Aller au contenu principal
📊 L2 • Statistiques et probabilités

QCM Statistiques et probabilités L2 - Lois de probabilité : 20 questions corrigées

QCM de 20 questions avec corrections détaillées sur Lois de probabilité (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
📝 20 questions 📊 Niveau Intermediaire ⏱️ ~30 min ✨ Jusqu'à 40 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

Lois de Probabilité en Statistique

Les lois de probabilité décrivent la distribution des valeurs possibles d'une variable aléatoire. On distingue les lois discrètes (Bernoulli, binomiale, Poisson) et continues (normale, exponentielle, Student). La loi normale (gaussienne) occupe une place centrale grâce au théorème central limite. La maîtrise de ces lois est indispensable pour l'inférence statistique et l'économétrie.

🎯 Objectifs pédagogiques

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

  • Distinguer lois discrètes et continues
  • Maîtriser les principales lois
  • Calculer probabilités et quantiles
  • Comprendre le rôle de la loi normale
  • Appliquer aux tests statistiques

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Loi normale
Distribution symétrique en cloche (μ, σ²)
Loi binomiale
Nombre de succès en n essais Bernoulli
Loi de Poisson
Événements rares sur un intervalle
Loi de Student
Inférence sur petits échantillons
Loi du Chi-deux
Somme de carrés de normales

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Variables aléatoires et lois
  2. Lois discrètes : Bernoulli, binomiale, Poisson
  3. Loi normale et propriétés
  4. Autres lois continues : exponentielle, uniforme
  5. Lois dérivées : Student, Chi-deux, Fisher
  6. Tables et calculs de probabilités

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Carl Friedrich Gauss — Distribution normale
Siméon Denis Poisson — Distribution de Poisson (1837)

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre loi normale et loi normale centrée réduite
  • Utiliser Student au lieu de normale (ou inversement)
  • Mal identifier la loi appropriée

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Tests d'hypothèses
  • Modélisation de phénomènes aléatoires

Niveau de ce chapitre : 🟢 Niveau fondamental

À propos de ce QCM de Statistiques et probabilités

QCM Statistiques et probabilités L2 - Lois de probabilité — 20 questions. Statistiques et probabilités · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

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

X et Y sont normales de moyenne 10, avec Var(X)=4 et Var(Y)=9. On compare leur probabilité d’appartenir à [8 ; 12]. On donne Φ(1)≈0,8413 et Φ(2/3)≈0,7475. Quel résultat, arrondi à 0,001, traduit l’effet de la variance ?
  1. P(X∈[8;12]) ≈ 0,495 et P(Y∈[8;12]) ≈ 0,683 ; Y est plus concentrée.
  2. P(X∈[8;12]) ≈ 0,683 et P(Y∈[8;12]) ≈ 0,683 ; le centre commun suffit.
  3. P(X∈[8;12]) ≈ 0,317 et P(Y∈[8;12]) ≈ 0,505 ; on mesure la masse centrale.
  4. P(X∈[8;12]) ≈ 0,683 et P(Y∈[8;12]) ≈ 0,495 ; X est plus concentrée.

Réponse : P(X∈[8;12]) ≈ 0,683 et P(Y∈[8;12]) ≈ 0,495 ; X est plus concentrée.

Les écarts-types sont 2 et 3. L’intervalle correspond donc à ±1 écart-type pour X et ±2/3 pour Y. Par symétrie, les masses centrales valent 2Φ(1)−1≈0,683 et 2Φ(2/3)−1≈0,495. A inverse les deux dispersions. B traite une moyenne commune comme une loi commune et ignore la variance. C donne les masses extérieures, complémentaires de celles demandées. À centre fixé, une variance plus faible concentre davantage de probabilité dans cet intervalle symétrique.

Les arrivées suivent un processus de Poisson homogène d’intensité 6 par heure. N compte les arrivées durant 20 minutes. Quels sont E(N) et Var(N), exprimés respectivement en nombre d’arrivées et en nombre d’arrivées au carré ?
  1. E(N) = 6 et Var(N) = 6 : le paramètre horaire est conservé sur cet intervalle.
  2. E(N) = 2 et Var(N) = 4 : la variance est le carré du paramètre de cet intervalle.
  3. E(N) = 2 et Var(N) = √2 : la variance est la racine du paramètre de cet intervalle.
  4. E(N) = 2 et Var(N) = 2 : le paramètre est proratisé à la durée de cet intervalle.

Réponse : E(N) = 2 et Var(N) = 2 : le paramètre est proratisé à la durée de cet intervalle.

Vingt minutes représentent un tiers d’heure, donc le paramètre du comptage vaut 6×(20/60)=2. Pour une loi de Poisson, espérance et variance sont égales à ce paramètre ; l’écart-type vaut √2. A applique le taux horaire à une durée plus courte. B confond variance et carré de l’espérance. C attribue à la variance la valeur de l’écart-type. L’intensité décrit des arrivées par heure, tandis que le paramètre décrit le comptage dans la fenêtre choisie.

Dans un processus de Poisson homogène d’intensité 4 par heure, T est le temps jusqu’à la prochaine arrivée. Quelle paire donne E(T) en minutes et P(T>30 minutes), cette probabilité étant arrondie à 0,001 ?
  1. E(T) = 15 minutes ; P(T>30 minutes) ≈ 0,865, par complément de la survie.
  2. E(T) = 30 minutes ; P(T>30 minutes) ≈ 0,135, en prenant le seuil pour moyenne.
  3. E(T) = 15 minutes ; P(T>30 minutes) ≈ 0,607, en divisant l’exposant par quatre.
  4. E(T) = 15 minutes ; P(T>30 minutes) ≈ 0,135, avec une survie exponentielle.

Réponse : E(T) = 15 minutes ; P(T>30 minutes) ≈ 0,135, avec une survie exponentielle.

L’attente est exponentielle de taux 4 h⁻¹. Sa moyenne est 1/4 d’heure, soit 15 minutes ; sa survie à une demi-heure vaut exp(−4×0,5)=exp(−2)≈0,135. A donne la probabilité d’une arrivée avant 30 minutes, complément de la survie. B prend le seuil de la question pour la durée moyenne. C réduit l’exposant à 0,5 et surestime la survie. Le taux mesure une fréquence d’arrivées ; l’inverser produit une durée et évite la confusion entre taux et temps.

Un système effectue 2 000 essais de Bernoulli indépendants, chacun avec probabilité d’incident 0,001. X compte les incidents. Pour approcher P(X≥1) par une loi de Poisson de même moyenne, quel calcul convient (arrondi à quatre décimales) ?
  1. Poisson(2) ; probabilité d’au moins un incident ≈0,1353.
  2. Poisson(2) ; probabilité d’au moins un incident ≈0,8647.
  3. Poisson(1) ; probabilité d’au moins un incident ≈0,6321.
  4. Poisson(4) ; probabilité d’au moins un incident ≈0,9817.

Réponse : Poisson(2) ; probabilité d’au moins un incident ≈0,8647.

Le compte exact suit Binomiale(2000;0,001), de moyenne np=2. L’approximation demandée utilise donc Poisson(2), et P(X≥1)≈1−exp(−2)=0,8647. A donne exp(−2), la probabilité de zéro incident, au lieu de son complément. C choisit un paramètre 1 incompatible avec np. D double la moyenne en prenant 4 pour paramètre. Les événements rares et indépendants motivent ici l’approximation ; la probabilité binomiale exacte est 1−0,999^2000≈0,8648, et non une égalité à la valeur de Poisson.