QCM : Variables aléatoires discrètes et à densité (11 questions)

Questions et réponses du QCM

1. Un ensemble fini contient 5 éléments. Combien possède-t-il de sous-ensembles, en comptant l’ensemble vide et l’ensemble lui-même ?

32
31
10
25

32

Explication

Pour un ensemble de cardinal nn, le nombre de parties est 2n2^n ; ici, 25=322^5=32. La valeur 5 confond le nombre de parties avec le cardinal, 31 omet une partie et 10 correspond à un autre dénombrement.

2. Un organisateur attribue les places de président, secrétaire et trésorier à trois personnes distinctes choisies parmi huit candidats. Combien d’attributions sont possibles ?

512
40 320
56
336

336

Explication

Les fonctions étant distinctes, l’ordre des trois personnes compte : A83=8×7×6=336A_8^3=8\times7\times6=336. Le résultat 56 ignore les rôles, 512 autorise les répétitions et 40 320 ordonne les huit candidats.

3. Pour modéliser une expérience aléatoire finie, que désigne l’univers Ω\Omega ?

Un sous-ensemble choisi d’issues possibles
L’ensemble non vide des issues possibles
L’ensemble des probabilités des événements
La liste des résultats obtenus lors d’un essai

L’ensemble non vide des issues possibles

Explication

L’univers Ω\Omega rassemble les issues possibles de l’expérience et est supposé fini dans ce cadre. Un sous-ensemble d’issues est un événement, tandis que les résultats d’un essai particulier ne constituent pas la définition de l’univers.

4. On tire simultanément trois jetons parmi cinq jetons numérotés distinctement. Quelle forme prennent les issues de cette expérience ?

Des choix d’un seul jeton parmi les cinq
Des sous-ensembles de trois jetons distincts
Des listes de trois jetons avec répétition possible
Des listes ordonnées de trois jetons distincts

Des sous-ensembles de trois jetons distincts

Explication

Dans un tirage simultané, l’issue est un sous-ensemble : l’ordre des trois jetons ne distingue pas les résultats. Les listes ordonnées décrivent un tirage successif, tandis que les répétitions ne conviennent pas à un tirage de jetons distincts sans remise.

5. Sur un univers fini, comment calcule-t-on la probabilité d’un événement lorsque les issues élémentaires n’ont pas nécessairement la même probabilité ?

En divisant le nombre d’issues favorables par le nombre total d’issues.
En multipliant les probabilités des issues élémentaires qui appartiennent à l’événement.
En soustrayant de 1 la probabilité de chaque issue de l’événement.
En additionnant les probabilités des issues élémentaires qui appartiennent à l’événement.

En additionnant les probabilités des issues élémentaires qui appartiennent à l’événement.

Explication

La probabilité d’un événement est la somme des probabilités des issues élémentaires qu’il contient, lorsque ces probabilités sont non négatives et totalisent 1 sur l’univers. Le rapport des cas favorables aux cas possibles s’applique à l’équiprobabilité, pas à des issues de probabilités différentes.

6. Dans une partition de l’univers en événements incompatibles deux à deux, quelle formule permet de calculer la probabilité d’un événement EE à partir des probabilités conditionnelles sachant chaque événement de la partition ?

Multiplier les termes P(Ai)P(E∣Ai)P(A_i)P(E\mid A_i) pour tous les événements de la partition.
Additionner les probabilités P(E∩Ai)P(E\cap A_i) après avoir divisé chacune par P(E)P(E).
Soustraire de P(E)P(E) les probabilités des événements AiA_i pris séparément.
Additionner les termes P(Ai)P(E∣Ai)P(A_i)P(E\mid A_i) pour tous les événements de la partition.

Additionner les termes $$P(A_i)P(E\mid A_i)$$ pour tous les événements de la partition.

Explication

La formule des probabilités totales exprime P(E)P(E) comme la somme des produits P(Ai)P(E∣Ai)P(A_i)P(E\mid A_i) lorsque les événements AiA_i forment un système complet. Multiplier ces termes entre eux ne correspond pas à cette décomposition, qui combine les contributions des différentes branches par addition.

7. Quel rôle joue la fonction de répartition d’une variable aléatoire discrète finie ?

Elle indique, pour chaque valeur possible, le nombre d’issues de l’univers qui la produisent.
Elle associe à chaque valeur possible la probabilité que la variable prenne exactement cette valeur.
Elle donne, pour chaque réel, la probabilité que la variable prenne une valeur inférieure ou égale à ce réel.
Elle donne, pour chaque réel, la probabilité que la variable prenne une valeur supérieure à ce réel.

Elle donne, pour chaque réel, la probabilité que la variable prenne une valeur inférieure ou égale à ce réel.

Explication

La fonction de répartition évalue, en chaque réel tt, la probabilité de l’événement X≤tX\le t. La probabilité d’une valeur exacte correspond plutôt à la loi de XX, notée pX(x)p_X(x).

8. En quoi l’espérance d’une variable discrète et le théorème de transfert diffèrent-ils dans leur calcul ?

L’espérance concerne les variables finies, tandis que le transfert concerne uniquement les variables infinies.
L’espérance utilise les valeurs de la fonction, tandis que le transfert utilise directement les valeurs de la variable.
L’espérance moyenne les valeurs de la variable, tandis que le transfert moyenne les valeurs d’une fonction appliquée à celle-ci.
L’espérance additionne les probabilités, tandis que le transfert additionne les valeurs possibles sans pondération.

L’espérance moyenne les valeurs de la variable, tandis que le transfert moyenne les valeurs d’une fonction appliquée à celle-ci.

Explication

L’espérance s’obtient en pondérant chaque valeur possible de la variable par sa probabilité, tandis que le théorème de transfert applique ce calcul aux valeurs de φ(X)\varphi(X). La somme simple des probabilités, sans pondération par les valeurs, sert à vérifier que la loi a une masse totale égale à 1.

9. Si l’on ajoute la même constante à toutes les valeurs d’une variable aléatoire, quelle conséquence cela a-t-il sur sa variance ?

Sa variance est multipliée par le carré de cette constante.
Sa variance devient nulle, car toutes les valeurs sont décalées ensemble.
Sa variance augmente de cette constante, car la moyenne augmente d’autant.
Sa variance reste inchangée, car les écarts à la moyenne ne changent pas.

Sa variance reste inchangée, car les écarts à la moyenne ne changent pas.

Explication

Ajouter une constante décale la variable et son espérance de la même quantité, sans modifier les écarts entre les valeurs et l’espérance. En revanche, multiplier la variable par une constante multiplie sa variance par le carré de cette constante.

10. Pour calculer l’espérance de φ(X)\varphi(X) lorsque XX prend une infinité dénombrable de valeurs, quelle démarche faut-il appliquer ?

Calculer la valeur de φ\varphi à l’espérance de XX, sans utiliser la loi
Sommer φ(x)\varphi(x) pondéré par P(X=x)P(X=x) pour chaque valeur possible, si la série converge absolument
Additionner les probabilités des valeurs pour lesquelles φ(x)\varphi(x) est positive
Intégrer φ(x)\varphi(x) par rapport à une densité sur l’ensemble des réels

Sommer $$\varphi(x)$$ pondéré par $$P(X=x)$$ pour chaque valeur possible, si la série converge absolument

Explication

Pour une variable discrète infinie, le théorème de transfert donne E[φ(X)]=∑xφ(x)pX(x)E[\varphi(X)]=\sum_x\varphi(x)p_X(x) lorsque cette série est absolument convergente. L’intégration par rapport à une densité concerne les variables à densité, et non le calcul de l’espérance d’une variable discrète.

11. Pour quelles valeurs de nn la probabilité d’obtenir le premier succès au rang nn dans une loi géométrique de paramètre pp est-elle donnée par P(X=n)=(1−p)n−1pP(X=n)=(1-p)^{n-1}p ?

Pour n∈{0,…,N}n\in\{0,\ldots,N\}, lors de tirages sans remise dans une population finie.
Pour n∈Nn\in\mathbb{N}, lorsque le nombre moyen d’événements vaut pp.
Pour n∈N∗n\in\mathbb{N}^*, avec des répétitions indépendantes de probabilité de succès pp.
Pour n∈{0,1}n\in\{0,1\}, lorsque la variable indique la réussite d’une seule épreuve.

Pour $$n\in\mathbb{N}^*$$, avec des répétitions indépendantes de probabilité de succès $$p$$.

Explication

La loi géométrique décrit le rang du premier succès lors de répétitions indépendantes, et son support est N∗\mathbb{N}^*. La loi hypergéométrique concerne plutôt un nombre de succès lors de tirages sans remise dans une population finie.

Révisez avec les flashcards

Mémorisez les réponses avec 10 flashcards sur Variables aléatoires discrètes et à densité.

Combien de parties possède un ensemble fini de cardinal nn ?

2n2^n.

Comment définit-on l’univers fini Ω d’une expérience aléatoire ?

L’ensemble non vide des issues possibles.

Qu’est-ce qu’un événement dans l’univers Ω ?

Un sous-ensemble de Ω.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Variables aléatoires discrètes et à densité.

Voir la fiche →

Cours similaires

Crée tes propres QCM

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

Générateur de QCM