QCM : Introduction aux probabilités et distributions — 7 questions

Question 1

1. Quel est le rôle principal de la probabilité dans l'étude des phénomènes aléatoires ?

Elle permet de mesurer la chance ou l'incertitude qu'un événement se réalise.

Elle sert à classer les événements selon leur importance.

Elle sert à prévoir avec certitude le résultat d'une expérience.

Elle permet de déterminer la durée exacte d’un phénomène.

Explication

La probabilité est conçue pour quantifier la chance ou l’incertitude qu’un événement se produise. Elle ne permet pas de prévoir avec certitude un résultat, mais d’évaluer la probabilité que celui-ci survienne, ce qui est son rôle fondamental en théorie des probabilités.

Answer

Elle permet de mesurer la chance ou l'incertitude qu'un événement se réalise.

Question 2

2. Quand la formalisation moderne de la théorie des variables aléatoires par Kolmogorov a-t-elle été publiée ?

1927

1945

1933

1950

Explication

La réponse correcte est 1933, année où Kolmogorov a publié ses axiomes fondamentaux pour la théorie de la probabilité, établissant ainsi la formalisation moderne des variables aléatoires.

Answer

La loi de probabilité est une fonction qui attribue à chaque valeur une probabilité précise, tandis que la distribution désigne la représentation globale de ces probabilités, comme la fonction de répartition ou la densité.

Answer

Deux événements sont indépendants si la probabilité de leur intersection est égale au produit de leurs probabilités individuelles.

Answer

Elle modélise le nombre de succès dans une série d'essais indépendants avec une probabilité constante de succès, en utilisant deux paramètres n et p.

Answer

Elle indique que la majorité des données se trouve autour de la moyenne, dans un intervalle proportionnel à l’écart-type.

Question 3

3. En quoi la loi de probabilité diffère-t-elle de la distribution d'une variable aléatoire ?

La loi de probabilité concerne uniquement les variables discrètes, alors que la distribution s'applique aux variables continues.

La loi de probabilité est une fonction qui attribue à chaque valeur une probabilité précise, tandis que la distribution désigne la représentation globale de ces probabilités, comme la fonction de répartition ou la densité.

La loi de probabilité est une approximation de la distribution réelle, qui est toujours exacte.

La loi de probabilité est une notion ancienne, alors que la distribution est un concept moderne développé après 2000.

Explication

La loi de probabilité est une fonction mathématique précise (masse ou densité) qui attribue une probabilité à chaque valeur possible d'une variable, alors que la distribution désigne la manière dont ces probabilités sont réparties globalement, souvent représentée par la fonction de répartition ou la densité. La première option explique la différence entre ces deux notions de façon claire et précise.

Question 4

4. Que signifie la notion d'événements indépendants en probabilité ?

Deux événements sont indépendants si la connaissance de l'un n'altère pas la probabilité de l'autre.

Deux événements sont indépendants si la probabilité qu'ils se produisent simultanément est toujours égale à 1.

Deux événements sont indépendants si leur union a une probabilité égale à la somme de leurs probabilités.

Deux événements sont indépendants si la probabilité de leur intersection est égale au produit de leurs probabilités individuelles.

Explication

La définition standard d'indépendance entre deux événements A et B est que P(A ∩ B) = P(A) × P(B). La réponse 0 reflète cette formule. La réponse 1 est fausse car elle confond avec une probabilité toujours égale à 1, ce qui n'est pas la condition d'indépendance. La réponse 2 est une propriété qui découle de l'indépendance (P(B|A)=P(B)), mais ce n'est pas la définition, c'est une conséquence. La réponse 3 est fausse car la probabilité de l'union n'est pas simplement la somme des probabilités, sauf pour des événements incompatibles.

Question 5

5. Dans un test médical, la probabilité qu'une personne ait la maladie est de 0,01. La probabilité que le test soit positif si la personne a la maladie est de 0,9, et la probabilité que le test soit positif si la personne n'a pas la maladie est de 0,05. Quelle est la probabilité que la personne ait la maladie si le test est positif ?

0,90

0,15

0,50

0,18

Explication

La question demande d'appliquer la formule de Bayes : P(Maladie|Test positif) = [P(Test positif|Maladie) * P(Maladie)] / P(Test positif). La probabilité P(Test positif) se calcule en utilisant la loi des probabilités totales : P(Test positif) = P(Test positif|Maladie) * P(Maladie) + P(Test positif|Pas maladie) * P(Pas maladie). En remplaçant : 0,9 * 0,01 + 0,05 * 0,99 = 0,009 + 0,0495 = 0,0585. Donc, P(Maladie|Test positif) = 0,9 * 0,01 / 0,0585 ≈ 0,009 / 0,0585 ≈ 0,1538, soit environ 15,4 %, arrondi à 18 % dans le choix correct.

Question 6

6. Quelles sont les caractéristiques principales qui définissent la distribution binomiale ?

Elle modélise le nombre de succès dans une série d'essais indépendants avec une probabilité constante de succès, en utilisant deux paramètres n et p.

Elle modélise la somme de plusieurs lois normales indépendantes, en utilisant leur moyenne et variance.

Elle décrit la probabilité qu’un événement unique se produise dans une expérience aléatoire.

Elle concerne une variable continue qui suit une courbe en forme de cloche, décrite par une moyenne et un écart-type.

Explication

La distribution binomiale modélise le nombre de succès dans une série d'essais indépendants, chacun ayant une probabilité constante p de succès, et elle est entièrement caractérisée par ses deux paramètres n (nombre d'essais) et p (probabilité de succès). La formule de probabilité repose sur un coefficient binomial, ce qui en fait une loi discrète spécifique.

Question 7

7. Quelle est la conséquence principale de la forme de la distribution normale sur la répartition des valeurs observées ?

Elle indique que les valeurs extrêmes sont impossibles dans cette distribution.

Elle indique que la majorité des données se trouve autour de la moyenne, dans un intervalle proportionnel à l’écart-type.

Elle signifie que la distribution est asymétrique avec une longue traîne vers la droite.

Elle garantit que toutes les valeurs sont également probables dans tout l’intervalle de la distribution.

Explication

La distribution normale a une forme en cloche symétrique autour de la moyenne, ce qui implique que la majorité des valeurs se concentrent dans un intervalle autour de cette moyenne, précisément dans μ ± 3σ selon la règle empirique. Cela reflète une répartition concentrée autour du centre, avec une décroissance progressive vers les extrémités.

QCM : Introduction aux probabilités et distributions — 7 questions

Questions et réponses du QCM

1. Quel est le rôle principal de la probabilité dans l'étude des phénomènes aléatoires ?

2. Quand la formalisation moderne de la théorie des variables aléatoires par Kolmogorov a-t-elle été publiée ?

3. En quoi la loi de probabilité diffère-t-elle de la distribution d'une variable aléatoire ?

4. Que signifie la notion d'événements indépendants en probabilité ?

6. Quelles sont les caractéristiques principales qui définissent la distribution binomiale ?

7. Quelle est la conséquence principale de la forme de la distribution normale sur la répartition des valeurs observées ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Principes fondamentaux de la sécurité incendie

Introduction aux notions fondamentales en mathématiques

Introduction aux fluides et écoulements

Périmètres et Aires

Maths bac 2026 pour débutants

Introduction aux circuits électriques simples

Crée tes propres QCM