Maîtrisez les chaînes de Markov : concepts et applications

Question 1 sur 10 10:00

[{"id":19798,"question":"Quelle propriété caractérise une chaîne de Markov ?","option_a":"L'état futur dépend de tous les états passés","option_b":"L'état futur dépend uniquement de l'état présent","option_c":"Les états sont indépendants","option_d":"La probabilité de transition est constante","option_e":"","option_f":"","bonne_reponse":"B","explication":"Une chaîne de Markov est définie par la propriété de Markov : l'état futur dépend uniquement de l'état présent, et non des états antérieurs.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19799,"question":"Une matrice de transition d'une chaîne de Markov est toujours symétrique.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"B","explication":"Une matrice de transition n'est pas nécessairement symétrique. Elle doit simplement satisfaire que chaque ligne somme à 1 (probabilités).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19800,"question":"Quel est l'objectif principal d'une distribution stationnaire dans une chaîne de Markov ?","option_a":"Décrire l'état initial du système","option_b":"Prédire l'état final à long terme","option_c":"Calculer les probabilités de transition","option_d":"Déterminer les états transitoires","option_e":"","option_f":"","bonne_reponse":"B","explication":"La distribution stationnaire représente l'état vers lequel converge la chaîne de Markov après un grand nombre d'itérations, indépendamment de l'état initial.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19801,"question":"Dans une chaîne de Markov, un état est dit absorbant si :","option_a":"Il peut être quitté avec une probabilité non nulle","option_b":"Une fois atteint, le système reste dans cet état","option_c":"Il a une probabilité nulle d'être atteint","option_d":"Il est transitoire","option_e":"","option_f":"","bonne_reponse":"B","explication":"Un état absorbant est un état qui, une fois atteint, ne peut plus être quitté (probabilité de transition vers lui-même est 1).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19802,"question":"La somme des éléments d'une ligne d'une matrice de transition est toujours égale à :","option_a":"0","option_b":"0.5","option_c":"1","option_d":"Variable selon les cas","option_e":"","option_f":"","bonne_reponse":"C","explication":"Dans une matrice de transition, chaque ligne représente les probabilités de transition depuis un état donné vers tous les autres états. La somme de ces probabilités doit être égale à 1.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19803,"question":"Une chaîne de Markov peut avoir plusieurs distributions stationnaires.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"B","explication":"Une chaîne de Markov a au plus une distribution stationnaire si elle est irréductible et apériodique (ergodique). Sinon, elle peut en avoir plusieurs ou aucune.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19804,"question":"Quel type de chaîne de Markov converge toujours vers une distribution stationnaire ?","option_a":"Chaîne réductible","option_b":"Chaîne périodique","option_c":"Chaîne ergodique","option_d":"Chaîne avec états absorbants","option_e":"","option_f":"","bonne_reponse":"C","explication":"Une chaîne de Markov ergodique (irréductible et apériodique) converge toujours vers une unique distribution stationnaire, indépendamment de l'état initial.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19805,"question":"Dans une matrice de transition, un élément à 0 signifie :","option_a":"Une transition impossible","option_b":"Une transition certaine","option_c":"Une erreur de calcul","option_d":"Un état absorbant","option_e":"","option_f":"","bonne_reponse":"A","explication":"Un élément à 0 dans une matrice de transition indique qu'il est impossible de passer de l'état de départ à l'état d'arrivée en une seule étape.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19806,"question":"Quelle est la principale différence entre une chaîne de Markov discrète et une chaîne continue ?","option_a":"Le nombre d'états","option_b":"Le temps (discret ou continu)","option_c":"La nature des probabilités","option_d":"La présence d'états absorbants","option_e":"","option_f":"","bonne_reponse":"B","explication":"Une chaîne de Markov discrète évolue par étapes (temps discret), tandis qu'une chaîne continue évolue en temps continu (ex : processus de Poisson).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":19807,"question":"Si une chaîne de Markov a un état absorbant, elle peut converger vers plusieurs distributions stationnaires.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"B","explication":"Si une chaîne de Markov possède un état absorbant, elle peut converger vers plusieurs distributions stationnaires selon l'état initial, car l'état absorbant fixe une partie de la distribution.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0}]