Quiz d’entraînement sur les lois discrètes et continues II avec leçon interactive étape par étape
Utilisez la série de questions plus bas sur la page pour vous entraîner sur les lois de probabilité discrètes et continues à partir des faits et formules les plus fréquents : les fonctions de masse de probabilité (PMF) et les fonctions de densité de probabilité (PDF), les fonctions de répartition (CDF) et les fonctions de survie, l’espérance \(E[X]\) et la variance \(\mathrm{Var}(X)\), des modèles discrets comme la loi de Poisson \((\lambda)\), la loi géométrique \((p)\) et la loi hypergéométrique \((N,K,n)\), l’approximation de la binomiale par Poisson (grand \(n\), petit \(p\), \(\lambda=np\)), des modèles continus comme la loi exponentielle (taux \(\lambda\), échelle \(1/\lambda\), temps d’attente), les lois gamma et khi-deux \((\chi^2)\) (degrés de liberté et formes asymétriques à droite), la loi F (rapports de variances), ainsi que des cas particuliers comme la loi logistique (CDF sigmoïde, \(\mathrm{Var}(X)=\pi^2 s^2/3\)) et la loi de Cauchy (espérance et variance non définies). Pour revoir la méthode, cliquez sur Commencer la leçon afin d’ouvrir un guide étape par étape avec des exemples guidés et de courtes vérifications.
Répondez à la série de questions et révisez vos erreurs à la fin.
Comment fonctionne cet entraînement Lois II
1. Faites la série de questions : répondez aux questions sur les lois discrètes et continues II plus bas sur la page.
2. Ouvrez la leçon (facultatif) : revoyez PMF/PDF, CDF, support, sens des paramètres et formules d’espérance/variance avec des exemples clairs.
3. Réessayez : revenez à la série de questions et appliquez immédiatement les règles sur les lois de probabilité.
Ce que vous allez apprendre dans la leçon Lois discrètes et continues II
Objectif : construire une compréhension claire, prête pour les évaluations, des lois discrètes et continues II. Vous allez apprendre à reconnaître une loi à partir d’un énoncé, lire le support, utiliser la bonne PMF/PDF et la bonne CDF, puis calculer des faits clés comme l’espérance et la variance pour les modèles discrets courants (Poisson, géométrique, hypergéométrique) et les modèles continus (exponentielle, khi-deux, F, logistique, Cauchy).
Critères de réussite
Reconnaître si un modèle est discret (PMF) ou continu (PDF/CDF).
Utiliser correctement le support (par exemple, valeurs de Poisson \(0,1,2,\dots\) ; valeurs exponentielles \(x\ge 0\)).
Écrire la PMF de Poisson \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\) et retenir \(E[X]=\mathrm{Var}(X)=\lambda\).
Reconnaître quand utiliser une loi géométrique (essais jusqu’au premier succès) et son support \(1,2,3,\dots\).
Calculer une espérance hypergéométrique : \(E[X]=n\cdot\frac{K}{N}\) (tirage sans remise).
Utiliser la CDF exponentielle \(F(x)=1-e^{-\lambda x}\) et la survie \(P(X>x)=e^{-\lambda x}\) pour \(x\ge 0\).
Interpréter le taux exponentiel \(\lambda\) (événements par unité de temps) et l’échelle \(1/\lambda\).
Connaître les faits essentiels sur \(\chi^2\) : \(\chi^2_k\) n’est jamais négative, \(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\), et \(k\) (degrés de liberté) contrôle la forme.
Utiliser la loi F \(F(d_1,d_2)\) comme rapport de variables khi-deux mises à l’échelle et savoir que \(E[F]=\dfrac{d_2}{d_2-2}\) quand \(d_2>2\).
Retenir les lois particulières : variance logistique \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\) et Cauchy a une moyenne et une variance non définies.
Vocabulaire essentiel
Support : ensemble des valeurs qu’une variable aléatoire peut prendre.
PMF : \(P(X=k)\) pour une variable discrète \(X\).
PDF : \(f(x)\) pour une variable continue \(X\) (la probabilité se lit comme une aire sous la courbe).
CDF : \(F(x)=P(X\le x)\).
Taux / échelle : interprétations courantes des paramètres (par exemple taux exponentiel \(\lambda\), échelle \(1/\lambda\)).
Degrés de liberté : paramètre des familles \(\chi^2\), \(t\) et \(F\) qui contrôle la forme.
Queues lourdes : les valeurs extrêmes sont plus probables (exemple classique : Cauchy).
Pré-vérification rapide
Pré-vérification 1 : quelles valeurs une variable aléatoire de Poisson peut-elle prendre ?
Indice : Poisson modélise des comptages, donc les issues sont \(0,1,2,\dots\).
Pré-vérification 2 : pour une variable exponentielle de taux \(\lambda\), quelle est la CDF en \(0\), \(F(0)\) ?
Indice : pour \(x\ge 0\), \(F(x)=1-e^{-\lambda x}\). Donc \(F(0)=1-e^0=0\).
Lois discrètes
Poisson, géométrique et hypergéométrique (avec une approximation clé)
Objectif d’apprentissage : associer une situation de comptage à la bonne loi discrète et calculer rapidement le support, la PMF et \(E[X]\) sans confusion.
Idée clé
Pour les variables aléatoires discrètes, les probabilités viennent d’une PMF \(P(X=k)\). Trois modèles reviennent très souvent :
Poisson \(\mathrm{Poisson}(\lambda)\) : comptage d’événements dans un intervalle (avec un taux moyen constant).
Remarque : \(E[X]\) est finie pour tout \(p>0\) valide, mais peut être très grande si \(p\) est petit.
Hypergéométrique \(\mathrm{Hypergeometric}(N,K,n)\) : tirage sans remise dans \(N\) objets au total, dont \(K\) « succès », en tirant \(n\) objets.
Moyenne : \(E[X]=n\cdot\frac{K}{N}\)
Approximation à connaître
Si \(X\sim \mathrm{Binomial}(n,p)\) avec un grand \(n\) et un petit \(p\), de sorte que \(\lambda=np\) reste modéré, alors \[\mathrm{Binomial}(n,p)\ \approx\ \mathrm{Poisson}(\lambda=np).\] C’est l’un des faits d’« approximation rapide » les plus fréquents dans les quiz et les évaluations.
Exemple guidé
Exemple : soit \(X\sim\mathrm{Hypergeometric}(N=10,K=4,n=3)\). Trouver \(E[X]\).
Utiliser la moyenne hypergéométrique : \[E[X]=n\cdot\frac{K}{N}=3\cdot\frac{4}{10}=\frac{12}{10}=1.2.\]
À vous
À vous 1 : soit \(X\sim\mathrm{Hypergeometric}(N=10,K=4,n=3)\). Quelle est la valeur de \(E[X]\) ?
Indice : \(E[X]=n\cdot\frac{K}{N}\).
À vous 2 : pour un petit \(p\) et un grand \(n\), quelle loi approxime \(\mathrm{Binomial}(n,p)\) (avec \(\lambda=np\)) ?
Indice : si \(n\) est grand et \(p\) petit, \(\mathrm{Bin}(n,p)\approx \mathrm{Poisson}(\lambda=np)\).
Résumé
Comptages de Poisson : \(k=0,1,2,\dots\), \(E[X]=\mathrm{Var}(X)=\lambda\).
Géométrique (essais jusqu’au premier succès) : \(k=1,2,3,\dots\), \(P(X=k)=(1-p)^{k-1}p\).
Approximation : \(\mathrm{Bin}(n,p)\approx \mathrm{Poisson}(\lambda=np)\) pour grand \(n\), petit \(p\).
Exponentielle
Loi exponentielle : taux, échelle, CDF et temps d’attente
Objectif d’apprentissage : utiliser correctement la PDF/CDF exponentielle, interpréter \(\lambda\) et calculer des probabilités avec la fonction de survie.
Idée clé
La loi exponentielle modélise un temps d’attente jusqu’au prochain événement lorsque les événements arrivent à un taux moyen constant. Si \(X\sim\mathrm{Exponential}(\lambda)\), alors :
Support : \(x\ge 0\)
PDF : \(f(x)=\lambda e^{-\lambda x}\) pour \(x\ge 0\)
CDF : \(F(x)=P(X\le x)=1-e^{-\lambda x}\) pour \(x\ge 0\)
Modèle de temps d’attente : \(P(X>t)=e^{-\lambda t}\).
Khi-deux
Gamma et khi-deux : degrés de liberté, forme et faits clés
Objectif d’apprentissage : reconnaître une loi \(\chi^2\), interpréter les degrés de liberté et utiliser rapidement ses propriétés les plus importantes.
Idée clé
Une loi du khi-deux avec \(k\) degrés de liberté s’écrit \(\chi^2_k\). Elle apparaît naturellement comme une somme de carrés : \[Z_1^2+\cdots+Z_k^2 \sim \chi^2_k \quad \text{quand } Z_i\sim N(0,1)\text{ indépendamment.}\]
Support : \(x\ge 0\) (elle ne peut donc jamais être négative)
Forme : asymétrique à droite pour les petits \(k\) ; devient plus symétrique quand \(k\) augmente
Paramètre qui contrôle la forme : \(k\) (degrés de liberté)
Lien avec la loi gamma
La loi du khi-deux est un cas particulier de la loi gamma : \[\chi^2_k \sim \mathrm{Gamma}\!\left(\alpha=\frac{k}{2},\ \theta=2\right),\] où \(\alpha\) est la forme et \(\theta\) l’échelle.
Exemple guidé
Exemple : si \(X\sim \chi^2_{12}\), quelles sont \(E[X]\) et \(\mathrm{Var}(X)\) ?
Utiliser les moments standards : \[E[X]=12,\qquad \mathrm{Var}(X)=2\cdot 12=24.\]
À vous
À vous 1 : quel paramètre détermine la forme d’une loi du khi-deux \((\chi^2)\) ?
Indice : les lois \(\chi^2\) sont indexées par leurs degrés de liberté.
À vous 2 : quelle est la probabilité qu’une variable aléatoire \(\chi^2\) soit négative ?
Indice : le support de \(\chi^2\) est \(x\ge 0\).
Résumé
\(\chi^2_k\) est toujours \(\ge 0\) et est généralement asymétrique à droite pour les petits \(k\).
\(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\).
Les degrés de liberté \(k\) contrôlent la forme.
Loi F
Loi F : rapports de variances et existence de la moyenne
Objectif d’apprentissage : reconnaître une loi F, comprendre ses paramètres \((d_1,d_2)\) et utiliser correctement la formule clé de la moyenne.
Idée clé
La loi F vient du rapport de deux variables khi-deux indépendantes divisées par leurs degrés de liberté : \[F=\frac{(\chi^2_{d_1}/d_1)}{(\chi^2_{d_2}/d_2)} \sim F(d_1,d_2).\] Elle est largement utilisée en ANOVA et dans les tests/estimations de rapports de variances.
Support : \(x>0\) (jamais négatif)
Paramètres : \(d_1>0\), \(d_2>0\) (degrés de liberté)
Moyenne : \(E[F]=\dfrac{d_2}{d_2-2}\) si \(d_2>2\) (sinon la moyenne n’existe pas)
Exemple guidé
Exemple : soit \(F\sim F(d_1=5,d_2=10)\). Quelle est la valeur de \(E[F]\) ?
Comme \(d_2=10>2\), la moyenne existe : \[E[F]=\frac{d_2}{d_2-2}=\frac{10}{10-2}=\frac{10}{8}=1.25.\]
À vous
À vous 1 : soit \(F\sim F(d_1=5,d_2=10)\). Quelle est la valeur de \(E[F]\) ?
Indice : \(E[F]=\dfrac{d_2}{d_2-2}\) quand \(d_2>2\).
À vous 2 : pour \(F(d_1,d_2)\), quand la moyenne \(E[F]\) existe-t-elle ?
Indice : les degrés de liberté du dénominateur contrôlent l’existence de \(E[F]\).
Résumé
\(F(d_1,d_2)\) est positive : support \(x>0\).
\(E[F]=\dfrac{d_2}{d_2-2}\) existe seulement quand \(d_2>2\).
Les lois F apparaissent dans les rapports de variances et l’ANOVA.
Logistique et Cauchy
Variance logistique et piège de la moyenne « non définie » de Cauchy
Objectif d’apprentissage : reconnaître les lois logistique et de Cauchy, et retenir quels moments existent (ou non).
Loi logistique
Une variable logistique \(X\sim \mathrm{Logistic}(\mu,s)\) a une CDF lisse en forme de S (sigmoïde) : \[F(x)=\frac{1}{1+e^{-(x-\mu)/s}},\] où \(\mu\) est un paramètre de position et \(s>0\) un paramètre d’échelle.
Pourquoi c’est utile : les CDF logistiques apparaissent en régression logistique et dans les modèles de « probabilité comme seuil lisse ».
Loi de Cauchy
La loi de Cauchy est une loi classique à queues lourdes. Pour \(X\sim \mathrm{Cauchy}(x_0,\gamma)\), les queues sont si lourdes que la moyenne et la variance sont non définies. Un cas particulier courant est la Cauchy standard \(\mathrm{Cauchy}(0,1)\), de PDF : \[f(x)=\frac{1}{\pi(1+x^2)}.\]
Exemple guidé
Exemple : si \(X\sim\mathrm{Logistic}(\mu,s)\), que vaut \(\mathrm{Var}(X)\) ?
Utiliser la formule standard : \[\mathrm{Var}(X)=\frac{\pi^2 s^2}{3}.\]
À vous
À vous 1 : soit \(X\sim\mathrm{Logistic}(\mu,s)\). Quelle est \(\mathrm{Var}(X)\) ?
Indice : la variance logistique contient \(\pi^2\) : \(\pi^2 s^2/3\).
À vous 2 : quelle loi a une moyenne et une variance non définies ?
Indice : les queues de Cauchy sont assez lourdes pour que les intégrales usuelles de moyenne/variance ne convergent pas.
Cauchy : la moyenne et la variance sont non définies (elles n’existent pas).
Choisir le modèle
Comment choisir la bonne loi (identification rapide)
Objectif d’apprentissage : associer les mots-clés d’un énoncé à la bonne loi et éviter les pièges courants (mauvais support, mauvaises règles de paramètres, mauvais sens de \(\lambda\)).
Raccourcis énoncé → loi
Comptages dans un intervalle de temps/surface (arrivées, défauts, appels, courriels) : Poisson\((\lambda)\).
Temps d’attente jusqu’au prochain événement : Exponentielle\((\lambda)\).
Essais jusqu’au premier succès (premier succès à l’essai \(k\)) : Géométrique\((p)\).
Tirage sans remise dans une population finie : Hypergéométrique\((N,K,n)\).
Somme de carrés de normales centrées réduites : \(\chi^2_k\).
Rapport de variances (rapport de khi-deux mis à l’échelle) : \(F(d_1,d_2)\).
Vérifications de paramètres (réflexe rapide)
Poisson : \(\lambda\ge 0\) et les issues sont \(0,1,2,\dots\).
Exponentielle : \(\lambda>0\) et les issues vérifient \(x\ge 0\).
Géométrique : \(0<p\le 1\) et les issues sont \(1,2,3,\dots\) (version essais jusqu’au succès).
\(\chi^2\), F : les degrés de liberté sont positifs ; les valeurs sont non négatives (et F est strictement positive).
Exemple guidé (lien Poisson ↔ exponentielle)
Exemple : des événements se produisent à un taux moyen de \(\lambda\) par unité de temps.
Le nombre d’événements en une unité de temps peut être modélisé par \(N\sim\mathrm{Poisson}(\lambda)\).
Le temps d’attente jusqu’au prochain événement peut être modélisé par \(X\sim\mathrm{Exponential}(\lambda)\).
C’est pourquoi les questions sur Poisson et l’exponentielle apparaissent souvent ensemble dans « Lois II ».
À vous
À vous 1 : quel scénario pourrait être modélisé par une loi exponentielle ?
Indice : l’exponentielle est un modèle de temps d’attente.
À vous 2 : quelle valeur une variable aléatoire de Poisson ne peut-elle jamais prendre ?
Indice : les issues de Poisson sont des comptages : \(0,1,2,\dots\) (pas de fractions).
Résumé
L’exponentielle modélise un temps d’attente ; Poisson modélise des comptages.
Vérifiez toujours le support : Poisson vaut \(0,1,2,\dots\) ; l’exponentielle vaut \(x\ge 0\) ; \(\chi^2\) vaut \(x\ge 0\) ; F vaut \(x>0\).
Le sens du paramètre compte : le \(\lambda\) exponentiel est un taux ; le \(\lambda\) de Poisson est le nombre moyen par intervalle.
Vue d’ensemble
Pourquoi ces lois sont importantes (avec une vérification finale)
Objectif d’apprentissage : relier les formules de lois à de vraies tâches statistiques, puis finir par une vérification finale pour fixer les faits les plus testés.
Où apparaissent les lois II
Files d’attente et fiabilité : comptages de Poisson et temps d’attente exponentiels (appels, arrivées, pannes).
Contrôle qualité : défauts par unité (Poisson), essais réussite/échec (géométrique).
Échantillonnage et génétique : tirage hypergéométrique sans remise.
Tests d’hypothèses : tests du khi-deux (adéquation, indépendance) et tests F (rapports de variances, ANOVA).
Modélisation de données : logistique pour les courbes de probabilité en S ; Cauchy rappelle que toutes les lois n’ont pas une moyenne.
Exemple guidé : géométrique « succès au premier essai »
Exemple : si \(X\sim\mathrm{Geom}(p)\) compte le nombre d’essais jusqu’au premier succès, que vaut \(P(X=1)\) ?
« Succès au premier essai » signifie que le premier essai est un succès : \[P(X=1)=p.\]
À vous
À vous 1 : si la probabilité de succès est \(p\), quelle est la probabilité que le premier essai soit un succès dans une loi géométrique (essais jusqu’au premier succès) ?
Indice : « succès au premier essai » correspond à un succès immédiat, donc c’est simplement \(p\).
À vous 2 : quelle est la plus petite valeur qu’une variable de Poisson peut prendre ?
Indice : Poisson est une loi de comptage, donc elle commence à \(0\).
Récapitulatif final
Poisson : \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\), support \(k=0,1,2,\dots\), \(E[X]=\mathrm{Var}(X)=\lambda\).
Géométrique (essais jusqu’au premier succès) : support \(k=1,2,3,\dots\), \(P(X=k)=(1-p)^{k-1}p\), \(E[X]=1/p\).
Hypergéométrique : tirage sans remise, \(E[X]=n\cdot\frac{K}{N}\).
\(\chi^2_k\) : non négative, \(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\), forme contrôlée par \(k\).
F(d\(_1\),d\(_2\)) : positive, \(E[F]=\dfrac{d_2}{d_2-2}\) pour \(d_2>2\).
Logistique : \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\). Cauchy : moyenne et variance non définies.
Prochaine étape : fermez cette leçon et réessayez le quiz. Si vous manquez une question, rouvrez le livre et revoyez la page qui correspond à la loi (Poisson, géométrique, hypergéométrique, exponentielle, \(\chi^2\), F, logistique, Cauchy) et au fait clé dont vous avez besoin (support, sens du paramètre, CDF, moyenne/variance).
