QCM : Variables aléatoires discrètes (27 questions)

Questions et réponses du QCM

1. Une variable aléatoire prend exactement les valeurs {2,5,9}\{2,5,9\}. Comment la classe-t-on ?

Variable aléatoire discrète infinie
Variable aléatoire discrète finie
Loi de probabilité finie
Variable aléatoire à support continu

Variable aléatoire discrète finie

Explication

Une variable aléatoire est discrète finie lorsque l’ensemble de ses valeurs prises est fini. Un support dénombrable infini correspond à une variable discrète infinie, tandis qu’un intervalle relève d’un support continu.

2. Une expérience produit une variable aléatoire dont les valeurs possibles sont tous les entiers naturels pairs. Quelle classification convient ?

Variable aléatoire sans support dénombrable
Variable aléatoire à support continu
Variable aléatoire discrète finie
Variable aléatoire discrète infinie

Variable aléatoire discrète infinie

Explication

Les entiers pairs forment un ensemble infini qui peut être indexé par une partie infinie de N\mathbb{N}, donc la variable est discrète infinie. Un support fini est limité en nombre de valeurs, un intervalle est continu, et l’espacement des valeurs n’empêche pas leur dénombrabilité.

3. Que donne la loi de probabilité d’une variable aléatoire discrète pour chaque valeur de son support ?

La valeur numérique que prend la variable
La probabilité cumulée jusqu’à cette valeur
L’événement élémentaire associé à cette valeur
La probabilité que la variable prenne cette valeur

La probabilité que la variable prenne cette valeur

Explication

La loi de probabilité associe à chaque valeur xx du support la probabilité P(X=x)P(X=x). La valeur numérique est le résultat de la variable, tandis que la fonction de répartition cumule des probabilités.

4. Une variable discrète finie prend trois valeurs dont les probabilités sont 0,20{,}2, 0,350{,}35 et pp. Quelle valeur doit avoir pp pour que ces probabilités constituent sa loi ?

0,350{,}35
0,650{,}65
0,550{,}55
0,450{,}45

$$0{,}45$$

Explication

Pour une variable discrète finie, les probabilités de toutes les valeurs du support doivent sommer à 1 : p=1−0,2−0,35=0,45p=1-0{,}2-0{,}35=0{,}45. La valeur 0,550{,}55 résulte d’un mauvais complément, et 0,650{,}65 d’une addition des probabilités connues.

5. Pour une variable discrète infinie, quelle propriété doit vérifier la série des probabilités associées aux valeurs de son support ?

Chaque probabilité vaut 1
Elle diverge puisque le support est infini
Elle converge et sa somme vaut 1
Elle converge et sa somme est inférieure à 1

Elle converge et sa somme vaut 1

Explication

Même lorsque le support est infini, la série des probabilités converge et sa somme vaut 1. Le caractère infini du support n’implique pas une divergence, et c’est la somme de tous les termes, non chaque terme, qui vaut 1.

6. Comment définit-on la fonction de répartition d’une variable aléatoire réelle XX en un réel xx ?

FX(x)=P(X≤x)F_X(x)=P(X\leq x)
FX(x)=P(X=x)F_X(x)=P(X=x)
FX(x)=P(X≥x)F_X(x)=P(X\geq x)
FX(x)=P(X<x)F_X(x)=P(X<x)

$$F_X(x)=P(X\leq x)$$

Explication

La fonction de répartition en xx est la probabilité que XX soit inférieure ou égale à xx. P(X=x)P(X=x) désigne une masse ponctuelle, tandis que les autres propositions modifient le sens de l’inégalité.

7. Une fonction FXF_X est la fonction de répartition d’une variable aléatoire. Quel comportement doit-elle avoir aux deux extrémités de la droite réelle ?

Elle est décroissante, tend vers 00 en −∞-\infty et vers 11 en +∞+\infty.
Elle est croissante, tend vers 11 en −∞-\infty et vers 00 en +∞+\infty.
Elle est croissante, tend vers 00 en −∞-\infty et vers 11 en +∞+\infty.
Elle est croissante, vaut 00 en −∞-\infty et vaut 11 en +∞+\infty.

Elle est croissante, tend vers $$0$$ en $$-\infty$$ et vers $$1$$ en $$+\infty$$.

Explication

Une fonction de répartition est croissante et ses limites sont 00 à gauche et 11 à droite. Intervertir les limites, supposer une décroissance ou confondre une limite avec une valeur en un point ne respecte pas ces propriétés.

8. Une variable aléatoire entière XX vérifie FX(4)=0,72F_X(4)=0{,}72 et FX(3)=0,50F_X(3)=0{,}50. Quelle est la valeur de P(X=4)P(X=4) ?

0,500{,}50
−0,22-0{,}22
0,220{,}22
0,720{,}72

$$0{,}22$$

Explication

Pour une variable à valeurs entières, P(X=4)=FX(4)−FX(3)=0,72−0,50=0,22P(X=4)=F_X(4)-F_X(3)=0{,}72-0{,}50=0{,}22. 0,720{,}72 est la probabilité cumulée jusqu’à 44, et soustraire dans l’ordre inverse donne une valeur négative.

9. Pour une variable discrète infinie, quelle condition permet de définir son espérance comme la somme des valeurs pondérées par leurs probabilités ?

La série ∑ixiP(X=xi)\sum_i x_iP(X=x_i) converge seulement au sens ordinaire.
La série ∑ixiP(X=xi)\sum_i x_iP(X=x_i) converge absolument.
La variable possède un support fini et la somme est finie.
Toutes les probabilités P(X=xi)P(X=x_i) sont strictement positives.

La série $$\sum_i x_iP(X=x_i)$$ converge absolument.

Explication

Une variable discrète infinie admet une espérance lorsque la série des valeurs pondérées converge absolument; l’espérance est alors cette somme. Une convergence ordinaire ne suffit pas, et un support fini n’est pas requis.

10. Une variable XX prend les valeurs 00 et 22 avec probabilités 0,250{,}25 et 0,750{,}75. Pour φ(x)=x2\varphi(x)=x^2, quelle valeur obtient-on pour E(φ(X))E(\varphi(X)) ?

2,252{,}25
0,6250{,}625
33
1,51{,}5

$$3$$

Explication

Le théorème de transfert donne E(X2)=02×0,25+22×0,75=3E(X^2)=0^2\times0{,}25+2^2\times0{,}75=3. Le carré de l’espérance vaut 2,252{,}25, tandis que sommer les valeurs pondérées sans appliquer φ\varphi donne 1,51{,}5.

11. Une variable discrète prend les valeurs −1-1, 22 et 33 avec des probabilités respectives de 0,20{,}2, 0,50{,}5 et 0,30{,}3. Quel est son moment d’ordre 22 ?

2,92{,}9
1,81{,}8
4,54{,}5
2,02{,}0

$$4{,}5$$

Explication

Le moment d’ordre 2 est la somme des carrés des valeurs pondérés par leurs probabilités : 0,2(1)+0,5(4)+0,3(9)=4,50{,}2(1)+0{,}5(4)+0{,}3(9)=4{,}5. Le moment d’ordre 1 donne 1,81{,}8, tandis que l’oubli des carrés ou des probabilités conduit à d’autres calculs.

12. Quelle quantité définit la variance d’une variable aléatoire lorsque celle-ci existe ?

La racine carrée de l’espérance du carré de l’écart
L’espérance du carré de la variable
L’espérance du carré de l’écart à l’espérance
L’espérance de la valeur absolue de l’écart à l’espérance

L’espérance du carré de l’écart à l’espérance

Explication

La variance est le moment centré d’ordre 2, soit l’espérance de (X−E(X))2\left(X-E(X)\right)^2. Le carré non centré correspond à E(X2)E(X^2), sa racine carrée n’est pas la définition de la variance et l’écart absolu n’est pas l’écart quadratique.

13. Pour une variable aléatoire, E(X2)=13E(X^2)=13 et E(X)=3E(X)=3. Quelle est sa variance ?

1010
44
2222
160160

$$4$$

Explication

La formule de Koenig-Huygens donne V(X)=E(X2)−E(X)2=13−32=4V(X)=E(X^2)-E(X)^2=13-3^2=4. La valeur 1010 oublie de mettre l’espérance au carré, tandis que 160160 et 2222 résultent d’opérations qui ne figurent pas dans la formule.

14. Une variable aléatoire YY admet une espérance égale à 00. Quelle propriété possède-t-elle ?

Elle est réduite
Elle est de variance nulle
Elle est centrée
Elle a une espérance égale à 1

Elle est centrée

Explication

Une variable aléatoire qui admet une espérance est centrée lorsque cette espérance est nulle. Être réduite signifie avoir une variance égale à 11, et une espérance nulle n’implique pas une variance nulle.

15. Une variable XX a pour espérance 55 et pour variance 99. Quelle est sa variable centrée réduite ?

X3\frac{X}{3}
X+53\frac{X+5}{3}
X−53\frac{X-5}{3}
X−59\frac{X-5}{9}

$$\frac{X-5}{3}$$

Explication

La transformation est X∗=X−E(X)V(X)X^*=\frac{X-E(X)}{\sqrt{V(X)}} ; ici, 9=3\sqrt{9}=3, donc X∗=X−53X^*=\frac{X-5}{3}. Les autres expressions omettent le centrage, divisent par la variance ou inversent le signe du centrage.

16. Une variable XX a une espérance de 1010 et une variance de 1616. Quelle borne de Bienaymé-Tchebychev obtient-on pour P(∣X−10∣≥4)P(|X-10|\geq 4) ?

P(∣X−10∣≥4)≤52P(|X-10|\geq 4)\leq \frac{5}{2}
P(∣X−10∣≥4)≤1P(|X-10|\geq 4)\leq 1
P(∣X−10∣≥4)≤14P(|X-10|\geq 4)\leq \frac{1}{4}
P(∣X−10∣≥4)≤4P(|X-10|\geq 4)\leq 4

$$P(|X-10|\geq 4)\leq 1$$

Explication

Bienaymé-Tchebychev donne P(∣X−E(X)∣≥a)≤V(X)a2P(|X-E(X)|\geq a)\leq\frac{V(X)}{a^2} ; ici, 1642=1\frac{16}{4^2}=1. La borne emploie la variance divisée par le carré de l’écart, et non par l’écart seul ni par l’espérance.

17. Un dé à six faces numérotées de 1 à 6 est équilibré. Si XX désigne le résultat obtenu, quelle probabilité attribuer à X=4X=4 ?

16\frac{1}{6}
46\frac{4}{6}
12\frac{1}{2}
15\frac{1}{5}

$$\frac{1}{6}$$

Explication

Dans une loi uniforme sur les entiers de 1 à 6, les six valeurs ont la même probabilité, soit 16\frac{1}{6} chacune. 15\frac{1}{5} omet une issue, 46\frac{4}{6} fait dépendre la probabilité de la valeur, et 12\frac{1}{2} correspond à deux issues équiprobables.

18. Un dispositif produit un signal défectueux avec une probabilité de 0,08. Si X=1X=1 indique un signal défectueux et X=0X=0 un signal correct, quelle est la loi de XX ?

Une loi de Bernoulli de paramètre p=0,08p=0{,}08
Une loi de Bernoulli de paramètre p=0,92p=0{,}92
Une loi uniforme sur {0,1}\{0,1\}
Une loi binomiale de paramètres n=1n=1 et p=0,92p=0{,}92

Une loi de Bernoulli de paramètre $$p=0{,}08$$

Explication

Une variable qui vaut 1 pour le succès et 0 pour l'échec d'une seule expérience suit une loi de Bernoulli, avec p=P(X=1)=0,08p=P(X=1)=0{,}08. La loi binomiale décrit un nombre de succès sur des épreuves, tandis que 0,920{,}92 est ici la probabilité de l'échec.

19. Une technicienne effectue six tests indépendants, chacun ayant une probabilité de réussite de 0,7. Quelle loi décrit le nombre total de tests réussis ?

Une loi géométrique de paramètre p=0,7p=0{,}7
Une loi binomiale de paramètres n=6n=6 et p=0,3p=0{,}3
Une loi de Bernoulli de paramètre p=0,7p=0{,}7
Une loi binomiale de paramètres n=6n=6 et p=0,7p=0{,}7

Une loi binomiale de paramètres $$n=6$$ et $$p=0{,}7$$

Explication

Le nombre de succès dans un nombre fixé d'épreuves de Bernoulli indépendantes et de même paramètre suit une loi binomiale ; ici, n=6n=6 et p=0,7p=0{,}7. La loi géométrique concerne le rang du premier succès, tandis que la Bernoulli décrit une seule épreuve.

20. Une machine est testée à répétition dans des conditions indépendantes, avec une probabilité de réussite de 0,2 à chaque essai. Si XX compte le rang du premier succès, quelle est la probabilité que ce rang soit 3 ?

0,2(0,8)30{,}2(0{,}8)^3
0,20{,}2
0,2(0,8)20{,}2(0{,}8)^2
(31)(0,2)(0,8)2\binom{3}{1}(0{,}2)(0{,}8)^2

$$0{,}2(0{,}8)^2$$

Explication

Pour que le premier succès survienne au troisième essai, les deux premiers doivent échouer puis le troisième réussir : P(X=3)=p(1−p)2=0,2(0,8)2P(X=3)=p(1-p)^2=0{,}2(0{,}8)^2. L'exposant 3 compte un échec de trop, la formule binomiale compte un succès parmi trois essais sans fixer son rang, et 0,20{,}2 ignore les deux échecs précédents.

21. Le rang du premier succès suit une loi géométrique de paramètre p=14p=\frac{1}{4}. Quelle est l'espérance de ce rang ?

44
1212
43\frac{4}{3}
14\frac{1}{4}

$$4$$

Explication

Pour une loi géométrique de paramètre pp, l'espérance vaut 1p\frac{1}{p} ; ainsi, 11/4=4\frac{1}{1/4}=4. Le paramètre lui-même n'est pas l'espérance, et 1−pp2\frac{1-p}{p^2} est la formule de la variance.

22. Le nombre d'incidents enregistrés pendant une période suit une loi de Poisson de paramètre λ=3\lambda=3. Quelle expression donne la probabilité d'observer exactement deux incidents ?

e−33232e^{-3}\frac{3^2}{3^2}
e−332!e^{-3}\frac{3}{2!}
322!\frac{3^2}{2!}
e−3322!e^{-3}\frac{3^2}{2!}

$$e^{-3}\frac{3^2}{2!}$$

Explication

La loi de Poisson donne P(X=k)=e−λλkk!P(X=k)=e^{-\lambda}\frac{\lambda^k}{k!} ; en prenant λ=3\lambda=3 et k=2k=2, on obtient e−3322!e^{-3}\frac{3^2}{2!}. La puissance doit être celle de kk, le facteur exponentiel fait partie de la formule et le dénominateur est la factorielle de kk.

23. Le nombre d'appels reçus par un service pendant une heure suit une loi de Poisson de paramètre λ=5\lambda=5. Quelle est la variance de ce nombre d'appels ?

5(1−5)5(1-5)
5\sqrt{5}
2525
55

$$5$$

Explication

Pour une loi de Poisson, la variance est égale au paramètre λ\lambda ; elle vaut donc 5. 5\sqrt{5} est la racine du paramètre, 2525 son carré, et 5(1−5)5(1-5) correspond à une formule associée à une loi de Bernoulli, non à Poisson.

24. Pour deux variables discrètes X et Y, on observe que P(X = 2, Y = 1) = 0,12, P(X = 2) = 0,4 et P(Y = 1) = 0,3. Que permet de conclure cette égalité sur ces valeurs ?

La probabilité conjointe devrait être égale à la somme des probabilités marginales
Les variables sont dépendantes, car leurs valeurs observées sont différentes
Les variables sont indépendantes, car la factorisation est vérifiée pour ce couple de valeurs
La condition de factorisation est vérifiée pour ce couple de valeurs, sans suffire à établir l’indépendance globale

La condition de factorisation est vérifiée pour ce couple de valeurs, sans suffire à établir l’indépendance globale

Explication

L’indépendance exige que la factorisation soit vraie pour toutes les valeurs des supports; une vérification en un seul point ne suffit pas. La conclusion d’indépendance globale confond une condition ponctuelle avec la définition entière, la somme des probabilités marginales ne donne pas la règle de factorisation, et des valeurs différentes n’impliquent pas une dépendance.

25. Trois variables discrètes A, B et C sont mutuellement indépendantes. Pour des valeurs a, b et c de leurs supports, comment exprimer P(A = a, B = b, C = c) ?

P(A = a, B = b) P(C = c) + P(A = a) P(B = b, C = c)
P(A = a, B = b) P(B = b, C = c) P(A = a, C = c)
P(A = a) P(B = b) P(C = c)
P(A = a) + P(B = b) + P(C = c)

P(A = a) P(B = b) P(C = c)

Explication

L’indépendance mutuelle impose que la probabilité conjointe se factorise en produit des probabilités marginales pour toute combinaison de valeurs. Une factorisation partielle ne donne pas directement la formule demandée, l’addition des marginales confond somme et produit, et le produit des probabilités conjointes deux à deux n’est pas la définition de l’indépendance mutuelle.

26. Deux variables indépendantes X et Y admettent une espérance, avec E(X) = 3 et E(Y) = 2. Quelle est la valeur de E(XY) ?

6
0
5
12

6

Explication

Pour des variables indépendantes admettant une espérance, E(XY) = E(X)E(Y), donc 3 × 2 = 6. La valeur 5 vient de l’addition des espérances, 12 introduit un facteur injustifié, et l’indépendance n’implique pas une espérance nulle.

27. Deux variables indépendantes U et V admettent une variance, avec V(U) = 4 et V(V) = 7. Quelle est la variance de U + V ?

3
11
121
U + V

11

Explication

Pour des variables indépendantes admettant une variance, V(U + V) = V(U) + V(V), soit 4 + 7 = 11. La différence des variances correspond à une confusion avec une autre formule, le carré de la somme n’est pas la règle, et U + V désigne la variable somme plutôt que sa variance.

Révisez avec les flashcards

Mémorisez les réponses avec 58 flashcards sur Variables aléatoires discrètes.

Quand une variable aléatoire est-elle dite discrète finie ?

Lorsque l’ensemble de ses valeurs prises est fini.

Quand une variable aléatoire est-elle dite discrète infinie ?

Lorsque ses valeurs prises forment un ensemble infini indexable par une partie infinie de ℕ.

Que donne la loi de probabilité de la variable aléatoire X pour chaque valeur de son support ?

La probabilité que X prenne cette valeur.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Variables aléatoires discrètes.

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