QCM : Introduction aux lois de Bernoulli et binomiale — 10 questions

Questions et réponses du QCM

1. Qu'est-ce que la loi de Bernoulli ?

Une variable aléatoire continue représentant une moyenne
Une variable aléatoire binaire prenant la valeur 1 avec probabilité p et 0 avec probabilité 1-p
Une loi qui modélise le nombre de succès dans plusieurs essais indépendants
Une distribution qui décrit la somme de plusieurs variables de Bernoulli

Une variable aléatoire binaire prenant la valeur 1 avec probabilité p et 0 avec probabilité 1-p

Explication

La loi de Bernoulli modélise une variable aléatoire binaire qui prend la valeur 1 avec probabilité p (succès) et 0 avec probabilité 1-p (échec). C'est une variable simple représentant un seul essai avec deux issues possibles.

2. Quel est le nom de l'auteur qui a formulé la loi binomiale ?

Abraham de Moivre
Siméon Denis Poisson
Jakob Bernoulli
Pierre-Simon Laplace

Abraham de Moivre

Explication

Abraham de Moivre est l'auteur qui a introduit la formule de probabilité de la loi binomiale dans ses travaux au début du XVIIIe siècle. Les autres noms sont liés à d'autres contributions en probabilités ou statistiques, mais pas à la formulation initiale de la loi binomiale.

3. Quel est le rôle principal de l'inégalité de Bienaymé-Tchebychev en probabilités ?

Elle fournit un encadrement supérieur de la probabilité qu'une variable s'écarte de son espérance.
Elle donne la formule de la variance pour des variables indépendantes.
Elle permet de calculer la moyenne exacte d'une variable aléatoire.
Elle sert à déterminer la distribution exacte d'une variable aléatoire.

Elle fournit un encadrement supérieur de la probabilité qu'une variable s'écarte de son espérance.

Explication

L'inégalité de Bienaymé-Tchebychev est utilisée pour limiter la probabilité qu'une variable s'écarte de son espérance d'au moins une certaine valeur, en fonction de sa variance, ce qui en fait un outil d'encadrement probabiliste.

4. Quand la notion d'espérance simple a-t-elle été formellement établie ou publiée dans le contexte de la théorie des probabilités ?

Dans les années 1850, avec la formalisation de la loi des grands nombres
En 1812, avec les publications de Pierre-Simon Laplace
Au début du XXe siècle, avec le développement de la théorie moderne des probabilités
Vers 1700, avec les premiers travaux de probabilité mathématique

En 1812, avec les publications de Pierre-Simon Laplace

Explication

La notion d'espérance simple a été formellement établie dans le cadre des travaux de Pierre-Simon Laplace, notamment dans ses publications autour de 1812, qui ont été fondamentales pour la formalisation de la moyenne pondérée dans la théorie des probabilités.

5. En quoi la variance et l'écart-type diffèrent-ils ou se ressemblent-ils ?

La variance ne change pas lorsqu'on multiplie la variable par une constante, contrairement à l'écart-type.
L'écart-type est la racine carrée de la variance, ce qui le rend dans la même unité que la variable.
L'écart-type est la moyenne des écarts à la moyenne, tandis que la variance est leur carré moyen.
La variance est la racine carrée de l'écart-type, ce qui la rend plus facile à interpréter.

L'écart-type est la racine carrée de la variance, ce qui le rend dans la même unité que la variable.

Explication

L'écart-type est la racine carrée de la variance, ce qui le met dans la même unité que la variable, facilitant l'interprétation. La variance est en unités au carré, tandis que l'écart-type est en unités simples. La relation est V(X) = σ(X)², ce qui montre leur lien direct, mais leur différence principale réside dans leur expression et leur interprétation.

6. Qui a formulé la propriété de linéarité de l'espérance ?

Pierre-Simon Laplace
André Weil
Carl Friedrich Gauss
Émile Borel

Émile Borel

Explication

La propriété de linéarité de l'espérance, qui stipule que E(aX + b) = aE(X) + b, est une propriété fondamentale de la théorie de la probabilité, généralement attribuée à Émile Borel, l'un des pionniers de cette discipline. Elle est essentielle pour le calcul des espérances de combinaisons linéaires de variables aléatoires.

7. Quelle est la cause de l'effet de la multiplication d'une variable aléatoire X par une constante a sur sa variance ?

La variance est invariante par multiplication par une constante.
La variance est multipliée par la constante a.
La variance est multipliée par le carré de la constante a.
La variance est divisée par la constante a.

La variance est multipliée par le carré de la constante a.

Explication

La variance d'une variable multipliée par une constante a est égale à a² fois la variance initiale, ce qui montre que la dispersion est amplifiée ou atténuée selon le carré du facteur.

8. Comment appliquer la propriété de l'espérance et de la variance pour calculer celles de la somme S_n = X_1 + ... + X_n de variables indépendantes identiques ?

Additionner simplement les espérances et les variances de chaque variable, sans tenir compte de l'indépendance.
Multiplier la variance d'une seule variable par n, mais additionner les espérances.
Diviser l'espérance d'une seule variable par n, et faire de même pour la variance.
Multiplier l'espérance d'une seule variable par n, et faire de même pour la variance si elles sont indépendantes.

Multiplier l'espérance d'une seule variable par n, et faire de même pour la variance si elles sont indépendantes.

Explication

Pour une somme de variables indépendantes et identiques, l'espérance de la somme est n fois l'espérance d'une variable, et la variance de la somme est n fois la variance d'une variable, conformément aux propriétés de linéarité de l'espérance et de la variance pour variables indépendantes.

9. Quelles sont les caractéristiques principales de la moyenne M_n d'un échantillon de variables aléatoires ?

Elle a une espérance égale à celle de la variable initiale et une variance qui diminue avec n
Elle est toujours égale à la valeur observée la plus fréquente dans l'échantillon
Elle ne possède pas de propriété particulière liée à la taille de l'échantillon
Elle a une variance constante indépendante de n et une espérance qui dépend de n

Elle a une espérance égale à celle de la variable initiale et une variance qui diminue avec n

Explication

La moyenne M_n est un estimateur sans biais de l'espérance E(X), ce qui signifie que E(M_n) = E(X). Sa variance est V(M_n) = V(X)/n, ce qui diminue à mesure que n augmente, renforçant la convergence vers la vraie moyenne. Ces propriétés sont fondamentales en statistique pour l'estimation de paramètres.

10. Quelle est la définition exacte d’un encadrement en utilisant la valeur absolue ?

a - b ≤ x ≤ a + b est équivalent à |x - a| ≥ b
|x - a| ≤ b est équivalent à a - b ≤ x ≤ a + b
|x - a| ≥ b est équivalent à x ≤ a - b ou x ≥ a + b
a ≤ x ≤ b est équivalent à |x - a| ≤ b

|x - a| ≤ b est équivalent à a - b ≤ x ≤ a + b

Explication

La propriété fondamentale est que |x - a| ≤ b est équivalent à a - b ≤ x ≤ a + b, ce qui définit précisément un encadrement centré en a avec une marge b. Les autres options sont incorrectes : la deuxième mélange une notation qui n’est pas une définition d’encadrement, la troisième inverse la relation de valeur absolue, et la quatrième confond la relation d’inégalité.

Révisez avec les flashcards

Mémorisez les réponses avec 20 flashcards sur Introduction aux lois de Bernoulli et binomiale.

Variable de Bernoulli — définition ?

Variable binaire : succès avec p, échec avec 1-p.

Espérance Bernoulli — valeur ?

E(X) = p.

Variance Bernoulli — formule ?

V(X) = p(1 - p).

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Introduction aux lois de Bernoulli et binomiale.

Voir la fiche →

Cours similaires

Combinatoire et dénombrement

Mathématiques

Actions et mouvement

Physique

Gel pour les veines

Grandeurs composées et conversions

Mathématiques

Réciproque de Pythagore

Mathématiques

Réussir ses études efficacement

Crée tes propres QCM

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

Générateur de QCM