Vecteurs Gaussiens, Th´eor`eme de Cochran et applications
A. Godichon-Baggioni
T H EOR ´ EME ` C ENTRAL L IMITE MULTIVARI E ´
Th´eor`eme (Th´eor`eme Central Limite multivari´e)
Soit X1, . . . ,Xndes vecteurs al´eatoires `a valeurs dansRd, ind´ependants et identiquement distribu´es. On suppose E
hkX1k2i
<+∞et on note m=E[X1]son vecteur moyen et Γ =Var[X1]sa matrice de variance-covariance. On note Xn= 1nPn
i=1Xiet on a alors la convergence en loi
√n Xn−m L
−−−−−→
n→+∞ N(0,Γ).
O BJECTIFS
L’´etude des vecteurs gaussiens permet non seulement d’´etudier le comportement asymptotique d’estimateurs pour des variables al´eatoires `a valeurs dansRdmais aussi (via le Th´eor`eme de Cochran) :
I L’´etude non asymptotique des estimteurs de la moyenne et de la variance d’une variable al´eatoire suivant une loi normale (cf chapitre pr´ec´edent).
I Estimation des param`etres dans le cadre du mod`ele lin´eaire gaussien (cf TD)
I Construction de tests dans le cadre gaussien (cf chapitre suivant).
I. Vecteurs al´eatoires
V ECTEURS AL EATOIRES ´
SoitX=
X1
. . . Xd
∈Rdun vecteurs al´eatoire tel que E
hX2ji
<+∞. Pour touti,j, la covariance entreXietXjest d´efinie par
Cov Xi,Xj
=E
(Xi−E[Xi]) Xj−E Xj
Remarque : SiXietXjsont ind´ependantes, Cov Xi,Xj
=0 mais la r´eciproque est g´en´eralement fausse (sauf pour les vecteurs gaussiens).
E SP ERANCE ET MATRICE DE ´ C OVARIANCE D´efinition
Soit X un vecteur al´eatoire deRdtel que pour tout i=1, ...,d, E
X2i
<+∞. Le vecteur moyen de X est d´efini par
E[X] =
E[X1]
... E[Xd]
et sa matrice de covariance est d´efinie par Var[X] =E
h(X−E[X]) (X−E[X])Ti
=
Var[X1] Cov(X1,X2) . . . Cov(X1,Xd) Cov(X2,X1) Var[X2] . . . Cov(X2,Xd)
... ... . .. ...
Cov(Xd,X1) Cov(Xd,X2) . . . Var[Xd]
M ATRICE DE COVARIANCE
Th´eor`eme
La matrice de covariance est une matrice sym´etrique semi-d´efinie positive.
Th´eor`eme
Soit X un vecteur al´eatoire deRdde moyenne m et de matrice de covariance C. Alors, si A est une matrice r´eelle p×d, le vecteur al´eatoire AX∈Rpa pour vecteur moyen Am et pour matrice de covariance ACAT.
F ONCTION CARACT ERISTIQUE ´
D´efinition
Soit X un vecteur al´eatoire deRd. Sa fonction caract´eristiqueΦXest d´efinie pour tout u∈Rdpar
ΦX(u) =E h
eiuTXi
=E h
ei(u1X1+...+udXd)i .
II. Vecteurs al´eatoires Gaussiens
V ECTEURS AL EATOIRES GAUSSIENS ´
D´efinition
Soit X un vecteur al´eatoire deRd. X est un vecteur gaussien deRdsi et seulement si toute combinaison lin´eaire de ses composantes est une variable al´eatoire r´eelle gaussienne, i.e
∀u∈Rd, uTX∼ N mu, σ2u .
Exemple : Un vecteurXdont les composantesXisont ind´ependantes et suivent une loi normale est un vecteur gaussien.
V ECTEUR GAUSSIEN ET FONCTION CARACT ERISTIQUE ´
Th´eor`eme
Soit X un vecteur al´eatoire deRd. Les assertions suivantes sont
´equivalentes :
1. Le vecteur X est un vecteur gaussien de moyenne m et de matrice de covarianceΓ.
2. La fonction caract´eristique de X est donn´ee pour tout u∈Rdpar ΦX(u) =E
heiuTXi
= exp
iuTm−1 2utΓu
.
C OROLLAIRES
Corollaire
Soit X∼ N(m,Γ)`a valeurs dansRd. Soit A une matrice p×d et b∈Rp, alors
AX+b∼ N Am+b,AΓAT
Corollaire
Soit X∼ N(m,Γ), etΓinversible, alors Γ−1/2(X−m)∼ N(0,Id).
E XEMPLE
Exemple : SoitX= (X1,X2)T ∈R2un vecteur Gaussien avec X∼ N(0,V). Alors la variabe al´eatoireZ=X1+X2suit une loi normale. Plus pr´ecis´ement,
Z∼ N 0,uTVu avecu= (1,1)T.
D ENSIT E D ´ ’ UN VECTEUR GAUSSIEN
Th´eor`eme
Soit X∈Rdavec X∼ N(m,Γ). X admet une densit´e par rapport `a la mesure de Lebesgue deRdsi et seulement siΓest inversible. Dans ce cas, la densit´e de f est donn´ee pour tout x∈Rdpar
f(x) = 1
p(2π)d|det(Γ)|exp
−1
2(x−m)TΓ−1(x−m)
V ECTEUR GAUSSIEN ET IND EPENDANCE ´
Th´eor`eme
Pour tout vecteur gaussien X deRd, les propri´et´es suivantes sont
´equivalentes :
I Les composantes X1, . . . ,Xdde X sont ind´ependantes.
I La matrice de covarianceΓde X est diagonale.
Corollaire
Soit X un vecteur gaussien, alors pour tout i6=j, Xiet Xjsont ind´ependantes si et seulement si
Cov(Xi,Xj) =0.
R EMARQUE
Attention ! Le corollaire pr´ec´edent n’est automatiquement vrai que pour les vecteurs gaussiens !
Contre-exemple : SoitX∼ N(0,1)etYune variable al´eatoire suivant une loi de Rademacher de param`etrep=1/2, i.e
P[Y=1] = 1
2 et P[Y=−1] = 1 2. On consid`ere la variable al´eatoireZ=XY. On a
1. Cov(X,Z) =0 maisXetZne sont pas ind´ependants.
2. Les composantes du vecteurU= (X,Z)suivent des lois normales maisUn’est pas un vecteur gaussien.
III. Th´eor`eme de Cochran et applications
T H EOR ´ EME DE ` C OCHRAN
Th´eor`eme (Th´eor`eme de Cochran)
Soit X un vecteur al´eaoire deRnsuivant une loiN m, σ2In avec σ2>0. SoitRn=E1⊕E2⊕. . .⊕Epune d´ecomposition deRnen somme directe de p sous-espaces vectoriels orthogonaux de
dimensions respectives d1, . . . ,dp. Soit Pkle projecteur orthogonal sur Eket Yk=PkX la projection orthogonale de X sur Ek.
1. Les projections Y1, . . . ,Ypsont des vecteurs gaussiens ind´ependants et Yk∼ N Pkm, σ2Pk
. 2. Les variables al´eatoireskY1−P1mk2, . . . ,
Yp−Ppm
2sont ind´ependantes et
kYk−Pkmk2
σ2 ∼χ2dk
C OROLLAIRE
Corollaire
Soient X1, . . . ,Xndes variables al´eatoires ind´ependantes et identiquement distribu´ees avec X1 ∼ N m, σ2
. On a alors 1. n−1σ2 S2n∼χ2n−1.
2. Xnet S2nsont ind´ependantes.
A UTRES R ESULTATS ´
Proposition
Soient Z,Zp,Zqtrois variables al´eatoires telles que 1. Z=Zp+Zq
2. Zp∼χ2pet Zq∼χ2q 3. Zpet Zqsont ind´ependantes alors Z∼χp+q.