📍 Retour à la carte du cours · 📝 Feuille d’exercices
Cette fiche résume les cinq chapitres de la partie Deux variables. L’objectif est simple : savoir identifier l’objet étudié, choisir la bonne formule et enchaîner les calculs sans confusion.
1 Vue d’ensemble des 5 chapitres
| Chapitre | À retenir | Réflexe de calcul |
|---|---|---|
| Statistiques bivariées | Tableau de contingence, marginales, conditionnelles, indépendance, test du \(\chi^2\) | Additionner par lignes/colonnes, comparer profils et effectifs théoriques |
| Intégrales sur \(\mathbb{R}^2\) | Tonelli/Fubini, description du domaine, ordre d’intégration | Commencer par dessiner le domaine |
| Loi conjointe d’un couple continu | Densité conjointe \(f(x,y)\), support, probabilités sur une région | Vérifier \(f\ge 0\) et \(\iint f = 1\) |
| Lois marginales | Marginalisation, densités conditionnelles, indépendance | Intégrer selon l’autre variable |
| Couples de variables à densité | Covariance, corrélation, convolution, vision d’ensemble | Passer de la loi conjointe aux grandeurs numériques |
2 1. Statistiques bivariées
Quand on observe deux caractères sur une même population, l’information centrale est la distribution conjointe :
\[ n_{ij} = \text{effectif du couple } (x_i,y_j), \qquad f_{ij}=\frac{n_{ij}}{n}. \]
On en déduit les marginales :
\[ n_{i\cdot}=\sum_j n_{ij}, \qquad n_{\cdot j}=\sum_i n_{ij}, \qquad f_{i\cdot}=\frac{n_{i\cdot}}{n}, \qquad f_{\cdot j}=\frac{n_{\cdot j}}{n}. \]
Les fréquences conditionnelles mesurent le profil d’une variable quand l’autre est fixée :
\[ f_{y_j\mid x_i}=\frac{n_{ij}}{n_{i\cdot}}, \qquad f_{x_i\mid y_j}=\frac{n_{ij}}{n_{\cdot j}}. \]
- Construire ou compléter le tableau de contingence.
- Calculer les marginales.
- Comparer les distributions conditionnelles.
- Conclure : profils semblables \(\Rightarrow\) possible indépendance ; profils différents \(\Rightarrow\) dépendance probable.
Pour le test du \(\chi^2\) d’indépendance, on compare les effectifs observés \(n_{ij}\) aux effectifs théoriques
\[ e_{ij}=\frac{n_{i\cdot}n_{\cdot j}}{n}, \]
et la statistique vaut
\[ \chi^2=\sum_i\sum_j \frac{(n_{ij}-e_{ij})^2}{e_{ij}}, \qquad \text{ddl}=(p-1)(q-1). \]
3 2. Intégrales doubles sur \(\mathbb{R}^2\)
En probabilité continue à deux variables, toute probabilité devient une intégrale double sur une région du plan :
\[ P\bigl((X,Y)\in D\bigr)=\iint_D f(x,y)\,dx\,dy. \]
Les théorèmes de Tonelli/Fubini autorisent le calcul par intégrales successives :
\[ \iint_D f(x,y)\,dx\,dy = \int \left(\int f(x,y)\,dy\right)dx = \int \left(\int f(x,y)\,dx\right)dy. \]
Le point clé n’est pas la formule mais la description correcte du domaine \(D\).
- Dessiner le support ou la région demandée.
- Choisir l’ordre d’intégration le plus simple.
- Traduire le domaine par des bornes.
- Intégrer proprement.
Pièges classiques :
- oublier que les bornes intérieures dépendent souvent de la variable extérieure ;
- intégrer sur tout \(\mathbb{R}^2\) alors que la densité est nulle hors du support ;
- ne pas vérifier la normalisation avant de calculer des probabilités.
4 3. Loi conjointe d’un couple continu
Un couple continu \((X,Y)\) est décrit par une densité conjointe \(f\) telle que :
\[ f(x,y)\ge 0, \qquad \iint_{\mathbb{R}^2} f(x,y)\,dx\,dy=1. \]
La probabilité d’une région \(D\) est :
\[ P\bigl((X,Y)\in D\bigr)=\iint_D f(x,y)\,dx\,dy. \]
La fonction de répartition conjointe s’écrit :
\[ F(x,y)=P(X\le x,\ Y\le y). \]
En pratique, il faut toujours commencer par identifier le support :
\[ S=\{(x,y)\in\mathbb{R}^2 : f(x,y)>0\}. \]
Le support donne immédiatement :
- où il faut intégrer ;
- quelles valeurs sont impossibles ;
- si l’indépendance est plausible ou non.
5 4. Lois marginales, conditionnelles et indépendance
À partir de la densité conjointe, on récupère les densités marginales :
\[ f_X(x)=\int_{\mathbb{R}} f(x,y)\,dy, \qquad f_Y(y)=\int_{\mathbb{R}} f(x,y)\,dx. \]
Puis, si \(f_X(x)>0\), la densité conditionnelle vaut :
\[ f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}. \]
L’idée fondamentale est la suivante :
- la marginale oublie l’autre variable ;
- la conditionnelle garde l’information fournie par l’autre variable.
Deux variables continues sont indépendantes si et seulement si
\[ f(x,y)=f_X(x)f_Y(y) \]
sur tout le support.
Un support rectangulaire est une condition nécessaire, mais pas suffisante, pour l’indépendance. La seule preuve fiable est la factorisation de la densité.
6 5. Covariance, corrélation et convolution
Les grandeurs numériques d’un couple se calculent à partir de la loi conjointe :
\[ E(X)=\iint_{\mathbb{R}^2} x\,f(x,y)\,dx\,dy, \qquad E(Y)=\iint_{\mathbb{R}^2} y\,f(x,y)\,dx\,dy, \]
\[ E(XY)=\iint_{\mathbb{R}^2} xy\,f(x,y)\,dx\,dy. \]
La covariance mesure la liaison linéaire :
\[ \operatorname{Cov}(X,Y)=E(XY)-E(X)E(Y). \]
Le coefficient de corrélation est la version normalisée :
\[ \rho(X,Y)=\frac{\operatorname{Cov}(X,Y)}{\sigma_X\sigma_Y}. \]
À connaître absolument :
- indépendance \(\Rightarrow \operatorname{Cov}(X,Y)=0\) ;
- la réciproque est fausse en général ;
- \(\rho\) mesure une liaison linéaire, pas toute forme de dépendance.
Si \(X\) et \(Y\) sont indépendantes, la densité de la somme \(S=X+Y\) est donnée par la convolution :
\[ f_S(t)=\int_{\mathbb{R}} f_X(x)\,f_Y(t-x)\,dx. \]
Cette formule apparaît dès qu’on demande la loi d’une somme de deux variables continues indépendantes.
7 Checklist de résolution
- Identifier si le problème est statistique bivarié (tableau) ou probabiliste continu (densité).
- Déterminer le support ou la table conjointe.
- Vérifier les conditions de validité : somme \(=1\) ou intégrale \(=1\).
- Calculer les marginales.
- Si nécessaire, calculer une conditionnelle ou tester l’indépendance.
- Terminer avec la grandeur demandée : probabilité, espérance, covariance, loi d’une somme, statistique du \(\chi^2\).
8 Erreurs fréquentes à éviter
- confondre marginale et conditionnelle ;
- oublier qu’une probabilité continue sur un point exact vaut \(0\) ;
- conclure trop vite à l’indépendance parce que \(\operatorname{Cov}(X,Y)=0\) ;
- mal décrire le domaine d’intégration ;
- utiliser la convolution sans indépendance.
9 Formulaire minimal à mémoriser
\[ P\bigl((X,Y)\in D\bigr)=\iint_D f(x,y)\,dx\,dy \]
\[ f_X(x)=\int_{\mathbb{R}} f(x,y)\,dy, \qquad f_Y(y)=\int_{\mathbb{R}} f(x,y)\,dx \]
\[ f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)} \]
\[ X \perp Y \iff f(x,y)=f_X(x)f_Y(y) \]
\[ \operatorname{Cov}(X,Y)=E(XY)-E(X)E(Y) \]
\[ f_{X+Y}(t)=\int_{\mathbb{R}} f_X(x)f_Y(t-x)\,dx \]
Citation
@online{gilles,
author = {Gilles, Guillaume},
title = {Révision — {Probabilités} Et Statistiques à Deux Variables},
url = {https://ggilles.dev/teaching/probability/revision-two-variables.html},
langid = {en},
abstract = {Cette fiche de révision synthétise les **cinq chapitres**
consacrés aux phénomènes à **deux variables** dans le cours de
probabilités et statistiques : statistiques bivariées, intégrales
doubles, loi conjointe d’un couple continu, lois marginales et
conditionnelles, puis couples de variables à densité (indépendance,
covariance, convolution). Elle met l’accent sur les **formules à
connaître**, les **méthodes de calcul** et les **pièges
classiques**.}
}