{"id":5907,"date":"2026-09-16T03:29:02","date_gmt":"2026-09-16T03:29:02","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/qu-est-ce-qu-une-distribution-de-probabilite-conjointe\/"},"modified":"2026-09-16T03:29:04","modified_gmt":"2026-09-16T03:29:04","slug":"qu-est-ce-qu-une-distribution-de-probabilite-conjointe","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=qu-est-ce-qu-une-distribution-de-probabilite-conjointe","title":{"rendered":"Qu’est-ce qu’une distribution de probabilit\u00e9 conjointe ?"},"content":{"rendered":"

Dans la gen\u00e8se des sciences contemporaines, la quantification de l’incertitude s’est heurt\u00e9e \u00e0 une r\u00e9alit\u00e9 fondamentale : aucun ph\u00e9nom\u00e8ne complexe n’\u00e9volue de mani\u00e8re strictement isol\u00e9e. Que l’on s’int\u00e9resse \u00e0 la neurobiologie comportementale, aux fluctuations macro\u00e9conomiques ou \u00e0 la m\u00e9canique quantique, l’illusion d’une variable al\u00e9atoire solitaire gouvernant un m\u00e9canisme unitaire s’effondre invariablement face \u00e0 l’enchev\u00eatrement des causalit\u00e9s et des concomitances. La distribution de probabilit\u00e9<\/a> univari\u00e9e, si utile pour d\u00e9crire la dispersion d’un attribut singulier, se r\u00e9v\u00e8le incapable de saisir les dynamiques relationnelles, les covariations et les d\u00e9pendances mutuelles qui constituent l’essence m\u00eame de l’architecture du monde r\u00e9el.<\/p>\n

Pour d\u00e9passer cette r\u00e9duction \u00e9pist\u00e9mologique, le calcul des probabilit\u00e9s a d\u00e9velopp\u00e9 le cadre math\u00e9matique de la distribution de probabilit\u00e9 conjointe<\/strong>. Cet \u00e9difice conceptuel ne se contente pas d’aligner en parall\u00e8le plusieurs distributions marginales ind\u00e9pendantes ; il \u00e9rige un espace g\u00e9om\u00e9trique et probabiliste multidimensionnel capable de cartographier la structure intime de d\u00e9pendance liant simultan\u00e9ment deux ou plusieurs variables al\u00e9atoires. En attribuant une mesure de vraisemblance \u00e0 chaque combinaison concevable d’\u00e9tats, la loi conjointe devient le socle indispensable \u00e0 toute inf\u00e9rence pr\u00e9dictive, \u00e0 toute mod\u00e9lisation causale et \u00e0 toute d\u00e9composition structurelle des syst\u00e8mes complexes.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une exploration exhaustive de la distribution conjointe, guidant le lecteur depuis ses fondations intuitives dans les tableaux de contingence jusqu’aux th\u00e9or\u00e8mes asymptotiques les plus sophistiqu\u00e9s de la mod\u00e9lisation en haute dimension. \u00c0 travers un dialogue constant entre formalisation math\u00e9matique rigoureuse et applications m\u00e9thodologiques issues notamment de la psychom\u00e9trie, des sciences cognitives et de la science des donn\u00e9es, nous exposerons la m\u00e9canique qui permet de condenser, d’analyser et d’exploiter la totalit\u00e9 de l’information contenue dans les al\u00e9as multiples.<\/p>\n

1. Introduction \u00e9pist\u00e9mologique et conceptuelle \u00e0 la distribution conjointe<\/h2>\n

1.1 Origine et n\u00e9cessit\u00e9 de l’analyse multivari\u00e9e simultan\u00e9e<\/h3>\n

L’histoire de la pens\u00e9e statistique est indissociable du passage progressif d’une vision r\u00e9ductionniste et unidimensionnelle \u00e0 une appr\u00e9hension globale et multivari\u00e9e des ph\u00e9nom\u00e8nes. Aux pr\u00e9mices de la discipline, l’attention des observateurs se focalisait sur des grandeurs isol\u00e9es : la taille moyenne d’une population, le taux de natalit\u00e9 annuel ou la vitesse de s\u00e9dimentation d’un compos\u00e9 chimique. Cependant, ces distributions univari\u00e9es manifestent rapidement des limites structurelles insurmontables d\u00e8s lors que l’on cherche \u00e0 expliquer, et non plus simplement \u00e0 d\u00e9crire. En isolant une variable de son contexte \u00e9cologique, l’analyste commet une amputation informationnelle : il ignore d\u00e9lib\u00e9r\u00e9ment les forces d’entra\u00eenement r\u00e9ciproques, les r\u00e9troactions et les r\u00e9gulations syst\u00e9miques qui gouvernent l’ensemble \u00e9tudi\u00e9.<\/p>\n

La transition conceptuelle de l’observation isol\u00e9e \u00e0 la covariation de variables multiples s’est op\u00e9r\u00e9e au cours du XIXe si\u00e8cle, sous l’impulsion de pionniers comme Francis Galton et Karl Pearson. Confront\u00e9s \u00e0 l’\u00e9tude des caract\u00e8res biologiques h\u00e9r\u00e9ditaires, ces chercheurs comprirent que la distribution des statures des enfants ne pouvait \u00eatre appr\u00e9hend\u00e9e sans y associer simultan\u00e9ment celle des parents. Consid\u00e9rer s\u00e9par\u00e9ment la distribution univari\u00e9e de la taille des g\u00e9niteurs et celle des descendants dissimulait le ph\u00e9nom\u00e8ne essentiel : le degr\u00e9 de transmission du trait d’une g\u00e9n\u00e9ration \u00e0 l’autre. Il devint alors imp\u00e9ratif d’\u00e9laborer un formalisme math\u00e9matique capable d’assigner une probabilit\u00e9 non pas \u00e0 une valeur isol\u00e9e, mais \u00e0 un vecteur d’observations conjointes, capturant ainsi la courbure et l’intensit\u00e9 des liens probabilistes unissant les composantes du syst\u00e8me.<\/p>\n

Dans la mod\u00e9lisation quantitative moderne, la prise en compte simultan\u00e9e des al\u00e9as est devenue un pr\u00e9requis m\u00e9thodologique fondamental. Lorsqu’un algorithme \u00e9value le risque de cr\u00e9dit d’un individu, qu’un mod\u00e8le m\u00e9t\u00e9orologique pr\u00e9voit la trajectoire d’une d\u00e9pression ou qu’un psychologue cognitif analyse l’interaction entre m\u00e9moire de travail et raisonnement abstrait, l’objet math\u00e9matique sous-jacent n’est jamais une succession de lois univari\u00e9es arbitrairement juxtapos\u00e9es. Il s’agit d’une fonction de distribution conjointe, qui prend en charge la totalit\u00e9 de la structure d’interd\u00e9pendance. Sans cette approche multivari\u00e9e, la statistique inf\u00e9rentielle moderne perdrait sa puissance pr\u00e9dictive et son aptitude \u00e0 isoler les structures sous-jacentes \u00e0 travers des m\u00e9thodes avanc\u00e9es telles que les mod\u00e8les d’\u00e9quations structurelles, l’analyse factorielle ou les r\u00e9seaux de neurones profonds probabilistes.<\/p>\n

1.2 D\u00e9finition formelle intuitive de l’\u00e9v\u00e9nement conjoint<\/h3>\n

Sur le plan intuitif, un \u00e9v\u00e9nement probabiliste classique renvoie \u00e0 la r\u00e9alisation d’un \u00e9tat particulier au sein d’un univers des possibles Ω. Lorsque l’on s’\u00e9l\u00e8ve au rang de l’analyse multivari\u00e9e, la notion centrale devient celle d’\u00e9v\u00e9nement conjoint<\/strong>. Consid\u00e9rons deux espaces probabilisables associ\u00e9s respectivement aux variables al\u00e9atoires $X$<\/span> et $Y$<\/span>. Un \u00e9v\u00e9nement conjoint d\u00e9signe la survenue simultan\u00e9e, concomitante et indissociable de la condition $X = x$<\/span> et de la condition $Y = y$<\/span>. G\u00e9om\u00e9triquement et ensemblistement, cet \u00e9tat correspond pr\u00e9cis\u00e9ment \u00e0 l’intersection logique de deux sous-ensembles au sein de la tribu des \u00e9v\u00e9nements : $A cap B$<\/span>, o\u00f9 $A = {\\omega in \\Omega mid X(\\omega) = x}$<\/span> et $B = {\\omega in \\Omega mid Y(\\omega) = y}$<\/span>.<\/p>\n

Le qualificatif de \u00ab conjoint \u00bb requiert une attention s\u00e9mantique particuli\u00e8re. Il ne traduit pas une simple cons\u00e9cution temporelle ou une causalit\u00e9 directionnelle pr\u00e9\u00e9tablie, mais une co-occurrence dans l’espace des phases mesurable. Il convient d’\u00e9tablir une distinction \u00e9pist\u00e9mologique stricte entre des \u00e9v\u00e9nements mutuellement exclusifs et des \u00e9v\u00e9nements concomitants. Deux \u00e9v\u00e9nements sont disjoints ou mutuellement exclusifs lorsque leur intersection est vide ($A cap B = emptyset$<\/span>), ce qui rend leur r\u00e9alisation conjointe rigoureusement impossible ($P(A cap B) = 0$<\/span>). \u00c0 l’inverse, l’analyse conjointe cible des \u00e9v\u00e9nements compossibles, dont la r\u00e9alisation synchrone r\u00e9v\u00e8le la texture informationnelle liant les attributs observ\u00e9s.<\/p>\n

Des illustrations \u00e9l\u00e9mentaires issues de l’observation empirique et de la psychom\u00e9trie \u00e9clairent imm\u00e9diatement cette construction. Imaginons un protocole d’\u00e9valuation neuropsychologique o\u00f9 un sujet est soumis \u00e0 un test d’inhibition cognitive. La performance peut \u00eatre caract\u00e9ris\u00e9e par deux variables : le succ\u00e8s ou l’\u00e9chec \u00e0 la t\u00e2che (variable binaire $X$<\/span>) et la manifestation d’un signe d’anxi\u00e9t\u00e9 neurov\u00e9g\u00e9tative mesur\u00e9 par la r\u00e9ponse \u00e9lectrodermale (variable dichotomis\u00e9e $Y$<\/span>). L’\u00e9v\u00e9nement isol\u00e9 \u00ab le sujet \u00e9choue \u00bb n’offre qu’un aper\u00e7u partiel du fonctionnement cognitif ; de m\u00eame, l’\u00e9v\u00e9nement isol\u00e9 \u00ab le sujet pr\u00e9sente une activation \u00e9lectrodermale \u00e9lev\u00e9e \u00bb reste ambigu sur le plan clinique. C’est l’\u00e9v\u00e9nement conjoint \u2014 \u00ab le sujet \u00e9choue ET pr\u00e9sente une r\u00e9ponse \u00e9lectrodermale \u00e9lev\u00e9e \u00bb \u2014 qui constitue l’unit\u00e9 d’analyse signifiante. La distribution de probabilit\u00e9 conjointe a pour r\u00f4le d’affecter un poids stochastique \u00e0 chacune de ces configurations synchrones pour dresser la cartographie exhaustive du comportement \u00e9tudi\u00e9.<\/p>\n

2. Du tableau de contingence \u00e0 la loi de probabilit\u00e9 discr\u00e8te<\/h2>\n

2.1 Structure et lecture d’un tableau crois\u00e9 \u00e0 deux entr\u00e9es<\/h3>\n

La porte d’entr\u00e9e la plus concr\u00e8te vers la formalisation d’une loi conjointe discr\u00e8te r\u00e9side dans le tableau de contingence, ou tableau crois\u00e9 \u00e0 deux entr\u00e9es. Imagin\u00e9 pour consigner les observations empiriques de deux variables qualitatives ou discr\u00e8tes, ce dispositif organise les donn\u00e9es selon une architecture matricielle bidimensionnelle. Les lignes du tableau correspondent aux diff\u00e9rentes modalit\u00e9s ou valeurs r\u00e9alisables par la premi\u00e8re variable $X$<\/span>, indic\u00e9es par $i in {1, dots, r}$<\/span>, tandis que les colonnes mat\u00e9rialisent les modalit\u00e9s de la seconde variable $Y$<\/span>, indic\u00e9es par $j in {1, dots, c}$<\/span>.<\/p>\n

Chaque cellule interne \u00e0 l’intersection de la $i$<\/span>-i\u00e8me ligne et de la $j$<\/span>-i\u00e8me colonne h\u00e9berge un effectif conjoint observ\u00e9, conventionnellement not\u00e9 $n_{ij}$<\/span>. Ce nombre entier repr\u00e9sente la quantit\u00e9 exacte d’individus ou d’unit\u00e9s exp\u00e9rimentales qui manifestent simultan\u00e9ment la modalit\u00e9 $x_i$<\/span> et la modalit\u00e9 $y_j$<\/span>. La rigueur m\u00e9thodologique impose de tracer une fronti\u00e8re conceptuelle infranchissable entre ces effectifs observ\u00e9s $n_{ij}$<\/span>, contingents \u00e0 l’\u00e9chantillon pr\u00e9lev\u00e9 et soumis aux al\u00e9as d’\u00e9chantillonnage, et les probabilit\u00e9s th\u00e9oriques sous-jacentes $p_{ij} = P(X = x_i, Y = y_j)$<\/span>, qui gouvernent le m\u00e9canisme g\u00e9n\u00e9rateur de donn\u00e9es au sein de la population cible globale.<\/p>\n

Prenons un exemple paradigmatique emprunt\u00e9 \u00e0 la psychologie sociale du consommateur : croisons le style d\u00e9cisionnel d’un groupe d’individus ($X$<\/span>, prenant les modalit\u00e9s {Rationnel, Intuitif}) avec leur modalit\u00e9 d’engagement envers une nouvelle technologie ($Y$<\/span>, prenant les valeurs {Adoption imm\u00e9diate, H\u00e9sitation, Rejet}). Le tableau de contingence issu d’une enqu\u00eate sur un \u00e9chantillon de 500 participants comportera 2 lignes et 3 colonnes, g\u00e9n\u00e9rant 6 cellules d’intersection. L’effectif $n_{11}$<\/span> indiquera combien d’individus sont \u00e0 la fois rationnels et adoptants imm\u00e9diats, tandis que $n_{23}$<\/span> d\u00e9nombrera les profils intuitifs ayant rejet\u00e9 l’innovation. Cette disposition bidimensionnelle condense l’int\u00e9gralit\u00e9 du profil d’association empirique sans alt\u00e9rer l’individualit\u00e9 de chaque combinaison d’attributs.<\/p>\n

\"\"<\/figure>\n

2.2 Normalisation et passage aux fr\u00e9quences relatives conjointes<\/h3>\n

Pour s’extraire de la d\u00e9pendance \u00e0 la taille d’un \u00e9chantillon sp\u00e9cifique et amorcer la transition vers la th\u00e9orie des probabilit\u00e9s, les effectifs bruts doivent subir une op\u00e9ration de normalisation arithm\u00e9tique. Cette \u00e9tape consiste \u00e0 diviser chaque effectif conjoint $n_{ij}$<\/span> par l’effectif total d’observations $N$<\/span>, o\u00f9 :<\/p>\n

$$N = \\sum_{i=1}^r \\sum_{j=1}^c n_{ij}$$<\/span><\/p>\n

Le ratio obtenu d\u00e9finit la fr\u00e9quence relative conjointe, not\u00e9e $f_{ij} = \\frac{n_{ij}}{N}$<\/span>. Selon la loi forte des grands nombres, sous des conditions d’\u00e9chantillonnage al\u00e9atoire et simple, cette fr\u00e9quence empirique converge presque s\u00fbrement vers la probabilit\u00e9 th\u00e9orique conjointe lorsque la taille de l’\u00e9chantillon tend vers l’infini : $\\lim_{N to \\infty} f_{ij} = P(X = x_i, Y = y_j)$<\/span>. La fr\u00e9quence relative constitue ainsi un estimateur non biais\u00e9<\/a> et convergent de la loi de probabilit\u00e9 conjointe du syst\u00e8me bivari\u00e9.<\/p>\n

Une propri\u00e9t\u00e9 fondamentale d\u00e9coule m\u00e9caniquement de cette normalisation : la contrainte de sommabilit\u00e9 unitaire. Puisque la somme de toutes les cellules internes reproduit par construction l’effectif total $N$<\/span>, la double sommation des fr\u00e9quences relatives conjointes sur l’ensemble de la grille matricielle est obligatoirement \u00e9gale \u00e0 l’unit\u00e9 :<\/p>\n

$$\\sum_{i=1}^r \\sum_{j=1}^c f_{ij} = \\sum_{i=1}^r \\sum_{j=1}^c \\frac{n_{ij}}{N} = \\frac{N}{N} = 1$$<\/span><\/p>\n

Sur le plan \u00e9pist\u00e9mologique, cette \u00e9galit\u00e9 traduit l’exhaustivit\u00e9 de la partition de l’univers des \u00e9tats possibles : l’espace produit des modalit\u00e9s de $X$<\/span> et de $Y$<\/span> circonscrit l’int\u00e9gralit\u00e9 des r\u00e9alisations concevables. Chaque case du tableau normalis\u00e9 n’exprime plus une quantit\u00e9 d’individus, mais une mesure de masse probabiliste, fournissant l’\u00e9valuation empirique de la propension d’un sujet al\u00e9atoirement tir\u00e9 \u00e0 occuper cet \u00e9tat bivari\u00e9 pr\u00e9cis.<\/p>\n

2.3 Notation math\u00e9matique standard pour les variables discr\u00e8tes<\/h3>\n

L’expression probabiliste rigoureuse des structures observ\u00e9es dans les tableaux crois\u00e9s requiert un appareillage formel unifi\u00e9. Lorsque les variables $X$<\/span> et $Y$<\/span> sont des variables al\u00e9atoires discr\u00e8tes prenant respectivement leurs valeurs dans les ensembles d\u00e9nombrables $\\mathcal{X} = {x_1, x_2, dots}$<\/span> et $\\mathcal{Y} = {y_1, y_2, dots}$<\/span>, la probabilit\u00e9 que $X$<\/span> prenne la valeur $x$<\/span> et que $Y$<\/span> prenne la valeur $y$<\/span> se formule indistinctement sous les notations \u00e9quivalentes :<\/p>\n

$$P(X = x \\text{ et } Y = y) \\equiv P({X = x} \\cap {Y = y}) \\equiv P(X = x, Y = y)$$<\/span><\/p>\n

La virgule s\u00e9parant les deux variables dans l’\u00e9criture abr\u00e9g\u00e9e $P(X = x, Y = y)$<\/span> joue le r\u00f4le d’un connecteur logique de conjonction conjonctive. Pour manipuler ais\u00e9ment cet objet, on d\u00e9finit la fonction de masse conjointe<\/strong> (ou loi de probabilit\u00e9 conjointe), traditionnellement d\u00e9sign\u00e9e par $p_{X, Y}(x, y)$<\/span> ou plus sobrement par $p(x, y)$<\/span> lorsque l’assignation des variables ne pr\u00e9sente aucune ambigu\u00eft\u00e9. Cette fonction est une application formelle dont le domaine de d\u00e9part est le produit cart\u00e9sien des supports discrets et dont l’espace d’arriv\u00e9e est l’intervalle r\u00e9el $[0, 1]$<\/span> :<\/p>\n

$$p_{X, Y} : \\mathcal{X} \\times \\mathcal{Y} to [0, 1], \\quad (x, y) \\mapsto P(X = x, Y = y)$$<\/span><\/p>\n

Lorsque les supports $\\mathcal{X}$<\/span> et $\\mathcal{Y}$<\/span> sont finis, comprenant respectivement $r$<\/span> et $c$<\/span> \u00e9l\u00e9ments ordonn\u00e9s, la fonction de masse conjointe admet une repr\u00e9sentation matricielle compacte. On note cette matrice stochastique $\\mathbf{P} in \\mathbb{R}^{r \\times c}$<\/span>, o\u00f9 chaque coefficient $[\\mathbf{P}]_{ij} = p(x_i, y_j)$<\/span> v\u00e9rifie scrupuleusement les contraintes de non-n\u00e9gativit\u00e9 et de normalisation globale. Cette \u00e9criture alg\u00e9brique s’av\u00e8re particuli\u00e8rement puissante pour automatiser les calculs d’esp\u00e9rances, de moments crois\u00e9s et de projections marginales via des produits matriciels matriciels vectoriels \u00e9l\u00e9mentaires.<\/p>\n

3. Formalisation math\u00e9matique : Le cas des variables discr\u00e8tes<\/h2>\n

3.1 Axiomatique et propri\u00e9t\u00e9s de la fonction de masse conjointe<\/h3>\n

L’assise math\u00e9matique d’une distribution conjointe discr\u00e8te repose sur l’axiomatique de Kolmogorov adapt\u00e9e aux espaces produits. Une fonction arbitraire $p(x, y)$<\/span> d\u00e9finie sur un ensemble produit discret $\\mathcal{S} = \\mathcal{X} \\times \\mathcal{Y}$<\/span> constitue une fonction de masse de probabilit\u00e9 conjointe valide si et seulement si elle satisfait imp\u00e9rativement deux axiomes directeurs :<\/p>\n

    \n
  1. Axiome de non-n\u00e9gativit\u00e9 :<\/strong> Pour tout couple $(x, y) in \\mathcal{X} \\times \\mathcal{Y}$<\/span>, $p(x, y) ge 0$<\/span>. Aucune probabilit\u00e9 ne peut \u00eatre strictement n\u00e9gative, et les couples appartenant au produit cart\u00e9sien mais impossibles dans les faits se voient assigner une valeur nulle ($p(x, y) = 0$<\/span>).<\/li>\n
  2. Axiome de normalisation totale :<\/strong> La double somme \u00e9tendue \u00e0 l’ensemble du support conjoint doit converger et valoir rigoureusement l’unit\u00e9 :
    \n $$\\sum_{x in \\mathcal{X}} \\sum_{y in \\mathcal{Y}} p(x, y) = 1$$<\/span><\/li>\n<\/ol>\n

    \u00c0 partir de ces deux contraintes fondamentales, le calcul de la probabilit\u00e9 d’un \u00e9v\u00e9nement arbitraire $A \\subseteq \\mathcal{X} \\times \\mathcal{Y}$<\/span> s’obtient par l’application de la propri\u00e9t\u00e9 d’additivit\u00e9 d\u00e9nombrable. Si l’\u00e9v\u00e9nement d’int\u00e9r\u00eat correspond \u00e0 une r\u00e9gion g\u00e9om\u00e9trique sp\u00e9cifique du plan discret (par exemple, la probabilit\u00e9 que la somme des variables exc\u00e8de un seuil critique $k$<\/span>), la mesure de cet \u00e9v\u00e9nement se calcule en sommant la fonction de masse conjointe sur l’ensemble des couples satisfaisant ce crit\u00e8re :<\/p>\n

    $$P((X, Y) in A) = \\sum_{(x, y) in A} p(x, y)$$<\/span><\/p>\n

    La distinction math\u00e9matique entre un support discret fini et un support d\u00e9nombrable infini introduit des subtilit\u00e9s d’analyse r\u00e9elle. Lorsque les supports $\\mathcal{X}$<\/span> et $\\mathcal{Y}$<\/span> sont infinis d\u00e9nombrables (comme l’ensemble des entiers naturels $\\mathbb{N}$<\/span> dans le cadre de lois de Poisson bivari\u00e9es), la double somme doit faire preuve d’une convergence absolue. En vertu du th\u00e9or\u00e8me de Fubini<\/a> pour les s\u00e9ries doubles \u00e0 termes positifs, la non-n\u00e9gativit\u00e9 garantit que l’ordre de sommation peut \u00eatre interverti sans alt\u00e9rer la valeur de la somme globale, assurant ainsi la robustesse th\u00e9orique des calculs d’esp\u00e9rances et de probabilit\u00e9s marginales.<\/p>\n

    3.2 Construction d’une fonction de r\u00e9partition conjointe discr\u00e8te<\/h3>\n

    Parall\u00e8lement \u00e0 la fonction de masse, la description d’un vecteur al\u00e9atoire discret s’effectue au moyen de la fonction de r\u00e9partition conjointe<\/strong> (ou fonction de distribution cumulative bivari\u00e9e), not\u00e9e $F_{X, Y}(x, y)$<\/span>. Pour un vecteur bidimensionnel $(X, Y)$<\/span>, cette fonction est d\u00e9finie sur l’espace continu $\\mathbb{R}^2$<\/span> tout entier par l’accumulation des probabilit\u00e9s situ\u00e9es dans le quadrant inf\u00e9rieur gauche ind\u00e9fini :<\/p>\n

    $$F_{X, Y}(x, y) = P(X le x, Y le y) = \\sum_{u le x} \\sum_{v le y} p(u, v)$$<\/span><\/p>\n

    Cette fonction de r\u00e9partition cumulative h\u00e9rite de propri\u00e9t\u00e9s structurelles rigoureuses qui refl\u00e8tent la topologie des probabilit\u00e9s sur le plan euclidien. En premier lieu, $F(x, y)$<\/span> est une fonction monotone non d\u00e9croissante par rapport \u00e0 chacune de ses composantes \u00e9valu\u00e9es s\u00e9par\u00e9ment. Fixer une coordonn\u00e9e tout en augmentant l’autre ne peut qu’\u00e9largir l’ensemble d’\u00e9v\u00e9nements cumul\u00e9s, induisant une valeur de probabilit\u00e9 sup\u00e9rieure ou \u00e9gale : si $x_1 le x_2$<\/span>, alors $F(x_1, y) le F(x_2, y)$<\/span> pour tout $y$<\/span> fix\u00e9.<\/p>\n

    En second lieu, le comportement asymptotique aux fronti\u00e8res de l’espace infini respecte scrupuleusement les contraintes d’absorption probabiliste :<\/p>\n

    $$\\lim_{x to -\\infty} F(x, y) = 0, \\quad \\lim_{y to -\\infty} F(x, y) = 0$$<\/span><\/p>\n

    $$\\lim_{x to \\infty, y to \\infty} F(x, y) = 1$$<\/span><\/p>\n

    Dans l’univers discret, $F(x, y)$<\/span> pr\u00e9sente une allure g\u00e9om\u00e9trique caract\u00e9ristique en \u00ab escalier bidimensionnel \u00bb, form\u00e9e d’une mosa\u00efque de plateaux horizontaux discontinus, continus \u00e0 droite le long de chaque dimension. Un int\u00e9r\u00eat majeur de cette fonction r\u00e9side dans la d\u00e9termination de la probabilit\u00e9 d’appartenance \u00e0 un pav\u00e9 rectangulaire semi-ouvert de la forme $]a, b] \\times ]c, d]$<\/span>. Par le principe d’inclusion-exclusion, cette probabilit\u00e9 ne se r\u00e9sume pas \u00e0 une simple diff\u00e9rence bivari\u00e9e, mais implique quatre \u00e9valuations de la fonction de r\u00e9partition cumulative :<\/p>\n

    $$P(a < X le b, c < Y le d) = F(b, d) – F(a, d) – F(b, c) + F(a, c)$$<\/span><\/p>\n

    Le terme correctif $+ F(a, c)$<\/span> compense la double soustraction du quadrant $X le a, Y le c$<\/span>, garantissant que la mesure r\u00e9sultante demeure strictement non n\u00e9gative pour tout rectangle consid\u00e9r\u00e9.<\/p>\n

    3.3 \u00c9tude de cas num\u00e9rique d\u00e9taill\u00e9 d’une loi conjointe discr\u00e8te<\/h3>\n

    Afin de concr\u00e9tiser ces concepts, formalisons un univers d’\u00e9chantillonnage psychom\u00e9trique o\u00f9 deux variables binaires d\u00e9crivent les r\u00e9actions d’\u00e9tudiants face \u00e0 une \u00e9preuve d’\u00e9valuation sous pression chronom\u00e9tr\u00e9e. D\u00e9finissons la variable $X in {0, 1}$<\/span> mesurant l’\u00e9tat de panique cognitive ($0 = \\text{serein}, 1 = \\text{paniqu\u00e9}$<\/span>) et la variable $Y in {0, 1}$<\/span> indiquant la r\u00e9ussite finale \u00e0 l’\u00e9valuation ($0 = \\text{\u00e9chec}, 1 = \\text{succ\u00e8s}$<\/span>). Supposons que l’administration du test \u00e0 une vaste population calibr\u00e9e \u00e9tablisse la fonction de masse conjointe $p(x, y)$<\/span> suivante :<\/p>\n