Comment calculer Cov(X, Y) et… : En appliquant Cov(X, Y) = E(XY)… — ECG2 appliquées | MetMat

Comment calculer $\mathrm{Cov}(X, Y)$ et $\rho(X, Y)$ ?

En appliquant $\mathrm{Cov}(X, Y) = E(XY) - E(X)E(Y)$ puis $\rho = \dfrac{\mathrm{Cov}(X, Y)}{\sigma_X \sigma_Y}$

Calculer la covariance $\mathrm{Cov}(X, Y)$ et le coefficient de corrélation linéaire $\rho(X, Y)$ d'un couple $(X, Y)$ admettant un moment d'ordre $2$ .

Maîtriser

Reconnaître

Résoudre

Que ferais-tu face à un exercice de ce type ?

La loi conjointe de $(X, Y)$ est : $P([X = 0] \cap [Y = 0]) = \tfrac{1}{8}$ , $P([X = 0] \cap [Y = 1]) = \tfrac{1}{4}$ , $P([X = 1] \cap [Y = 0]) = \tfrac{1}{4}$ , $P([X = 1] \cap [Y = 1]) = \tfrac{3}{8}$ . Calculer $\mathrm{Cov}(X, Y)$ et $\rho(X, Y)$ .

L'objectif

Calculer la covariance $\mathrm{Cov}(X, Y)$ et le coefficient de corrélation linéaire $\rho(X, Y)$ d'un couple $(X, Y)$ admettant un moment d'ordre $2$ .

Le principe

Si $X$ et $Y$ admettent un moment d'ordre $2$ , alors $XY$ admet une espérance et $\mathrm{Cov}(X, Y) = E(XY) - E(X)E(Y)$ ; si de plus $V(X) > 0$ et $V(Y) > 0$ , $\rho(X, Y) = \dfrac{\mathrm{Cov}(X, Y)}{\sigma_X \sigma_Y} \in [-1, 1]$ .

La méthode

1
Je vérifie que $X$ et $Y$ admettent un moment d'ordre $2$ (toujours vrai si $X(\Omega)$ et $Y(\Omega)$ sont finis).
2
Je calcule $E(X)$ , $E(Y)$ ainsi que $V(X)$ , $V(Y)$ via la formule de Koenig-Huygens $V(X) = E(X^2) - E(X)^2$ .
3
Je calcule $E(XY)$ par théorème de transfert : $E(XY) = \sum_{(x, y)} xy\, P([X = x] \cap [Y = y])$ ; puis j'en déduis $\mathrm{Cov}(X, Y) = E(XY) - E(X)E(Y)$ .
Comment calculer $E(g(X, Y))$ par théorème de transfert ?Voir
4
Si $V(X) > 0$ et $V(Y) > 0$ , je calcule $\rho(X, Y) = \dfrac{\mathrm{Cov}(X, Y)}{\sqrt{V(X)\, V(Y)}}$ et je vérifie $\rho \in [-1, 1]$ ; j'interprète le signe et l'amplitude.

Pour comprendre, fais des exercices !

Exercice d'exemple

Étape 1 —

Je vérifie que

X

Y

admettent un moment d'ordre

2

(toujours vrai si

X(\Omega)

Y(\Omega)

sont finis).

$X(\Omega) = Y(\Omega) = \{0, 1\}$ est fini, donc $X$ et $Y$ admettent un moment d'ordre $2$ .

Étape 2 —

Je calcule

E(X)

E(Y)

ainsi que

V(X)

V(Y)

via la formule de Koenig-Huygens

V(X) = E(X^2) - E(X)^2

On a $E(X) = E(Y) = \tfrac{5}{8}$ et $V(X) = V(Y) = \tfrac{5}{8} \cdot \tfrac{3}{8} = \tfrac{15}{64}$ (Bernoulli $\mathcal{B}(\tfrac{5}{8})$ ).

Étape 3 —

Je calcule

E(XY)

par théorème de transfert :

E(XY) = \sum_{(x, y)} xy\, P([X = x] \cap [Y = y])

; puis j'en déduis

\mathrm{Cov}(X, Y) = E(XY) - E(X)E(Y)

On calcule $E(XY) = \tfrac{3}{8}$ (cf. exemple précédent). Donc $\mathrm{Cov}(X, Y) = \tfrac{3}{8} - \tfrac{5}{8} \cdot \tfrac{5}{8} = \tfrac{24}{64} - \tfrac{25}{64} = -\tfrac{1}{64}$ .

Étape 4 —

V(X) > 0

V(Y) > 0

, je calcule

\rho(X, Y) = \dfrac{\mathrm{Cov}(X, Y)}{\sqrt{V(X)\, V(Y)}}

et je vérifie

\rho \in [-1, 1]

; j'interprète le signe et l'amplitude.

$\sigma_X \sigma_Y = \sqrt{V(X)\, V(Y)} = \tfrac{15}{64}$ . Donc $\rho(X, Y) = \dfrac{-1/64}{15/64} = -\tfrac{1}{15} \in [-1, 1]$ : faible corrélation négative.

$\mathrm{Cov}(X, Y) = -\dfrac{1}{64}$ et $\rho(X, Y) = -\dfrac{1}{15}$ .

Les applications suivantes et la correction guidée sont réservées aux membres Premium

La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.

Comment calculer Cov(X,Y)\mathrm{Cov}(X, Y)Cov(X,Y) et ρ(X,Y)\rho(X, Y)ρ(X,Y) ?

En appliquant Cov(X,Y)=E(XY)−E(X)E(Y)\mathrm{Cov}(X, Y) = E(XY) - E(X)E(Y)Cov(X,Y)=E(XY)−E(X)E(Y) puis ρ=Cov(X,Y)σXσY\rho = \dfrac{\mathrm{Cov}(X, Y)}{\sigma_X \sigma_Y}ρ=σX​σY​Cov(X,Y)​

Pour comprendre, fais des exercices !

Comment calculer $\mathrm{Cov}(X, Y)$ et $\rho(X, Y)$ ?

En appliquant $\mathrm{Cov}(X, Y) = E(XY) - E(X)E(Y)$ puis $\rho = \dfrac{\mathrm{Cov}(X, Y)}{\sigma_X \sigma_Y}$