QCM : Introduction aux variables aléatoires et lois de probabilité — 10 questions

Questions et réponses du QCM

1. Qui est crédité d'avoir formulé ou proposé le concept de variables aléatoires simples ?

Andrei Kolmogorov
Pierre-Simon Laplace
Ronald Fisher
Carl Friedrich Gauss

Ronald Fisher

Explication

Ronald Fisher est largement reconnu pour ses contributions fondamentales à la théorie des variables aléatoires, notamment dans le contexte de la statistique moderne et de la probabilité. Il a contribué à formaliser la notion de variables aléatoires simples, en développant la théorie mathématique sous-jacente.

2. Quelle est la fonction principale des arbres de probabilités dans l’analyse d’une expérience aléatoire ?

Visualiser les différentes issues possibles et faciliter le calcul des probabilités en décomposant l’expérience en chemins successifs
Simplifier la description des variables aléatoires en utilisant des fonctions de masse ou de densité
Représenter graphiquement la loi de probabilité d’une variable aléatoire continue ou discrète
Calculer directement la probabilité d’un événement sans passer par une décomposition en chemins

Visualiser les différentes issues possibles et faciliter le calcul des probabilités en décomposant l’expérience en chemins successifs

Explication

Les arbres de probabilités sont principalement utilisés pour visualiser toutes les issues possibles d’une expérience aléatoire et faciliter le calcul des probabilités de événements complexes en décomposant l’ensemble en chemins successifs.

3. En quoi la distribution de Z, défini par P(Z=2)=3/28, P(Z=3)=15/28, P(Z=4)=5/14, diffère-t-elle d'une distribution binomiale standard de paramètres n=3 et p=0,5 ?

La distribution de Z ne peut pas être modélisée par une loi binomiale car ses probabilités ne correspondent pas à une somme de succès dans des épreuves indépendantes.
Les probabilités de Z ne suivent pas la formule classique de la loi binomiale, notamment pour la valeur Z=4.
La distribution de Z suit une loi continue, contrairement à la binomiale qui est discrète.
La distribution de Z est discrète avec des valeurs spécifiques, alors qu'une binomiale est également discrète mais avec une forme différente.

Les probabilités de Z ne suivent pas la formule classique de la loi binomiale, notamment pour la valeur Z=4.

Explication

La distribution de Z n'est pas binomiale car ses probabilités ne suivent pas la formule de la loi binomiale pour n=3 et p=0,5, notamment pour la valeur Z=4 où P(Z=4) ne correspond pas à la formule binomiale classique. De plus, ses probabilités sont explicitement données et ne correspondent pas à une convolution de succès/échecs.

4. Quelle est la propriété essentielle de l'espérance de deux variables aléatoires X et Y ?

Elle est égale à la somme de leurs variances.
Elle est toujours nulle si X et Y sont indépendantes.
Elle est linéaire, c'est-à-dire que E(X+Y) = E(X) + E(Y).
Elle dépend de la dépendance ou non entre X et Y.

Elle est linéaire, c'est-à-dire que E(X+Y) = E(X) + E(Y).

Explication

L'espérance est une propriété linéaire, donc pour deux variables X et Y, E(X+Y) = E(X) + E(Y), indépendamment de leur dépendance ou indépendance. Cette propriété est fondamentale en probabilités et en statistiques.

5. Quelle est la formule correcte pour la variance de la somme de deux variables aléatoires indépendantes X et Y ?

V(X + Y) = V(X) - V(Y)
V(X + Y) = (V(X) + V(Y)) / 2
V(X + Y) = V(X) + V(Y)
V(X + Y) = V(X) × V(Y)

V(X + Y) = V(X) + V(Y)

Explication

La variance de la somme de deux variables indépendantes X et Y est la somme de leurs variances : V(X + Y) = V(X) + V(Y). Cette propriété repose sur l'indépendance. Les autres options sont incorrectes : la soustraction, la multiplication ou la moyenne ne représentent pas la formule de la variance pour une somme indépendante.

6. Qu'est-ce que la variance de Z dans le contexte des variables aléatoires ?

Une mesure de la tendance centrale de Z.
La probabilité que Z prenne une valeur spécifique.
Une mesure de la dispersion ou de l'étalement de Z autour de son espérance.
Une fonction qui donne la probabilité que Z soit dans un intervalle donné.

Une mesure de la dispersion ou de l'étalement de Z autour de son espérance.

Explication

La variance de Z est une mesure de la dispersion ou de l'étalement des valeurs de Z autour de leur moyenne (espérance). Elle indique dans quelle mesure les valeurs de Z s'écartent en moyenne de leur valeur attendue. La variance ne mesure pas la tendance centrale (qui est l'espérance), ni une probabilité ou une fonction de probabilité.

7. Quel est l'effet principal de connaître l'espérance et la variance d'une variable continue sur la compréhension de sa distribution?

Ils indiquent la probabilité que X prenne une valeur spécifique.
Ils permettent de définir la forme exacte de la densité f(x).
Ils donnent des informations sur la localisation centrale et la dispersion de la distribution.
Ils permettent de calculer la médiane de la distribution.

Ils donnent des informations sur la localisation centrale et la dispersion de la distribution.

Explication

Connaître l'espérance et la variance d'une variable continue permet d'obtenir des mesures clés de la localisation centrale (moyenne) et de la dispersion (écart-type) de la distribution, ce qui est essentiel pour comprendre sa forme générale et son comportement.

8. Comment peut-on utiliser la réduction de la variable Y pour faciliter le calcul de son espérance dans une situation pratique ?

En décomposant Y en plusieurs variables indépendantes pour simplifier l'analyse
En transformant Y en une variable avec une distribution connue dont on peut facilement calculer l'espérance
En normalisant Y pour que sa moyenne soit égale à 1
En réduisant Y à une variable binaire pour appliquer une formule simple d'espérance

En transformant Y en une variable avec une distribution connue dont on peut facilement calculer l'espérance

Explication

La réduction de Y permet de la transformer en une variable dont la distribution ou la propriété est plus simple à manipuler, notamment pour calculer l'espérance. Par exemple, en transformant Y en une variable avec une distribution connue, on peut appliquer directement des formules ou des tables pour obtenir son espérance.

9. Quand la distribution binomiale a-t-elle été formalisée par Jacob Bernoulli dans son ouvrage 'Ars Conjectandi' ?

En 1789
En 1648
En 1713
En 1804

En 1713

Explication

Jacob Bernoulli a publié 'Ars Conjectandi' en 1713, où il introduit la formule pour le nombre de succès dans des épreuves répétées, formalisant ainsi la distribution binomiale. Les autres dates correspondent à des événements ou périodes historiques sans lien direct avec cette publication.

10. Qui est crédité d'avoir formulé les expressions de l'espérance et de la variance pour la loi binomiale, à savoir E(X)=n×p et V(X)=n×p×(1−p) ?

Ronald A. Fisher
Carl Friedrich Gauss
Pierre-Simon Laplace
Abraham de Moivre

Abraham de Moivre

Explication

Les formules classiques de l'espérance et de la variance de la loi binomiale, E(X)=n×p et V(X)=n×p×(1−p), sont attribuées à Abraham de Moivre, qui a introduit la loi binomiale en étudiant la distribution du nombre de succès dans une série d'épreuves indépendantes.

Révisez avec les flashcards

Mémorisez les réponses avec 20 flashcards sur Introduction aux variables aléatoires et lois de probabilité.

Variables aléatoires simples — définition ?

Variables caractérisées par une seule loi, discrète ou continue.

Distribution discrète — ensemble valeurs ?

Ensemble dénombrable, finie ou infinie dénombrable.

Distribution continue — ensemble valeurs ?

Intervalle ou ensemble non dénombrable.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Introduction aux variables aléatoires et lois de probabilité.

Voir la fiche →

Cours similaires

Mesures du patron corsage

10 conseils pour réussir à l’école

Le Pass Jeunes à Paris

DLC des produits en cuisine

DLC des produits au comptoir

Vérifications du permis de conduire

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM