QCM : Probabilités pour le business analytics (11 questions)

Question 1

1. Laquelle décrit le mieux une expérience aléatoire ?

Un calcul qui attribue une valeur fixe à chaque résultat

Une situation dont toutes les issues sont connues à l’avance

Un phénomène dont l’issue ne peut pas être prédite avec certitude

Une méthode qui résume les résultats déjà observés

Explication

Une expérience aléatoire produit une issue impossible à prévoir avec certitude avant sa réalisation. Une situation entièrement connue à l’avance ne relève donc pas de cette définition.

Answer

Un phénomène dont l’issue ne peut pas être prédite avec certitude

Question 2

2. Quel est le rôle principal d’un modèle probabiliste lorsqu’une situation comporte de l’incertitude ?

Classer les résultats selon leur ordre d’apparition

Formaliser l’incertitude pour permettre la prédiction ou la recommandation

Décrire les observations sans chercher à tirer de conclusion

Remplacer toute observation par une valeur moyenne unique

Explication

Le modèle probabiliste formalise l’incertitude afin de passer de l’observation à la prédiction ou à la recommandation. La description des observations correspond davantage à l’analyse descriptive.

Answer

Formaliser l’incertitude pour permettre la prédiction ou la recommandation

Question 3

3. Que représente l’espace d’échantillonnage $\Omega$ d’une expérience aléatoire ?

Un sous-ensemble contenant plusieurs résultats favorables

Une seule issue choisie parmi les résultats envisageables

L’ensemble de toutes les issues possibles de l’expérience

La fréquence observée pour chaque issue de l’expérience

Explication

L’espace d’échantillonnage $\Omega$ regroupe toutes les issues possibles de l’expérience aléatoire. Un sous-ensemble de ces issues représente plutôt un événement.

Answer

L’ensemble de toutes les issues possibles de l’expérience

Question 4

4. Dans une expérience aléatoire, comment caractérise-t-on un événement composé ?

Comme un sous-ensemble de

\Omega

formé de plusieurs événements élémentaires

Comme une observation numérique obtenue après plusieurs répétitions

Comme une issue unique correspondant à un résultat particulier

Comme l’ensemble complet des résultats possibles de l’expérience

Explication

Un événement composé rassemble plusieurs événements élémentaires et constitue donc un sous-ensemble de $\Omega$ . Une issue unique correspond à un événement élémentaire, et non à un événement composé.

Answer

Comme un sous-ensemble de $$\Omega$$ formé de plusieurs événements élémentaires

Question 5

5. Que signifie l’événement contraire d’un événement $A$ ?

L’événement constitué d’une seule issue de

A

L’événement qui contient toutes les issues possibles de

A

L’événement où

A

ne se réalise pas

L’événement où

A

et un autre événement se réalisent ensemble

Explication

L’événement contraire regroupe les situations dans lesquelles $A$ ne se produit pas, et sa probabilité vérifie $P(A^c)=1-P(A)$ . Un événement qui se réalise avec un autre correspond plutôt à une intersection, et non à un événement contraire.

Answer

L’événement où $$A$$ ne se réalise pas

Question 6

6. Quelle formule permet de calculer la probabilité conditionnelle de $A$ sachant $B$ lorsque $P(B)>0$ ?

P(A\mid B)=\frac{P(A)P(B)}{P(A\cap B)}

P(A\mid B)=\frac{P(A\cup B)}{P(B)}

P(A\mid B)=\frac{P(A\cap B)}{P(B)}

P(A\mid B)=\frac{P(B\mid A)}{P(A)}

Explication

La probabilité conditionnelle de $A$ sachant $B$ est obtenue en rapportant la probabilité de leur intersection à celle de $B$ . La formule fondée sur l’union ne convient pas, car elle ne mesure pas les issues communes aux deux événements.

Answer

$$P(A\mid B)=\frac{P(A\cap B)}{P(B)}$$

Question 7

7. Quelle est la fonction du critère $P(A\cap B)=P(A)P(B)$ dans l’étude de deux événements ?

Calculer la probabilité de l’événement contraire

Déterminer la probabilité conditionnelle de

A

sachant

B

Vérifier si les événements sont indépendants

Mesurer la probabilité de leur union

Explication

Cette égalité sert à vérifier l’indépendance en comparant la probabilité de l’intersection au produit des probabilités marginales. Une probabilité conditionnelle répond à une autre question et s’exprime notamment par $P(A|B)$ .

Answer

Vérifier si les événements sont indépendants

Question 8

8. En quoi une variable aléatoire discrète se distingue-t-elle d’une variable aléatoire continue ?

La variable discrète prend des valeurs positives, tandis que la variable continue prend des valeurs négatives sur un intervalle.

La variable discrète prend des valeurs dénombrables, tandis que la variable continue peut prendre une infinité de valeurs sur un intervalle.

La variable discrète associe une issue à un événement, tandis que la variable continue associe une probabilité à chaque expérience.

La variable discrète décrit des probabilités conditionnelles, tandis que la variable continue décrit des événements élémentaires.

Explication

Une variable discrète possède un ensemble de valeurs dénombrable, alors qu’une variable continue peut prendre une infinité de valeurs dans un intervalle. La distinction ne dépend pas du signe des valeurs, mais de la nature de l’ensemble des valeurs possibles.

Answer

La variable discrète prend des valeurs dénombrables, tandis que la variable continue peut prendre une infinité de valeurs sur un intervalle.

Question 9

9. Quelle expression définit correctement l’espérance d’une variable aléatoire discrète ?

Le produit de la variance par l’écart-type de la variable

La somme des valeurs possibles pondérées par leurs probabilités

La différence entre la valeur maximale et la valeur minimale

La somme des probabilités divisée par le nombre de valeurs

Explication

L’espérance se calcule en pondérant chaque valeur possible par sa probabilité, puis en additionnant ces produits. La variance et l’écart-type mesurent la dispersion autour de cette valeur centrale, tandis que la somme des probabilités vaut déjà 1.

Answer

La somme des valeurs possibles pondérées par leurs probabilités

Question 10

10. Lorsque la taille de l’échantillon augmente, quelle conséquence le théorème central limite permet-il généralement d’anticiper pour la moyenne empirique ?

Sa distribution prend la forme d’une loi binomiale avec un nombre d’essais réduit

Sa valeur devient identique à chaque observation individuelle de l’échantillon

Sa distribution peut être approximée par une loi normale centrée en l’espérance

Sa variance devient égale à celle d’une loi de Poisson de paramètre fixé

Explication

Pour un échantillon suffisamment grand, le théorème central limite permet d’approximer la distribution de la moyenne empirique par une loi normale centrée en l’espérance, avec une incertitude de l’ordre de $\frac{\sigma}{\sqrt{n}}$ . La loi binomiale décrit plutôt un nombre de succès lors de répétitions de Bernoulli et ne constitue pas l’approximation recherchée ici.

Answer

Sa distribution peut être approximée par une loi normale centrée en l’espérance

Question 11

11. Une entreprise doit décider d’augmenter ou non ses stocks alors que la demande future est imprévisible ; comment un modèle probabiliste peut-il être utilisé dans cette situation ?

Il remplace les observations par une certitude concernant la demande

Il garantit la valeur exacte de la demande avant la prise de décision

Il décrit les stocks actuels sans intégrer les issues futures possibles

Il formalise l’incertitude pour appuyer une prédiction ou une décision

Explication

Un modèle probabiliste transforme l’incertitude en informations utilisables pour prévoir ou recommander une action. L’idée selon laquelle il garantirait la demande exacte est incorrecte, car une situation aléatoire conserve des issues imprévisibles.

Answer

Il formalise l’incertitude pour appuyer une prédiction ou une décision

QCM : Probabilités pour le business analytics (11 questions)

Questions et réponses du QCM

1. Laquelle décrit le mieux une expérience aléatoire ?

2. Quel est le rôle principal d’un modèle probabiliste lorsqu’une situation comporte de l’incertitude ?

3. Que représente l’espace d’échantillonnage $\Omega$ d’une expérience aléatoire ?

4. Dans une expérience aléatoire, comment caractérise-t-on un événement composé ?

5. Que signifie l’événement contraire d’un événement $A$ ?

6. Quelle formule permet de calculer la probabilité conditionnelle de $A$ sachant $B$ lorsque $P(B)>0$ ?

7. Quelle est la fonction du critère $P(A\cap B)=P(A)P(B)$ dans l’étude de deux événements ?

8. En quoi une variable aléatoire discrète se distingue-t-elle d’une variable aléatoire continue ?

9. Quelle expression définit correctement l’espérance d’une variable aléatoire discrète ?

10. Lorsque la taille de l’échantillon augmente, quelle conséquence le théorème central limite permet-il généralement d’anticiper pour la moyenne empirique ?

11. Une entreprise doit décider d’augmenter ou non ses stocks alors que la demande future est imprévisible ; comment un modèle probabiliste peut-il être utilisé dans cette situation ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Activités sur le mouvement

Acides aminés

Biologie cellulaire et propriétés du vivant

Génétique et évolution

Limites des suites

Data et Business Analytics

Crée tes propres QCM

QCM : Probabilités pour le business analytics (11 questions)

Questions et réponses du QCM

1. Laquelle décrit le mieux une expérience aléatoire ?

2. Quel est le rôle principal d’un modèle probabiliste lorsqu’une situation comporte de l’incertitude ?

3. Que représente l’espace d’échantillonnage Ω\OmegaΩ d’une expérience aléatoire ?

4. Dans une expérience aléatoire, comment caractérise-t-on un événement composé ?

5. Que signifie l’événement contraire d’un événement AAA ?

6. Quelle formule permet de calculer la probabilité conditionnelle de AAA sachant BBB lorsque P(B)>0P(B)>0P(B)>0 ?

7. Quelle est la fonction du critère P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B)P(A∩B)=P(A)P(B) dans l’étude de deux événements ?

8. En quoi une variable aléatoire discrète se distingue-t-elle d’une variable aléatoire continue ?

9. Quelle expression définit correctement l’espérance d’une variable aléatoire discrète ?

10. Lorsque la taille de l’échantillon augmente, quelle conséquence le théorème central limite permet-il généralement d’anticiper pour la moyenne empirique ?

11. Une entreprise doit décider d’augmenter ou non ses stocks alors que la demande future est imprévisible ; comment un modèle probabiliste peut-il être utilisé dans cette situation ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Activités sur le mouvement

Acides aminés

Biologie cellulaire et propriétés du vivant

Génétique et évolution

Limites des suites

Data et Business Analytics

Crée tes propres QCM

3. Que représente l’espace d’échantillonnage $\Omega$ d’une expérience aléatoire ?

5. Que signifie l’événement contraire d’un événement $A$ ?

6. Quelle formule permet de calculer la probabilité conditionnelle de $A$ sachant $B$ lorsque $P(B)>0$ ?

7. Quelle est la fonction du critère $P(A\cap B)=P(A)P(B)$ dans l’étude de deux événements ?