque personne ?
a)
La randomisation répartit équitablement les variables non mesurées entre les groupes
b)
La randomisation empêche toute erreur de mesure
c)
L’effet spécifique inclut des facteurs comme le stress ou la motivation
d)
L’effet spécifique correspond uniquement aux caractéristiques mesurées
e)
La randomisation est inutile si la moyenne est connue
89.
Selon le modèle structurel de l’ANOVA simple (B3 Stat Psy II), comment les résultats sont-ils décomposés ?
a)
En une partie expliquée par la variable d’intérêt (gamma)
b)
En une partie regroupée sous l’erreur (epsilon)
c)
En fonction de l’âge des participants
d)
En fonction des interactions entre les sujets
e)
En fonction du niveau de mesure de la variable dépendante
90.
Dans le modèle ANOVA (B3 Stat Psy II), que représentent les éléments Yij, Mu et Gammaj ?
a)
Yij est la valeur observée pour un individu dans un groupe
b)
Mu est la moyenne générale de la variable dépendante
c)
Gammaj est la différence entre un groupe et la moyenne générale
d)
Mu est l'écart entre les modalités
e)
Gammaj est l’erreur aléatoire
91.
Dans le contexte de l’ANOVA, que signifie une erreur ?
a)
C'est la différence entre la valeur réelle et la valeur prédite
b)
Elle est causée uniquement par des erreurs de calcul
c)
Elle est liée à des facteurs non mesurés ou non expliqués par le modèle
d)
Elle représente la moyenne générale des observations
92.
Quelles sont les conditions requises concernant l’erreur dans l’ANOVA ?
a)
Elle doit suivre une distribution normale avec moyenne 0
b)
Sa variance doit être constante dans tous les groupes
c)
Elle doit être significativement différente entre les groupes
d)
Elle doit représenter exactement la moyenne de chaque modalité
93.
Pourquoi utilise-t-on les gamma dans l’ANOVA ?
a)
Pour formuler clairement l’hypothèse nulle d’égalité des effets
b)
Car les gammas reflètent les effets spécifiques des modalités par rapport à la moyenne
c)
Parce qu’il est plus simple de prédire les gammas que les moyennes
d)
Car ils représentent les variances des groupes
94.
Que signifie l’hypothèse nulle dans le contexte de l’ANOVA ?
a)
Tous les effets spécifiques des modalités (gammas) sont égaux à 0
b)
Les différences entre les groupes sont toutes dues au hasard
c)
Les moyennes des groupes sont égales
d)
La variance entre groupes est toujours nulle
95.
Pourquoi est-il préférable de tester les gamma plutôt que les moyennes dans l'ANOVA ?
a)
Les gamma permettent de tester des écarts par rapport à la moyenne globale
b)
Les moyennes donnent une hypothèse floue, difficilement testable statistiquement
c)
Tester les moyennes est équivalent à tester les gamma
d)
Les gamma sont toujours plus grands que les moyennes
e)
Les moyennes ne peuvent pas être comparées dans l’ANOVA
96.
Quelle est la différence entre les paramètres mu/gamma et leurs estimations m/g ?
a)
mu et gamma sont des estimations issues de l'échantillon
b)
m et g sont les estimations des paramètres réels mu et gamma
c)
mu et gamma représentent les vrais paramètres de la population
d)
mu et g sont toujours identiques dans les résultats d'ANOVA
e)
m et g ne sont jamais utilisés en pratique
97.
Comment se décompose le prix d’une maison dans le modèle ANOVA ?
a)
En moyenne générale mu
b)
En effet de la ville gamma
c)
En résidu ou erreur
d)
En coefficient de corrélation
e)
En taux de régression
98.
Quelle est l’importance du résidu dans l’équation d’ANOVA ?
a)
Il mesure l’erreur entre la valeur réelle et la prédiction du modèle
b)
Il permet d’évaluer la qualité prédictive du modèle
c)
Il indique l’effet du groupe étudié
d)
Il représente les facteurs non expliqués par le modèle
e)
Il remplace les gamma dans l’hypothèse nulle
99.
Que signifie le mu de 480 dans le contexte donné ?
a)
C’est la moyenne réelle de l’échantillon des cinq villes.
b)
C’est une valeur théorique représentant la moyenne de toute la population.
c)
C’est la moyenne des prix des maisons de Saratoga.
d)
Elle est choisie arbitrairement pour illustrer une moyenne théorique.
e)
Elle représente la médiane de la ville la plus chère.
100.
Quel est l'effet de gamma dans cet exemple hypothétique ?
a)
Il représente une erreur de mesure.
b)
Il correspond à la différence entre la moyenne réelle de Saratoga (800) et la moyenne globale (480).
c)
Il est égal à la moyenne globale divisée par le nombre de villes.
d)
Il illustre que Saratoga est +320 au-dessus de la moyenne.
e)
Il correspond à l’écart-type du groupe de Saratoga.
101.
Qu'est-ce que le résidu de 80 dans cet exemple ?
a)
La différence entre la moyenne prédite (800) et le prix observé (880).
b)
Une erreur de mesure du prix réel.
c)
Un effet spécifique de la ville Saratoga.
d)
Un indicateur de variance entre villes.
e)
Un exemple d’effet gamma.
102.
Pourquoi utilise-t-on cet exemple avec des chiffres fictifs ?
a)
Pour illustrer le fonctionnement du modèle quand les paramètres réels sont connus.
b)
Parce que les données réelles ne sont jamais accessibles.
c)
Pour expliquer comment écrire une équation ANOVA complète.
d)
Car cela permet de montrer la logique du modèle même si les vraies valeurs sont inconnues.
e)
Pour prédire les valeurs manquantes d’une ville.
103.
Que fait le logiciel Statistica dans ce contexte ?
a)
Il donne les paramètres de la population réelle.
b)
Il estime les valeurs à partir de l’échantillon, comme la moyenne générale et les effets gamma.
c)
Il affiche les résultats sous forme graphique uniquement.
d)
Il calcule les résidus et les effets des modalités.
e)
Il déduit automatiquement les valeurs manquantes.
104.
Pourquoi Saratoga n'est-il pas inclus directement dans les paramètres ?
a)
Parce que son effet est nul.
b)
Parce qu’on ne dispose pas de données pour cette ville.
c)
Parce que son effet peut être calculé à partir des autres villes pour respecter la contrainte de somme nulle des gamma.
d)
Parce que Saratoga est redondant avec d'autres modalités.
e)
Parce que la ville est la référence par défaut.
105.
Comment calcule-t-on l'effet de Saratoga ?
a)
On divise la moyenne de Saratoga par le nombre de villes.
b)
On prend la moyenne des effets des autres villes.
c)
On fait l’opposé de la somme des effets des autres villes.
d)
On le fixe arbitrairement pour équilibrer l’ANOVA.
e)
On estime son effet à partir de l’échantillon via la régression.
106.
Qu'est-ce que le tableau d'ANOVA apporte ici ?
a)
Les effets gamma pour chaque ville.
b)
La moyenne générale estimée.
c)
Les résidus pour chaque observation.
d)
L’explication de la variance totale par les effets et les erreurs.
e)
Les prédictions pour des villes non incluses.
107.
Comment calcule-t-on les paramètres dans une ANOVA simple ?
a)
La moyenne générale est calculée sur l’ensemble des observations.
b)
L’effet d’un groupe est la différence entre sa moyenne et la moyenne générale.
c)
Les effets sont tous supposés égaux à 0.
d)
Chaque paramètre est fixé manuellement dans le logiciel.
e)
On utilise uniquement la médiane pour les groupes.
108.
Qu'appelle-t-on valeur prédite dans le modèle ANOVA ?
a)
C’est la somme de la moyenne générale et de l’effet du groupe.
b)
C’est une estimation obtenue à partir de la régression logistique.
c)
Par exemple, 418 + 258 = 677 pour Saratoga.
d)
Elle correspond à la moyenne de l’échantillon uniquement.
e)
Elle ne dépend pas du groupe considéré.
109.
Comment calcule-t-on un résidu dans le modèle ANOVA ?
a)
C’est la différence entre la valeur observée et la valeur prédite.
b)
On prend la moyenne de toutes les erreurs.
c)
Pour un prix réel de 880 et une prédiction de 677, le résidu est 203.
d)
On le calcule uniquement pour les valeurs aberrantes.
e)
Il est égal à la moyenne générale moins la moyenne du groupe.
110.
À quoi servent les résidus dans une ANOVA ?
a)
Ils mesurent l’erreur de prédiction du modèle.
b)
Ils quantifient ce que le modèle n’explique pas.
c)
Ils remplacent les paramètres mu et gamma.
d)
Ils sont ignorés dans les calculs d’ANOVA.
e)
Ils permettent de construire les groupes expérimentaux.
100 %
