QCM : Introduction aux probabilités et variables aléatoires — 8 questions

Explication

La probabilité est définie comme une mesure comprise entre 0 et 1 qui quantifie la chance qu’un événement se produise, où 0 signifie que l'événement ne se produit jamais et 1 qu’il se produit toujours. À revoir : Principes fondamentaux de la probabilité et propriétés des ensembles d'événements. Appui du cours : « La probabilité est une mesure qui quantifie la chance qu’un événement se produise. Elle est représentée par un nombre compris entre 0 et 1, où 0 indique qu’un événement ne se produit jamais, et 1 indique qu’il se produit toujours. »

Explication

La probabilité conditionnelle sert à évaluer la chance qu’un événement se produise en tenant compte que l’autre événement est déjà réalisé, donc dans un espace restreint. Les autres options ne correspondent pas à cette fonction précise. À revoir : Probabilité conditionnelle et loi des probabilités totales. Appui du cours : « La probabilité conditionnelle permet d’évaluer la chance qu’un événement se produise dans un espace restreint, en tenant compte de la réalisation d’un autre événement. »

Explication

L’indépendance conditionnelle signifie que, sachant que C est réalisé, la probabilité que A et B se produisent ensemble est le produit des probabilités conditionnelles individuelles, ce qui implique que la survenue de A n’influence pas celle de B une fois C connu. À revoir : Indépendance conditionnelle et inconditionnelle des événements. Appui du cours : « L’indépendance conditionnelle étend cette notion en la situant par rapport à un troisième événement C. Deux événements A et B sont alors dits conditionnellement indépendants si, lorsque l’on sait que C s’est produit, la probabilité que A et B se produisent… »

Explication

La règle de Bayes calcule la probabilité conditionnelle Pr(B|A), c’est-à-dire la probabilité que B se produise en tenant compte de l’observation A, en utilisant Pr(A|B), Pr(B) et Pr(A). Les autres options ne correspondent pas à cette définition. À revoir : Formulation et application de la règle de Bayes. Appui du cours : « La règle de Bayes s’exprime par la formule Pr(B|A) = [Pr(A|B) × Pr(B)] / Pr(A), qui établit un lien entre probabilités conditionnelles inverses. Elle permet de calculer la probabilité qu’un événement B se produise en tenant compte d’une observation A, en… »

Explication

Une variable aléatoire discrète prend un nombre dénombrable de valeurs, chacune associée à une probabilité via la PMF. Les autres options sont incorrectes : une variable continue prend un intervalle, la PMF existe bien pour une variable discrète, et la somme des probabilités vaut toujours 1. À revoir : Variables aléatoires discrètes : définitions, propriétés et distributions classiques. Appui du cours : « - La somme des probabilités dans la PMF d'une variable aléatoire discrète est égale à 1. - Une variable aléatoire discrète prend un nombre dénombrable de valeurs, chacune associée à une probabilité via la PMF. »

Explication

La formule donnée exprime la linéarité de l'espérance mathématique, qui permet de calculer l'espérance d'une combinaison linéaire de variables aléatoires en combinant leurs espérances respectives, indépendamment de leur indépendance. À revoir : Espérance mathématique et propriétés des variables aléatoires. Appui du cours : « Elle possède une propriété fondamentale : la linéarité. Cela signifie que pour deux variables aléatoires $X$ et $Y$, et pour tous scalaires $a$ et $b$, l'espérance de la combinaison linéaire est : $ \mathbb{E}[aX + bY] = a \mathbb{E}[X] + b \mathbb{E}[Y] $ »

Explication

La distribution normale est définie par sa moyenne et sa variance, et sa fonction de densité de probabilité (PDF) a une forme de cloche, ce qui correspond à l'option correcte. À revoir : Variables aléatoires continues : fonctions de densité, fonctions de répartition et distributions normales. Appui du cours : « - La distribution normale est caractérisée par sa moyenne et sa variance, avec une PDF en forme de cloche. »

Explication

Les moments centraux se calculent en soustrayant la moyenne à chaque valeur avant de l'élever à la puissance r, tandis que les moments non centraux sont calculés directement sur la variable sans ce décalage, comme indiqué dans le passage. À revoir : Mélanges de distributions normales : caractéristiques et applications. Appui du cours : « Les moments d'une variable aléatoire sont des mesures qui caractérisent sa distribution. Le premier moment correspond à l'espérance mathématique ou moyenne, qui indique la tendance centrale de la distribution. Les moments d'ordre supérieur (deuxième,… »