La covariance de deux variables aléatoires \(X\) et \(Y\), notée \(\mathrm{Cov}(X, Y)\), mesure la tendance de \(X\) et \(Y\) à varier dans le même sens. Elle se définit par \(\mathrm{Cov}(X, Y) = E\big[(X- E(X))(Y- E(Y))\big]\) et se calcule le plus souvent avec la formule \(\mathrm{Cov}(X, Y) = E(XY)- E(X)E(Y)\). C’est l’outil qui prolonge la variance à un couple et qui gouverne la variance d’une somme.
Au programme
- 🟢 MPSI, MP2I, PCSI et ECG1 approfondies : covariance et variance d’une somme dans le cadre des variables finies. En ECG appliquées, ces notions sont étudiées en deuxième année.
- 🟠 2e année (MP, MPI, PC, PSI, ECG2) : mêmes notions sur le cas dénombrable. En ECG, coefficient de corrélation \(\rho\) et covariance empirique d’une série statistique.
- 🔴 Hors programme de prépa : matrice de variance-covariance d’un vecteur aléatoire (abordée ici pour les curieux et les licences).
Pour la vue d’ensemble, consulte le cours complet sur les couples de variables aléatoires.
Ne pas confondre
- La covariance de deux variables aléatoires (cet article) et la covariance empirique d’une série statistique double, calculée sur des données observées.
- La covariance en probabilités et le mot « covariant » en physique ou en informatique (variance des types) : aucun rapport.
I. Définition de la covariance et interprétation du signe
Qu’est-ce que la covariance ? C’est un nombre réel qui mesure comment deux variables aléatoires s’écartent conjointement de leur moyenne. Quand \(X\) dépasse sa moyenne en même temps que \(Y\) dépasse la sienne, le produit des écarts est positif ; quand elles s’écartent en sens opposé, il est négatif. La covariance est l’espérance de ce produit d’écarts.
Définition : Covariance
Soit \(X\) et \(Y\) deux variables aléatoires discrètes admettant une variance (donc une espérance). On appelle covariance de \(X\) et \(Y\) le réel :
\(\mathrm{Cov}(X, Y) = E\big[(X- E(X))(Y- E(Y))\big].\)
On note aussi \(\sigma_{X,Y}\). Lorsque \(\mathrm{Cov}(X, Y) = 0\), on dit que \(X\) et \(Y\) sont décorrélées (ou non corrélées).
Les moments d’ordre 2 finis assurent l’intégrabilité du produit : \(E(|XY|)\leq\sqrt{E(X^2)E(Y^2)}\lt +\infty\), par Cauchy-Schwarz. On peut donc définir la covariance, puis établir son encadrement par le produit des écarts-types.
Interprétation du signe. Le signe de la covariance résume le sens de la liaison affine entre \(X\) et \(Y\) :
- \(\mathrm{Cov}(X, Y)\) > \(0\) : \(X\) et \(Y\) ont tendance à croître ensemble ;
- \(\mathrm{Cov}(X, Y)\) < \(0\) : quand l’une croît, l’autre a tendance à décroître ;
- \(\mathrm{Cov}(X, Y) = 0\) : aucune liaison affine détectée (attention, cela ne signifie pas l’indépendance, voir la section V).
Avant d’énoncer les propriétés, voyons comment calculer concrètement cette espérance.
II. Les formules de la covariance
Comment calculer la covariance en pratique ? On utilise rarement la définition directement : la formule de développement, analogue à Koenig-Huygens pour la variance, est bien plus rapide car elle ne fait intervenir que des espérances simples.
Propriété : Formule de Koenig-Huygens pour la covariance
Pour tout couple \((X, Y)\) de variables aléatoires admettant une variance :
\(\mathrm{Cov}(X, Y) = E(XY)- E(X)\,E(Y).\)
Démonstration. En développant le produit par linéarité de l’espérance :
Comme \(E(X)\) et \(E(Y)\) sont des constantes, la linéarité donne :
∎
Calcul à partir d’un tableau de loi conjointe. Lorsqu’on dispose de la loi conjointe du couple, le terme central \(E(XY)\) se calcule par le théorème de transfert appliqué à la fonction \((x, y) \mapsto xy\) :
Exemple : on considère le couple \((X, Y)\) dont la loi conjointe est donnée par le tableau ci-dessous (les cases donnent \(P(X = x,\, Y = y)\)).
| \(P(X=x, Y=y)\) | \(y = 0\) | \(y = 1\) | Loi de X |
|---|---|---|---|
| \(x = 0\) | \(\displaystyle\frac{1}{4}\) | \(\displaystyle\frac{1}{4}\) | \(\displaystyle\frac{1}{2}\) |
| \(x = 1\) | \(\displaystyle\frac{1}{8}\) | \(\displaystyle\frac{3}{8}\) | \(\displaystyle\frac{1}{2}\) |
| Loi de Y | \(\displaystyle\frac{3}{8}\) | \(\displaystyle\frac{5}{8}\) | \(1\) |
On lit \(E(X) = \displaystyle\frac{1}{2}\) et \(E(Y) = \displaystyle\frac{5}{8}\) sur les lois marginales. Le seul terme non nul du produit \(xy\) correspond à \(x = y = 1\) :
D’où
La covariance est positive : \(X\) et \(Y\) varient dans le même sens.
Ces formules reposent sur les propriétés d’opération de la covariance, que nous précisons maintenant.
Fiche PDF à imprimer
Le support de révision est reçu gratuitement par e-mail.
📄 L’essentiel du cours en PDFReçois gratuitement le PDF par e-mail.
III. Propriétés algébriques de la covariance
La covariance est symétrique et bilinéaire. Ces propriétés permettent de développer les variances de sommes et de combinaisons linéaires.
Propriétés : Covariance
Pour toutes variables aléatoires \(X, Y, Z\) admettant une variance et tous réels \(a, b, c\) :
- Symétrie : \(\mathrm{Cov}(X, Y) = \mathrm{Cov}(Y, X)\).
- Lien avec la variance : \(\mathrm{Cov}(X, X) = V(X)\).
- Constante : \(\mathrm{Cov}(X, c) = 0\).
- Bilinéarité : .
- Translation : \(\mathrm{Cov}(X + a,\, Y + b) = \mathrm{Cov}(X, Y)\).
La bilinéarité découle de \(\mathrm{Cov}(X,Y)=E(XY)-E(X)E(Y)\). La variance est le cas \(\mathrm{Cov}(X,X)\), mais ses règles sont quadratiques : \(V(aX)=a^2V(X)\), tandis que \(\mathrm{Cov}(aX,Y)=a\mathrm{Cov}(X,Y)\).
Analogie avec un produit scalaire. Pour des variables centrées de carré intégrable, la covariance est \(E(XY)\). En identifiant les variables égales presque sûrement, elle définit un produit scalaire. Cauchy-Schwarz donne alors \(|\mathrm{Cov}(X,Y)|\leq\sigma_X\sigma_Y\).
La première application majeure de la bilinéarité est le calcul de la variance d’une somme.
IV. Variance d’une somme et covariance
Pourquoi la covariance est-elle si importante en prépa ? Parce qu’elle apparaît dès qu’on veut calculer la variance d’une somme de variables aléatoires. Contrairement à l’espérance, la variance n’est pas linéaire : le terme correctif est exactement le double de la covariance.
Propriété : Variance d’une somme
Pour deux variables aléatoires \(X\) et \(Y\) admettant une variance :
\(V(X + Y) = V(X) + V(Y) + 2\,\mathrm{Cov}(X, Y).\)
Plus généralement, pour \(n\) variables \(X_1, \dots, X_n\) :
Démonstration (cas de deux variables). En utilisant \(V(Z) = \mathrm{Cov}(Z, Z)\) puis la bilinéarité :
d’où le résultat par symétrie. ∎
Cas des variables décorrélées. Si \(\mathrm{Cov}(X_i, X_j) = 0\) pour tout couple \(i \neq j\), le terme croisé disparaît et l’on retrouve l’additivité :
C’est en particulier le cas si les \(X_i\) sont mutuellement indépendantes, car l’indépendance entraîne la décorrélation. Ce résultat est le socle du calcul de la variance d’une somme de variables aléatoires et de l’étude des échantillons.
Exemple : on reprend le couple du II où \(\mathrm{Cov}(X, Y) = \displaystyle\frac{1}{16}\). Ici \(X\) et \(Y\) suivent chacune une loi de Bernoulli de paramètre \(\displaystyle\frac{1}{2}\) et \(\displaystyle\frac{5}{8}\), donc \(V(X) = \displaystyle\frac{1}{4}\) et . Alors :
Oublier le terme \(2\mathrm{Cov}(X,Y)\) donnerait \(31/64\) au lieu de \(39/64\) : c’est un terme manquant, même si les autres calculs sont justes.
La disparition du terme croisé sous indépendance pose une question naturelle : la réciproque est-elle vraie ?
V. Covariance nulle et indépendance : attention à la réciproque
C’est l’un des pièges les plus classiques des concours. L’indépendance entraîne une covariance nulle, mais la réciproque est fausse : deux variables peuvent être décorrélées tout en étant fortement dépendantes.
Propriété : Indépendance et covariance
Si \(X\) et \(Y\) sont indépendantes, alors \(E(XY) = E(X)E(Y)\), donc :
La réciproque est fausse. \(\mathrm{Cov}(X, Y) = 0\) n’implique pas l’indépendance.
Contre-exemple à connaître. Soit \(X\) prenant les valeurs \(-1, 0, 1\) avec probabilité \(\displaystyle\frac{1}{3}\) chacune, et posons \(Y = X^2\). Alors \(Y\) est entièrement déterminée par \(X\) : elles sont on ne peut plus dépendantes. Pourtant :
donc \(\mathrm{Cov}(X, Y) = E(XY)- E(X)E(Y) = 0\). La covariance ne détecte que les liaisons affines ; une dépendance « en parabole » lui échappe.
Pour aller plus loin sur ce point et sur le lemme des coalitions, consulte le cours dédié à l’indépendance de variables aléatoires. Lorsqu’on veut mesurer l’intensité (et pas seulement le sens) de la liaison, on normalise la covariance : c’est le coefficient de corrélation.
VI. 🟠 Coefficient de corrélation linéaire
La covariance a un défaut : elle dépend des unités de \(X\) et \(Y\). Multiplier \(X\) par \(100\) multiplie la covariance par \(100\). Pour obtenir une mesure sans dimension, comparable d’un couple à l’autre, on divise par le produit des écarts-types : c’est le coefficient de corrélation, au programme d’ECG.
Définition : Coefficient de corrélation linéaire
Si \(X\) et \(Y\) ont des variances non nulles, on définit :
où \(\sigma_X = \sqrt{V(X)}\) et \(\sigma_Y = \sqrt{V(Y)}\).
L’inégalité de Cauchy-Schwarz appliquée aux variables centrées donne immédiatement l’encadrement fondamental :
\(-1 \leq \rho(X, Y) \leq 1.\)Cas d’égalité. On a \(\vert\rho(X, Y)\vert = 1\) si et seulement s’il existe une relation affine presque sûre entre \(X\) et \(Y\), c’est-à-dire \(Y = aX + b\) avec \(a \neq 0\). Le signe de \(\rho\) est alors celui de \(a\). On retrouve ce résultat en détail sur la page coefficient de corrélation.
VII. 🟠 Covariance empirique d’une série statistique
En statistique descriptive bivariée (ECG2 maths appliquées), on ne manipule plus des variables aléatoires mais des données observées : \(n\) couples \((x_i, y_i)\). La covariance empirique est l’analogue, où l’espérance est remplacée par une moyenne.
Définition : Covariance empirique
Pour une série double \((x_i, y_i)_{1 \leq i \leq n}\) de moyennes \(\bar{x}\) et \(\bar{y}\) :
C’est l’outil qui mesure la liaison dans un nuage de points et qui intervient dans l’ajustement affine par moindres carrés.
À la calculatrice et au tableur. Sur une calculatrice en mode statistiques à deux variables, la covariance empirique est donnée directement (ou via \(\sum x_i y_i\)). Sur tableur, la fonction COVARIANCE.PEARSON renvoie \(s_{xy}\). En Python, numpy.cov renvoie la matrice de covariance (attention : NumPy divise par \(n- 1\) par défaut, pas par \(n\)).
VIII. 🔴 Matrice de variance-covariance
Cette notion est hors programme de prépa, mais elle revient souvent dans les requêtes des élèves et c’est l’objet naturel en licence ou en data science. Pour un vecteur aléatoire \(X = (X_1, \dots, X_n)\), on range toutes les covariances dans une matrice.
Définition : Matrice de variance-covariance
La matrice \(\Sigma = (\sigma_{ij})\) de taille \(n \times n\) définie par \(\sigma_{ij} = \mathrm{Cov}(X_i, X_j)\) est appelée matrice de variance-covariance du vecteur \(X\). Ses coefficients diagonaux sont les variances \(\sigma_{ii} = V(X_i)\).
Cette matrice est symétrique (par symétrie de la covariance) et positive : pour tout vecteur colonne \(a\), \(a^{\top}\Sigma\,a = V(a^{\top}X) \geq 0\). Les composantes d’un vecteur sont décorrélées deux à deux si et seulement si \(\Sigma\) est diagonale.
IX. Méthode : calculer une covariance en 4 étapes
Face à un couple de variables aléatoires, voici la démarche systématique pour obtenir \(\mathrm{Cov}(X, Y)\) sans erreur.
- Identifier la loi utile. Si l’on dispose de la loi conjointe, on va calculer \(E(XY)\) directement. Sinon, on cherche à exprimer \(X\) et \(Y\) comme sommes de variables plus simples.
- Calculer les espérances marginales \(E(X)\) et \(E(Y)\) à partir des lois marginales (sommes sur les lignes et colonnes du tableau).
- Calculer \(E(XY)\) par le théorème de transfert : \(E(XY) = \displaystyle\sum_x \sum_y xy\,P(X = x, Y = y)\).
- Appliquer Koenig-Huygens : \(\mathrm{Cov}(X, Y) = E(XY)- E(X)E(Y)\), puis interpréter le signe.
Raccourci par bilinéarité. Quand \(X = \sum X_i\) et \(Y = \sum Y_j\) sont des sommes (indicatrices, Bernoulli…), développe : chaque terme est souvent nul ou immédiat, ce qui évite tout calcul de loi conjointe.
X. Erreurs fréquentes
Erreur n°1 : Oublier le produit des espérances. Écrire \(\mathrm{Cov}(X, Y) = E(XY)\) est faux en général. La formule correcte est \(\mathrm{Cov}(X, Y) = E(XY)- E(X)E(Y)\). On n’a \(\mathrm{Cov}(X, Y) = E(XY)\) que si \(E(X) = 0\) ou \(E(Y) = 0\).
Erreur n°2 : Conclure à l’indépendance depuis \(\mathrm{Cov} = 0\). ❌ « \(\mathrm{Cov}(X, Y) = 0\) donc \(X\) et \(Y\) sont indépendantes. »
Diagnostic : on confond une implication avec sa réciproque.
✅ Correction : la décorrélation est nécessaire mais non suffisante. Le contre-exemple \(Y = X^2\) (section V) le prouve.
Erreur n°3 : Additionner les variances sans vérifier la décorrélation. \(V(X + Y) = V(X) + V(Y)\) n’est vrai que si \(\mathrm{Cov}(X, Y) = 0\). Dans le cas général, le terme \(2\,\mathrm{Cov}(X, Y)\) est obligatoire.
Erreur n°4 : Confondre covariance empirique et covariance de variables. La première se calcule sur des données avec une moyenne ; la seconde sur une loi avec une espérance. Les formules se ressemblent, les objets sont différents.
XI. Exercices corrigés
Six exercices classés par difficulté croissante, avec badge de filière. Pour un entraînement complet, retrouve nos exercices corrigés sur les couples de variables aléatoires.
Exercice 1 : Covariance à partir d’un tableau 🟢 ★
Le couple \((X, Y)\) a pour loi conjointe : \(P(X=0, Y=0) = 0{,}2\), \(P(X=0, Y=1) = 0{,}3\), \(P(X=1, Y=0) = 0{,}1\), \(P(X=1, Y=1) = 0{,}4\). Calcule \(\mathrm{Cov}(X, Y)\).
Voir la correction de l’exercice 1
Lois marginales : \(P(X=1) = 0{,}1 + 0{,}4 = 0{,}5\) donc \(E(X) = 0{,}5\). De même \(P(Y=1) = 0{,}3 + 0{,}4 = 0{,}7\) donc \(E(Y) = 0{,}7\).
Seul le terme \(x=y=1\) contribue à \(E(XY)\) : \(E(XY) = 1\times 0{,}4 = 0{,}4\).
La covariance vaut \(0{,}05\) : liaison positive.
Exercice 2 : Variance d’une somme 🟢 ★
On sait que \(V(X) = 4\), \(V(Y) = 9\) et \(\mathrm{Cov}(X, Y) = -2\). Calcule \(V(X + Y)\) et \(V(X- Y)\).
Voir la correction de l’exercice 2
Pour \(X- Y\), on utilise \(\mathrm{Cov}(X, -Y) = -\mathrm{Cov}(X, Y)\) :
On a \(V(X+Y) = 9\) et \(V(X-Y) = 17\).
Exercice 3 : Coefficient de corrélation 🟠 ★★
Avec les données de l’exercice 2 (\(V(X) = 4\), \(V(Y) = 9\), \(\mathrm{Cov}(X, Y) = -2\)), calcule \(\rho(X, Y)\) et vérifie l’encadrement.
Voir la correction de l’exercice 3
\(\sigma_X = 2\) et \(\sigma_Y = 3\), donc :
On a bien \(-1 \leq -\displaystyle\frac{1}{3} \leq 1\). La corrélation est négative et modérée.
Exercice 4 : Covariance nulle sans indépendance 🟢 ★★
Soit \(\theta\) une variable aléatoire uniforme sur \(\{0, 1, 2, 3\}\) (les quatre directions cardinales d’angle ). On pose \(X = \cos\!\left(\displaystyle\frac{\pi\theta}{2}\right)\) et \(Y = \sin\!\left(\displaystyle\frac{\pi\theta}{2}\right)\). Montre que \(\mathrm{Cov}(X, Y) = 0\) bien que \(X\) et \(Y\) soient dépendantes.
Voir la correction de l’exercice 4
Les couples \((X, Y)\) prennent les valeurs \((1, 0), (0, 1), (-1, 0), (0, -1)\), chacune avec probabilité \(\displaystyle\frac{1}{4}\).
Par symétrie : \(E(X) = \displaystyle\frac{1 + 0- 1 + 0}{4} = 0\) et de même \(E(Y) = 0\).
Le produit \(XY\) vaut \(0\) dans les quatre cas (une coordonnée est toujours nulle), donc \(E(XY) = 0\).
La covariance vaut 0. Pourtant \(P(X=0,Y=0)=0\), alors que \(P(X=0)P(Y=0)=1/4\). Cette case suffit à démontrer la dépendance : les variables sont décorrélées mais dépendantes.
Exercice 5 : Covariance d’indicatrices 🟠 ★★
Dans une urne de \(n\geq2\) boules numérotées, on tire uniformément deux boules sans remise. \(X\) indique si la boule 1 est tirée, \(Y\) si la boule 2 est tirée. Calculer leur covariance et son signe.
Voir la correction de l’exercice 5
Chaque boule a probabilité \(\displaystyle\frac{2}{n}\) d’être tirée, donc \(E(X) = E(Y) = \displaystyle\frac{2}{n}\).
\(XY = 1\) si et seulement si les deux boules tirées sont exactement les n°1 et n°2 :
D’où
Pour \(n\geq3\), \(4-2n\lt 0\) : la covariance est négative. Si \(n=2\), les deux boules sont toujours tirées, donc \(X=Y=1\) et la covariance est nulle.
Exercice 6 : Bilinéarité et variance d’une combinaison 🟠 ★★★
Soit \(X\) et \(Y\) deux variables telles que \(V(X) = 1\), \(V(Y) = 4\) et \(\rho(X, Y) = \displaystyle\frac{1}{2}\). Détermine le réel \(a\) qui minimise \(V(Y- aX)\), et donne la valeur minimale.
Voir la correction de l’exercice 6
D’abord .
Par bilinéarité :
C’est un trinôme en \(a\) de dérivée \(-2 + 2a\), nulle en \(a = 1\). Comme le coefficient dominant est positif, c’est un minimum.
La variance minimale vaut 3, obtenue pour \(a=1\). Pour interpréter le résultat en régression affine, on minimise plutôt \(E((Y-aX-b)^2)\) : le coefficient optimal est \(a=\mathrm{Cov}(X,Y)/V(X)\) et l’ordonnée à l’origine est \(b=E(Y)-aE(X)\). Sans centrage ou terme constant, \(aX\) n’est pas en général la meilleure approximation affine.
Questions fréquentes
Qu’est-ce que la covariance en termes simples ?
La covariance est l’espérance du produit des écarts aux moyennes. Son signe décrit une tendance de liaison linéaire ; il n’impose pas que chaque augmentation de X accompagne une augmentation ou une baisse de Y. Une covariance nulle n’exclut pas une dépendance non linéaire.
Comment calculer la covariance ?
La méthode la plus rapide est la formule de Koenig-Huygens : \(\mathrm{Cov}(X, Y) = E(XY)- E(X)E(Y)\). On calcule \(E(X)\) et \(E(Y)\) avec les lois marginales, puis \(E(XY)\) par le théorème de transfert à partir de la loi conjointe, et on soustrait.
Comment interpréter le signe de la covariance ?
Le signe donne le sens de la liaison affine. Covariance positive : \(X\) et \(Y\) ont tendance à croître ensemble. Covariance négative : liaison décroissante. En revanche, sa valeur dépend des unités : pour comparer l’intensité, on utilise le coefficient de corrélation, compris entre \(-1\) et \(1\).
Une covariance peut-elle être négative ?
Oui. Une covariance négative signifie que les deux variables varient en sens opposé : quand l’une dépasse sa moyenne, l’autre a tendance à être sous la sienne. Contrairement à la variance, qui est toujours positive, la covariance peut prendre n’importe quel signe.
Quelle est la différence entre covariance et corrélation ?
Pour des variances finies et strictement positives, \(\rho(X,Y)=\mathrm{Cov}(X,Y)/(\sigma_X\sigma_Y)\). La covariance dépend des unités et vérifie \(|\mathrm{Cov}(X,Y)|\leq\sigma_X\sigma_Y\) ; elle n’a pas de borne universelle indépendante des échelles. La corrélation est sans unité et comprise entre −1 et 1.
Quelle est la différence entre covariance et variance ?
La variance mesure la dispersion d’une seule variable ; la covariance mesure la liaison entre deux variables. La variance est un cas particulier de covariance : \(\mathrm{Cov}(X, X) = V(X)\). De plus, la variance est toujours positive, alors que la covariance peut être négative.
Fiche de formules à imprimer
Toutes les formules de la covariance réunies sur une fiche de révision.
📄 L’essentiel du cours en PDFReçois gratuitement le PDF par e-mail.
Pour aller plus loin
Tu maîtrises maintenant la covariance, ses formules et son rôle dans la variance d’une somme. Pour consolider les prérequis et t’entraîner :
- Espérance (1ère) : Cours, Propriétés et Exercices
- Variance (1ère) : Cours, Propriétés et Exercices
- 25 Exercices Variables Aléatoires Prépa Corrigés (PDF)