Académique Documents
Professionnel Documents
Culture Documents
Quelle est alors la variance de la matrice X, et la covariance entre la matrice X et la matrice Y ? Commençons
par rappeler l’expression de la covariance entre deux vecteurs aléatoires. Soient x = (x1 , . . . , xm ) et y =
(y1 , . . . , yn ). Alors Cov(x, y) = [cov(xi , yj )] = E[(xi − Exi )(yj − Eyj )] pour i = 1, . . . , m et j = 1, . . . , n,
ce que l’on peut écrire :
Cov(x, y) = E{(x − Ex) (y − Ey)′ }
(x1 − Ex1 )(y1 − Ey1 ) (x1 − Ex1 )(y2 − Ey2 ) x1 − Ex1 (y1 − Ey1 y2 − Ey2 )
Cov(x, y) = E
(x 2 − Ex2 )(y1 − Ey 1 ) (x 2 − Ex 2 )(y 2 − Ey2 ) = E x2 − Ex2
(x3 − Ex3 )(y1 − Ey1 ) (x3 − Ex3 )(y2 − Ey2 ) x3 − Ex3
Les propriétés immédiates sont que (1) V (x) = E{(x − Ex) (x − Ex)′ } , (2) cov(A x, B y) = A cov(x, y) B ′
pour des matrices A et B non aléatoires, (3) V (A x) = A V (x) A′ . (4) Il importe aussi de noter que si
Γ = cov(x, y), alors Γ est une m × n-matrice et cov(y, x) = Γ′ . Pour des matrices aléatoires X et Y de
1
1 Covariance et produit de Kronecker 2
Il s’agit de la covariance entre les éléments xij avec toute la matrice Y . Autrement dit, c’est une matrice en
blocs dont le bloc (i, j) est donnée par E{(xij − Exij )(Y − EY )}. Cependant, en statistique mathématque
et en économétrie, on utilise plutôt l’expression suivante :
Afin de saisir la nuance entre les deux définitions, considérons l’exemple des matrices aléatoires X et Y
suivantes :
x11 x12 " #
y11 y12
X=
x21 x22
; Y =
y21 y22
x31 x32
Le calcul des deux expressions est reporté dans les matrices M = E{(X − EX) ⊗ (Y − EY )} et Γ =
E{vec(X − EX) · vec(Y − EY )′ }, dans lequelles nous avons noté σxij ,yrs la covariance entre la variable
aléatoire xij et la variable aléatoire yrs :
σx11 ,y11 σx11 ,y12 σx12 ,y11 σx12 ,y12 σx11 ,y11 σx11 ,y12 σx11 ,y21 σx11 ,y22
σx11 ,y21 σx11 ,y22 σx12 ,y21 σx12 ,y22 σx12 ,y11 σx12 ,y12 σx12 ,y21 σx12 ,y22
σ σx21 ,y12 σx22 ,y11 σx22 ,y12 σ σx21 ,y12 σx21 ,y21 σx21 ,y22
x ,y x ,y
M = 21 11 ; Γ = 21 11
σx21 ,y21 σx21 ,y22 σx22 ,y21 σx22 ,y22 σx22 ,y11 σx22 ,y12 σx22 ,y21 σx22 ,y22
σx31 ,y11 σx31 ,y12 σx32 ,y11 σx32 ,y12 σx31 ,y11 σx31 ,y12 σx31 ,y21 σx31 ,y22
σx31 ,y21 σx31 ,y22 σx32 ,y21 σx32 ,y22 σx32 ,y11 σx32 ,y12 σx32 ,y21 σx32 ,y22
Les deux matrices ont les mêmes éléments mais différemment disposés : en M , ils sont repertoriés selon les
blocs xij Y ; en Γ, ils le sont sous forme d’une colonne vec(X) croisée avec une ligne vec(Y )′ . Au cas où l’on
remplace X par Y dans les calculs précédent, on obtient les expressions de la variance pour Y , soit MY Y et
ΓY Y :
2 Somme de Kroncker 3
σy211 σy11 ,y12 σy12 ,y11 σy212 σy211 σy11 ,y12 σy11 ,y21 σy11 ,y22
σy212
σy11 ,y21 σy11 ,y22 σy12 ,y21 σy12 ,y22 σy12 ,y11 σy12 ,y21 σy12 ,y22
MY Y = ; ΓY Y =
σ
y21 ,y11 σy21 ,y12 σx22 ,y11 σx22 ,y12
σ
y21 ,y11 σy21 ,y12 σy221 σy21 ,y22
σy221 σy21 ,y22 σy22 ,y21 2
σy22 σy22 ,y11 σy22 ,y12 σy22 ,y21 2
σy22
L’expression ΓY Y est la matrice de variances-covariances de tous les éléments de Y , et l’on comprend pourquoi
que l’on utilise la définition par vectorisation dans les calculs statistique.
2 Somme de Kroncker
On peut vérifier sur un exemple réduit que A ⊗ B = (A ⊗ Ip )(In ⊗ B). La somme de Kronecker est définie de
la même manière. Soient A une m-matrice carrée, et B une n-matrice carrée. Alors :
A ⊕ B = (A ⊗ In ) + (Im ⊗ B)
Cependant, la somme de Kronecker n’est pas commutative, même si généralement les opérations appelées
sommes le sont. Pour autant, elle est qualifiée de somme. En particulier, elle vérifie :
eA⊕B = eA ⊗ eB
Un autre produit matriciel utile en analyse multivariée est le produit matriciel de Hadamard. Pour que ce
produit soit défini, les matrices A et B doivent être du même ordre, disons n × m. Le produit de Hadamard de
A par B est le produit élément par élément défini comme suit :
Pour une discussion des produits Hadamard utiles dans l’analyse multivariée, voir Styan (1973). Certaines
propriétés utiles des produits Hadamard sont résumées dans le théorème suivant(voir, par exemple, Schott,
1997, p. 266).