![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/marginal1.png\")
<\/figure>\n1. Introduction et fondements conceptuels de la distribution marginale<\/h2>\n1.1 D\u00e9finition th\u00e9orique et origine du terme<\/h3>\n
L’\u00e9tymologie du vocable \u00ab marginal \u00bb au sein de la discipline statistique plonge ses racines dans les pratiques concr\u00e8tes de l’arithm\u00e9tique commerciale et des premiers relev\u00e9s d\u00e9mographiques des dix-huiti\u00e8me et dix-neuvi\u00e8me si\u00e8cles. \u00c0 l’origine, les calculateurs et les statisticiens pionniers, \u00e0 l’instar de Karl Pearson<\/a> et de ses contemporains, disposaient les donn\u00e9es observ\u00e9es sous la forme de tableaux \u00e0 double entr\u00e9e trac\u00e9s manuellement sur des feuilles de registre. Afin d’obtenir les totaux de chaque modalit\u00e9 ind\u00e9pendamment des autres facteurs, ils inscrivaient naturellement les sommes arithm\u00e9tiques dans les marges physiques — c’est-\u00e0-dire le bord droit pour les lignes et la bordure inf\u00e9rieure pour les colonnes — de ces documents cartac\u00e9s. Ce qui n’\u00e9tait initialement qu’une commodit\u00e9 spatiale d’inscription graphique est devenu, au fil de la formalisation des th\u00e9ories probabilistes modernes<\/a>, un concept math\u00e9matique unifi\u00e9 d\u00e9signant la loi univari\u00e9e d’une variable extraite d’un syst\u00e8me multivari\u00e9.<\/p>\n D’un point de vue th\u00e9orique formel, la distribution marginale repr\u00e9sente la loi de probabilit\u00e9 d’une variable al\u00e9atoire consid\u00e9r\u00e9e individuellement, ind\u00e9pendamment des valeurs prises par les autres variables al\u00e9atoires int\u00e9gr\u00e9es au syst\u00e8me conjoint \u00e9tudi\u00e9. Soit un vecteur al\u00e9atoire d\u00e9fini sur un espace de probabilit\u00e9 donn\u00e9 ; la marginalisation consiste \u00e0 calculer la probabilit\u00e9 d’occurrence d’un sous-ensemble d’\u00e9v\u00e9nements en sommant ou en int\u00e9grant la fonction de distribution conjointe sur l’ensemble de l’espace d’\u00e9tats des variables non cibl\u00e9es. Cette op\u00e9ration de r\u00e9duction dimensionnelle est cruciale en sciences psychologiques et comportementales, o\u00f9 l’on observe simultan\u00e9ment de multiples facettes d’un construit psychologique, telles que l’anxi\u00e9t\u00e9, l’extraversion ou la m\u00e9moire de travail. Elle permet de simplifier l’analyse en ramenant l’attention sur les propri\u00e9t\u00e9s distributives intrins\u00e8ques d’un trait singulier.<\/p>\n Il importe de distinguer rigoureusement la distribution marginale d’une simple mesure univari\u00e9e isol\u00e9e. Lorsqu’une variable est mesur\u00e9e en dehors de tout cadre multivari\u00e9, elle ignore totalement la pr\u00e9sence d’autres covariables. En revanche, la projection marginale d’une variable au sein d’une distribution conjointe pr\u00e9serve l’empreinte de la population parente et conserve une coh\u00e9rence math\u00e9matique stricte avec les covariances sous-jacentes. La marginale n’est donc pas une variable recueillie isol\u00e9ment, mais bien le r\u00e9sultat d’un processus d\u00e9lib\u00e9r\u00e9 d’agr\u00e9gation stochastique qui int\u00e8gre l’ensemble des sc\u00e9narios possibles offerts par les autres dimensions comportementales ou biologiques mesur\u00e9es lors du protocole exp\u00e9rimental.<\/p>\n Dans l’exploration quantitative des conduites humaines et des processus psychiques, l’analyse marginale remplit plusieurs fonctions \u00e9pist\u00e9mologiques et pratiques de premier ordre. En premier lieu, elle offre la possibilit\u00e9 de caract\u00e9riser les traits de personnalit\u00e9, les aptitudes cognitives ou les \u00e9tats \u00e9motionnels ind\u00e9pendamment des variables sociod\u00e9mographiques qui composent fr\u00e9quemment l’arri\u00e8re-plan des \u00e9tudes cliniques. Par exemple, lorsqu’un chercheur analyse l’\u00e9chelle d’un inventaire de personnalit\u00e9 administr\u00e9 \u00e0 une cohorte h\u00e9t\u00e9rog\u00e8ne comprenant divers groupes d’\u00e2ge, de milieux socio-\u00e9conomiques et de genres, l’\u00e9valuation de la distribution marginale du score d’extraversion permet d’observer la dispersion globale de ce trait au sein de la population g\u00e9n\u00e9rale avant d’examiner ses modulations en fonction des sous-groupes d\u00e9mographiques.<\/p>\n De surcro\u00eet, la marginalisation est un instrument d’\u00e9valuation critique de la repr\u00e9sentativit\u00e9 des \u00e9chantillons en recherche clinique et exp\u00e9rimentale. En confrontant les distributions marginales observ\u00e9es au sein d’une cohorte (par exemple, la r\u00e9partition marginale des \u00e2ges ou des niveaux de scolarit\u00e9) aux donn\u00e9es de recensement publi\u00e9es par les instituts officiels de statistique, le psychom\u00e9tricien peut imm\u00e9diatement quantifier les d\u00e9rives de recrutement et identifier d’\u00e9ventuels biais de s\u00e9lection. Si la distribution marginale de l’\u00e2ge d’un \u00e9chantillon exp\u00e9rimental pr\u00e9sente un \u00e9cart structurel avec la pyramide des \u00e2ges nationale, la validit\u00e9 externe des inf\u00e9rences ult\u00e9rieures s’en trouve compromise, ind\u00e9pendamment de la robustesse des corr\u00e9lations internes observ\u00e9es.<\/p>\n Enfin, l’examen des marges conditionne l’identification des taux de r\u00e9ponse globaux et des pr\u00e9valences de base avant toute tentative d’exploration des interactions comportementales complexes. En psychologie sociale ou en psychopathologie exp\u00e9rimentale, il est indispensable de conna\u00eetre la proportion brute d’individus manifestant un sympt\u00f4me ou adh\u00e9rant \u00e0 une attitude donn\u00e9e — ce que traduit pr\u00e9cis\u00e9ment la probabilit\u00e9 marginale — avant d’\u00e9mettre des hypoth\u00e8ses causales sur les corr\u00e9lations reliant ces manifestations \u00e0 des d\u00e9clencheurs situationnels ou \u00e0 des pr\u00e9dispositions g\u00e9n\u00e9tiques sp\u00e9cifiques.<\/p>\n L’analyse des distributions marginales repose sur un ensemble d’axiomes fondamentaux issus de l’axiomatisation de Kolmogorov. Le premier de ces principes est l’axiome de sommation unitaire, qui stipule imp\u00e9rativement que la somme — ou l’int\u00e9grale selon que l’espace consid\u00e9r\u00e9 est discret ou continu — de l’ensemble des probabilit\u00e9s ou des densit\u00e9s marginales associ\u00e9es \u00e0 toutes les modalit\u00e9s possibles d’une variable doit \u00eatre rigoureusement \u00e9gale \u00e0 l’unit\u00e9 (soit 1, ou 100 % de la masse de probabilit\u00e9). Cette contrainte n’est pas une simple convention formelle ; elle d\u00e9coule directement du fait que l’union de tous les \u00e9v\u00e9nements marginaux possibles reconstitue l’univers certain Ω de l’exp\u00e9rience al\u00e9atoire.<\/p>\n Un deuxi\u00e8me principe fondamental r\u00e9side dans la conservation de l’information univari\u00e9e lors de la marginalisation. Bien que le passage d’une distribution conjointe bidimensionnelle ou multidimensionnelle \u00e0 une distribution marginale entra\u00eene une perte d\u00e9finitive d’information concernant les corr\u00e9lations, covariances et associations conditionnelles unissant les variables, la marginale conserve intacte l’int\u00e9gralit\u00e9 de la structure statistique propre \u00e0 la variable projet\u00e9e. Sa moyenne marginale, sa variance marginale ainsi que tous ses moments d’ordres sup\u00e9rieurs (asym\u00e9trie, aplatissement) demeurent rigoureusement exacts et fid\u00e8les \u00e0 la dynamique qu’elle pr\u00e9sentait au sein de l’espace multidimensionnel originel.<\/p>\n D’un point de vue g\u00e9om\u00e9trique et fonctionnel, l’op\u00e9ration de marginalisation peut \u00eatre mod\u00e9lis\u00e9e comme une projection orthogonale au sein d’un espace de Hilbert<\/a> form\u00e9 par les variables al\u00e9atoires de carr\u00e9 int\u00e9grable. Lorsque l’on projette la mesure de probabilit\u00e9 conjointe sur le sous-espace vectoriel engendr\u00e9 par une seule coordonn\u00e9e, on applique un op\u00e9rateur lin\u00e9aire qui fait abstraction des coordonn\u00e9es orthogonales. Cette perspective g\u00e9om\u00e9trique clarifie pourquoi la marginalisation est une transformation irr\u00e9versible : \u00e0 l’instar d’une ombre projet\u00e9e dont on ne peut d\u00e9duire la forme tridimensionnelle exacte sans informations st\u00e9r\u00e9oscopiques suppl\u00e9mentaires, une distribution marginale ne contient pas en elle-m\u00eame les donn\u00e9es n\u00e9cessaires \u00e0 la reconstruction de la matrice de covariance conjointe.<\/p>\n En psychom\u00e9trie et en analyse des donn\u00e9es qualitatives, le tableau de contingence (ou table \u00e0 double entr\u00e9e) repr\u00e9sente la structure matricielle classique permettant de mod\u00e9liser simultan\u00e9ment deux variables cat\u00e9gorielles ou discr\u00e9tis\u00e9es. Ce tableau s’organise rigoureusement sous la forme d’une matrice comportant r<\/em> lignes (repr\u00e9sentant les modalit\u00e9s d’une premi\u00e8re variable not\u00e9e X<\/em>) et c<\/em> colonnes (repr\u00e9sentant les modalit\u00e9s d’une seconde variable not\u00e9e Y<\/em>). \u00c0 l’intersection de chaque ligne i<\/em> (avec i<\/em> allant de 1 \u00e0 r<\/em>) et de chaque colonne j<\/em> (avec j<\/em> allant de 1 \u00e0 c<\/em>) se trouve une cellule conjointe qui h\u00e9berge l’effectif observ\u00e9, commun\u00e9ment not\u00e9 nij<\/sub><\/em>. Cet effectif correspond au d\u00e9nombrement absolu des sujets de l’\u00e9chantillon pr\u00e9sentant simultan\u00e9ment la modalit\u00e9 xi<\/sub><\/em> de la premi\u00e8re variable et la modalit\u00e9 yj<\/sub><\/em> de la seconde.<\/p>\n L’anatomie d’une table de contingence ne se limite pas \u00e0 ces cellules internes qui captent la coexistence des attributs. Elle comprend obligatoirement des vecteurs de bordure d\u00e9di\u00e9s, situ\u00e9s \u00e0 l’extr\u00e9mit\u00e9 droite de chaque ligne et \u00e0 la partie inf\u00e9rieure de chaque colonne. Ces vecteurs h\u00e9bergent les effectifs marginaux, formellement not\u00e9s ni.<\/sub><\/em> pour les totaux des lignes et n.j<\/sub><\/em> pour les totaux des colonnes. Le point plac\u00e9 en indice remplace conventionnellement la dimension sur laquelle la sommation a \u00e9t\u00e9 op\u00e9r\u00e9e, signifiant de mani\u00e8re explicite que l’indice correspondant a \u00e9t\u00e9 agr\u00e9g\u00e9 sur l’ensemble de son domaine de d\u00e9finition.<\/p>\n Dans les applications psychom\u00e9triques courantes, ce dispositif matriciel permet de croiser, par exemple, le statut diagnostique d’un patient (D\u00e9pression s\u00e9v\u00e8re, D\u00e9pression mod\u00e9r\u00e9e, T\u00e9moin sain) avec son profil d’adh\u00e9sion \u00e0 une psychoth\u00e9rapie (Adh\u00e9sion forte, Adh\u00e9sion partielle, Abandon). Les cellules centrales de la table illustrent la mani\u00e8re dont les patients se distribuent dans les combinaisons sp\u00e9cifiques de ces deux dimensions, tandis que les vecteurs marginaux situ\u00e9s sur les pourtours du tableau d\u00e9crivent s\u00e9par\u00e9ment la pr\u00e9valence globale de chaque classe diagnostique d’une part, et les taux globaux d’adh\u00e9sion th\u00e9rapeutique d’autre part.<\/p>\n Le passage des effectifs conjoints aux effectifs marginaux s’effectue au moyen d’une r\u00e8gle de sommation arithm\u00e9tique simple mais syst\u00e9matique. Pour obtenir l’effectif marginal absolu associ\u00e9 \u00e0 une modalit\u00e9 sp\u00e9cifique xi<\/sub><\/em> de la variable en ligne, le statisticien proc\u00e8de \u00e0 la sommation de tous les effectifs observ\u00e9s le long de la ligne i<\/em>, en faisant varier l’indice de colonne j<\/em> sur la totalit\u00e9 de ses valeurs possibles. L’expression math\u00e9matique formelle de ce total marginal en ligne s’\u00e9crit :<\/p>\n ni.<\/sub> = ∑j=1<\/sub>c<\/sup> nij<\/sub><\/em><\/p>\n De fa\u00e7on sym\u00e9trique, l’obtention de l’effectif marginal absolu li\u00e9 \u00e0 une modalit\u00e9 donn\u00e9e yj<\/sub><\/em> de la variable dispos\u00e9e en colonne implique de sommer l’int\u00e9gralit\u00e9 des cellules de la colonne j<\/em> en faisant d\u00e9filer l’indice de ligne i<\/em> sur l’ensemble des r<\/em> modalit\u00e9s. L’expression du total marginal en colonne s’\u00e9nonce ainsi :<\/p>\n n.j<\/sub> = ∑i=1<\/sub>r<\/sup> nij<\/sub><\/em><\/p>\n La validit\u00e9 structurelle de la matrice repose sur une r\u00e8gle de fermeture universelle : la sommation de l’ensemble des totaux marginaux de ligne doit \u00eatre strictement \u00e9gale \u00e0 la sommation de tous les totaux marginaux de colonne, cette somme commune co\u00efncidant parfaitement avec l’effectif global N<\/em> de l’\u00e9chantillon exp\u00e9rimental. Cette \u00e9galit\u00e9 fondamentale s’exprime par la relation bilat\u00e9rale suivante :<\/p>\n N = ∑i=1<\/sub>r<\/sup> ni.<\/sub> = ∑j=1<\/sub>c<\/sup> n.j<\/sub> = ∑i=1<\/sub>r<\/sup> ∑j=1<\/sub>c<\/sup> nij<\/sub><\/em><\/p>\n Toute discordance observ\u00e9e entre ces diff\u00e9rentes sommations marginales et le grand total d\u00e9note in\u00e9vitablement une anomalie m\u00e9thodologique, telle que la pr\u00e9sence de donn\u00e9es manquantes non imput\u00e9es, une double comptabilisation d’individus ou des erreurs mat\u00e9rielles de saisie au cours de la collecte des donn\u00e9es exp\u00e9rimentales.<\/p>\n Bien que les effectifs absolus soient indispensables pour r\u00e9aliser des tests inf\u00e9rentiels param\u00e9triques ou non param\u00e9triques, la comparaison d’\u00e9chantillons de tailles divergentes exige la normalisation de ces quantit\u00e9s sous la forme de fr\u00e9quences relatives marginales. Cette conversion s’obtient simplement en divisant chaque effectif marginal absolu par le grand total N<\/em> de la cohorte \u00e9valu\u00e9e. La fr\u00e9quence relative marginale de la modalit\u00e9 xi<\/sub><\/em> s’exprime par le rapport :<\/p>\n fi.<\/sub> = ni.<\/sub> \/ N<\/em><\/p>\n De m\u00eame, la fr\u00e9quence relative marginale associ\u00e9e \u00e0 la modalit\u00e9 yj<\/sub><\/em> de la variable en colonne r\u00e9pond \u00e0 la formulation math\u00e9matique :<\/p>\n f.j<\/sub> = n.j<\/sub> \/ N<\/em><\/p>\n Ces fr\u00e9quences relatives peuvent \u00eatre converties sans ambigu\u00eft\u00e9 en pourcentages marginaux par simple multiplication par 100. Elles remplissent une fonction essentielle dans les protocoles d’enqu\u00eate et les sondages d’opinion, car elles mat\u00e9rialisent ce que la th\u00e9orie bay\u00e9sienne qualifie de probabilit\u00e9s marginales a priori<\/a>. En l’absence de toute information concernant la valeur prise par la variable Y<\/em> pour un participant tir\u00e9 au sort au sein de la population, la fr\u00e9quence fi.<\/sub><\/em> constitue la meilleure estimation empirique de la probabilit\u00e9 que cet individu pr\u00e9sente le trait ou le statut xi<\/sub><\/em>.<\/p>\n Ces distributions relatives marginales ob\u00e9issent sans d\u00e9rogation aux propri\u00e9t\u00e9s de normalisation probabiliste : la somme des fr\u00e9quences de la marge horizontale \u00e9gale 1 (∑ fi.<\/sub><\/em> = 1,00), et il en va rigoureusement de m\u00eame pour la marge verticale (∑ f.j<\/sub><\/em> = 1,00). Ces vecteurs marginaux constituent donc de v\u00e9ritables lois de probabilit\u00e9 discr\u00e8tes univari\u00e9es, autonomes dans leur lecture descriptive mais articul\u00e9es \u00e0 la loi conjointe dont elles proviennent.<\/p>\n L’\u00e9tude formelle des distributions marginales discr\u00e8tes s’appuie sur le formalisme des probabilit\u00e9s discr\u00e8tes appliqu\u00e9 aux couples de variables al\u00e9atoires. Soient deux variables al\u00e9atoires discr\u00e8tes X<\/em> et Y<\/em> d\u00e9finies sur un m\u00eame univers d’\u00e9v\u00e9nements probabilis\u00e9 (Ω, A<\/em>, P<\/em>), prenant leurs valeurs respectives dans des ensembles d\u00e9nombrables SX<\/sub><\/em> = {x1<\/sub>, x2<\/sub>, …, xr<\/sub><\/em>} et SY<\/sub><\/em> = {y1<\/sub>, y2<\/sub>, …, yc<\/sub><\/em>}. La loi conjointe de ces deux variables est d\u00e9termin\u00e9e par la fonction de masse conjointe d\u00e9finie pour tout couple (xi<\/sub>, yj<\/sub><\/em>) par la probabilit\u00e9 d’intersection :<\/p>\n pXY<\/sub>(xi<\/sub>, yj<\/sub>) = P(X = xi<\/sub> ∩ Y = yj<\/sub>)<\/em><\/p>\n La fonction de masse marginale de la variable X<\/em>, not\u00e9e pX<\/sub>(xi<\/sub>)<\/em> ou simplement P(X = xi<\/sub>)<\/em>, est obtenue en invoquant formellement le th\u00e9or\u00e8me des probabilit\u00e9s totales<\/a>. Ce th\u00e9or\u00e8me \u00e9nonce que si un ensemble d’\u00e9v\u00e9nements constitue une partition finie ou d\u00e9nombrable de l’univers, la probabilit\u00e9 d’un \u00e9v\u00e9nement quelconque s’obtient en sommant les probabilit\u00e9s des intersections de cet \u00e9v\u00e9nement avec chaque \u00e9l\u00e9ment de la partition. En consid\u00e9rant les \u00e9v\u00e9nements {Y = yj<\/sub><\/em>} comme formant une partition de Ω, la loi marginale s’exprime selon la formule :<\/p>\n P(X = xi<\/sub>) = ∑j<\/sub> P(X = xi<\/sub> ∩ Y = yj<\/sub>) = ∑j<\/sub> pXY<\/sub>(xi<\/sub>, yj<\/sub>)<\/em><\/p>\n Sym\u00e9triquement, la fonction de masse de probabilit\u00e9 marginale de la variable Y<\/em> s’\u00e9crit formellement en agr\u00e9geant les modalit\u00e9s de la variable X<\/em> :<\/p>\n P(Y = yj<\/sub>) = ∑i<\/sub> P(X = xi<\/sub> ∩ Y = yj<\/sub>) = ∑i<\/sub> pXY<\/sub>(xi<\/sub>, yj<\/sub>)<\/em><\/p>\n Les conditions de validit\u00e9 statistique de ces fonctions marginales imposent que pour tout xi<\/sub><\/em> ∈ SX<\/sub><\/em>, on ait 0 ≤ P(X = xi<\/sub>)<\/em> ≤ 1, et que la s\u00e9rie convergente des masses marginales v\u00e9rifie la condition d’\u00e9galisation : ∑i<\/sub> P(X = xi<\/sub>)<\/em> = 1. Ce domaine de d\u00e9finition s’\u00e9tend sans difficult\u00e9 th\u00e9orique aux vecteurs multivari\u00e9s de dimension sup\u00e9rieure, o\u00f9 la marginalisation sur un sous-ensemble de variables implique une sommation multidimensionnelle sur l’ensemble des coordonn\u00e9es compl\u00e9mentaires.<\/p>\n Une fois la fonction de masse marginale \u00e9tablie, la variable al\u00e9atoire univari\u00e9e qui en d\u00e9coule poss\u00e8de son propre syst\u00e8me de moments statistiques, qui d\u00e9crivent synth\u00e9tiquement la tendance centrale, la dispersion et la morphologie de sa distribution. L’esp\u00e9rance math\u00e9matique marginale — qui \u00e9quivaut \u00e0 la moyenne th\u00e9orique de la variable X<\/em> consid\u00e9r\u00e9e isol\u00e9ment au sein du mod\u00e8le — se calcule exclusivement \u00e0 partir des masses marginales pond\u00e9rant chaque valeur possible :<\/p>\n E[X] = μX<\/sub> = ∑i<\/sub> xi<\/sub> · P(X = xi<\/sub>)<\/em><\/p>\n Cette moyenne marginale poss\u00e8de une propri\u00e9t\u00e9 d’invariance fondamentale : elle co\u00efncide rigoureusement avec la composante correspondante du vecteur d’esp\u00e9rance multivari\u00e9 du couple al\u00e9atoire originel. En second lieu, la variabilit\u00e9 propre \u00e0 la variable est quantifi\u00e9e par la variance marginale, not\u00e9e Var(X)<\/em> ou σX<\/sub>2<\/sup>, laquelle mesure la dispersion quadratique moyenne des observations individuelles autour de l’esp\u00e9rance marginale :<\/p>\n Var(X) = σX<\/sub>2<\/sup> = E[(X – μX<\/sub>)2<\/sup>] = ∑i<\/sub> (xi<\/sub> – μX<\/sub>)2<\/sup> · P(X = xi<\/sub>) = ∑i<\/sub> xi<\/sub>2<\/sup> · P(X = xi<\/sub>) – μX<\/sub>2<\/sup><\/em><\/p>\n L’analyse distributionnelle approfondie n\u00e9cessite fr\u00e9quemment l’\u00e9valuation des moments centr\u00e9s d’ordre sup\u00e9rieur. Le coefficient d’asym\u00e9trie marginal (skewness<\/a>), γ1<\/sub>, permet de d\u00e9terminer si la distribution marginale des scores s’\u00e9tire vers les valeurs positives ou n\u00e9gatives :<\/p>\n1.2 Importance de l’approche marginale en sciences du comportement<\/h3>\n
1.3 Principes d’invariance et axiomes probabilistes associ\u00e9s<\/h3>\n
2. Le tableau de contingence : structure matricielle et lecture marginale<\/h2>\n
2.1 Anatomie d’une table \u00e0 double entr\u00e9e en psychom\u00e9trie<\/h3>\n
![\"Marginal](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/marginal2.png\")
2.2 Calcul des effectifs marginaux absolus<\/h3>\n
2.3 Conversion des effectifs en fr\u00e9quences relatives marginales<\/h3>\n
3. Formalisation math\u00e9matique des distributions marginales discr\u00e8tes<\/h2>\n
3.1 Notation math\u00e9matique et loi de probabilit\u00e9 marginale<\/h3>\n
3.2 Moments statistiques de la distribution marginale<\/h3>\n
![\"Marginal](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/marginal3.png\")