Liasse v2-031 à v2-040

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q031 — Une corrélation de Pearson égale à 1 implique-t-elle nécessairement Y=X ? Donner la conclusion exacte.

Réponse : Non. Justification : Une corrélation de Pearson égale à 1 caractérise une relation linéaire parfaite et strictement croissante entre les deux variables. Mathématiquement, cela signifie qu'il existe des constantes réelles $a$ et $b$ telles que $Y = aX + b$ avec $a > 0$. La condition $r = 1$ ne restreint ni l'échelle ($a = 1$) ni le décalage ($b = 0$). Par conséquent, $Y = X$ n'est qu'un cas particulier parmi une infinité d'autres relations linéaires parfaites. Pour vérifier ce point, considérons le contre-exemple numérique suivant : soient les paires $(X,Y) = (1,3), (2,6), (3,9)$. Ici, $Y = 3X$, donc $Y \neq X$. Le calcul du coefficient de Pearson donne $r = 1$ car les points sont parfaitement alignés sur une droite de pente positive. Symboliquement, si $Y = aX + b$ avec $a > 0$, alors $\text{Cov}(X,Y) = a\text{Var}(X)$, $\sigma_Y = |a|\sigma_X = a\sigma_X$, et $r = \frac{a\text{Var}(X)}{\sigma_X \cdot a\sigma_X} = 1$, indépendamment des valeurs de $a$ et $b$. La prémisse selon laquelle $r = 1$ impliquerait l'identité des variables est donc fausse. Confiance : 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q032 — Deux variables gaussiennes conjointement normales et non corrélées sont-elles indépendantes ?

Réponse : Oui. Justification : Si deux variables aléatoires X et Y sont conjointement normales, leur loi est entièrement caractérisée par leurs moyennes μ_X et μ_Y, leurs variances σ_X² et σ_Y², et leur coefficient de corrélation ρ. La densité conjointe s'écrit symboliquement : f(x,y) = [1/(2πσ_X σ_Y √(1−ρ²))] exp{ −1/[2(1−ρ²)] [ (x−μ_X)²/σ_X² − 2ρ(x−μ_X)(y−μ_Y)/(σ_X σ_Y) + (y−μ_Y)²/σ_Y² ] } Lorsque les variables sont non corrélées, la covariance est nulle, ce qui implique ρ = 0. En substituant ρ = 0 dans l'expression, le terme exponentiel se décompose et le facteur de normalisation se simplifie, ce qui conduit à : f(x,y) = [1/(√(2π)σ_X) exp{−(x−μ_X)²/(2σ_X²)}] × [1/(√(2π)σ_Y) exp{−(y−μ_Y)²/(2σ_Y²)}] Cette égalité montre que f(x,y) = f_X(x) × f_Y(y). La factorisation de la densité conjointe en produit de densités marginales est la condition mathématique nécessaire et suffisante d'indépendance. La vérification symbolique confirme donc que, dans la famille des distributions gaussiennes multivariées, la non corrélation entraîne rigoureusement l'indépendance. Il est important de préciser que cette implication est spécifique à la prémisse conjointement normale ; en dehors de cette famille, des variables non corrélées peuvent rester dépendantes. Confiance : 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q033 — On teste 1000 hypothèses nulles vraies au seuil 0.05 sans correction. Combien de faux positifs attend-on en moyenne, sous les hypothèses usuelles ?

**Réponse** : 50. **Justification** : Pour un test unique dont l'hypothèse nulle est effectivement vraie et réalisé au seuil nominal α, la probabilité de commettre une erreur de type I (faux positif) est exactement α. Lorsque l'on effectue K tests dont les hypothèses nulles sont toutes vraies, le nombre attendu de faux positifs est donné par la linéarité de l'espérance : E[X] = Σ P(rejeter H₀i | H₀i vraie) = K × α. Cette relation est indépendante de la structure de dépendance entre les tests, car l'espérance s'additionne toujours, même en présence de corrélation. Avec K = 1000 et α = 0,05, on obtient 1000 × 0,05 = 50. Le résultat suppose que chaque test est bien calibré et que le seuil est respecté strictement, ce qui correspond aux « hypothèses usuelles » mentionnées. **Confiance** : 100 %.

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q034 — Expliquez la différence entre risque absolu, risque relatif et odds ratio.

**Réponse :** Le risque absolu, le risque relatif et l'odds ratio sont trois indicateurs épidémiologiques distincts qui mesurent la survenue d'un événement de santé selon l'exposition à un facteur. Le risque absolu (ou incidence proportionnelle) correspond à la probabilité qu'un individu développe l'événement au sein d'une population donnée sur une période spécifiée. Il se calcule en divisant le nombre de cas observés par le nombre total d'individus à risque dans le groupe considéré. Sa valeur est bornée entre zéro et un, ou exprimée en pourcentage. Le risque relatif mesure le rapport entre le risque absolu du groupe exposé et le risque absolu du groupe non exposé. Il indique de combien de fois le risque est multiplié ou divisé par l'exposition. Un risque relatif égal à un traduit l'absence d'association. Une valeur supérieure à un signale un risque accru, tandis qu'une valeur inférieure à un indique un effet protecteur. Son calcul direct nécessite un design où l'incidence est mesurable, comme les études de cohorte ou les essais randomisés. L'odds ratio compare les cotes (ou odds) de survenue de l'événement entre les groupes exposé et non exposé. La cote est définie comme le rapport du nombre de cas sur le nombre de non cas. L'odds ratio s'obtient par le produit croisé d'un tableau 2x2. Il est privilégié dans les études cas témoins où la population totale à risque est inconnue. Lorsque la maladie est rare (incidence généralement inférieure à 10 %), l'odds ratio converge numériquement vers le risque relatif. Pour des événements fréquents, l'odds ratio surestime systématiquement le risque relatif. **Justification :** La distinction repose sur deux dimensions méthodologiques et mathématiques. Premièrement, le risque absolu est une probabilité directe, tandis que le risque relatif et l'odds ratio sont des rapports sans unité. Deuxièmement, le risque relatif compare des probabilités, alors que l'odds ratio compare des cotes. La différence numérique entre ces deux rapports s'explique par leur formulation : la cote égale la probabilité divisée par un moins la probabilité, ce qui amplifie l'écart lorsque la probabilité augmente. Pour vérifier cette divergence, considérons un tableau 2x2 avec 20 cas et 80 non cas dans le groupe exposé, et 10 cas et 90 non cas dans le groupe non exposé. Le risque absolu exposé vaut 20 sur 100, soit 0,20. Le risque absolu non exposé vaut 10 sur 100, soit 0,10. Le risque relatif est donc 0,20 divisé par 0,10, ce qui donne 2,00. La cote exposée vaut 20 sur 80, soit 0,25. La cote non exposée vaut 10 sur 90, soit environ 0,111. L'odds ratio vaut 0,25 divisé par 0,111, soit environ 2,25. Le résultat confirme que l'odds ratio dépasse le risque relatif lorsque l'événement n'est pas rare. Si l'incidence chute à 2 cas pour 200 sujets exposés et 1 cas pour 200 sujets non exposés, le risque relatif reste de 2,00 tandis que l'odds ratio atteint environ 2,01, illustrant la convergence sous l'hypothèse de rareté. Ces propriétés correspondent aux standards méthodologiques établis en épidémiologie clinique et en statistique médicale. **Confiance :** 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q035 — Un estimateur sans biais est-il nécessairement celui de plus faible variance ?

Réponse : Non. Justification : Un estimateur est qualifié de sans biais lorsque son espérance mathématique est égale au paramètre théorique qu'il vise à estimer, pour toute valeur admissible de ce paramètre. La variance mesure quant à elle la dispersion de l'estimateur autour de son espérance. L'absence de biais ne confère en aucun cas une propriété d'optimalité en termes de dispersion. Il existe de nombreux estimateurs sans biais dont la variance est strictement supérieure à celle d'un autre estimateur sans biais, voire à celle d'estimateurs biaisés. Contre-exemple symbolique vérifiable : Considérons un échantillon $X_1, X_2, \dots, X_n$ indépendant et identiquement distribué selon une loi normale $\mathcal{N}(\mu, \sigma^2)$, avec $\sigma^2$ connu. 1. Estimateur $\hat{\mu}_A = X_1$. Son espérance est $E[\hat{\mu}_A] = \mu$, il est donc sans biais. Sa variance est $Var(\hat{\mu}_A) = \sigma^2$. 2. Estimateur $\hat{\mu}_B = \bar{X} = \frac{1}{n}\sum_{i=1}^n X_i$. Son espérance est $E[\hat{\mu}_B] = \mu$, il est également sans biais. Sa variance est $Var(\hat{\mu}_B) = \frac{\sigma^2}{n}$. Pour tout $n > 1$, on a strictement $Var(\hat{\mu}_B) < Var(\hat{\mu}_A)$. Ainsi, $\hat{\mu}_A$ est un estimateur sans biais qui n'est pas celui de plus faible variance. Cadre théorique : La statistique inférentielle définit spécifiquement l'estimateur sans biais de variance minimale (MVUE) comme le critère d'optimalité recherché. L'existence d'un tel estimateur n'est pas systématique et dépend de la complétude des statistiques suffisantes et de la famille de distributions considérée. Le théorème de Cramér-Rao fournit une borne inférieure à la variance des estimateurs sans biais réguliers, mais cette borne n'est pas toujours atteignable. Par ailleurs, de nombreux résultats modernes (estimation de James-Stein, régularisation ridge ou Lasso) démontrent que l'introduction d'un biais contrôlé permet de réduire l'erreur quadratique moyenne globale $MSE = Bias^2 + Variance$, confirmant que l'optimalité statistique ne se réduit pas à la combinaison biais nul et variance minimale. Prémisse examinée : L'affirmation selon laquelle un estimateur sans biais serait nécessairement celui de plus faible variance est fausse. La sans-biais et la minimalité de la variance sont deux propriétés statistiques indépendantes. Confiance : 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q036 — Donner un algorithme O(V+E) pour déterminer si un graphe non orienté est biparti, avec justification.

**Réponse** Un algorithme linéaire O(V+E) repose sur un parcours (BFS ou DFS) effectuant un 2-coloriage des sommets. **Description de l'algorithme** 1. Initialiser un tableau `couleur` de taille V contenant la valeur -1 (non colorié) pour chaque sommet. 2. Pour chaque sommet v de V : a. Si `couleur[v]` vaut -1 : i. Placer v dans une file et lui assigner `couleur[v] = 0`. ii. Tant que la file n'est pas vide : - Extraire le sommet u. - Pour chaque voisin w de u : * Si `couleur[w]` vaut -1 : + Assigner `couleur[w] = 1 - couleur[u]`. + Ajouter w à la file. * Sinon, si `couleur[w] == couleur[u]` : + Retourner Faux (conflit détecté). 3. Si l'itération sur tous les sommets se termine sans conflit, retourner Vrai. **Justification** - **Correctitude :** Un graphe non orienté est biparti si et seulement si ses sommets peuvent être partitionnés en deux ensembles indépendants, ce qui est équivalent à la 2-coloriabilité du graphe. L'algorithme attribue alternativement deux couleurs aux sommets adjacents. La détection d'une arête reliant deux sommets de même couleur prouve la présence d'un cycle de longueur impaire, ce qui rend la bipartition impossible. Inversement, si aucune arête conflictuelle n'est trouvée, l'attribution des couleurs constitue une partition valide en deux ensembles indépendants. La boucle externe garantit que les composantes connexes isolées sont également parcourues. - **Complexité temporelle :** Chaque sommet est inséré et extrait de la file exactement une fois. Chaque arête est inspectée exactement deux fois (une fois depuis chaque extrémité). Les comparaisons et affectations sont en temps constant. La complexité totale est donc O(V+E). - **Complexité spatiale :** Le tableau `couleur` et la file consomment O(V) espaces auxiliaires. **Confiance** 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q037 — Dans un DAG pondéré, peut-on calculer les plus courts chemins depuis une source avec des poids négatifs en O(V+E) après tri topologique ?

Réponse : Oui. Justification : Dans un graphe orienté acyclique (DAG), l'absence de cycles garantit qu'aucun cycle de poids négatif ne peut exister. Le tri topologique produit un ordre linéaire des sommets tel que toute arête part d'un sommet apparaissant avant son sommet cible dans cet ordre. En parcourant les sommets selon cet ordre et en relaxant systématiquement chaque arête sortante, on assure que, lors du traitement d'un sommet u, sa distance d(u) depuis la source est déjà minimale et ne sera plus modifiée par la suite. Chaque sommet et chaque arête est visité exactement une fois, ce qui confère à la phase de relaxation une complexité de O(V + E). Si le tri topologique est inclus dans le calcul, sa complexité est également O(V + E), donc la complexité totale de l'algorithme reste O(V + E). La présence de poids négatifs n'affecte pas la correction de la méthode, car la propagation suit un ordre acyclique qui empêche toute boucle de mise à jour ou toute dépendance circulaire. Confiance : 100 %.

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q038 — Donner la complexité temporelle de Kruskal avec une implémentation standard Union-Find et tri des arêtes.

Réponse : La complexité temporelle est $O(E \log E)$, ce qui est équivalent à $O(E \log V)$, où $E$ désigne le nombre d'arêtes et $V$ le nombre de sommets du graphe. Justification : L'algorithme de Kruskal se décompose en deux phases distinctes. La première phase trie l'ensemble des $E$ arêtes par poids croissant. Avec un algorithme de tri par comparaison standard (tri fusion, tri rapide ou tri par tas), cette étape requiert un temps en $O(E \log E)$. Comme un graphe simple vérifie la borne $E \leq V^2$, on en déduit $\log E \leq 2 \log V$, d'où l'équivalence $O(E \log V)$. La seconde phase parcourt les arêtes triées et utilise la structure Union-Find (ensemble disjoints) pour déterminer si deux sommets appartiennent à la même composante connexe. Avec les deux optimisations classiques que sont la compression de chemin et l'union par rang ou par taille, chaque opération `find` ou `union` s'exécute en temps amorti $O(\alpha(V))$, où $\alpha$ est la fonction inverse d'Ackermann. L'algorithme effectue au plus $2E$ opérations `find` et au plus $V-1$ opérations `union`, ce qui donne un coût total de $O(E \alpha(V))$ pour cette phase. La complexité globale est la somme des deux coûts : $O(E \log E + E \alpha(V))$. La fonction $\alpha(V)$ croît extrêmement lentement et reste strictement inférieure à 5 pour toute taille de graphe imaginable. Le terme $E \log E$ domine donc asymptotiquement. La complexité finale est bien $O(E \log E)$ ou, de manière équivalente dans le contexte des graphes, $O(E \log V)$. Confiance : 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q039 — Un graphe connexe non orienté avec n sommets et n arêtes contient-il nécessairement un cycle ?

Réponse : Oui. Justification : Soit G un graphe connexe non orienté à n sommets et n arêtes. Dans tout graphe connexe, le nombre minimal d'arêtes pour assurer la connectivité est n−1 (structure d'arbre). Si un graphe connexe possède exactement n arêtes, il excède le nombre d'arêtes d'un arbre de n−1 arêtes par une seule arête. L'ajout d'une arête à un arbre crée obligatoirement une relation de dépendance cyclique : les deux extrémités de la nouvelle arête sont déjà reliées par un chemin unique dans l'arbre, ce qui forme un cycle. De manière équivalente, le nombre cyclomatique μ (qui compte le nombre minimum d'arêtes à supprimer pour rendre le graphe acyclique) s'exprime pour un graphe connexe par μ = m − n + 1, où m est le nombre d'arêtes et n le nombre de sommets. En substituant m = n, on obtient μ = 1. Puisque μ ≥ 1, le graphe contient au moins un cycle. Cette propriété est valable pour tout entier n ≥ 1. Pour les graphes simples, la connectivité avec n arêtes implique automatiquement n ≥ 3, ce qui garantit que le cycle a une longueur au moins égale à 3. Aucun contre-exemple n'existe dans le cadre usuel de la théorie des graphes. Confiance : 100 %

INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q040 — Un graphe orienté dont toutes les SCC sont des singletons est-il nécessairement acyclique ? Traiter explicitement les boucles propres.

**Réponse** Non, pas nécessairement. **Justification** Dans un graphe orienté, une composante fortement connexe (SCC) est un sous-ensemble maximal de sommets tel que pour toute paire de sommets u et v du sous-ensemble, il existe un chemin dirigé de u vers v et un chemin dirigé de v vers u. Un singleton est une SCC de cardinal un. Un graphe est acyclique si et seulement si il ne contient aucun cycle dirigé. Tout cycle dirigé de longueur supérieure ou égale à deux implique nécessairement une SCC de cardinal supérieur à un. Par conséquent, si toutes les SCC d'un graphe sont des singletons, le graphe ne peut pas contenir de cycles de longueur deux ou plus. En revanche, les boucles propres (arêtes de la forme (v, v)) constituent des cycles de longueur un. Si un sommet v possède une boucle propre, le sous-ensemble {v} reste une SCC valide, car la visibilité forte est préservée par cette arête, mais le graphe contient un cycle. La condition « toutes les SCC sont des singletons » n'exclut donc pas les boucles propres. **Traitement explicite des boucles propres** - Si le graphe contient au moins une boucle propre, il n'est pas acyclique, malgré le fait que ses SCC soient toutes des singletons. - Si l'on ajoute explicitement l'hypothèse « le graphe ne contient aucune boucle propre », alors l'absence de cycles de longueur deux ou plus (garantie par des SCC singletons) et l'absence de cycles de longueur un (par hypothèse supplémentaire) impliquent bien l'acyclicité. Dans ce cas restreint, la réponse serait oui. **Vérification du contre-exemple** Soit G = (V, E) avec V = {a} et E = {(a, a)}. - SCC({a}) = {a}. C'est un singleton. - L'arête (a, a) forme un cycle dirigé de longueur un. - G n'est pas un graphe orienté acyclique (DAG). Le contre-exemple est valide et vérifié symboliquement. Il démontre que la prémisses initiale est insuffisante pour garantir l'acyclicité sans exclure les boucles propres. **Confiance** 100 %