Matrice de variance-covariance

Une matrice de variance-covariance est une matrice carrée caractérisant les interactions entre p variables aléatoires.

Définition

La matrice de variance-covariance (ou simplement matrice de variance) d'un vecteur de p variables aléatoires $\vec X=\begin{pmatrix} X_1 \\ \vdots\\ X_p \end{pmatrix}$ est la matrice carrée dont le terme générique est donné par :

$a_{i,j}=\textrm{cov}\left(X_i,X_j\right)$

La matrice de variance-covariance, notée quelquefois $\boldsymbol\Sigma$ , est définie par conséquent comme :

Définition — $\Sigma_X\equiv\operatorname{var}(\vec X) \equiv \operatorname{E}((\vec X-\operatorname{E}(\vec X))(\vec X-\operatorname{E}(\vec X))ˆT)$

En développant les termes :

$\Sigma_X=\operatorname{var}(\vec X) = \operatorname{var}\begin{pmatrix} X_1 \\ \vdots\\ X_p \end{pmatrix} = \begin{pmatrix} \operatorname{var}(X_1) & \operatorname{cov}(X_{1}X_{2}) & \cdots & \operatorname{cov}(X_{1}X_{p}) \\ \operatorname{cov}(X_{1}X_{2}) & \ddots & \cdots & \vdots\\ \vdots & \vdots & \ddots & \vdots\\ \operatorname{cov}(X_{1}X_{p}) & \cdots & \cdots& \operatorname{var}(X_p) \end{pmatrix} = \begin{pmatrix} \sigmaˆ2_{x_1} & \sigma_{x_{1}x_{2}} & \cdots & \sigma_{x_{1}x_{p}} \\ \sigma_{x_{1}x_{2}} & \ddots & \cdots & \vdots\\ \vdots & \vdots & \ddots & \vdots\\ \sigma_{x_{1}x_{p}} & \cdots & \cdots& \sigmaˆ2_{x_p} \end{pmatrix}$

Propriétés

La matrice est symétrique, compte tenu de la propriété que $\operatorname{cov}(X, Y) = \operatorname{cov}(Y, X)$ , .
Ses valeurs propres sont positives ou nulles. Quand il n'existe aucune relation affine presque sûre entre les composantes du vecteur aléatoire, la matrice $\boldsymbol{\Sigma}$ est à valeurs propres strictement positives : elle est définie positive.
Les éléments de sa diagonale représentent la variance de chaque variable, compte tenu de la propriété que : $\operatorname{cov}(X, X) = \operatorname{var}(X)$
Les éléments en dehors de la diagonale représentent la covariance entre les variables i et j lorsque $\quad i \neq j$ .

Estimation

Un estimateur non-biaisé de la matrice de variance-covariance peut être obtenu par :

$\operatorname{\widehat {var}}(\vec X)= {1 \over {n-1}}\sum_{i=1}ˆn (\vec X_i-\overline{\vec{X}})(\vec X_i-\overline{\vec{X}})ˆT$

où $\overline{\vec X}={1 \over {n}}\sum_{i=1}ˆn \vec X_i$ est le vecteur des moyennes empiriques.

L'estimateur du maximum de vraisemblance, sous l'hypothèse que X suit une loi normale multidimensionnelle, vaut par contre :

$\operatorname{\widehat {var}}(\vec X)={1 \over n}\sum_{i=1}ˆn (\vec X_i-\overline{\vec X})(\vec X_i-\overline{\vec X})ˆT.$

Dans le cas où les données sont générées par une loi normale multidimensionnelle, l'estimateur du maximum de vraisemblance suit une loi de Wishart (en)

Utilisation en statistique

La matrice de variance-covariance est un outil essentiel pour l'analyse multivariée :

L'analyse en composantes principales se base sur une décomposition de la matrice de variance-covariance.
L'analyse discriminante l'utilise.

Test sur la matrice de variance-covariance

Le test de sphéricité de Bartlett sert à déterminer si les composantes hors de la diagonale de la matrice sont différentes de zéro, i. e. si il y a une relation entre les différentes variables prises en considération.

Voir aussi

Recherche sur Amazon (livres) :

Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Matrice_de_variance-covariance.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.