Scheda di revisione: Introduction à la statistique multivariée

1. 📌 L'essentiel

• La distribution gaussienne multivariée caractérise un vecteur aléatoire par sa moyenne μ et sa matrice de covariance Σ.
• La densité gaussienne multivariée : $f_X(x) \frac{1}{\sqrt{(2\pi)^d |\Sigma|}} e^{-\frac{1}{2}(x - \mu)^T \Sigma^{-1} (x - \mu)}$.
• La moyenne μ est le centre de la distribution, Σ indique la dispersion la corrélation entre variables.
• Estimation par maximum de vraisemblance : $\hat{\mu} = \frac{1}{n} \sum_{i=1}^n x_i$, $\hat{\Sigma} = \frac{1}{n} \sum_{i=1}^n (x_i - \hat{\mu})(x_i - \hat{\mu})^T$.
• Le test d’hypothèse sur μ utilise la statistique Z : $Z = \frac{\sqrt{n}}{\sigma} (\bar{X} - \mu_0) \sim N(0,1)$.
• La distribution Khi-carré est utilisée pour tester la variance : $V \sim \chi^2(n)$.
• La loi de Student est adaptée pour tester la moyenne quand σ est inconnu : $T \sim Student(n-1)$.
• Le théorème central limite permet d’approcher la distribution de la moyenne par une normale pour grands échantillons.
• Un intervalle de confiance pour μ : $[\bar{X} - z_{1-\alpha/2} \frac{\sigma}{\sqrt{n}}, \bar{X} + z_{1-\alpha/2} \frac{\sigma}{\sqrt{n}}]$.
• La modélisation repose sur l’indépendance, la normalité, et la covariance positive définie.

2. 🧩 Structures & Composants clés

• Espace probabiliste : (Ω, P, F) — cadre de modélisation.
• Variable aléatoire : application mesurable, discrète ou continue.
• Distribution gaussienne univariée : densité avec μ, σ.
• Distribution gaussienne multivariée : densité avec μ, Σ.
• Matrice de covariance Σ : symétrique, positive, définit la dispersion.
• Estimation par MLE : calcule μ et Σ à partir des données.
• Test d’hypothèse : vérification de μ ou σ via statistiques spécifiques.
• Loi Khi-carré : pour la variance.
• Loi de Student : pour la moyenne avec σ inconnu.
• Théorème central limite : normalité asymptotique.

3. 🔬 Fonctions, Mécanismes & Relations

• La densité multivariée dépend de μ (centre) et Σ (dispersion/corrélation).
• Estimation par MLE : calcule la moyenne empirique et la covariance empirique.
• Tests d’hypothèses : comparent la statistique calculée à une loi théorique (N, χ², Student).
• La statistique Z standardise la différence entre moyenne échantillonnale et hypothèse.
• La loi Khi-carré évalue la variance estimée par rapport à la vraie variance.
• La loi de Student ajuste pour σ inconnu, surtout pour petits échantillons.
• La normalité asymptotique permet d’utiliser des intervalles de confiance et tests paramétriques.
• La covariance Σ influence la forme de la distribution, notamment l’orientation et la dispersion.

4. Tableau comparatif

Élément	Caractéristiques clés	Notes / Différences
Loi Khi-carré	$V \sim \chi^2(n)$	Test variance, asymptotique
Loi de Student	$T \sim Student(n-1)$	Test moyenne, σ inconnu
Distribution normale	$f_X(x)$	Paramètres μ, σ ou Σ
Estimation	Moyenne : $\hat{\mu}$, Covariance : $\hat{\Sigma}$	Méthode MLE efficace
Test d’hypothèse	Z, T, V	Vérification paramètres

5. 🗂️ Diagramme hiérarchique

Analyse de données
 ├─ Modélisation probabiliste
 │    ├─ Espace Ω, P, F
 │    └─ Variables aléatoires
 ├─ Distribution gaussienne
 │    ├─ Univariée : μ, σ
 │    └─ Multivariée : μ, Σ
 ├─ Estimation
 │    ├─ Moyenne : (1/n) Σ xi
 │    └─ Covariance : (1/n) Σ (xi - μ)(xi - μ)^T
 └─ Tests d’hypothèses
      ├─ Moyenne : Z, T
      └─ Variance : Khi-carré

6. ⚠️ Pièges & Confusions fréquentes

• Confondre la loi Khi-carré et la loi de Student.
• Croire que Σ doit être diagonale : elle peut contenir des corrélations.
• Utiliser la moyenne empirique pour σ sans ajustement si σ inconnu.
• Confondre estimation ponctuelle et intervalle de confiance.
• Oublier que la loi de Student dépend du degré de liberté.
• Négliger l’indépendance entre variables dans la modélisation.
• Confondre distribution univariée et multivariée.
• Mal interpréter la covariance comme une corrélation (il faut la normaliser).

7. ✅ Checklist Examen Final

• Définir une distribution gaussienne multivariée.
• Expliquer la formule de la densité multivariée.
• Savoir calculer μ̂ et Σ̂ par MLE.
• Connaître la loi de référence pour le test de la moyenne (Z, T).
• Savoir quand utiliser la loi Khi-carré.
• Comprendre le rôle du théorème central limite.
• Savoir construire un intervalle de confiance pour μ.
• Différencier estimation et test.
• Identifier les hypothèses sous-jacentes (normalité, indépendance).
• Connaître la structure de la matrice Σ.
• Savoir interpréter une courbe de densité gaussienne.
• Maîtriser la hiérarchie des concepts (espaces, variables, lois).
• Être capable de représenter l’organisation spatiale d’un vecteur gaussien.
• Reconnaître la loi de Student et Khi-carré dans les tests.
• Appliquer la formule de la statistique Z pour la moyenne.
• Comprendre l’impact de la taille d’échantillon sur la normalité asymptotique.