Matrice de variance-covariance

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



Catégories :

Probabilités - Statistique descriptive - Statistiques - Matrice

Page(s) en rapport avec ce sujet :

  • Matrice de variance - covariance d'un vecteur al ´eatoire. • Variance d'une v. a. r.  : Var X = E[ (X − E (X) ). 2. ] = E (X. 2. ) − E. 2. (X). • Covariance de ... (source : gremaq.univ-tlse1)
  • Matrice des variances - covariances. Soir V un vecteur aléatoire constitué de variables aléatoires admettant des moments d'ordre 2 :... (source : agnes.fenyo)

Une matrice de variance-covariance est une matrice carrée caractérisant les interactions (linéaires) entre p variables aléatoires X_1,\dots,X_p\,.

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

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
\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 :

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.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu