QCM : Introduction aux lois et calculs en probabilités discrètes — 10 questions

Questions et réponses du QCM

1. Qu'est-ce que la probabilité conditionnelle p_B(A) ?

La probabilité que B se réalise sachant que A est réalisé, définie par p_B(A) = p(A ∩ B) / p(A).
La probabilité que A et B se réalisent simultanément, donnée par p(A ∩ B).
La probabilité que A se réalise sachant que B est réalisé, définie par p_B(A) = p(A ∩ B) / p(B).
La probabilité que A ou B se réalisent, donnée par p(A ∪ B).

La probabilité que A se réalise sachant que B est réalisé, définie par p_B(A) = p(A ∩ B) / p(B).

Explication

La probabilité conditionnelle p_B(A) est définie comme la probabilité que A se réalise sachant que B est réalisé, ce qui correspond à p(A ∩ B) / p(B). La formule précise est donnée dans le contenu et est essentielle en probabilités conditionnelles.

2. Quelle est la formule exacte de la probabilité que la variable X suive une loi binomiale B(n, p) et prenne la valeur k ?

p(X = k) = (n k) × p^{k} × (1 - p)^{n - k}
p(X = k) = (n k) × p^{k} × (1 - p)^{n}
p(X = k) = (n k) × p^{n} × (1 - p)^{k}
p(X = k) = (n k) × p^k × (1 - p)^{n - k}

p(X = k) = (n k) × p^k × (1 - p)^{n - k}

Explication

La formule correcte pour la loi binomiale est p(X = k) = (n k) × p^k × (1 - p)^{n - k}, où (n k) est le coefficient binomial, p^k la probabilité de succès k fois, et (1 - p)^{n - k} la probabilité d’échec n - k fois. La première option est la seule qui respecte cette formule exacte.

3. Quel est le rôle principal de la loi uniforme discrète dans la modélisation probabiliste ?

Modéliser une situation où toutes les issues ont la même probabilité de survenue
Définir une distribution continue pour des variables aléatoires
Calculer la moyenne arithmétique des résultats d’un tirage aléatoire
Attribuer des probabilités différentes à chaque issue selon leur fréquence observée

Modéliser une situation où toutes les issues ont la même probabilité de survenue

Explication

La loi uniforme discrète attribue une probabilité égale à chaque issue d’un univers fini, ce qui en fait la modélisation idéale pour des situations où tous les résultats sont équiprobables, comme un lancer de dé équilibré ou un tirage au sort sans biais.

4. Quand la loi binomiale a-t-elle été publiée pour la première fois par Abraham de Moivre ?

1801
1733
1938
1654

1733

Explication

Abraham de Moivre a publié la loi binomiale en 1733 dans son ouvrage 'The Doctrine of Chances'. La date 1938 correspond à la formalisation par Laplace, mais la première publication est celle de Moivre en 1733.

5. En quoi la propriété de mémoire de la loi géométrique se distingue-t-elle d’autres lois de probabilités ?

Elle montre que la probabilité de continuer à échouer après n essais ne dépend pas du nombre d’échecs déjà observés.
Elle stipule que la probabilité que le premier succès survienne au k-ième essai est constante pour tous les k.
Elle affirme que la probabilité d’obtenir un succès au k-ième essai ne dépend pas du nombre d’échecs avant.
Elle indique que la probabilité de succès ne dépend pas du nombre d’échecs précédents.

Elle montre que la probabilité de continuer à échouer après n essais ne dépend pas du nombre d’échecs déjà observés.

Explication

La propriété de mémoire de la loi géométrique indique que la probabilité de continuer à échouer après n essais ne dépend pas du nombre d’échecs déjà observés, ce qui est une caractéristique unique à cette loi et facilite la modélisation de processus répétitifs.

6. Qui a formulé la définition de l'indépendance entre deux événements en probabilité ?

Carl Friedrich Gauss
Isaac Newton
Pierre-Simon Laplace
André-Marie Ampère

Pierre-Simon Laplace

Explication

La propriété d'indépendance des événements, caractérisée par p(A ∩ B) = p(A) × p(B), a été formalisée dans le cadre de la théorie probabiliste par Pierre-Simon Laplace, qui a contribué à la formalisation des concepts fondamentaux en probabilités.

7. Quelle est la conséquence de décomposer un univers en une partition lors du calcul d'une probabilité totale ?

Elle permet d'éviter le calcul des probabilités conditionnelles en utilisant la formule de la réunion d'évènements.
Elle facilite la détermination de la probabilité d'un évènement en la décomposant selon des sous-ensembles disjoints, en utilisant la formule de probabilités totales.
Elle permet de calculer la probabilité d'un évènement en utilisant uniquement la probabilité de l'évènement lui-même.
Elle oblige à considérer toutes les combinaisons possibles d'évènements pour évaluer la probabilité.

Elle facilite la détermination de la probabilité d'un évènement en la décomposant selon des sous-ensembles disjoints, en utilisant la formule de probabilités totales.

Explication

La décomposition en partition permet d'appliquer la formule des probabilités totales, qui consiste à écrire la probabilité d'un évènement comme la somme des produits des probabilités des sous-ensembles de la partition par la probabilité conditionnelle de l'évènement donné ces sous-ensembles. C'est une conséquence directe de la propriété des probabilités totales.

8. Comment applique-t-on le coefficient binomial pour calculer la probabilité d’obtenir exactement k succès lors de n essais indépendants de Bernoulli avec probabilité p ?

En soustrayant le coefficient de p^k (1-p)^{n-k} pour la probabilité
En multipliant le coefficient par p^k (1-p)^{n-k} pour obtenir la probabilité
En additionnant le coefficient à p^k (1-p)^{n-k} pour la probabilité
En divisant le coefficient par p^k (1-p)^{n-k} pour la probabilité

En multipliant le coefficient par p^k (1-p)^{n-k} pour obtenir la probabilité

Explication

La formule de la loi binomiale pour la probabilité d’obtenir exactement k succès dans n essais est p(X=k) = (n k) × p^k × (1-p)^{n-k}. Donc, on applique le coefficient binomial en le multipliant par p^k (1-p)^{n-k} pour obtenir cette probabilité.

9. Quelles sont les caractéristiques principales de l'espérance et de la variance d'une variable aléatoire discrète ?

L'espérance indique la valeur la plus probable, et la variance donne la moyenne des valeurs.
L'espérance ne dépend pas des probabilités, tandis que la variance dépend uniquement des valeurs.
L'espérance est la moyenne arithmétique des valeurs possibles, et la variance mesure la dispersion autour de cette moyenne.
L'espérance est toujours positive, et la variance est toujours négative.

L'espérance est la moyenne arithmétique des valeurs possibles, et la variance mesure la dispersion autour de cette moyenne.

Explication

L'espérance est la moyenne pondérée des valeurs possibles, calculée par la somme des produits de chaque valeur par sa probabilité, ce qui reflète la tendance centrale. La variance mesure la dispersion ou l'étalement des valeurs autour de l'espérance, en étant la moyenne des carrés des écarts à cette moyenne. Ces deux caractéristiques sont fondamentales pour analyser la distribution d'une variable aléatoire discrète.

10. Qu'est-ce qu'une loi de Bernoulli en probabilités ?

Une loi qui décrit la distribution de la somme de plusieurs variables aléatoires indépendantes.
Une règle mathématique pour calculer la moyenne d'une variable aléatoire discrète.
Une distribution continue utilisée pour modéliser des variables aléatoires continues.
Une expérience aléatoire à deux issues avec une probabilité p de succès et 1-p d'échec, répétée indépendamment plusieurs fois.

Une expérience aléatoire à deux issues avec une probabilité p de succès et 1-p d'échec, répétée indépendamment plusieurs fois.

Explication

La loi de Bernoulli modélise une expérience à deux issues (succès ou échec) avec une probabilité p de succès, et peut être répétée indépendamment plusieurs fois pour former une série de Bernoulli.

Révisez avec les flashcards

Mémorisez les réponses avec 20 flashcards sur Introduction aux lois et calculs en probabilités discrètes.

Probabilités conditionnelles — définition ?

Probabilité de B sachant A, p_B(A) = p(A ∩ B) / p(B).

Variables aléatoires discrètes — rôle ?

Modélisent des résultats numériques issus d’expériences aléatoires dénombrables.

Loi uniforme discrète — caractéristiques ?

Toutes les valeurs ont la même probabilité, p(X = x_i) = 1/n.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Introduction aux lois et calculs en probabilités discrètes.

Voir la fiche →

Cours similaires

Actions et mouvement

Physique

Gel pour les veines

Grandeurs composées et conversions

Mathématiques

Réciproque de Pythagore

Mathématiques

Réussir ses études efficacement

Les émotions humaines

Crée tes propres QCM

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

Générateur de QCM