Aller au contenu principal
📊 L2 • Statistiques et probabilités

QCM Statistiques et probabilités L2 - Covariance : 11 questions corrigées

QCM de 11 questions avec corrections détaillées sur Covariance (Statistiques et probabilités). Révisez efficacement avec des explications pédagogiques pour le niveau L2. Entraînez-vous avec des explications pédagogiques détaillées.

Voir la matière
✍️ Méthode de rédaction et limites • 🎓 +0 réalisations
📝 11 questions 📊 Niveau Fondamentaux ⏱️ ~17 min ✨ Jusqu'à 22 XP

🎯 Prêt à commencer ?

En révision, le corrigé s'affiche après chaque réponse. En challenge et en examen, il n'arrive qu'à la fin.

← Retour aux QCM de Statistiques et probabilités

Covariance et Analyse Statistique

La covariance mesure le degré de variation conjointe de deux variables aléatoires. Une covariance positive indique que les variables tendent à varier dans le même sens, une covariance négative dans le sens opposé. En finance, la covariance entre rendements d'actifs est centrale pour la diversification (Markowitz). La covariance est liée au coefficient de corrélation par une relation de normalisation. C'est un outil fondamental en économétrie et en gestion de portefeuille.

🎯 Objectifs pédagogiques

À la fin de ce chapitre, vous devez être capable de :

  • Définir et calculer la covariance
  • Interpréter le signe et l'amplitude
  • Relier covariance et corrélation
  • Appliquer à la diversification de portefeuille
  • Maîtriser les propriétés algébriques

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Covariance
Cov(X,Y) = E[(X-μX)(Y-μY)]
Corrélation
Covariance normalisée entre -1 et 1
Indépendance
Covariance nulle si indépendantes
Variance du portefeuille
Dépend des covariances entre actifs
Diversification
Réduction du risque par covariances négatives

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Définition et formule
  2. Propriétés de la covariance
  3. Relation avec la corrélation
  4. Matrice de variance-covariance
  5. Application à la finance de portefeuille
  6. Estimation sur échantillon

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Harry Markowitz — Portfolio Selection (1952)
Karl Pearson — Contribution à la théorie de la corrélation

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre covariance et corrélation
  • Croire que covariance nulle = indépendance
  • Ignorer que la covariance dépend des unités

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Construction de portefeuille optimal
  • Régression linéaire multiple

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Statistiques et probabilités

QCM Statistiques et probabilités L2 - Covariance — 11 questions. Statistiques et probabilités · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

Cherchez une réponse, puis ouvrez la correction pour comparer votre raisonnement.

Deux erreurs X et Y, dans la même unité, ont des moments finis, Var(X)=4, Var(Y)=9 et Cov(X,Y)=0. Leur indépendance reste inconnue. Quelle variance a X+Y, en utilisant la condition de non-corrélation effectivement donnée ?
  1. 5 ; la variance de la somme se calcule par différence des deux variances.
  2. 13 ; la non-corrélation permet d’additionner les deux variances.
  3. 25 ; on additionne les deux écarts-types avant d’élever le résultat au carré.
  4. 0 ; la covariance égale à zéro supprime la variance totale de la somme.

Réponse : 13 ; la non-corrélation permet d’additionner les deux variances.

L’identité Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y) donne 4+9+0=13. La covariance nulle suffit pour ce calcul, sans autoriser à conclure que X et Y sont indépendantes. A soustrait les variances alors qu’il s’agit d’une somme. C utilise (2+3)²=25, ce qui exigerait Cov(X,Y)=6, une corrélation positive parfaite. D confond absence de covariance et absence de dispersion des deux variables. Les variances restent positives.

X et Y ont des variances positives et une corrélation 0,6. Un score inversé est défini par X′=−100X, tandis que Y′=Y. Quelle corrélation a le couple (X′,Y′), sachant que Pearson est sans dimension mais sensible à une inversion de sens ?
  1. 0,6 ; la normalisation absorbe le changement de signe du premier score.
  2. −0,6 ; la normalisation absorbe l’échelle mais conserve l’inversion de signe.
  3. −60 ; la corrélation reprend le coefficient appliqué à la covariance.
  4. −0,006 ; la corrélation divise sa valeur initiale par le coefficient d’échelle.

Réponse : −0,6 ; la normalisation absorbe l’échelle mais conserve l’inversion de signe.

La covariance est multipliée par −100, mais σX devient 100σX, car un écart-type est positif. Leur quotient transforme r en −r=−0,6 : l’amplitude de l’échelle s’annule, pas son signe. A étend l’invariance des conversions positives à un score inversé. C transforme la corrélation comme une covariance et sort de [−1 ; 1]. D divise par 100 sans transformer simultanément covariance et écart-type. Le résultat reste sans dimension.

Le couple (X,Y) prend les valeurs (0,0), (1,3) et (3,1), chacune de probabilité 1/3 ; X et Y sont sans unité. Quelle covariance de population et quelle interprétation respectent le signe des écarts centrés et la présence de couples discordants ?
  1. Cov(X,Y)=−2/9 : l’association agrégée est négative, avec des couples discordants.
  2. Cov(X,Y)=2/9 : l’association agrégée est positive, avec des couples discordants.
  3. Cov(X,Y)=0 : l’association agrégée disparaît et les variables sont indépendantes.
  4. Cov(X,Y)=2/9 : l’association agrégée prouve un effet causal positif de X sur Y.

Réponse : Cov(X,Y)=2/9 : l’association agrégée est positive, avec des couples discordants.

Les moyennes valent E(X)=E(Y)=4/3 et E(XY)=(0+3+3)/3=2. La covariance vaut 2−(4/3)²=2/9, positive. Les produits centrés des couples (1,3) et (3,1) sont pourtant négatifs ; celui de (0,0) compense leur contribution. Le signe décrit un bilan moyen, pas chaque couple. A inverse ce bilan. C donne un calcul faux et confond absence d’association linéaire et indépendance. D transforme une association en causalité, que la loi jointe fournie n’identifie pas.

Une erreur X a une variance 9. Dans un calcul, la même erreur intervient deux fois : Z=X+X, et non la somme de deux copies indépendantes. Quelles valeurs de Cov(X,X) et Var(Z) permettent de tenir compte de cette dépendance ?
  1. Cov(X,X)=9 et Var(Z)=18 ; on additionne les deux variances marginales.
  2. Cov(X,X)=0 et Var(Z)=18 ; on traite les deux occurrences comme indépendantes.
  3. Cov(X,X)=9 et Var(Z)=36 ; on inclut les produits des écarts de la même erreur.
  4. Cov(X,X)=3 et Var(Z)=24 ; on utilise l’écart-type pour calculer la covariance.

Réponse : Cov(X,X)=9 et Var(Z)=36 ; on inclut les produits des écarts de la même erreur.

Le produit des écarts de X avec lui-même est un carré, donc Cov(X,X)=Var(X)=9. Comme Z=2X, Var(Z)=2²×9=36, ou 9+9+2×9. A trouve la bonne covariance mais oublie son terme dans la variance de la somme. B suppose indépendantes deux occurrences identiques. D remplace la covariance par l’écart-type 3 et obtient à tort 9+9+2×3=24. La dépendance porte ici sur la même réalisation de X, pas sur une paire de copies indépendantes.