Aller au contenu principal
📊 L2 • Statistiques et probabilités

QCM Statistiques et probabilités L2 - Esperance : 11 questions corrigées

QCM de 11 questions avec corrections détaillées sur Esperance (Statistiques et probabilités). Révisez efficacement avec des explications pédagogiques pour le niveau L2. Entraînez-vous avec des explications pédagogiques détaillées.

Voir la matière
✍️ Méthode de rédaction et limites • 🎓 +0 réalisations
📝 11 questions 📊 Niveau Fondamentaux ⏱️ ~17 min ✨ Jusqu'à 22 XP

🎯 Prêt à commencer ?

En révision, le corrigé s'affiche après chaque réponse. En challenge et en examen, il n'arrive qu'à la fin.

← Retour aux QCM de Statistiques et probabilités

Espérance et Moments

L'espérance mathématique représente la valeur moyenne d'une variable aléatoire, pondérée par les probabilités. Avec la variance (moment centré d'ordre 2), elle constitue les paramètres fondamentaux pour caractériser une distribution. Ces concepts sont essentiels pour l'analyse du risque, la théorie du portefeuille et l'économétrie.

🎯 Objectifs pédagogiques

À la fin de ce chapitre, vous devez être capable de :

  • Calculer l'espérance d'une variable discrète et continue
  • Maîtriser les propriétés de linéarité de l'espérance
  • Calculer la variance et l'écart-type
  • Comprendre la covariance et la corrélation
  • Appliquer à la théorie du portefeuille

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Espérance
E(X) = Σ xᵢ × P(X = xᵢ) ou ∫ x × f(x) dx
Variance
Var(X) = E[(X - E(X))²] = E(X²) - [E(X)]²
Écart-type
σ = √Var(X), même unité que X
Covariance
Cov(X,Y) = E[(X - μₓ)(Y - μᵧ)]
Corrélation
ρ = Cov(X,Y) / (σₓ × σᵧ), entre -1 et 1

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Espérance : définition et propriétés
  2. Variance et écart-type
  3. Moments d'ordre supérieur (skewness, kurtosis)
  4. Covariance et corrélation
  5. Espérance et variance de combinaisons linéaires
  6. Application à la théorie du portefeuille

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Harry Markowitz — Portfolio Selection (1952)
Abraham de Moivre — Travaux sur l'espérance (XVIIIe siècle)

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre E(X²) et [E(X)]²
  • Oublier que Var(aX + b) = a² × Var(X)
  • Interpréter corrélation comme causalité

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Calcul du rendement espéré d'un portefeuille
  • Mesure du risque par la variance

Niveau de ce chapitre : 🟢 Niveau fondamental

À propos de ce QCM de Statistiques et probabilités

QCM Statistiques et probabilités L2 - Esperance — 11 questions. Statistiques et probabilités · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

Cherchez une réponse, puis ouvrez la correction pour comparer votre raisonnement.

Pour une loi normale N(μ, σ²), E(X) est égal à :
  1. 0
  2. μ
  3. σ
  4. σ²

Réponse : μ

Le paramètre μ de la loi normale est son espérance.

Pour une variable aléatoire continue de densité f, E(X) = :
  1. ∫ f(x) dx
  2. ∫ x f(x) dx
  3. f(E(X))
  4. Σ x f(x)

Réponse : ∫ x f(x) dx

E(X) = ∫ x f(x) dx pour une v.a. continue de densité f.

Le gain net X d’un projet vaut −20 € avec probabilité 0,75 et 60 € avec probabilité 0,25. Ces issues forment la loi complète de X. Quelle valeur représente son espérance, plutôt que son gain modal ou sa moyenne non pondérée ?
  1. −20 € : on retient le gain associé à la probabilité la plus élevée.
  2. 20 € : on prend la moyenne arithmétique des deux gains possibles.
  3. 0 € : on additionne les gains pondérés par leurs probabilités.
  4. 40 € : on additionne les deux gains possibles avant toute pondération.

Réponse : 0 € : on additionne les gains pondérés par leurs probabilités.

Chaque issue contribue à la moyenne théorique en proportion de sa probabilité : E(X)=−20×0,75+60×0,25=−15+15=0 €. Cela ne signifie pas que le gain réalisé sera nul : X prend −20 ou 60. A choisit le mode, −20, et non l’espérance. B suppose implicitement les deux issues équiprobables. D additionne les gains sans tenir compte de la loi. Les probabilités somment à un et les gains sont déjà nets.

Dans une loi de Bernoulli B(1, p), E(X) est égal à :
  1. 0
  2. p
  3. 1 - p
  4. p(1-p)

Réponse : p

Bernoulli : X prend 1 avec proba p et 0 avec proba 1-p : E(X) = 1×p + 0×(1-p) = p.