Académique Documents
Professionnel Documents
Culture Documents
4)]
Matrice de covariance. Soit X = (X1, , Xn) un vecteur alatoire dans Rd tel que E[X j2] < +
pour tout j = 1, , d. On appelle matrice de covariance du vecteur X, et on la notera , la
matrice dlment courant ij = Cov(Xi , X j ), i, j = 1, , d.
Proposition 1.
1. = E[(X E[X])(X E[X])T ]
2. Les lments diagonaux sont les variances des composantes de X: ii = Var(Xi).
3. Pour tout u Rd: Var(uTX) = uT u.
4. est symtrique et semi-dfinie positive: ij = ji et uT u > 0 pour tout u Rd.
Dmonstration.
1. E[(X E[X])(X E[X])T ] est une matrice dlment courant E[(Xi E[Xi])(X j
E[Xj ])] = Cov(Xi , X j ) = ij .
2. i i = Cov(Xi , Xi) = Var(Xi)
Pd
Pd
Pd
3. Var(uTX) = Var(u1X1 +
+ udXd) = Cov( i=1 uiXi , j=1 u jX j ) = i, j =1 u ju j Cov(Xi ,
Pd
X j ) = i, j=1 u ju j ij = uT u. La covariance tant une fonction bilinaire.
4. i j = Cov(Xi , Xj ) = Cov(X j , Xi) = ji. uT u = Var(uTX) > 0.
Remarque 2. Si X est tel que les composantes X j sont indpendantes, alors la matrice de
covariance est diagonale car ij = Cov(Xi , X j ) = 0 si i j. Et donc Var(uTX) =
Pd
2
d
i=1 ui Var(Xi) pour tout u R .
1
tR
eitxfX (x)dx.
La fonction caractristique dtermine de manire unique une loi de probabilit, do son nom.
Proposition 4. Deux v.a. relles X et Y telles que X (t) = Y (t) pour tout t R ont la mme
loi, c--d: P(X A) = P(Y A) pour tout Borlien A de R. Si X ou Y admet une densit alors
lautre v.a. admet une densit aussi et fX (z) = fY (z) pour tout z R.
Quelques proprits calculatoires...
Proposition 5.
1. Pour tout R: X (t) = X (t).
2. Pour tout a R: X +a(t) = eiaX (t).
3. Soit = E[X] et 2 = Var(X) et U = (X )/ alors X (t) = U (t)eit et U (t) = X (t/
)eit/ .
4. Si X et Y sont indpendantes alors X +Y (t) = X (t)Y (t).
Dmonstration. X (t) = E[eit X ] = X (t). X +a(t) = E[eit(X +a)] = eitaE[eit X ]=eiaX (t).
X (t) = E[eitX ] = E[eit(+U )] = eitE[eiU ] = eitU (t). Pour X et Y indpendantes on a
E[ei(X +Y )t] = E[eiXteiY t] = E[eiX t]E[eiY t] = X (t)Y (t).
Exemple 6. Si X E() alors
X (t) = E[e
iXt
]=
eixt xdx =
.
it
x+
x+
donc
Z
cos (t)ex
sin(t)ex
+ i lim
=0
it
it
x+
1
.
it
eitxx
/2
2
dx
= et /2,
2
t R.
Si X = + Z alors X N (, 2) et donc
X (t) = eiZ (t) = eit
2 2
t /2
= exp(itE[X] Var(X)t2/2).
2
n k
p (1 p)nk
k
E[eit Y ] = e(e
it
1)
et
it
1))1]
it
= ep(e
1)
X (t) = E[eit
] = E[ei(t1X1 +
+tdXd)]
t Rd.
Proposition 10. Soit X un vecteur alatoire dans Rd. Les v.a. X1, , Xd sont indpendantes
ssi
X (t) =
d
Y
Xi(ti)
i=1
t Rd.
Proposition 11. Deux vecteurs alatoires X , Y ont la mme loi ssi X (t) = Y (t) pour tout t
Rd. En particulier si lune des deux v.a. admet densit alors il en est de mme pour lautre v.a.
et fX = fY.
Vecteurs Gaussiens
Proposition 12. (Stabilit) Soient X1, , Xd des v.a. Gaussiennes indpendantes. Pour tout
u Rd la combinaison linaire uT X = u1X1 +
+ udXd est une v.a. Gaussienne relle.
Dmonstration. Il suffi de montrer que la fonction caractristique de Y = uTX est la f.c. dune
v.a. Gaussienne relle, i.e.
Y (t) = exp(i t E[Y ] Var(Y )t2/2)
(voir lExemple 7). Or: E[Y ] =
des Xi. Donc
Pd
i=1
ui E[Xi] et Var(Y ) =
Y (t) = E[eit(u1X1 +
+udXd)] = E[
d
Y
eitujXj ] =
j =1
=e
Pd
d
Y
i=1
2 2
/2)
j =1
P
P
(t dj =1E[u j X j ] dj =1Var(u j X j )t2/2)
On en dduit par lunicit de la fonction caractristique que Y est une v.a. Gaussienne.
Par la Proposition 12 de tels vecteurs existent bien. Si g: Rd Rm est une application linaire
et X est un vecteur Gaussien de dimension
Pd d alors la compose Y = g(X) est un vecteur Gaussien de dimension m. En effet si gk(x) = j =1 gkj x j alors pour tout u Rm , la v.a.
T
u Y=
m
X
k=1
ukYk =
m
X
k=1
ukgk(X) =
m
X
k=1
uk
d
X
gkjX j =
j =1
d
X
j =1
m
X
ukgkj Xj = (g T u)T X
k=1
t Rd.
que (1/2)ii =
i , donc 1/21/2 = et si on pose A = OT 1/2 on a que A AT =
T 1/2
T 1/2 T
O (O ) = O T 1/21/2O = O T O = . Si est inversible alors i > 0 pour tout i =
1, , d et donc 1/2 est inversible et (1/2)1 est la matrice diagonale avec lments 1/ i sur
la diagonale. Donc A1 = (O T 1/2)1 = (1/2)1(O T )1 = (1/2)1 O qui montre que A est
inversible (tant le produit de deux matrices inversibles).
Exemple 17. Si X Nd(, ), A est une matrice n d et v Rn alors
v + AX Nn(v + A, AAT ).
En effet on remarque que tTA X = (ATt)TX et donc
1 T T
itTv
T
T
T T
T
v+AX (t) = e
X (A t) = exp i[t v + (A t) ] (A t) (A t)
2
1
= exp itT [v + A] tTAATt .
2
4
En particulier si on considre un vecteur alatoire Z = (Z1, , Zd) dans Rd tel que Zi N (0, 1)
pour tout i = 1, , d et les v.a. Zi , i = 1, , d sont indpendantes alors Z Nd(0, Id). Si A est
une matrice telle que AAT = (une racine carre de donn par le Lemme 16) alors X = +
A Z Nd(, ). Dune famille de v.a. Gaussiennes indpendantes on peut donc construire
nimporte quel vecteur Gaussien. Si est inversible alors il en est de mme de A et
Z = A 1(X ).
Thorme 18. Soit = (1, , d) Rd un vecteur et une matrice d d, la fonction
f ,(t) = exp(i tT tT t/2)
est la fonction caractristique dun vecteur Gaussien desprance et matrice de covariance
ssi est symtrique et semi-dfinie positive. Pour tout Rd et matrice d d symtrique et
semi-dfinie positive il existe un vecteur X Nd(, ).
Dmonstration. On a dj vu que si X Nd(, ) alors X (t) = f ,(t). Il nous reste donc de
montrer que si est semi-dfinie positive et symtrique alors il existe bien un vecteur alatoire
Gaussien X de moyenne et matrice de covariance (et donc tel que X (t) = f ,(t)). Mais
par lexemple 17 et le lemme 16 on a que il existe une matrice A telle que = A AT et que si
Z Nd(0, Id) alors X = + A X est un vecteur alatoire gaussien de moyenne et matrice de
covariance AAT = .
Proposition 19. Le vecteur alatoire X Nd(, ) admet une densit si et seulement si est
inversible (i.e. dfinie positive) et alors
fX (x) = (2)
d/2
det()
1/2
exp
1
(x )T 1(x )
2
x Rd
(1)
Dmonstration. On montre seulement que si est inversible alors X admet la densit donne
en eq. (1). On considre le vecteur alatoire Z = (Z1, , Zd) dans Rd tel que Zi N (0, 1) pour
tout i = 1, , d et les v.a. Zi , i = 1, , d sont indpendantes. Donc la densit de Z est donne par
fZ (z) = fZ1(z1)
fZd(zd) =
1
1 2
1
tTt
2
exp
(z
+
+
z
)
=
exp
d
2 1
2
(2)d/2
(2)d/2
pour tout z Rd. Par lexemple 17 on a que la v.a. X = + AZ (ou = AAT ) est bien un vecteur gaussien de moyenne et matrice de covariance . Donc la densit de Z est donne par la
formule de changement de variables partir de la densit de Z. Si lon pose (z) = + Az alors
z = 1(x) = A1(x ) et
fX (x) = fZ (1(x))J 1(x) =
(1(x))T 1(x)
1
det (A1) exp(
).
d/2
2
(2)
Mais
(1(x))T 1(x) = [A1(x )]TA1(x ) = (x )T (A 1)TA 1(x )
= (x )T (AT )1A1(x ) = (x )T (AAT ) 1(x ) = (x )T 1(x )
5
et det() = det(A AT ) = det(A) det(AT ) = [det(A)]2 et det (A1) = 1/det(A). Donc det(A 1) =
[det ]1/2 et on obtient la formule (1).
Lemme 20. Soit X Nd(, ). Les composantes (X j ) j =1, ,d de X sont affinement indpendantes (c--d il nexiste pas de vecteur u Rd et c R tels que u 0 et uTX = c) ssi est
inversible.
Dmonstration. Montrons que si est inversible les composantes de X sont affinement indpendantes: en effet si tel vecteur existait alors pour tout j = 1, , d:
0 = Cov(c, X j ) = Cov(uTX , X j ) =
d
X
ukCov(Xk , X j ) =
k=1
d
X
uk jk = (u) j
k=1
et donc u = 0 qui montre que a une valeur propre nulle et donc ne peut pas tre inversible.
Rciproquement si est singulire (c--d elle nest pas inversible) alors il existe u Rd, u 0 tel
que u = 0 et donc Var(uTX) = uT u = 0 ce qui implique que la v.a. uTX est constante et gale
E[uTX] = uT donc uTX = c = uT qui montre que les composantes de X sont affinement
dpendantes.
Exemple 21. Soit (X , Y ) un couple alatoire Gaussien de matrice de covariance gale
=
.
1
1
f(X ,Y )(x, y) =
2 (x,y)1
x
y
2 det()1/2
et on a
1
=
1 2
1
1
1
1
x
1
x y
x
=
(x,
y)
(x,
y)
=
(x, y)1
y
1
y x
y
1 2
1 2
=
1
(x2 2x y + y 2)
1 2
f(X ,Y )(x, y) =
1
(x2 2xy+ y 2)
2(1 2)
p
6
1 2
x, y R
(Xi ,X j )(t) = Y (1) = E[ei(t1Xi +t2X j )] = ei(t1Xi +t2X j )(t1i i +t2 j j )/2 = Xi(t1)X j (t2)
ce qui implique lindpendance. (En effet, par la proprit fondamentale des fonctions caractristiques, on a montr que le couple (Xi , X j ) a une densit gale la densit dun couple de v.a.
indpendantes.)
1 x
x
e
Ix>0
()
et que
1. ( + 1) = (). (1) = 1, (n + 1) = n! si n N.
2. E[X] = / , Var(X) = / 2.
Loi Bta
On dit que X suit une loi bta de paramtres a > 0 et b > 0 ssi la densit de X est donne par
fX (x) =
(a + b) a1
x
(1 x)b1I0<x<1
(a)(b)
R=
et S et R sont indpendantes.
7
X
B(, )
X +Y
Dmonstration. Si X B(a, b)
E[X] =
(a + b)
(a)(b)
xxa1(1 x)b1dx =
=
(a + b)
E[X ] =
(a)(b)
2
1
0
(a + b)
(a)(b)
1
0
x(a+1)1(1 x)b1dx
(a + b) (a + 1)(b)
a
=
(a)(b) (a + b + 1) a + b
x(a+2)1(1 x)b1dx =
(a + b) (a + 2)(b)
a(a + 1)
=
.
(a)(b) (a + b + 2) (a + b)(a + b + 1)
et donc
x
s
y
s
x
r
y
r
r
s
=
(1 r) s
= r s s(1 r) = s
+
sx1 y 1e (x+ y)Ix>0, y>0
()( )
+
s+ 1 e s r 1(1 r) 1Is>0I0<r <1 = fR(r) fS (s)
()( )
avec
fR(r) =
( + ) 1
r
(1 r) 1I0<r <1,
()( )
fS (s) =
+
s+ 1 e s Is>0
( + )
Z
2
ex /2
2
h(x )
h(q)e q/2 q 1/2 dq .
dx =
2
2
Donc la loi de la somme de d carres de Gaussiennes standards est G(d/2, 1/2) par les proprits
des lois Gamma (voir la Proposition 23).
8
On a que E[Q] = 1 et Var(Q) = 2 par les proprits des Gammas, et donc E[Y ] = d E[Q] et
Var(Y ) = d Var(Q).
Loi de Student
Dfinition 26. On appelle loi de Student de paramtre d, note Td, la loi de la v.a.
X
T=p
Y /d
((d + 1)/2)
(d/2) d
1+
t2
d
(d+1)/2
limite qui est proportionnel la densit dune Gaussienne standard (centre rduite).