Jeanne Fine

Statistique Multidimensionnelle
et Opérateurs

Tome II
Études asymptotiques des analyses factorielles
(A.C.P., A.C., ...) et des modèles associés
 Avant propos.
Cet ouvrage n'est pas encore complètement terminé.
Il devrait l'être en juin 2008.
Préface

Toulouse , Jeanne Fine

1er mars 2006 et al
Table des matières

partie I Études asymptotiques des analyses factorielles

1 Études asymptotiques : méthodologie et perturbation . . . . . 19

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Échantillon en Analyse des Données et échantillon i.i.d. . . . . . . 20
1.3 Les diérentes étapes d'une étude asymptotique . . . . . . . . . . . . . 23
1.4 Perturbation en Statistique asymptotique . . . . . . . . . . . . . . . . . . . 24
1.4.1 Des problèmes de perturbations . . . . . . . . . . . . . . . . . . . . . 24
1.4.2 Un problème de perturbation en statistique
asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.3 Résultats du problème de perturbation de la
statistique asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2 Étude asymptotique de l'Analyse en Composantes

Principales (A.C.P.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 A.C.P. d'une variable aléatoire euclidienne (v.a.e.) . . . . . . . . . . . 32
2.2 A.C.P. d'échantillonnage pour le modèle i.i.d. . . . . . . . . . . . . . . . 34
2.2.1 A.C.P. non centrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.2 A.C.P. centrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.1 Convergence p.s. des opérateurs de covariance . . . . . . . . . 38
2.3.2 Convergence p.s. des éléments principaux . . . . . . . . . . . . . 39
2.3.3 Convergence p.s. des composantes principales . . . . . . . . . 40
2.3.4 Convergence p.s. des opérateurs "aléatoires" . . . . . . . . . . 41
2.4 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4.1 Convergence en loi des opérateurs de covariance . . . . . . . 43
2.4.2 Convergence en loi des éléments principaux et des
composantes principales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.3 Convergence en loi des opérateurs "aléatoires" . . . . . . . . 46
2.5 Explicitation des opérateurs de covariance asymptotique . . . . . . 47
X Table des matières

2.5.1
Projecteurs principaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5.2
Valeurs principales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.3
Vecteurs principaux associés à une valeur propre simple 54
2.5.4
Composantes principales associées à une valeur propre
simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.5.5 Composantes principales réduites associées à une
valeur propre simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.6 Applications inférentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.6.1 Estimations et tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.6.2 Coecients d'une droite de régression orthogonale . . . . . 66
2.7 A.C.P. réduite d'une v.a.e. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.7.1 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.7.2 Étude asymptotique de l'A.C.P. réduite d'une v.a.e. . . . 73

3 Étude Asymptotique de l'Analyse Canonique (A.C.) . . . . . . . 79

3.1 A.C. linéaire d'un couple de v.a.e. centrées . . . . . . . . . . . . . . . . . . 80
3.2 A.C. d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.3 Convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.3.1 Convergence p.s. des couples d'opérateurs
d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.3.2 Convergence p.s. des éléments propres . . . . . . . . . . . . . . . . 89
3.3.3 Convergence p.s. des éléments de la partie principale
de l'A.C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.4 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4.1 Convergence en loi des couples d'opérateurs
d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4.2 Convergence en loi des éléments propres . . . . . . . . . . . . . . 92
3.4.3 Convergence en loi des éléments de la partie principale
de l'A.C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5 Explicitation des opérateurs de covariance asymptotique . . . . . . 97
3.5.1 Opérateur de covariance de Z ⊗ Z et explicitation
dans le cas elliptique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.5.2 Opérateur de covariance asymptotique des opérateurs
d'échantillonnage et explicitation dans le cas elliptique . 100
3.5.3 Valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.5.4 Projecteurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.5.5 Vecteurs propres associés à une valeur propre simple . . . 110
3.5.6 Coecients canoniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.5.7 Facteurs canoniques associés à une valeur propre simple 114
3.5.8 Variables canoniques associées à une valeur propre
simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.6 Applications inférentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
 Table des matières XI

4 Études asymptotiques de l'Analyse Factorielle

Discriminante (A.F.D.) et de l'Analyse Factorielle des
Correspondances (A.F.C.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.1 Trois A.C. : centrée, non centrée, mixte . . . . . . . . . . . . . . . . . . . . 133
4.1.1 Dénition des trois A.C. : centrée, non centrée, mixte . . 134
4.1.2 Étude asymptotique des trois A.C. . . . . . . . . . . . . . . . . . . 134
4.2 Étude asymptotique de l'A.F.D. . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.2.1 A.F.D. d'une v.a.e. et d'une v.a. qualitative . . . . . . . . . . . 140
4.2.2 A.F.D. d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4.2.3 Convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.2.4 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.2.5 Expression de l'opérateur de covariance asymptotique
des opérateurs d'échantillonnage . . . . . . . . . . . . . . . . . . . . 146
4.2.6 Expression de la variance asymptotique des valeurs
propres et des coecients discriminants . . . . . . . . . . . . . . 149
4.2.7 Application inférentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
4.2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.3 Étude asymptotique de l'A.F.C. . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.3.1 A.F.C. d'un couple de v.a. qualitatives . . . . . . . . . . . . . . . 154
4.3.2 A.F.C. d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.3.3 Convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . . . 160
4.3.4 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
4.3.5 Expression de l'opérateur de covariance asymptotique
des opérateurs d'échantillonnage . . . . . . . . . . . . . . . . . . . . 162
4.3.6 Expression de la variance asymptotique des valeurs
propres et des coecients canoniques . . . . . . . . . . . . . . . . 164
4.3.7 Applications inférentielles . . . . . . . . . . . . . . . . . . . . . . . . . . 165

partie II Études asymptotiques des modèles associés

5 Modèles à eets xes et A.C.P. optimale . . . . . . . . . . . . . . . . . . 171

5.1 Le modèle à eets xes : un modèle pour l'A.C.P. . . . . . . . . . . . 171
5.2 Estimation par les moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.2.1 Présentation des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.2.2 Estimation par les moindres carrés . . . . . . . . . . . . . . . . . . 174
5.2.3 Quelques remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.3 Convergence presque sûre des estimateurs . . . . . . . . . . . . . . . . . . 176
5.3.1 Hypothèses et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.3.2 Convergence presque sûre des opérateurs
d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.3.3 Convergence presque sûre des éléments propres . . . . . . . . 179
5.4 Consistance et choix de métrique en A.C.P. . . . . . . . . . . . . . . . . . 180
5.4.1 Choix optimal de métrique en A.C.P. . . . . . . . . . . . . . . . . 180
5.4.2 Propriétés des estimateurs des paramètres . . . . . . . . . . . . 181
XII Table des matières

5.5 Convergence en loi des estimateurs . . . . . . . . . . . . . . . . . . . . . . . . 182

5.5.1 Hypothèses et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
5.5.2 Lois asymptotiques des opérateurs d'échantillonnage . . . 184
5.5.3 Lois asymptotiques des éléments propres . . . . . . . . . . . . . 187
5.6 Explicitation des opérateurs de covariance asymptotiques . . . . . 188
5.7 Test d'hypothèse sur l'espace des paramètres . . . . . . . . . . . . . . . . 191
5.7.1 Résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.7.2 Test d'égalité de l'espace des paramètres à un espace xé193
5.8 Sur l'existence des moments d'ordre 4 . . . . . . . . . . . . . . . . . . . . . . 194

6 Modèles à eets aléatoires et A.C.P. optimale . . . . . . . . . . . . . 197

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
6.2 Modèles à eets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.2.1 Présentation des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.2.2 Estimation par les moindres carrés . . . . . . . . . . . . . . . . . . 200
6.2.3 Remarques et proposition . . . . . . . . . . . . . . . . . . . . . . . . . . 201
6.3 Convergence presque sûre des estimateurs . . . . . . . . . . . . . . . . . . 205
6.3.1 Hypothèses et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
6.3.2 Convergence presque sûre des opérateurs
d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
6.3.3 Convergence presque sûre des éléments propres . . . . . . . . 206
6.4 Consistance et choix de métrique en A.C.P. . . . . . . . . . . . . . . . . . 207
6.4.1 Choix optimal de métrique en A.C.P. . . . . . . . . . . . . . . . . 207
6.4.2 Propriétés des estimateurs des paramètres . . . . . . . . . . . . 208
6.5 Convergence en loi des estimateurs . . . . . . . . . . . . . . . . . . . . . . . . 208
6.5.1 Lois asymptotiques des opérateurs d'échantillonnage . . . 208
6.5.2 Lois asymptotiques des éléments propres . . . . . . . . . . . . . 209
6.6 Explicitation des opérateurs de covariance asymptotique . . . . . . 211
6.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
6.8 Sur l'existence de mêmes moments . . . . . . . . . . . . . . . . . . . . . . . . . 214

7 Modèles mixtes. Retour sur l'A.F.D. . . . . . . . . . . . . . . . . . . . . . . . 217

7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
7.2 Les modèles. L'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
7.2.1 Présentation des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
7.2.2 Propriétés élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
7.2.3 Remarque sur les modèles . . . . . . . . . . . . . . . . . . . . . . . . . . 221
7.2.4 Variables d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . 221
7.3 Estimation par les moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . 222
7.4 Convergence presque sûre des estimateurs . . . . . . . . . . . . . . . . . . 224
7.4.1 Convergence presque sûre des opérateurs de covariance . 224
7.4.2 Convergence presque sûre des valeurs propres et des
projecteurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
7.5 Lois asymptotiques des opérateurs de covariance . . . . . . . . . . . . . 225
7.5.1 Notations et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
 Table des matières XIII

7.5.2 Convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . . . 227

7.5.3 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
7.6 Loi asymptotique des projecteurs sur l'espace des paramètres . 232
7.6.1 Loi asymptotique des projecteurs . . . . . . . . . . . . . . . . . . . . 232
7.6.2 Explicitation de l'opérateur de covariance
asymptotique des projecteurs et de sa trace . . . . . . . . . . . 233
7.7 Ecacité et choix de métrique sur l'espace euclidien . . . . . . . . . 235
7.7.1 Espérances des opérateurs d'échantillonnage . . . . . . . . . . 235
7.7.2 Cas gaussien, estimateur de maximum de vraisemblance 236
7.7.3 Ecacité des estimateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
7.7.4 Remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
7.8 Cas de l'A.F.D. avec opérateur de covariance expliquée de
rang réduit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239

8 Analyse en Facteurs (A.F.) et A.C.P. optimale . . . . . . . . . . . . . 243

8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
8.2 Le modèle de l'analyse en facteurs . . . . . . . . . . . . . . . . . . . . . . . . . 244
8.3 Problème de rotation des facteurs communs . . . . . . . . . . . . . . . 247
8.4 Problème d'identication du modèle de structure de covariance 249
8.5 Problème d'indétermination des facteurs . . . . . . . . . . . . . . . . . . . . 251
8.6 Équivalence des approximations usuelles des facteurs . . . . . . . . . 255
8.7 Comparaison de l'A.C.P. et de l'A.F. . . . . . . . . . . . . . . . . . . . . . . . 262

A Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
A.1 Opérateurs, espaces euclidiens, décomposition spectrale, ... . . . . 265
A.1.1 Opérateurs, opérateurs continus, opérateurs de rang ni 265
A.1.2 Espaces de Hilbert, espaces euclidiens . . . . . . . . . . . . . . . . 266
A.1.3 Théorème de Riesz et adjoint d'un opérateur . . . . . . . . . . 267
A.1.4 Bases orthonormales, produit tensoriel de vecteurs, trace267
A.1.5 Décomposition spectrale d'un opérateur . . . . . . . . . . . . . . 269
A.1.6 Changement de métrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
A.1.7 Produit tensoriel d'opérateurs . . . . . . . . . . . . . . . . . . . . . . . 271
A.1.8 Sommes hilbertiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
A.2 Produits tensoriels et opérateur de commutation . . . . . . . . . . . . 273
A.2.1 Produits tensoriels. Dénitions . . . . . . . . . . . . . . . . . . . . . . 273
A.2.2 Produits tensoriels. Propriétés. . . . . . . . . . . . . . . . . . . . . . . 274
A.2.3 Opérateur de commutation et produit tensoriel . . . . . . . . 275
A.3 Variable aléatoire euclidienne (v.a.e.), espérance
mathématique, opérateur de covariance . . . . . . . . . . . . . . . . . . . . . 276
A.3.1 Variable aléatoire euclidienne (v.a.e.) . . . . . . . . . . . . . . . . 276
A.3.2 Espérance mathématique d'une v.a.e. . . . . . . . . . . . . . . . . 276
A.3.3 Espérance mathématique d'un opérateur aléatoire
euclidien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
A.3.4 Opérateur de covariance d'une v.a.e. . . . . . . . . . . . . . . . . . 277
A.3.5 L'espace des variables aléatoires euclidiennes . . . . . . . . . . 278
XIV Table des matières

A.4 Indépendance de variables aléatoires euclidiennes . . . . . . . . . . . . 279

A.5 Théorèmes limites dans un espace euclidien . . . . . . . . . . . . . . . . . 281
A.5.1 Théorèmes limites pour suites de v.a.e. i.i.d. . . . . . . . . . . 281
A.5.2 Les trois théorèmes pour une suite d'opérateurs de
covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
A.5.3 Théorème de transport de convergence en loi . . . . . . . . . . 283
A.5.4 Théorème limite pour suites de v.a.e. i. non i.d. . . . . . . . 284
A.6 Perturbation en Statistique asymptotique . . . . . . . . . . . . . . . . . . . 285
A.6.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
A.6.2 Décomposition spectrale de l'opérateur théorique et
de l'opérateur d'échantillonnage . . . . . . . . . . . . . . . . . . . . . 285
A.6.3 Développements des éléments propres . . . . . . . . . . . . . . . . 286
A.6.4 Résultats limites des éléments propres . . . . . . . . . . . . . . . . 286
A.7 A.C.P. linéaire centrée : dénition et résultats asymptotiques . . 287
A.8 A.C. linéaire centrée : dénition et résultats asymptotiques . . . 294

Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
Avant Propos

Statistique Multidimensionnelle et Opérateurs

Tome II
Études asymptotiques des analyses factorielles (A.C.P., A.C., ...)
et des modèles associés

Ce volume fait suite à un premier volume, intitulé Méthodes factorielles

dans un cadre euclidien de J. Dauxois et G.M. Nkiet. Il peut cependant être
abordé directement, les notions utiles étant rappelées en annexes. C'est dans
un cadre opératoriel plutôt que matriciel que nous situons notre travail. L'un
de nos objectifs étant de montrer l'intérêt de l'approche opératorielle pour la
statistique asymptotique multidimensionnelle.
Nous entendons par "analyses factorielles" les méthodes statistiques dont
les résultats sont obtenus à partir de la décomposition spectrale d'un opé-
rateur (en général positif et symétrique) : l'Analyse en Composantes Prin-
cipales (A.C.P.), l'Analyse Canonique (A.C.), l'Analyse Factorielle Discrimi-
nante (A.F.D.), l'Analyse Factorielle des Correspondances (A.F.C.). Les "mo-
dèles associés" sont les modèles à eets xes ou à eets aléatoires, en parti-
culier l'Analyse en Facteurs (A.F.) (Communs et Spéciques), pour lesquels
l'estimation des paramètres (ou la prédiction des eets et facteurs aléatoires)
est obtenue à partir de la décomposition spectrale d'un opérateur.

Une étude asymptotique consiste à dénir l'analyse théorique et son opé-

rateur, puis l'analyse empirique sur un échantillon de taille n, enn d'étudier
la convergence (les convergences de diérents types) des éléments de l'analyse
empirique (fonctions des éléments propres de l'opérateur d'échantillonnage)
vers les éléments correspondants de l'analyse théorique lorsque la taille de
l'échantillon augmente indéniment. L'explicitation des lois limites ouvre le
2 Avant Propos

champ des applications inférentielles (estimation, tests d'hypothèses, ...).

Par souci pédagogique, nous avons choisi de travailler en dimension nie

(espaces euclidiens) mais la généralisation à la dimension innie (espaces hil-
bertiens) est assez directe. C'est bien souvent dans le cadre hilbertien que les
résultats présentés ici ont été publiés.

On rencontre, dans le cadre matriciel, des super-matrices (matrices dont

les éléments sont eux-mêmes des matrices). De nombreux outils ont été déve-
loppés autour de la façon de ranger les éléments de ces super-matrices, outils
bien inutiles dans un cadre opératoriel.

Ce cadre, qui peut donc être facilement étendu à la dimension innie,

permet surtout de travailler sur des sous-espaces aléatoires (via leurs projec-
teurs) et d'obtenir des résultats d'une grande généralité. Par exemple, pour les
études asymptotiques envisagées ici, on travaille sans autre hypothèse sur les
lois de probabilité des variables aléatoires que l'existence de moments d'ordre
4 ("free distribution") et avec des valeurs propres multiples et projecteurs
propres associés ("free coordinate").

Toulouse, 1er avril 2007

Jeanne Fine
Introduction générale

L'avant-propos de cet ouvrage a permis de décrire succinctement ce que

recouvrent le titre et le sous-titre. Nous présentons dans cette introduction un
historique de ce travail et ses motivations.

Partie 1
Études asymptotiques des analyses factorielles

An d'analyser des données statistiques multidimensionnelles présentées

dans un tableau de données de dimension n × p (avec n "individus" ou "uni-
tés statistiques" et p "variables" quantitatives ou qualitatives), des méthodes
descriptives et exploratoires (dégagées de toute référence probabiliste), repo-
sant sur l'algèbre linéaire et la géométrie euclidienne, se sont développées en
France dans les années 70 sous le nom d'"Analyse des Données".

La première synthèse de ces travaux, qui fut aussi un point de départ pour
des travaux ultérieurs, est sans conteste le livre de Cailliez et Pagès (1976).
Deux types de méthodes sont présentées : d'une part, les analyses factorielles
(Analyse en Composantes Principales (A.C.P.), Analyse Canonique (A.C.),
Analyse Factorielle des Correspondances (A.F.C.), Analyse Factorielle Discri-
minante (A.F.D.),...), d'autre part, les méthodes de classication. Seules les
méthodes factorielles sont envisagées dans notre ouvrage.

On lit dans l'avant-propos du livre de Cailliez et Pagès : "le livre s'ins-

pire, au niveau de la forme et du langage, à la fois de T.W. Anderson (1958)
et de J.P. Benzécri (1973). Un choix a été fait dans la façon de présenter
les techniques d'analyse des données : nous utilisons constamment les notions
de projecteur, d'application M-symétrique, de codage, et surtout le "schéma
de dualité" qui est un instrument de langage ecace permettant de présenter
d'un seul jet et sous toutes leurs facettes les techniques relevant de l'algèbre
linéaire."
4 Introduction générale

Des questions concernant le choix de la dimension à retenir ou le choix de

variables à conserver dans une analyse ont été l'objet de nombreuses contri-
butions.

Parallèlement se sont posées des questions de stabilité des analyses. Par

exemple, Escoer et Leroux (1976) et Escoer (1979) étudient les varia-
tions maximales des facteurs et des valeurs propres (en A.C.P. et en A.F.C.)
lorsque l'on ajoute ou supprime des éléments au tableau ou lorsque l'on change
de "métrique" (c'est-à-dire de produit scalaire sur l'espace des variables ou
sur l'espace des individus) ; Fujikoshi, Krishnaiah et Schmidhammer (1987) se
placent dans le même cadre pour l'A.C.P., l'A.F.C. et l'A.C.
Critchley (1985) utilise la notion de fonction d'inuence pour étudier le poids
dans l'analyse de certaines unités statistiques. D'autres éléments bibliogra-
phiques se trouvent aussi en Aitkinson (1981), Benasseni (1981, 1986, 1990),
Krzanowski (1984b), Tanaka (1988, 1989), Wang et Liski (1993) pour l'A.C.P.
et Wisjman (1986) pour l'A.C. Ce type de stabilité est appelée stabilité in-
terne par Greenacre (1984) car elle concerne le tableau de données analysé,
sans référence à une population plus large.
En revanche, si l'on considère que les individus {ω1 , · · · , ωn } constituent un
échantillon tiré au hasard dans une population plus vaste, il s'agit d'étudier
les uctuations d'un échantillon à un autre ou la plus grande stabilité des ré-
sultats de l'analyse lorsque la taille de l'échantillon augmente. Nous sommes
dans le cadre de la stabilité externe pour Greenacre. Si le tirage de l'échan-
tillon peut être assimilé à un tirage à probabilités égales avec remise, nous
nous retrouvons dans le cadre de la statistique inférentielle classique. Les in-
dividus ne présentent plus d'intérêt en eux-mêmes, ils sont interchangeables ;
il s'agit d'étudier les liens entre les variables.

Pour une présentation des "analyses de données" et des travaux qui ont
suivi, on pourra consulter Lebart, Morineau et Piron (1995), ou, en anglais,
un ouvrage plus ancien, Lebart, Morineau et Warwick (1984).

Le cadre algébrique proposé est trop restrictif pour réaliser les études de
stabilité externe. Il est trop restrictif aussi pour des études portant sur des
unités statistiques complexes comme des courbes ou des unités spatiales. Il
s'agit donc de reprendre un cadre probabiliste léger (sans hypothèse sur la
distribution des variables dont on fait l'analyse), de remplacer un vecteur
aléatoire p-dimensionnel par une variable aléatoire à valeurs dans un espace
de Hilbert et de travailler avec des espaces de fonctions. Le cadre de "l'analyse
fonctionnelle" permettra ces généralisations.

An d'étudier le calendrier des naissances des enfants en fontion de la durée

de mariage des parents, Deville (1974) propose, pour cadre théorique, l'analyse
harmonique d'un processus aléatoire et montre qu'il s'agit d'une généralisa-
tion de l'A.C.P. à une variable aléatoire hilbertienne. Il dénit l'analyse sur
 Introduction générale 5

un échantillon d'unités statistiques de taille nie et réalise l'étude asympto-

tique par échantillonnage. Enn, il présente les résultats de l'analyse sur un
échantillon de cent mille familles suivies pendant vingt ans et traite d'autres
exemples.

Ce travail sera repris pour un processus aléatoire qualitatif (Deville et Sa-

porta, 1980, 1983, Deville, 1981, 1982.)

L'analyse fonctionnelle est également le cadre de travail proposé par

Dauxois et Pousse. Ils soutiennent en 1976 une thèse intitulée "Les analyses
factorielles en calcul des probabilités et en statistique : essai d'étude syn-
thétique" (1976c) reprenant et complétant des travaux déjà publiés (Pousse,
1973, Dauxois et Pousse, 1974a,b, 1975a,b, 1976a,b).

La présentation de l'analyse canonique de deux sous-espaces fermés d'un

espace de Hilbert séparable permet de présenter comme cas particuliers :
- d'une part, l'analyse canonique "linéaire" de deux variables aléatoires multi-
dimensionnelles réelles (et celle de variables statistiques), (présentation globale
et non "pas à pas")
- d'autre part, l'analyse canonique de deux tribus, qui permet de dénir l'ana-
lyse canonique "non-linéaire" de deux variables aléatoires quelconques (non
nécessairement multidimensionnelles réelles).

Par ailleurs, l'analyse en composantes principales d'une fonction aléatoire

hilbertienne, c'est-à-dire, d'une variable aléatoire à valeurs dans un espace de
Hilbert et dépendant d'un paramètre continu permet de généraliser l'A.C.P. à
des unités statistiques plus complexes comme des courbes ou des images (avec
des hypothèses légèrement diérentes de celles de Deville.) Lorsque l'espace
des paramètres est le temps, ces fonctions aléatoires sont appelées plus sou-
vent processus aléatoires ou stochastiques.

Se pose alors un problème d'approximation de ces analyses théoriques par

des analyses empiriques sur un échantillon d'unités statistiques et/ou pour
une discrétisation de l'espace du paramètre. Les auteurs proposent d'étudier
la stabilité des analyses à partir d'études de convergences ; ils décrivent le
cadre de travail des études asymptotiques et obtiennent les premiers résultats.

Dans ce cadre de travail plusieurs thèses et publications suivent. Boumaza

(1979) reprend l'étude des processus qualitatifs. Besse (1979) propose, pour
l'étude d'un processus quantitatif, de dénir l'A.C.P. dans des espaces de
Sobolev, dont l'approximation utilise les fonctions "splines" d'interpolation.
Romain (1979) propose l'étude asymptotique par échantillonnage de l'A.C.P.
d'une fonction aléatoire hilbertienne. Arconte (1980) prolonge cette étude et
aborde l'étude asymptotique par échantillonnage de l'A.C. Martin (1980) re-
prend le cadre non linéaire pour proposer un travail sur le codage ou et
6 Introduction générale

Qannari (1983)propose une extension aux analyses factorielles de mesures.

Si l'on se restreint aux travaux concernant les études asymptotiques par

échantillonnage (i.i.d.) des analyses factorielles, qui font l'objet de la pre-
mière partie de cet ouvrage, on peut citer, par ordre chronologique : Dauxois
et Pousse (1977), Arconte, Dauxois et Pousse (1978), Dauxois, Fine et Pousse
(1979a,b), Romain (1979), Arconte (1980), Arconte, Dauxois, Pousse et Ro-
main (1980), Fine (1981), Dauxois, Pousse et Romain (1982), Boutayeb
(1983), Chakak (1983), Ghomari (1983), Fine et Romain (1984), Fine (1987,
1989), Dossou-Gbete et Pousse (1991)et Fine (2000).

Nous n'avons pas repris dans cet ouvrage les études asymptotiques réalisées
sur la méthode de segmentation : Baccini (1975), Baccini et Pousse (1975a,b)
ni celles réalisées sur une matrice de fréquences aléatoires dont l'espérance est
de rang réduit (Fekri et Fine, 1995).

C'est au l des années qu'ont émergé et se sont améliorés les outils ma-
thématiques nécessaires pour poser le cadre de travail et obtenir des résultats
d'une grande généralité : pas d'hypothèse sur les lois des variables autre que
l'existence de moments d'ordre 4, valeurs propres multiples et projecteurs
propres associés, ... L'étude asymptotique de l'Analyse Canonique n'a ainsi
été publiée qu'en 2000. Les outils usuels, matrices, développements de Taylor,
sont mal adaptés pour ces études. C'est malgré tout avec ces outils que T.W.
Anderson publie, en 1999, l'étude asymptotique de l'Analyse Canonique, pour
des variables gaussiennes et dans le cas de valeurs propres simples, 36 ans après
l'étude asymptotique de l'A.C.P. (Anderson, 1963) qui a initié ce type d'étude.

Si l'on reprend l'historique des études asymptotiques par échantillonnage

dans le cadre classique, les premiers travaux remontent aux années 40 (Gir-
shick, 1939, Hsu, 1939, 1941a et b) pour la convergence des valeurs propres.
Suivent, dans les années 50 des résultats sur les vecteurs propres et sur des
statistiques de tests fonctions des valeurs propres, dans le cas où la matrice de
covariance a toutes ses valeurs propres simples et où les variables sont suppo-
sées gaussiennes (Anderson, 1951, Lawley, 1956, Mallows 1961, van der Vaart
1961).

En 1963, Anderson publie la première étude avec sa méthodologie. Elle

concerne l'A.C.P. d'un vecteur gaussien. Le cas de valeurs propres multiples
de la matrice de covariance théorique est envisagé ainsi que celui des vecteurs
propres associés à des valeurs propres simples. Des tests d'égalité de valeurs
propres sont traités complétant ainsi les travaux antérieurs.

Plusieurs résultats concernent l'étude asymptotique de l'A.C.P. réduite. Il

faut attendre Konishi (1979a,b) pour avoir une étude asymptotique asymp-
totique de l'A.C.P. réduite dans le cas gaussien et pour des valeurs propres
 Introduction générale 7

simples.

Grâce au théorème central limite, il n'est pas nécessaire de supposer gaus-

siens les vecteurs aléatoires dont on étudie la moyenne empirique pour obtenir
une loi asymptotique gaussienne. Les premiers résultats dans le cas où aucune
hypothèse n'est faite sur la distribution des vecteurs aléatoires sauf l'existence
de moments d'ordre 4 (free-distribution case) sont dus à Waternaux (1976),
Davis (1977), Fujikoshi (1980a et b), Muirhead et Waternaux (1980) (cas de
valeurs propres simples). Le cas général est d'abord étudié ; les covariances
asymptotiques sont ensuite explicitées dans le cas elliptique, puis gaussien.
On se référera à Muirhead (1978) pour un état de la question à cette date.

De nombreux articles font état de résultats concernant les coecients ca-

noniques ou des fonctions des coecients canoniques, statistiques de tests
construites à partir des coecients canoniques en particulier (par exemple,
Fujikoshi, 1976, 1977a,b,c, 1978, 1982, ...) mais les distributions conjointes
des facteurs canoniques présentent des dicultés particulières que nous dé-
crirons au paragraphe 3.3. Comme nous l'avons déjà dit, ce n'est qu'en 1999
qu'Anderson publie une étude asymptotique relativement complète de l'A.C.
d'un couple de vecteurs gaussien, dans le cas où tous les coecients cano-
niques sont simples.

Pour l'A.F.C., O'Neill (1978a,b, 1981) publie des résultats asymptotiques

concernant les corrélations canoniques issues de tables de contingence sans ré-
férence aux résultats généraux concernant les corrélations canoniques de l'A.C.

Partie 2
Études asymptotiques des modèles associés

An de présenter cette deuxième partie, reprenons le problème du choix

de la "métrique" en A.C.P. (approche descriptive sur une matrice n × p de
données, n individus, p variables.)

L'objectif de l'A.C.P. consiste à trouver un sous-espace de IRp (resp. de

n
IR ) de faible dimension s permettant, en projection sur cet espace, de visuali-
ser au mieux, dans un sens à préciser, les proximités entre les individus (resp.
entre les variables). L'espace de dimension s solution du problème contient
l'espace de dimension s − 1 solution du problème (les solutions sont dites em-
boîtées). Le sous-espace de IRp est engendré par les vecteurs propres associés
aux s plus grandes valeurs propres de la matrice des covariances des variables.
On en déduit le sous-espace de IRn . Pratiquement, si l'on retient s = 3, on
visualise le nuage projeté sur les plans 1,2 et 1,3 par exemple.

Si les corrélations entre les variables semblent plus pertinentes à interpré-

ter que les covariances (en particulier si les variables ne sont pas mesurées
8 Introduction générale

dans la même unité de mesure), c'est une A.C.P. sur les variables réduites
qu'il sera préférable d'eectuer. Si V désigne la matrice p × p des covariances
des p variables, alors la matrice n × p des données réduites est obtenue en
1
post-multipliant la matrice n × p des données initiales par (diagV )− 2 . On
montre alors que réaliser l'A.C.P. des données réduites dans l'espace euclidien
(IRp , Ip ) est équivalent à réaliser l'A.C.P. des données initiales dans l'espace
euclidien (IRp ,(diagV )−1 ) (changement de "métrique").

De même, si les individus sont pondérés avec des poids p1 , · · · , pn , positifs

et de somme égale à 1, non nécessairement égaux, on remplacera la métrique
associée à la matrice n1 In sur IRn par la métrique associée à la matrice diago-
nale des poids. D'autres choix ont été proposés : par exemple, dans le cas de
données spatiales dans le but de décorréler des unités-statistiques contiguës,
on pourra consulter Aragon et Caussinus (1980).

Plus généralement, il est possible de montrer que les résultats d'une analyse
canonique de deux vecteurs quantitatifs de dimension p et q respectivement
peuvent être obtenus par une A.C.P. sur le vecteur de dimension p + q obtenu
en concaténant les deux vecteurs, l'espace IRp+q étant muni d'une métrique
particulière ; il en est de même des résultats d'une analyse factorielle des cor-
respondances de deux variables qualitatives à p et q modalités respectivement
(Cf. par exemple, Cailliez et Pagès, 1976). Les choix de métriques euclidiennes
sont au coeur de la présentation algébrique et géométrique des analyses fac-
torielles.

Se pose alors le problème du choix de métrique en A.C.P. en fonction du

type de données. Les études asymptotiques par échantillonnage de la première
partie reposent sur l'hypothèse d'échantillons i.i.d., c'est-à-dire, sur l'hypo-
thèse d'individus interchangeables. Les représentations graphiques des indi-
vidus sur les premiers plans factoriels n'ont alors pas de sens car ne sont
visualisées que des uctuations d'échantillonnage.

Dans le cas où l'on cherche à interpréter la représentation des unités sta-

tistiques sur les premiers plans factoriels, c'est que l'on a "implicitement" un
modèle sur les données. Le plus "léger" en hypothèses, proposé par Caussinus
(1985a et b), consiste à supposer que les n vecteurs lignes xi de la matrice n⊗p
de données sont des observations de n vecteurs aléatoires de IRp de moyennes
distinctes µi mais de même matrice de covariance σ 2 Γ où σ est un paramètre
réel positif inconnu et Γ une matrice régulière connue. On suppose de plus
que les n vecteurs des moyennes appartiennent à un sous-espace ane F de
l'espace ane euclidien (IRp , M ) de dimension s (s entier compris strictement
entre 0 et p xé).

On montre alors (Besse, Caussinus, Ferré, Fine, 1986, 1987, 1988) que
l'espace F et les vecteurs µi de F rendant minimum la somme des carrés des
 Introduction générale 9
Pn
erreurs d'estimation : i=1 kxi − µi k2M sont l'espace principal d'ordre s de
l'A.C.P., noté F̂ , et les projections sur F̂ des xi : µ̂i = ΠF̂ xi .

Il s'agit bien d'un modèle pour l'A.C.P. Dans le cas s = 2, le premier plan
principal de l'A.C.P. des données est une estimation F̂ de l'espace ane F et
les représentations des unités statistiques sont des estimations des moyennes
dont on cherche à interpréter les congurations.

On montre de plus le résultat qui nous intéresse concernant le choix

de métrique. SiPl'on introduit comme mesure d'ecacité des estimateurs :
n
f (M, A) = IE( i=1 kΠF̂M (xi ) − µi k2A ), A étant une métrique non nécessai-
rement égale à M , alors, quels que soient n et A, pour σ petit, la partie
principale de f (M, A) atteint son minimum pour M = Γ −1 (à une constante
multiplicative strictement positive près). Dans le cas où l'espace F est connu
(engendré par q variables explicatives) il s'agit du modèle linéaire général et
on retrouve la propriété de Gauss-Markov. Ce choix "optimal" de métrique
en A.C.P. peut être considérée comme une propriété de type Gauss-Markov,
avec, pour variables explicatives, des variables latentes, combinaisons linéaires
des variables initiales.

Ce modèle est appelé modèle à eets xes ou modèle fonctionnel. On re-

trouve ce choix de métrique avec des arguments asymptotiques. Si l'on sup-
pose que la matrice de covariance des vecteurs aléatoires est égale à Γ régulière
connue, moyennant quelques hypothèses sur la suite des moyennes, on montre
(chapitre 5) que les estimateurs sont consistants si, et seulemement si, la mé-
trique M sur IRp est Γ −1 (à une constante multiplicative strictement positive
près).

Les hypothèses sur les moyennes (les eets xes) sont bien diciles à véri-
er. Il est plus naturel de considérer le modèle à eets aléatoires (appelé aussi
modèle structurel). Dans ce cadre, on montre (chapitre 6) que les estimateurs
sont consistants pour toute métrique M sur IRp mais qu'ils vérient une pro-
priété d'ecacité asymptotique lorsque la métrique M sur IRp est Γ −1 (à une
constante multiplicative strictement positive près).

Un modèle d'échantillonnage intermédiaire entre le modèle i.i.d. et celui

utilisé dans le modèle à eets xes qui introduit de fait un paramètre pour
chaque observation, conduit en fait à un modèle mixte. Il est possible d'esti-
mer Γ et l'estimation optimale des paramètres est obtenue par une A.F.D.
(cf. chapitre 7).

Deux méthodes sont couramment employées pour le traitement statistique

de p variables quantitatives observées sur n individus : l'A.C.P. et l'Analyse
en Facteurs (A.F.). Dans le chapitre 8, nous présentons succinctement l'Ana-
lyse en Facteurs qui repose en fait sur un modèle, cas particulier d'un modèle
10 Introduction générale

à eets aléatoires. Les problèmes d'identication et d'indétermination de ce

modèle ont été l'objet de nombreux articles. Nous présentons ces contoverses
ainsi que les approximations des facteurs proposées dans la littérature et les
comparons aux composantes principales de l'A.C.P. "optimale".

Les modèles à eets xes et modèles à eets aléatoires, encore appelés

modèles fonctionnels et modèles structurels ou modèles de relations linéaires
fonctionnelles et structurelles entre variables (Anderson, 1984) peuvent être
présentés de la façon suivante. Nous ne considérons que les modèles dont
l'estimation des paramètres est obtenue à partir de la diagonalisation d'une
matrice d'échantillonnage.

On considère n vecteurs aléatoires X1 , · · · , Xn de IRp que l'on suppose

pouvoir décomposer de la façon suivante :

Xi = xi + ei , i = 1, · · · , n

où (ei ) est une suite de v.a. centrées i.i.d. appelées erreurs et (xi ) une suite
de vecteurs appelés eets.
Les eets peuvent être aléatoires (modèles structurels, la suite (xi ) est alors
supposée i.i.d. et indépendante de la suite (ei )) ou xes (modèles fonctionnels,
on a alors : xi = IE(Xi )). Les eets sont supposés appartenir à un sous-espace
vectoriel (modèles linéaires) ou ane (modèles anes) de dimension q de IRp
(presque sûrement dans le cas structurel).
Il existe alors une matrice Λ(p, q) et des vecteurs fi (q, 1) tels que xi = Λ fi
(modèles linéaires ) ou xi = Λ fi +µ, µ ∈ IRp (modèles anes), égalités presque
sûres dans le cas structurel.
Pq Si on note λk , k = 1, · · · , q les vecteurs
Pq colonnes
k k k k
de Λ, on a : xi = f
k=1 i λ (modèles linéaires) ou xi = k=1 fi λ +
µ (modèles anes), presque sûrement dans le cas structurel. Les vecteurs
f k , k = 1, · · · , q sont appelés facteurs.
Les composantes des vecteurs Xi sont appelées variables observables, celles
des vecteurs ei (des vecteurs ei , xi et fi dans le cas structurel) sont appelées
variables latentes ; ces modèles font donc partie des modèles avec variables
latentes.
Lorsque l'on introduit les facteurs et que la matrice de covariance des
erreurs Ψ est supposée diagonale et inconnue, les modèles considérés sont les
Analyses en Facteurs Communs et Spéciques, proposées pour un seul facteur
par Spearman en 1904 et généralisées à plusieurs facteurs par Thurstone en
1947.
La plus grande partie des travaux concernant les modèles fonctionnels et
structurels ont été réalisés sur l'Analyse en Facteurs et développés par les
psychomètres.
Une autre partie importante des travaux concerne les modèles à erreurs
sur les variables, qui sont une généralisation des modèles de régression linéaire
 Introduction générale 11

multiple multidimensionnelle et un cas particulier des modèles fonctionnels et

structurels. Ces modèles, ainsi que les modèles d'équations simultanées qui se
ramènent aux précédents, ont surtout été développés par les économètres (cf.
la synthèse d'Anderson, 1984).
Bien que les modèles fonctionnels et structurels soient souvent dénis et
étudiés ensemble, leurs objectifs sont assez diérents. En eet, les modèles
structurels sont dénis sur un vecteur aléatoire de IRp et les estimations des
paramètres du modèle sont obtenues à partir d'un échantillon de n vecteurs
aléatoires indépendants et identiquement distribués (i.i.d.) ; ces modèles ont
pour objectif d'étudier les relations entre variables, les unités statistiques
jouant des rôles symétriques. La matrice de covariance du p-vecteur aléatoire
peut s'écrire comme fonction non linéaire d'un paramètre multidimensionnel
et ces modèles sont aussi appelés modèle de structure de covariance (cf. par
exemple Jõreskog, 1970,1978, 1981, McDonald, 1980a,b).
En revanche, les modèles fonctionnels sont dénis sur un échantillon de
n vecteurs aléatoires indépendants mais ayant des espérances distinctes, les
variables centrées sont supposées de même loi ; les unités statistiques sont
individualisées et un paramètre propre à chacune d'elles est à estimer.
Les très nombreuses variantes sur les hypothèses faites sur les variables
génèrent autant de modèles diérents. Pour de plus amples développements
sur l'Analyse en Facteurs et plus généralement sur les modèles avec variables
latentes on pourra consulter par exemple les articles d'Anderson (1984), Mu-
laik (1986), Bentler (1986) et les livres de Bentler et Weeks (1982), Everitt
(1984), McDonald (1985a), Loehlin (1987).
Dans les travaux anglo-saxons, les modèles sont présentés dans IRp , muni
du produit scalaire classique. Lorsque l'on utilise un autre produit scalaire
dont on note M la matrice associée, il est possible de discuter du choix opti-
mal de produit scalaire (et donc de métrique associée) pour l'estimation des
paramètres des modèles. Aussi, dans la suite du chapitre, nous présentons les
modèles pour des variables aléatoires à valeurs dans un espace euclidien de
dimension p.
12 Introduction générale

Descriptif détaillé de l'ouvrage

Partie 1. Études asymptotiques des analyses factorielles

Chapitre 1. Études asymptotiques : méthodologie et perturba-

tions.

Ce chapitre présente la méthodologie adoptée pour réaliser une étude

asymptotique par échantillonnage. Il s'agit tout d'abord de construire un mo-
dèle d'échantillonnage an de faire le lien entre l'échantillon d'unités statis-
tiques utilisé en analyse des données et l'échantillon i.i.d. de la statistique clas-
sique. Nous présentons ensuite les diérentes étapes d'une étude asymptotique
par échantillonnage. Enn, nous présentons les développements des éléments
propres (c'est-à-dire, valeurs propres, vecteurs propres, projecteurs propres)
d'une suite d'opérateurs aléatoires symétriques positifs, résultats essentiels
utilisés dans cette partie (rappelés en annexe 2) obtenus grâce à l'adaptation
à la statistique asymptotique de la théorie des perturbations.

Chapitre 2. Étude asymptotique de l'Analyse en Composantes

Principales (A.C.P.)

Après avoir rappelé la dénition de l'A.C.P. d'une v.a.e. (A.C.P. théo-

rique), nous présentons l'A.C.P. d'échantillonnage pour le modèle i.i.d. (A.C.P.
empirique ou A.C.P. d'échantillonnage) puis nous étudions la convergence
presque sûre de la suite des opérateurs d'échantillonnage, des suites des va-
leurs principales, projecteurs principaux, vecteurs principaux, mais aussi des
suites d'éléments aléatoires de l'A.C.P., en particulier, les suites de compo-
santes principales et de composantes principales réduites. Nous étudions en-
suite la convergence en loi des mêmes suites et explicitons les opérateurs de
covariance asymptotiques dans le cas où la v.a.e. est elliptique puis gaussienne.
Cette étude est relativement simple dans la mesure où les éléments principaux
ne sont autres que les éléments propres de l'opérateur d'échantillonnage et que
tous les outils mathématiques ont été mis en place pour l'étude de ces suites
d'éléments propres. Dans un dernier paragraphe, nous étudions les problèmes
d'estimation et de test des paramètres de la droite de régression orthogonale
(cadre de l'A.C.P. d'un couple de v.a.r. elliptique).

Chapitre 3. Étude asymptotique de l'Analyse Canonique ( A.C.)

Contrairement à l'A.C.P., les diérents éléments de l'Analyse Canonique

d'échantillonnage s'écrivent en fonction des éléments propres d'un opérateur
n
RX qui s'écrit lui-même en fonction du couple d'opérateurs de covariance
d'échantillonnage (VXn , VYn ). L'étude asymptotique complète est complexe et
n'a été réalisée qu'en 1999 par T.W. Anderson, pour un couple de vecteurs
gaussien et dans le cas où toutes les valeurs propres de l'opérateur de l'ana-
 Introduction générale 13

lyse théorique sont distinctes. Nous réalisons l'étude sans ces hypothèses, sup-
posant seulement l'existence de moments d'ordre 4 pour le couple de v.a.e.
dont nous faisons l'A.C. Nous explicitons ensuite les opérateurs de covariance
asymptotiques dans le cas elliptique. Dans le cas gaussien et lorsque toutes
les valeurs propres sont distinctes, nous retrouvons les résultats d'Anderson,
à deux d'entre eux près avec lesquels nous sommes en désaccord. Comme
pour l'A.C.P., nous étudions également le comportement asymptotique des
éléments aléatoires de l'analyse, c'est-à-dire, en particulier, des variables ca-
noniques.

Chapitre 4. Études asymptotiques de l'Analyse Factorielle des

Correspondances (A.F.C.) et de l'Analyse Factorielle Discriminante
(A.F.D.)

Nous avons réalisé dans le chapitre 3 l'étude asymptotique de l'A.C. centrée

d'un couple de v.a.e. centrées. Nous étudions tout d'abord dans ce chapitre les
modications qu'il faut apporter aux résultats obtenus précédemment lorsque
l'une ou les deux v.a.e. sont non centrées et lorsque l'A.C. est non centrée ou
mixte, c'est-à-dire, centrée sur une v.a.e. et non centrée sur l'autre. L'Ana-
lyse Factorielle des Correspondances (A.F.C.) est un cas particulier d'A.C.
non centrée et l'Analyse Factorielle Discriminante (A.F.D.) un cas particulier
d'A.C. mixte. Il sut alors de reprendre les résultats obtenus dans le chapitre
précédent avec les modications introduites au début de ce chapitre.

Partie 2. Études asymptotiques des modèles associés

Chapitre 5. Modèles à eets xes ; choix optimal de métrique en

A.C.P.

Nous considérons dans ce chapitre une suite de v.a. à valeurs dans un

espace euclidien E de dimension p, indépendantes, admettant des moments
d'ordre 4, ayant même opérateur de covariance Γ , connu à une constante
près et inversible, mais des espérances mathématiques distinctes. Le modèle
à eets xes linéaire (resp. ane) est déni par l'hypothèse supplémentaire
suivante : il existe un sous-espace vectoriel (resp. ane), de dimension connue
q strictement inférieure à p, contenant les espérances. L'estimation des pa-
ramètres du modèle linéaire (resp. ane) par les moindre carrés est obtenue
par l'A.C.P. non centrée (resp. centrée) d'ordre q. C'est la raison pour laquelle
nous considérons ce modèle, très léger en hypothèses, comme le modèle pour
l'A.C.P. Nous montrons alors dans ce cadre que les estimateurs sont consis-
tants si, et seulement si, la métrique sur E est l'inverse de l'opérateur de
covariance Γ, c'est-à-dire, l'inverse de l'opérateur de covariance des erreurs
lorque l'on décompose les v.a.e. comme la somme d'un eet xe (l'espérance
mathématique) et d'une erreur. Ce résultat apparaît comme une propriété de
type Gauss-Markov pour l'A.C.P. ; ce choix optimal de métrique dénit ce que
14 Introduction générale

nous appelons par la suite A.C.P. optimale. Nous étudions ensuite la conver-
gence en loi de la suite des opérateurs de covariance d'échantillonnage et des
suites d'éléments propres et explicitons les opérateurs de covariance asymp-
totiques dans le cas elliptique (ou gaussien). Nous terminons le chapitre par
un test d'hypothèse sur l'identication du sous-espace des eets.

Chapitre 6. Modèles à eets aléatoires : choix optimal de mé-

trique en A.C.P.

Nous décomposons à présent chaque v.a.e. comme la somme d'un eet

aléatoire et d'une erreur indépendante de l'eet. Les eets aléatoires (resp.
les erreurs) sont des v.a.e. supposées i.i.d., d'ordre 4, de moyenne µ (resp.
centrées). Le modèle à eets aléatoires linéaire (resp. ane) est déni par
l'hypothèse supplémentaire suivante : il existe un sous-espace vectoriel (resp.
ane), de dimension connue q strictement inférieure à p, contenant presque
sûrement les eets. La prédiction des eets aléatoires du modèle linéaire (resp.
ane) par les moindre carrés est encore obtenue par l'A.C.P. non centrée (resp.
centrée). Comme dans le cas des modèles à eets xes, nous montrons que les
estimateurs sont consistants si, et seulement si, la métrique sur E est l'inverse
de l'opérateur de covariance des erreurs. Nous étudions enn la convergence
en loi de la suite des opérateurs de covariance d'échantillonnage et des suites
d'éléments propres et explicitons les opérateurs de covariance asymptotiques
dans le cas elliptique (ou gaussien).

Chapitre 7. Modèles mixtes : retour sur l'A.F.D.

Nous considérons ici un modèle à eets xes (linéaire ou ane) pour lequel
nous disposons d'un nombre ni K de sous-populations et de plusieurs obser-
vations pour chacune d'elles (réplications d'observations). Nous qualions ces
modèles de mixtes car nous montrons que l'eet, introduit comme eet xe,
peut être également considéré comme aléatoire (de loi discrète). Dans les ar-
ticles concernant ces modèles, l'échantillonnage implicitement utilisé est un
échantillonnage stratié proportionnel. Nous préférons utiliser l'échantillon-
nage aléatoire simple car il nous semble mieux adapté au cadre de l'Analyse
Exploratoire des Données. Nous montrons que les estimateurs sont consistants
quelle que soit la métrique utilisée sur E mais qu'ils vérient une propriété
d'ecacité asymptotique lorsque la métrique est l'inverse de l'opérateur de co-
variance des erreurs. Il n'est plus nécessaire de supposer connu cet opérateur
car il est possible ici de l'estimer. L'A.C.P. centrée d'ordre q, avec la métrique
optimale estimée est alors tout simplement une A.F.D. pour laquelle l'opéra-
teur de covariance expliqué par la partition est de rang q. Nous sommes ainsi
ramenés à l'étude asymptotique réalisée au chapitre 4.

Chapitre 8 : Analyse en Facteurs (A.F.) et A.C.P. optimale

 Introduction générale 15

Nous terminons cet ouvrage par une présentation succincte, dans un cadre
matriciel selon l'usage, de l'Analyse en Facteurs (Communs et Spéciques)
et une comparaison de l'Analyse en Facteurs et de l'A.C.P. L'Analyse en
Facteurs repose sur un modèle à eets aléatoires pour lequel la matrice de co-
variance des erreurs est supposée diagonale et inversible. Ce modèle présente
trois problèmes d'identication et d'indétermination qui ont fait couler beau-
coup d'encre : le problème de rotation des facteurs communs, le problème
d'identication du modèle de structure de covariance et le problème d'indé-
termination des facteurs. Nous les présentons en détail dans ce chapitre. C'est
le dernier qui pose problème et rend impossible tout espoir de prédire les
facteurs. Nous montrons alors que les nombreuses approximations propo-
sées sont toutes équivalentes à un facteur multiplicatif près et équivalentes
aux composantes principales de l'A.C.P. optimale.

Annexes

A.1. Opérateurs, espaces euclidiens, décomposition spectrale

A.2. Produits tensoriels et opérateur de commutation

A.3. Variable aléatoire euclidienne, espérance mathématique, opérateur de

covariance

A.4. Indépendance de variables aléatoires euclidiennes

A.5. Théorèmes limites dans un espace euclidien

A.6. Perturbation en Statistique asymptotique

A.7. A.C.P. linéaire centrée : dénition et résultats asymptotiques

A.8. A.C. linéaire centrée : dénition et résultats asymptotiques

 Première partie

Études asymptotiques des analyses factorielles

1
Études asymptotiques : méthodologie et
perturbation

Contenu : Échantillon en Analyse des Données et échantillon i.i.d.. Diérentes

étapes d'une étude asymptotique. Perturbation en Statistique asymptotique.

1.1 Introduction

Le cadre de travail de l'ouvrage (opérateurs, espaces euclidiens, décompo-

sition spectrale, ...) est présenté dans l'Annexe 1.

Dans ce chapitre, nous présentons la méthodologie adoptée pour réaliser

une étude asymptotique par échantillonnage.

Il s'agit tout d'abord (Ÿ 1.2.) de construire un modèle d'échantillonnage

an de faire le lien entre l'échantillon d'unités statistiques utilisé en analyse
des données et l'échantillon i.i.d. de la statistique classique.

Nous présentons ensuite (Ÿ 1.3.) les diérentes étapes d'une étude asymp-
totique par échantillonnage.

Enn, nous présentons (Ÿ 1.4.) les développements des éléments propres

d'une suite d'opérateurs aléatoires symétriques positifs, résultats essentiels
utilisés dans la première partie et obtenus grâce à l'adaptation à la statistique
asymptotique de la théorie des perturbations (ces résultats sont rappelés en
annexe 6 et les développements sont donnés à l'ordre 2).
20 Chap. 1 - Introduction

1.2 Échantillon en Analyse des Données et échantillon

i.i.d.
An d'aborder les études asymptotiques des analyses factorielles, il est
important d'écrire rigoureusement comment on passe de l'échantillon utilisé
en analyse des données : X(ωi ) = (X 1 (ωi ), · · · , X p (ωi )), pour i = 1, · · · , n,
(n vecteurs de IRp présentés dans une matrice n × p) à l'échantillon i.i.d.
de la statistique inférentielle classique : réalisation de n vecteurs aléatoires
Xi = (Xi1 , · · · , Xip ) indépendants et de même loi de probabilité qu'un vecteur
aléatoire X = (X 1 , · · · , X p ) de IRp .

Cette question revient à s'interroger sur la loi forte des grands nombres en
statistique inférentielle classique. Soit X une variable aléatoire réelle (v.a.r.)
dénie sur un espace probabilisé (Ω, A, P ) et (Xi )i∈IN∗ une suite de v.a.r.
indépendantes et de même loi de probabilité que X (on dira indépendantes
et identiquement distribuées (i.i.d.) comme X ). Si X admet une espérance
mathématique µ, alors la Ploi forte des grands nombres s'énonce : la suite de
n
terme général X̄n := n1 i=1 Xi converge presque sûrement, lorsque n tend
vers l'inni, vers µ. Pour tout i et pour tout n, Xi et X̄n sont des v.a.r. dénies
sur l'espace probabilisé produit inni, qui peut s'écrire, avec des notations
usuelles :
∗ ∗ ∗ ∗
(Ω 0 , A0 , P 0 ) := (Ω, A, P )⊗IN = (Ω IN , A⊗IN , P ⊗IN ).
Si (Ω, A, P ) est l'espace probabilisé lié à une épreuve aléatoire, alors l'es-
pace produit inni modélise la répétition indépendamment et indéniment de
l'épreuve aléatoire. Il est construit de telle façon que, pour tout n de IN∗ , la pro-
babilité d'un événement lié aux n premières épreuves coïncide avec celle que
l'on aurait obtenue dans le cadre de l'espace probabilisé produit ni d'ordre
n, ou d'ordre m pour m entier supérieur à n.

Il existe donc un sous-ensemble Ω10 de probabilité 1 (pour P 0 ) tel que, pour

tout ω de Ω10 , la suite (X̄n (ω)) converge, lorsque n tend vers l'inni, vers µ.
Si (Ω, A, P ), sur lequel est dénie la v.a.r. X, est un espace probabilisé
∗
associé à une expérience aléatoire et (Ω, A, P )⊗IN l'espace probabilisé associé
à une suite innie de la même expérience réalisée successivement et indé-
pendamment dans les mêmes conditions, alors Xi correspond à la v.a.r. X
∗
lors de la ime expérience. Soit π la projection canonique de (Ω, A, P )⊗IN sur
(Ω, A, P ) qui à ω = (ωi )i∈IN∗ associe ωi , peut-on écrire Xi = X ◦ π ? Oui si
l'on montre que la suite (X ◦ π)i∈IN∗ est bien une suite de v.a.r. i.i.d. comme
X. C'est l'objet du paragraphe suivant.
La preuve (évidente intuitivement) nécessite de distinguer, lorsque l'on
écrit ωi l'élément de l'ensemble Ω et la ième observation d'une procédure
aléatoire sur Ω. En analyse des données, les échantillons de valeurs réelles
proviennent bien souvent d'observations sur des individus (ou unités statis-
tiques) tirés selon une procédure aléatoire dans un ensemble ni. Si le tirage
 Échantillon en Analyse des Données et échantillon i.i.d. 21

est à probabilités égales, alors l'ensemble Ω des résultats possibles lors d'un
tirage n'est autre que la population dans laquelle on extrait l'échantillon, et
on a équiprobabilité sur cet ensemble. La loi de probabilité de X est alors la
distribution de fréquence du caractère quantitatif étudié sur la population. Si
le tirage est avec remise, c'est bien l'espace probabilisé produit qui modélise
cet échantillonnage.
Cette approche qui vient en fait de la théorie des sondages (échantillons
tirés selon des procédures aléatoires dans des populations nies) permet de
distinguer deux types d'aléatoires :
- l'aléatoire qui vient de l'échantillonnage et qui apparaît même lorsque l'on
ne fait aucune hypothèse sur les caractères étudiés sur la population,
- l'aléatoire du modèle (X est une variable aléatoire, que l'on peut supposer
gaussienne (ou elliptique)).
Le modèle d'échantillonnage i.i.d. détaillé ici (Dauxois, Fine et Pousse,
1979, a et b) sera utilisé dans toutes les études asymptotiques. Son écriture ri-
goureuse, qui distingue l'aléatoire qui vient du modèle et l'aléatoire qui vient
de l'échantillonnage, permet étudier le comportement asymptotique, lorsque
la taille de l'échantillon tend vers l'inni, des éléments aléatoires des analyses
(composantes principales en A.C.P., variables canoniques en A.C.,...), études
encore jamais réalisées à notre connaissance.

Soit (Ω, A, P ) un espace probabilisé. On suppose que A contient les sin-

gletons de Ω. C'est en particulier le cas lorsque Ω est ni ou dénombrable
et A =P(Ω) ou lorsque Ω est un espace vectoriel normé (en particulier un
espace euclidien ou un espace hilbertien) et A la tribu des boréliens de Ω
(tribu engendrée par les ouverts).
∗
Soit (Ω, A, P )⊗IN l'espace probabilisé produit inni (modélisant la répéti-
tion indépendamment et indéniment de l'expérience aléatoire modélisée par
(Ω, A, P )).

Considérons les projections canoniques :

∗
∀j ∈ IN∗ , πj : (Ω, A, P )⊗IN → (Ω, A, P )
ω = (ωi )i∈IN∗ → ωj
La suite (πj )j∈IN∗ est formée de v.a. indépendantes et de même loi, P.

Comme, pour tout A de A, l'indicatrice 11A de A est une v.a.r. de Bernoulli

de paramètre P (A), on en déduit que (11A ◦ πj )j∈IN∗ est une suite de v.a.r.
indépendantes et de même loi, loi de Bernoulli de paramètre P (A).

La loi forte des grands nombres conduit alors à :

22 Chap. 1 - Introduction
n
1X
lim ( 11A ◦ πj ) = P (A) p.s.
n→∞ n j=1
∗
Soit ω = (ωi )i∈IN∗ un élément de Ω ⊗IN .

Pour tout n de IN∗ , on désigne par Ωnω l'ensemble {(1, ω1 ), · · · , (n, ωn )}

formé à partir des n premiers éléments de la suite ω et on introduit l'applica-
tion Ψnω , de Ωnω dans Ω, qui à (j, ωj ) associe ωj .

Le choix de l'équiprobabilité µω
n :

n
1X
∀B ⊂ Ωnω , µω
n (B) = δ(j,ωj ) (B).
n j=1

sur (Ωnω , P(Ωnω )) nous conduit à munir (Ω, A) de la probabilité νnω , image de
µω ω
n par Ψn , dénie par :

n
1X
∀A ∈ A, νnω (A) = µω ω −1
n [(Ψn ) (A)] = δ(j,ωj ) [(Ψnω )−1 (A)]
n j=1

soit encore :
n
1X
∀A ∈ A, νnω (A) = 11A ◦ πj (ω),
n j=1

puisque les termes des deux sommes sont égaux à 0 ou 1 et que l'on a :

δ(j,ωj ) [(Ψnω )−1 (A)] = 1 ⇔ Ψnω (j, ωj ) ∈ A ⇔ ωj ∈ A ⇔ 11A ◦ πj (ω) = 1.

La loi forte des grands nombres entraîne alors :

∗
∀A ∈ A, lim νnω (A) = P (A), pour presque tout ω de Ω IN .
n→∞

Soit X une v.a.e. dénie sur (Ω, A, P ) et à valeurs dans un espace eucli-
dien E muni de la tribu de ses boréliens BE . En posant, pour tout i de IN∗ ,
∗
Xi = X ◦ πi , on dénit une suite (Xi )i∈IN∗ de v.a. dénies sur (Ω, A, P )⊗IN ,
à valeurs dans (E, BE ), indépendantes et de même loi PX que X, vériant,
pour tout i de IN∗ , Xi (ω) = X(ωi ).

Inversement, une matrice (n, p) de données à coecients réels, dont l'élé-

ment i, j) est la valeur d'une variable réelle X j sur le ième individu peut être
considérée comme l'observation, sur un échantillon (ω1 , · · · , ωn ) de taille n
∗
obtenu à partir des n premiers termes d'une suite ω de Ω IN , d'une v.a. X
à valeurs dans un espace euclidien de dimension p muni de la tribu de ses
boréliens (E, B(E)) (dont X j est la j ème composante sur une base xée).
 Les diérentes étapes d'une étude asymptotique 23

On fait ainsi le lien entre un échantillon observé en Analyse des Données et

un échantillon statistique (de la statistique inférentielle classique). Bien sûr,
ce résultat est utilisé implicitement depuis longtemps ; il nous a semblé utile
d'en préciser les fondements.

1.3 Les diérentes étapes d'une étude asymptotique

Pour chaque analyse factorielle (a.f.), nous en présentons la dénition pour
une v.a.e. ou un couple de v.a.e., a.f. dite théorique (ou a.f. de la population).
Les diérents éléments de l'a.f. sont obtenus en fonction des éléments propres
d'un opérateur associé à l'a.f.

Pour chaque taille d'échantillon, en utilisant le modèle d'échantillonnage

indiqué précédemment, nous dénissons l'a.f. d'échantillonnage (appelée aussi
a.f. empirique. Les diérents éléments de l'a.f. d'échantillonnage sont obtenus
en fonction des éléments propres d'un opérateur dit d'échantillonnage (ou em-
pirique).

L'opérateur d'échantillonnage (resp. ses éléments propres, resp. les élé-

ments de l'a.f. fonctions de ces éléments propres) est alors un estimateur de
l'opérateur de l'a.f. théorique (resp. de ses éléments propres, resp. des élé-
ments de l'a.f.) dont nous étudierons les propriétés asymptotiques selon quatre
étapes.

 Convergence presque sûre

On étudie tout d'abord la convergence p.s. vers l'opérateur de l'a.f. théo-
rique de la suite d'opérateurs d'échantillonnage. Dans la plupart des cas, on
pourra appliquer la loi forte des grands nombres dans un espace d'opérateurs.

Les résultats du paragraphe suivant (perturbation en statistique asympto-

tique) permettent de déduire de cette convergence p.s. celle des suites d'élé-
ments propres, c'est-à-dire, de la suite des valeurs propres, de la suite des
projecteurs propres et, pour une valeur propre simple de l'opérateur de l'a.f.
théorique, d'une suite de vecteurs propres unitaires associés à la suite de va-
leurs propres.

On étudie ensuite la convergence p.s. des diérents éléments de l'a.f., fonc-

tions des éléments propres.

Grâce au modèle d'échantillonnage correctement spécié, permettant de

distinguer l'aléatoire du modèle de l'aléatoire de l'échantillon, la convergence
p.s. des suites d'éléments aléatoires de l'a.f. peut également être étudiée.

 Convergence en loi
24 Chap. 1. Méthodologie et perturbation

On étudie ensuite la convergence en loi de la suite d'opérateurs d'échan-

tillonnage dont on note IK l'opérateur de covariance de la loi limite centrée.

Les résultats du paragraphe suivant (perturbation en statistique asympto-

tique) permettent de déduire de cette convergence en loi celle de la suite des
éléments propres. On explicite dans chaque cas, l'opérateur de covariance de
la loi limite, en générale gaussienne centrée, en fonction de IK.

On considère ensuite les convergences en loi des diérents éléments de

l'a.f., fonctions des éléments propres, et, en particulier, les convergences en loi
des éléments aléatoires de l'analyse (composantes principales, variables cano-
niques, ...).

 Explicitation des lois limites dans le cas où les v.a.e. dont on

fait l'analyse sont elliptiques puis gaussiennes
Pour l'A.C.P. et l'A.C., les opérateurs de covariance asymptotiques peuvent
être complètement explicités dans le cas où la (ou le couple de) v.a.e. dont on
fait l'analyse est elliptique (et donc, en particulier, gaussienne).

 Applications inférentielles
On peut alors proposer, dans une dernière partie, des applications. En
eet, tous les éléments sont en place pour répondre à des questions de type
inférentiel, estimation par intervalle de conance et tests d'hypothèses.

1.4 Perturbation en Statistique asymptotique

1.4.1 Des problèmes de perturbations
Soit ε un réel de ]0 ; 1[, V et U des opérateurs symétriques et positifs d'un
espace euclidien E, et V (ε) l'opérateur déni par V (ε) = V + εU.

Il s'agit d'un problème de perturbation, V est l'opérateur non perturbé,

V (ε) l'opérateur perturbé et εU la perturbation.

L'objectif est d'écrire les éléments propres (projecteurs propres, valeurs

propres, vecteurs propres) de V (ε) en fonction de ceux de V et de U et de
puissance de ε.

Kato (1966, 1980) a apporté la solution à ce problème ( pour des opérateurs

compacts symétriques et positifs d'un espace de Hilbert) et l'a généralisée aux
problèmes de perturbation : V (ε) = V + εU (ε) avec V (ε) diérentiable à l'ori-
gine (perturbabion asymptotique) ou bien avec U (ε) s'écrivant comme une
 Perturbation en Statistique asymptotique 25

série de Taylor à l'origine (perturbation analytique). Dans les deux cas, no-
tons que (U (ε))ε∈]0,1[ converge vers un opérateur U quand ε tend vers 0.

En 1981, Fine a généralisé la solution au problème de perturbation sui-

vant : V (ε) = V + εU (ε) avec (U (ε))ε∈]0,[ bornée (cf. aussi Fine, 1987).

Les principaux résultats sont les suivants.

Soit λ une valeur propre d'ordre m de V , P le projecteur propre associé

et S l'opérateur inverse généralisé de V − λP, noté : S = (V − λP )− .

Alors, il existe ε0 ∈]0, 1[, tel que pour ε < ε0 , il existe exactement m va-
leurs propres de V (ε) dans l'intervalle ]λ − ε0 ; λ + ε0 [, notées (λi (ε))i=1,...,m
et rangées dans l'ordre décroissant.

On note P (ε) la somme des projecteurs propres associés à ces m valeurs

propres.

On peut alors écrire :

P (ε) = P − ε(P U (ε)S + SU (ε)P ) + O(ε2 ),

λj (ε) = λ + εµj (ε) + O(ε2 ) où µj (ε) est la j ème valeur propre dans l'ordre
décroissant de l'opérateur P U (ε)P de rang m,

si λ est simple et si on note v un vecteur propre unitaire associé, à condi-

tion de correctement choisir le vecteur propre unitaire v(ε) de V (ε) associé à
λ(ε) (choix entre un vecteur unitaire et son opposé) :

λ(ε) = λ + εµ(ε) + O(ε2 ) où µ(ε) est l'unique valeur propre de l'opérateur

P U (ε)P de rang 1 et

v(ε) = v − εSU (ε)v + O(ε2 ).

1.4.2 Un problème de perturbation en statistique asymptotique

Prenons l'exemple de l'A.C.P. dont on détaillera les résultats au chapitre
2. Soit V l'opérateur de covariance théorique et (Vn ) la suite des opérateurs
d'échantillonnage.
√ Alors la suite (Vn ) converge p.s. vers V et, si on pose
Un = n(Vn − V ), la suite (Un ) converge en loi vers une gaussienne cen-
trée.

On est donc en présence d'un nouveau problème de perturbation :

1
Vn = V + √ Un ,
n
26 Chap. 1. Méthodologie et perturbation

car la suite (Un ) est aléatoire et non bornée.

Les résultats de la théorie des perturbations de Kato ne peuvent pas être

appliqués directement, contrairement à ce qui est pratiqué couramment dans
les années soixante et soixante-dix. Une première justication est apportée
par Bhattacharya et Gosh en 1978 pour la convergence en probabilité. Il nous
a paru utile d'obtenir le même type de développement presque sûrement.

Cela est possible en utilisant la loi du logarithme itéré qui précise la vitesse
de convergence du théorème central limite. Cette loi a été généralisée à des
v.a. hilbertiennes (donc aussi euclidiennes) (cf. Kuelbs, 1975) :

kUn k 1
lim sup √ = kKk∞
2
.
n→∞ 2 ln ln n
q
On pose ε(n) = 2 lnnln n et Un0 = √ 1 U
2 ln ln n n
;
on a alors, pour presque tout ω,

Vn (ω) = V + ε(n)Un0 (ω)

et (Un0 (ω)) est une suite non aléatoire bornée par 1 à partir d'un certain rang
(qui dépend de ω ).

Nous sommes donc ramenés au problème de perturbation présenté dans le

paragraphe précédent.

1.4.3 Résultats du problème de perturbation de la statistique

asymptotique
Nous présentons dans ce paragraphe les résultats généraux du problème
de perturbation en statistique asymptotique exposé précédemment, résultats
qui seront utilisés dans cet ouvrage.

a) Notations et hypothèses

Soit E un espace euclidien réel de dimension p dont on note h., .i le pro-

duit scalaire. On note σ2 (E) l'espace vectoriel des opérateurs (applications
linéaires) de E dans E , espace euclidien pour le produit scalaire déni par :

∀(A, B) ∈ σ2 (E) × σ2 (E), hA, Bi2 = tr(AB ∗ ).

On trouvera en annexe 2 une présentation des produits tensoriels utilisés

dans cet ouvrage et de leurs propriétés. Nous utilisons ici le produit tensoriel
de vecteurs dont nous rappelons la dénition :

∀(x, y) ∈ E 2 , x ⊗ y : u ∈ E → hu, xiy ∈ E

 Perturbation en Statistique asymptotique 27

il s'agit du projecteur sur l'espace vectoriel engendré par y , opérateur σ2 (E)

de rang 1.

On montre que si (xj )j=1,...,p est une base orthonormale de E alors

(xi ⊗ xj )i=1,...,p, j=1,...,p est une base orthonormale de σ2 (E). Un opérateur
A de σ2 (E) admet une décomposition spectrale (est "diagonalisable") s'il
existePune base (vj )j=1,...,p de E et p réels (λj )j=1,...,p tels que l'on ait :
A = j∈J λj vj ⊗ vj . Ces réels sont appelés valeurs propres de A et les vec-
teurs de la base, vecteurs propres associés.

Soit V et, pour tout n de IN∗

√ , Vn , un opérateur aléatoire symétrique po-
sitif de σ2 (E). On pose : Un = n(Vn − V ) et on suppose les trois propriétés
suivantes vériées :
p.s.
(H1) (Vn ) −→ V dans σ2 (E)
L
(H2) (Un ) −→ U ∼ N (0, K) dans σ2 (E),
1
(H3) lim sup √kU n k2
2 ln ln n
= kKk∞
2
p.s.
n→∞

b) Décomposition spectrale de V

V étant un opérateur symétrique positif, il admet la décomposition spec-

trale suivante où l'on a posé J = {1, ..., p} :
X
V = λ0j vj ⊗ vj
j∈J

où (λ0j )j∈J est la suite pleine décroissante des valeurs propres de V (c'est-à-
dire répétée autant de fois que leur ordre de multiplicité l'indique) et (vj )j∈J
une suite de vecteurs propres unitaires associés.

Cette décomposition spectrale n'est pas unique. Si V admet s valeurs

propres distinctes, on pose I = {1, ..., s} et on note (λi )i∈I la suite stric-
tement décroissante des valeurs propres de V . Pour i ∈ I , on note Ji =
J; λj = λi }, de cardinal mi (ordre de multiplicité de λi ) et on pose
{j ∈ P
Pi = j∈Ji vj ⊗ vj ; il s'agit du projecteur propre associé à λi . On a alors la
décomposition spectrale unique suivante :
X
V = λi P i .
i∈I

On introduit, pour tout i de I , l'opérateur Si (inverse généralisé de V −

λi Pi ) qui joue un rôle important dans les développements :
X 1
Si = (V − λi Pi )− = Pk .
λk − λi
k∈I\{i}
28 Chap. 1. Méthodologie et perturbation

c) Décomposition spectrale de Vn
∗
Soit ω ∈ Ω 0 sous-ensemble de probabilité 1 de (Ω, A, P )⊗IN sur lequel est
vériée l'hypothèse (H3) et Vn (ω) l'opérateur de covariance d'échantillonnage,
qui ne dépend que des n premières composantes de ω .

On note (λnj (ω))j∈J la suite pleine décroissante des valeurs propres de

Vn (ω) et (vjn (ω))j∈J une suite de vecteurs propres unitaires associés.

On peut alors écrire :

X
Vn (ω) = λnj (ω)vjn (ω) ⊗ vjn (ω).
j∈J
P
Pour i ∈ I, on pose Pin (ω)
= j∈Ji vjn (ω)⊗vjn (ω), somme des projecteurs
propres associés aux λnj (ω) pour j ∈ Ji .

On a la propriété suivante : si r désigne la demi distance minimale entre

deux valeurs propres distinctes de V , alors, pour n tel que ε(n) < r et pour
tout i ∈ I, il existe exactement mi v.p. de Vn (ω), les v.p. (λnj (ω))j∈Ji , incluses
dans l'intervalle ]λi − r, λi + r[.

d) Développements
q
2 ln ln n
On pose ε(n) = n . A partir d'un certain rang, on a, pour i ∈ I :

Pin (ω) = Pi − √1 (Pi Un (ω)Si + Si Un (ω)Pi ) + O(ε2 (n)) dans σ2 (E),

n

λnj (ω) = λi + √1n µnj (ω) + O(ε2 (n)) où µnj (ω) est la j ème valeur propre dans
l'ordre décroissant de l'opérateur Pi Un (ω)Pi de rang mi ,

si λi est simple et si on note vi un vecteur propre unitaire associé, à condi-

tion de correctement choisir le vecteur propre unitaire de Vn (ω) associé à
λni (ω), on a presque sûrement :

λni (ω) = λi + √1 tr(Pi Un (ω)) + O(ε2 (n)) dans IR et

n

vin (ω) = vi − √1 Si Un (ω)vi + O(ε2 (n)) dans E.

n

On peut, si nécessaire, écrire les développements conjoints de plusieurs

éléments propres et pousser les développements à un ordre plus élevé. Les
développements à l'ordre 2 sont donnés en annexe 2.

On peut aussi en déduire les développements de fonctions plusieurs fois dif-

férentiables de ces éléments propres en utilisant des développements de Taylor.
 Perturbation en Statistique asymptotique 29

Après avoir vérié que les éléments propres d'échantillonnage sont des
variables aléatoires, on déduit des développements précédents les résultats li-
mites suivants (cf. Tome 1) :

n
la suite
√ (Pi n) converge p.s. vers Pi dans σ2 (E) et
la suite ( n(Pi − Pi )) converge en loi vers (Pi U Si + Si U Pi ), v.a. de σ2 (E)
gaussienne centrée,

la suite (λnj ) converge p.s. vers λi dans IR et

√
la suite ( n(λnj − λi )) converge en loi vers µj où µj est la j ème valeur propre
dans l'ordre décroissant de l'opérateur Pi U Pi de rang mi , v.a. gaussienne cen-
trée de σ2 (E).

Si λi est simple et si on note vi un vecteur propre unitaire associé, à condi-

tion de correctement choisir le vecteur propre unitaire de Vn associé à λni , on
a aussi :

n
la suite
√ (λin) converge p.s. vers λi dans IR et
la suite ( n(λj − λi )) converge en loi vers tr(Pi U ) v.a.r. gaussienne centrée et

n
la suite
√ (vin) converge p.s. vers vi dans E et
la suite ( n(vi −vi )) converge en loi vers Si U vi , v.a. gaussienne centrée de E.

Ces résultats limites sont susants pour l'étude asymptotique de l'ACP

(Romain, 1979, Dauxois, Pousse et Romain, 1982) ; ce n'est pas le cas pour
l'étude asymptotique de l'A.C. qui nécessite un développement à l'ordre 1 (cf.
chapitre 3).
2
Étude asymptotique de l'Analyse en
Composantes Principales (A.C.P.)

Contenu : A.C.P. d'une v.a.e.. A.C.P. d'échantillonnage pour le modèle i.i.d. Convergence
presque sûre des opérateurs de covariance et des éléments principaux. Convergence en loi des
éléments principaux et des composantes principales. Opérateurs de covariance asymptotiques.
Applications inférentielles.

Nous présentons, dans le paragraphe 2.1., l'A.C.P. d'une v.a.e. (que nous
appellerons A.C.P. théorique ) puis, en exploitant le schéma général d'échan-
tillonnage exposé dans le chapitre précédent, nous dénissons, dans le para-
graphe 2.2., l'A.C.P. d'échantillonnage pour le modèle i.i.d..

Nous pouvons ainsi étudier, dans le paragraphe 2.3, la convergence presque

sûre de la suite des opérateurs d'échantillonnage, des suites des valeurs prin-
cipales, projecteurs principaux et vecteurs principaux (qui ne sont autres que
les éléments propres des opérateurs d'échantillonnage). Nous proposons aussi
d'étudier la convergence des suites des composantes principales (qui sont aléa-
toires à double titre, aléatoire qui dépend de l'échantillonnage et aléatoire
car à valeurs dans L2 (P )) et des diérents opérateurs qui interviennent dans
l'A.C.P.

Nous étudions ensuite, au paragraphe 2.4, la convergence en loi des mêmes

suites et explicitons au paragraphe 2.5 les opérateurs de covariance asympto-
tique dans le cas où la v.a.e. est elliptique et, plus particulièrement, gaussienne.

Ces études nous permettent de proposer dans le paragraphe 2.6. quelques

applications inférentielles.

Nous achevons le chapitre (Ÿ 2.7) par une présentation de l'A.C.P. réduite

et de son étude asymptotique.
32 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.1 A.C.P. d'une variable aléatoire euclidienne (v.a.e.)

Soit X une v.a.e. dénie sur un espace probabilisé (Ω, A, P ) à valeurs dans
un espace euclidien (E, h·, ·i) de dimension p, muni de sa tribu borélienne BE .

L'espace L2 (P ) des v.a.r. dénies sur (Ω, A, P ) (après identication des

v.a.r. p.s. égales) admettant un moment d'ordre 2 est un espace de Hilbert lors-
qu'on le munit du produit scalaire qui, à (f, g), associe hf, g, iL2 (P ) = IE(f g) ;
il est supposé séparable.

On fait de plus l'hypothèse que la v.a.e. X appartient à l'espace L2E (P )

des v.a.e. (après identication des v.a.r. p.s. égales) dont le carré de la norme
est P -intégrable.

À la variable X est associé l'opérateur Φ de E dans L2 (P ) qui à u associe

Φ(u) = hu, Xi. On pourra écrire : φ = h·, Xi.

L'adjoint Φ∗ de Φ est l'opérateur de L2 (P ) vers E qui à f associe IE(f X),

c'est-à-dire, Φ∗ = IE(·X).
On a en eet, en utilisant les propriétés de l'annexe 3 :

∀u ∈ E, ∀f ∈ L2 (P ), hΦ(u), f iL2 (P ) = IE(hu, Xi f ) = hu, IE(f X)i = hu, Φ∗ (f )i.

Dans l'expression IE(f X), f et X sont des v.a. dénies sur le même espace
probabilisé (Ω, A, P ) et à valeurs dans IR et E respectivement. Le produit f X
est donc la multiplication externe d'un vecteur de E par un scalaire.

On pose V = Φ∗ ◦ Φ et W = Φ ◦ Φ∗ .
On a alors : V = IE(X ⊗ X) et W = hIE(·X), Xi.
En eet, V est l'opérateur de E dans lui-même qui à u associe

V (u) = IE(hu, XiE X) = IE(X ⊗ X(u)) = IE(X ⊗ X)(u)

et W est l'opérateur de L2 (P ) dans lui-même qui à f associe :

W (f ) = Φ(IE(f X)) = hIE(f X), Xi.

La dénition de l'A.C.P. de la v.a.e. est obtenue à partir du schéma com-

mutatif suivant qui lui est associé, avec :

Φ = h·, Xi , Φ∗ = IE(·X), V = Φ∗ ◦Φ = IE(X⊗X) et W = Φ◦Φ∗ = hIE(·X), Xi .

 A.C.P. d'une variable aléatoire euclidienne 33

E ←−−∗−− L (P )2
Φ
 x x
  
I
y
V
 W  I
y

E −−−→ L2 (P )
Φ

L'A.C.P. linéaire non centrée de X est, par dénition, l'A.C.P. de l'opé-

rateur Φ et s'obtient à partir de la diagonalisation de l'opérateur de Gram V.

On note (λ0j )j=1,··· ,p la suite pleine décroissante des valeurs propres de

V, appelées valeurs principales et (uj )j=1,··· ,p une suite de vecteurs propres
unitaires associés formant une base orthonormale de E, appelés vecteurs prin-
cipaux. Notant r le rang de V, on pose, pour j ≤ r
0− 12
cj = Φuj = huj , Xi et fj = λj cj ;

le vecteur fj est vecteur propre unitaire de W associé à la valeur propre λ0j .

Les vecteurs (cj )j=1,··· ,r (resp. (fj )j=1,··· ,r ) sont appelés les composantes prin-
cipales (resp. les composantes principales réduites ) de l'A.C.P. de X.

Rappelons que σ2 (E) désigne l'espace des opérateurs de E dans lui-même

muni du produit scalaire : hA, Bi2 = tr (A B ∗ ). L'espace σ2 (L2 (P )) est donc
l'espace des opérateurs de L2 (P )) dans lui-même muni de ce produit scalaire.
L'A.C.P. fournit les décompositions suivantes, respectivement dans les es-
paces σ2 (E), σ2 (L2 (P )) et L2E (P ) :
r
X r
X r q
X
V = λ0j uj ⊗ uj , W = λ0j fj ⊗ fj , et X = λ0j fj uj .
j=1 j=1 j=1

Nous utilisons les notations indiquées au chapitre 1. Ainsi, la suite (λi )i∈I
est la suite strictement décroissante des©valeurs propres de V. Pour ª chaque i
de I, le cardinal mi de l'ensemble Ji := j ∈ {1, · · · , p} ; λ0j = λi est l'ordre
de multiplicité de la valeur propre λi . Le projecteur orthogonal Pi sur le sous-
espace propre Ei de l'opérateur V associé à la valeur propre λi P est de rang mi ,
qui est appelé projecteur principal associé à λi , s'écrit : Pi = j∈Ji uj ⊗ uj .

Les opérateurs V et W ayant les mêmes valeurs

P propres non nulles avec les
mêmes ordres de multiplicité, l'opérateur Πi = j∈Ji fj ⊗ fj est le projecteur
orthogonal sur l'espace propre de W associé à la valeur propre λi . On a donc
ainsi les décompositions :
s
X s
X
V = λi Pi et W = λ i Πi .
i=1 i=1
34 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Lorsque la valeur propre λi est simple, on note ui un vecteur propre uni-

taire associé. En toute rigueur, il faudrait le noter uj où j est l'unique élément
de Ji , mais comme il n'y a pas de risque de confusion, le choix de l'indice i
permet d'homogénéiser les notations.

Notant µ l'e.m. de la v.a.e. X et X c = X − µ la v.a. centrée associée à

X, l'A.C.P. linéaire centrée de X est l'A.C.P. linéaire non centrée de X c telle
qu'elle a été rappelée ci-dessus, la v.a. X c étant alors substitué à X. Le lien
entre l'opérateur de covariance V c de X et son opérateur de Gram V s'écrit :
V c := IE(X c ⊗ X c ) = IE((X − µ) ⊗ (X − µ)) = V − µ ⊗ µ.
Les composantes principales cj pour j = 1, · · · , r sont des variables aléa-
toires centrées dont les variances (normes au carré) sont les valeurs propres
correspondantes λ0j , ce qui justie d'appeler composantes principales réduites
0− 12
les v.a. fj , où l'on a posé pour j = 1, · · · , r fj = λj cj .

Nous utiliserons le vocabulaire éléments principaux de l'A.C.P. pour dési-

gner tous les éléments propres de l'opérateurs considéré dans l'A.C.P., c'est-à-
dire les valeurs principales, les projecteurs principaux, les vecteurs principaux,
les composantes principales et les composantes principales réduites.

Dans cette première approche de l'étude asymptotique de l'A.C.P. eec-

tuée dans ce livre, nous supposons que la variable X centrée, donc que l'on a
X c = X et V c = V. Les A.C.P. centrée et non centrée sont confondues et les
notations en sont simpliées. Il est cependant possible de dénir les A.C.P.
centrée et non centrée d'échantillonnage et d'étudier le comportement asymp-
totique des suites d'éléments principaux de ces deux A.C.P. d'échantillonnage.
Nous verrons que supposer la v.a. X centrée n'enlève rien à la généralité des
résultats obtenus.

2.2 A.C.P. d'échantillonnage pour le modèle i.i.d.

Soit (Xk )k∈N ∗ une suite de v.a.e. indépendantes et de même loi PX que
X. On a vu en introduction qu'il est équivalent de se donner un élément ω de
∗
Ω N et de poser Xk = X ◦ πk ; on a alors : Xk (ω) = X(ωk ).

Utilisant la mesure νnω introduite en introduction dans le modèle d'échan-

tillonnage i.i.d., on note L2n l'espace des v.a.r. dénies sur (Ω, A, P ) admettant
un moment d'ordre 2, muni du produit scalaire (dépendant de ω) déni par :
n
1X
∀(f, g) ∈ L2 (P ) × L2 (P ), IEνnω (f g) = f (ωk ) g(ωk ),
n
k=1

qu'il est parfois commode d'écrire : L2n 2

= (L (P ), IEνnω ).
 A.C.P. d'échantillonnage pour le modèle i.i.d. 35

2.2.1 A.C.P. non centrée

L'A.C.P. non centrée d'échantillonnage d'ordre n de X est l'A.C.P. de
l'opérateur Φn de E vers L2n , déni par :
∀u ∈ E, Φn (u) = hu, Xi,
dont l'adjoint est :
n
1X
∀f ∈ L2n , Φ∗n (f ) = IEνnω (f X) = f (ωk ) X(ωk ).
n
k=1

L'opérateur d'échantillonnage s'écrit pour tout u de E :

n
1X
Vn (u) = Φ∗n Φn (u) = X(ωk ) hu, X(ωk )i
n
k=1
n n
1X 1X
=( X(ωk ) ⊗ X(ωk ))(u) = ( Xk (ω) ⊗ Xk (ω))(u) ;
n n
k=1 k=1
∗
Il vient donc, en notant Xk ⊗ Xk l'application qui à ω appartenant à Ω N
associe l'élément Xk (ω) ⊗ Xk (ω) de σ2 (E) :
n
1X
Vn = ( Xk ⊗ Xk )(ω)
n
k=1

et cet opérateur dépend donc de ω.

Par la suite, on note également Vn l'opérateur de Gram d'échantillonnage,
N∗
déni sur (Ω, A, P )⊗ et à valeurs dans (σ2 (E), Bσ2(E) ), qui à ω appartenant
∗ Pn
à Ω N associe Vn (ω) = ( n1 k=1 Xk ⊗ Xk )(ω). On écrit alors :
n
1X
Vn = Xk ⊗ Xk .
n
k=1

C'est le contexte qui permettra de savoir si Vn est l'opérateur aléatoire ou sa

valeur en ω.

On pose enn : Wn = Φn Φ∗n . Le schéma de dualité, qui dépend donc de

∗
ω appartenant à Ω N (plus précisément, des n premiers éléments de la suite
ω) est le suivant :
E ←−−∗−− L2n
Φn
 x  x
   
I
y
 Vn
 Wn 
y
I


E −−−−→ L2n
Φn
36 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.2.2 A.C.P. centrée

On a : ∀u ∈ E, IEνnω (hu, Xi) = hu, X̄ n (ω)i. L'espérance mathématique

pour la mesure de probabilité νnω de la v.a.e. X est donc :

IEνnω (X) = X̄ n (ω),

et la v.a. νnω -centrée associée à X est dénie par :

∀α ∈ Ω, Xnc (α) = X(α) − X̄ n (ω).

L'A.C.P. centrée d'échantillonnage de taille n de X est l'A.C.P. de l'opé-

rateur Φcn , de E vers L2n , déni par :

∀u ∈ E, Φcn (u) = hu, Xnc i = hu, X − X̄ n (ω)i.

dont l'adjoint est :

n
1X
∀f ∈ L2n , Φc∗
n (f ) = IEνn
c
ω (f X ) =
n f (ωk )(X(ωk ) − X̄ n (ω)),
n
k=1

L'opérateur d'échantillonnage s'écrit :

n
1X ­ ®
∀u ∈ E, Vnc (u) = Φc∗ c
n Φn (u) = (X(ωk ) − X̄ n (ω)) u, X(ωk ) − X̄ n (ω)
n
k=1
n
1X
= (Xk (ω) − X̄ n (ω)) ⊗ (Xk (ω) − X̄ n (ω))(u)
n
k=1
Xn
1
=( (Xk − X̄ n ) ⊗ (Xk − X̄ n ))(ω)(u).
n
k=1

N∗
Soit Vnc l'opérateur de covariance d'échantillonnage, déni sur (Ω, A, P )⊗
∗
et à valeurs dans (σ2 (E), Bσ2(E) ), qui à ω appartenant à Ω N associe :
n
1X
Vnc (ω) = ( (Xk − X̄ n ) ⊗ (Xk − X̄ n ))(ω)
n
k=1

et on écrit alors :
n
1X
Vnc = (Xk − X̄ n ) ⊗ (Xk − X̄ n ).
n
k=1

La relation entre l'opérateur de covariance d'échantillonnage Vnc et l'opé-

rateur de Gram d'échantillonnage Vn est :
 A.C.P. d'échantillonnage pour le modèle i.i.d. 37

Vnc = Vn − X̄ n ⊗ X̄ n .

Enn, posant : Wnc = Φcn Φ∗n , on peut écrire le schéma de dualité associé
qui est similaire à celui de l'A.C.P. non centrée.

Remarque 2.2.1.
La dénition de l'A.C.P. d'échantillonnage avec l'espace L2n permet d'étu-
dier le comportement asymptotique des éléments aléatoires de l'analyse. En
analyse des données, cet espace est remplacé par l'espace euclidien (IRn , D),
où D est la métrique des poids n1 In . Précisons alors le lien existant entre
l'A.C.P. d'échantillonnage dénie précédemment et l'A.C.P. de l'analyse des
données.
L'opérateur Wnc est l'opérateur de L2n dans lui-même qui à g associe :
n
1X
h=h g(ωk ) (X(ωk ) − X̄ n ), X − X̄ n i.
n
k=1

Pour ` de {1, · · · , n}, on a en particulier :

n
1X
h(ω` ) = h g(ωk ) (X(ωk ) − X̄ n ), X(ω` ) − X̄ n i.
n
k=1

On peut donc associer à Wnc , l'opérateur linéaire de IRn dans lui-même qui
à (g1 , · · · , gn ) associe le vecteur (h1 , · · · , hn ) de `e composante :
n
1X
h` = h gk (X(ωk ) − X̄ n ), X(ω` ) − X̄ n i.
n
k=1

Il s'agit de l'opérateur linéaire qui intervient en analyse des données, de

matrice dans les bases canoniques Wn D. Lorsque, en analyse des données,
on écrit la formule de reconstitution de la matrice n × p de données X pour
` = 1, · · · , n et j = 1, · · · , p :
p
X p
X p
j j
X (ω` ) − X̄ = uji ci (ω` ) = λi uji fi (ω` )
i=1 i=1

où λi , ui (= (u1i , · · · , upi ), ci et fi sont, respectivement, la ie valeur princi-

pale, le ie vecteur principal, la ie composante principale et la ie composante
principale réduite, on considère bien l'élément ci de IRn comme l'observation
sur l'échantillon de la ie composante principale : (ci (ω1 ), · · · , ci (ωn )).

C'est la raison pour laquelle le modèle d'échantillonnage que nous utilisons

assimile un élément (g1 , · · · , gn ) de IRn au vecteur des observations sur les
n premiers éléments d'une suite ω = (ωk )k∈IN∗ d'un élément g de L2 (P ) :
(g(ω1 ), · · · , g(ωn )).
38 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.3 Convergence presque sûre

2.3.1 Convergence p.s. des opérateurs de covariance
L'étude de convergence presque sûre que nous eectuons ici concerne
l'A.C.P. d'une v.a.e. X d'ordre 4, c'est-à-dire que la v.a.r. kXk4 est P -
intégrable ; la v.a.e. X ⊗ X est par conséquent d'ordre 2 puisque l'on a :
IE(kX ⊗ Xk2 ) = IE(kXk4 ). Elle précise le comportement de la suite (X̄ n )
dans E et des suites (Vn ) et (Vnc ) dans σ2 (E).

Proposition 2.3.1 Soit X une v.a.e. à valeurs dans l'space euclidien E,

ayant un moment d'ordre 4 et centrée. On a alors les propriétés suivantes.
1. La suite (X̄ n ) des moyennes d'échantillonnage converge p.s. vers 0 dans E.
2. La suite (Vn ) des opérateurs de Gram d'échantillonnage converge p.s. vers
V dans σ2 (E).
3. La suite (Vnc ) des opérateurs de covariance d'échantillonnage converge p.s.
vers V dans σ2 (E).

Démonstration.
1) Puisque la suite (Xk )k∈IN∗ est une suite de v.a.e. i.i.d., d'espérance nulle et
admettant un moment d'ordre supérieur à 2, la loi forte des grands nombres
dans E permet de conclure à la convergence presque sûre de la suite (X̄ n )
vers 0 dans E.

2) Puisque la suite (Xk ⊗ Xk )k∈IR∗ est une suite de v.a.e. i.i.d. comme X ⊗ X,
d'espérance V et admettant un moment d'ordre 2, la loi forte des grands
nombres dans σ2 (E) permet de conclure à la convergence p.s. de la suite (Vn )
vers V dans σ2 (E).

3) On a : Vnc = Vn − X̄ n ⊗ X̄ n . Comme la suite (X̄ n ) converge p.s. vers 0

dans E et que l'application, de E × E dans σ2 (E), qui à (x, y) associe x ⊗ y
est continue, on en déduit que la suite (X̄ n ⊗ X̄ n ) converge p.s. vers 0 dans
σ2 (E) et, par conséquent, que la suite (Vnc ) converge donc p.s. vers V dans
σ2 (E).

Remarque 2.3.1. Nous avons supposé la variable X centrée. Qu'en est-il du

cas général, c'est à dire lorsque l'e.m. µ de X est non nulle ? Reprenant les
notations du paragraphe 5.1. et les dénitions d'A.C.P. centrée et non centrée,
soit (Xk )k∈IR∗ une suite de v.a.e. i.i.d. comme X , alors (Xkc )k∈IR∗ , où Xkc est
la v.a. centrée X −µ, est une suite de v.a.e. i.i.d. comme X c à laquelle on peut
appliquer les résultats de la proposition 5.3.1. On en déduit les conséquences
suivantes : Pn
1. La suite ( n1 P k=1 (Xk − µ)) converge p.s. vers 0 dans E.
n
2. La suite ( n1 k=1 (Xk −µ)⊗(Xk −µ)) converge p.s. vers IE((X −µ)⊗(X −µ))
dans σ2 (E).
 Convergence presque sûre 39
Pn
3. La suite ( n1 k=1 (Xk − X̄ n ) ⊗ (Xk − X̄ n )) converge p.s. vers IE((X − µ) ⊗
(X − µ)) dans σ2 (E).
d'où l'on déduit
Pn :
1. La suite ( n1 Pk=1 Xk )n converge p.s. vers µ dans E.
n
2. La suite ( n1 P k=1 Xk ⊗ Xk )n converge p.s. vers IE(X ⊗ X) dans σ2 (E).
1 n
3. La suite ( n k=1 (Xk − X̄ n ) ⊗ (Xk − X̄ n ))n converge p.s. vers IE((X − µ) ⊗
(X − µ)) dans σ2 (E).
La suite d'opérateurs de l'A.C.P. d'échantillonnage non centrée (Vn ) (resp.
centrée (Vnc )) vers l'opérateur de l'A.C.P. théorique non centrée V (resp. cen-
trée V c ) converge donc presque sûrement. Il en sera donc de même, dans tout
ce qui suit, des éléments propres correspondants.

2.3.2 Convergence p.s. des éléments principaux

Intéressons-nous maintenant aux valeurs principales, projecteurs et vec-
teurs principaux de l'A.C.P. théorique qui ne sont autres que les éléments
∗
propres de l'opérateur V. Pour tout ω de Ω N pour lequel la suite (Vn ) (resp.
(Vnc )) converge vers V, on considère la suite pleine décroissante des valeurs
propres de Vn (ω) (resp. Vnc (ω)) :

(λ0n
j (ω))j=1,··· ,p .

En utilisant les notations introduites au paragraphe 5.1, pour tout i de I, on

note Pin (ω) la somme des projecteurs propres de Vn (ω) (resp. Vnc (ω)) associés
aux valeurs propres λ0nj (ω) pour j ∈ Ji et on pose :

1 X 0n
λni := λj .
mi
j∈Ji

Dans le cas où λi est simple, Ji est un singleton et l'unique valeur propre λ0n
j
pour j ∈ Ji est notée λni , ce qui est cohérent avec la notation ci-dessus.
Les premieres propriétés asymptotiques des valeurs principales et projec-
teur principaux sont indiquées dans la
Proposition 2.3.2
1. Pour tout i de I, la suite (Pin )) converge p.s. dans σ2 (E) vers Pi .
mi
2. Pour tout i de I, la suite (λ0n j )j∈Ji converge p.s. dans IR vers le vecteur
dont les composantes sont toutes égales à λi et la suite (λni ) converge p.s. vers
λi dans IR.
3. Pour tout i de I tel que λi soit simple et ui un vecteur propre unitaire
associé, il existe une suite (uni ), où uni est vecteur propre unitaire de Vn (resp.
Vnc ) associé à λni , qui converge p.s. vers ui dans E.
Démonstration. Ces propriétés sont des conséquences directes de la proposi-
tion CVps du Ÿ 15.6.3, en prenant la troisième, la suite (uni ) est dénie par :
−1
uni = kPin ui k Pin ui .
40 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.3.3 Convergence p.s. des composantes principales

Quelle que soit la taille de l'échantillon, les composantes principales ap-
partiennent à L2 (Ω, A, P ). C'est donc dans cet espace que nous étudierons
la convergence de la suite des composantes principales associées à une valeur
propre simple non nulle λi . Soit (λni )n la suite de valeurs propres d'échan-
tillonnage convergeant p.s. vers λi et (uni )n celle des vecteurs propres unitaires
associés dénie précédemment. On sait que, pour n assez grand, λni est p.s.
non nul.

Dans le cas de l'A.C.P. non centrée (resp. ­centrée), la composante

® princi-
pale est dénie par : cni = huni , Xi (resp. cni = uni , X − X̄ n ). C'est une v.a.r.
dénie sur (Ω, A, P ) appartenant à L2 (P ) et donc aussi à L2n , dont la norme
carrée dans L2n est λni . La composante principale réduite est dénie par :
1
fin = (λni )− 2 cni . Dans le cas de l'A.C.P. centrée, cni et fin sont νnω -centrées
et la variable fin est eectivement réduite car λni est la variance de cni , ce
qui justie son nom. Les suites (cni )n et (fin )n sont des suites (dépendant de
∗
ω ∈ Ω N ) d'éléments de L2 (P ). La part aléatoire qui dépend de l'échantillon-
nage vient des termes λni et uni .
∗
Pour être plus précis, on peut écrire, pour presque tout ω de Ω N , à partir
d'un certain rang :
pour l'A.C.P. non centrée :
∀α ∈ Ω, (cni (α))(ω) = huni (ω), X(α)i
1
et ∀α ∈ Ω, (fin (α))(ω) = (λni (ω))− 2 huni (ω), X(α)i
et pour l'A.C.P. centrée :
­ ®
∀α ∈ Ω, (cni (α))(ω) = uni (ω), X(α) − X̄ n (ω)
1 ­ ®
et ∀α ∈ Ω, (fin (α))(ω) = (λni (ω))− 2 uni (ω), X(α) − X̄ n (ω) .
Pour l'étude asymptotique des éléments aléatoires de l'A.C.P., on fait l'hy-
pothèse suivante :
∗ ∗
(H) La probabilité sur l'espace Ω IN × Ω est la probabilité produit P ⊗IN × P.

Cette hypothèse revient à considérer, d'une part, la v.a.e. X dont on fait

l'A.C.P., d'autre part, une suite de v.a.e. (Xk )k∈IN∗ indépendantes et de même
loi que X , et indépendantes de X .
Pour n xé, toutes les variables d'échantillonnage Vn , λni , uni , ... sont fonctions
des v.a.e. X1 , ..., Xn et sont donc indépendantes de X et de Φ = h., Xi, opé-
rateur linéaire continu de E dans L2 (P ).
Dans la pratique, pour n xé, la ie composante principale est, conformément à
la remarque 5.2.1 du Ÿ5.2.2, le vecteur de IRn de k e composante cni (ωk ), c'est-
à-dire, une observation de la v.a.e. huni , Xk i, uni étant fonction de X1 , ..., Xn .
 Convergence presque sûre 41

Pour n susamment grand, l'hypothèse (H) peut être considérée comme

vériée dans le cas où il n'y a pas d'observation aberrante, c'est-à-dire, si l'in-
uence de chaque Xk sur l'A.C.P. d'échantillonnage d'ordre n est négligeable.

Ces précisions étant données, nous pouvons formuler la

Proposition 2.3.3
1. La suite (cni )n converge pour presque tout ω vers ci dans L2 (P ).
2. La suite (fin )n converge pour presque tout ω vers fi dans L2 (P ).

Démonstration. Examinons séparément les cas de l'A.C.P. centrée et non cen-

trée.

A.C.P. non centrée

Comme la suite (uni ) converge p.s. vers ui dans E et que Φ est un opérateur
linéaire continu de E dans L2 (P ) indépendant des v.a.e. (uni ), la suite (cni )
converge p.s. vers ci dans L2 (P ). De plus, comme la suite (λni ) converge p.s.
dans IR vers λi , on en déduit que la suite (fin ) converge p.s. vers fi dans
L2 (P ).

A.C.P. centrée
La suite (X̄ n ) converge p.s. vers 0 dans E et la suite (uni ) converge p.s.
vers ui dans E ; on en déduit que la suite (huni , X̄ n i) converge p.s. vers 0 et,
en utilisant les résultats obtenus pour l'A.C.P. non centrée, les suites cni ) et
(fin ) convergent p.s. vers ci et fi respectivement dans L2 (P ).

2.3.4 Convergence p.s. des opérateurs "aléatoires"

Comme nous l'avons fait pour les composantes principales, en veillant à
préciser l'aléatoire qui dépend de l'échantillonnage et l'aléatoire des éléments
de L2 (P ), nous étudions le comportement asymptotique des suites d'opéra-
teurs (Φn ), (Φ∗n ) et (Wn ). Cependant, en ce qui concerne les deux dernières
suites, les résultats sont donnés pour les suites (Φ∗n (f )) et (Wn (f )), f appar-
tenant à L2 (P ).

Proposition 2.3.4
1. La suite (Φn )n converge p.s. vers Φ dans l'espace des opérateurs de E dans
L2 (P ).
2. Pour tout f de L2 (P ), la suite (Φ∗n (f ))n converge p.s. vers Φ∗ (f ) dans E.
3. Pour tout f de L2 (P ), la suite (Wn (f ))n converge p.s. vers W (f ) dans
L2 (P ).
Les résultats sont identiques dans le cas de l'A.C.P. centrée pour les opé-
rateurs centrés correspondants.
42 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Démonstration. Ici aussi distinguons la cas centré du cas non centré.

A.C.P. non centrée
Dans le cas de l'A.C.P. non centrée, l'opérateur Φn est Φ = h·, Xi . La suite
(Φn ) est donc une suite constante d'opérateurs de E dans L2 (P ).

Comme on a, pour tout f de L2 (P ) :

n
1X
Φ∗n (f ) = f (ωk ) X(ωk )
n
k=1

il vient, en posant fk = f ◦ πk , :
n
1X
Φ∗n (f ) = ( fk Xk )(ω).
n
k=1

La loi forte des grands nombres permet donc de conclure que, pour tout f
de L2 (P ), la suite (Φ∗n (f )) converge p.s. vers IE(f X) dans E. Enn, comme la
suite (Φn ) est constante et que l'on a : Wn (f ) = hΦ∗n (f ), Xi, la suite (Wn (f ))
converge p.s. dans L2 (P ) vers hIE(f X), Xi (:= W (f )).
A.C.P. centrée
­ ®
Dans le cas de l'A.C.P. centrée, l'opérateur Φn est l'opérateur ·, X − X̄ n .
Comme la suite (X̄ n )n converge p.s. vers 0, la suite (X − X̄ n )n converge
p.s. vers X, et (Φn )n converge p.s. donc vers Φ = h·, Xi dans l'espace des
opérateurs de E dans L2 (P ). Comme on a par ailleurs :
n
1X
Φ∗n (f ) = ( fk (Xk − X̄ n ))(ω),
n
k=1

pour tout f de L (P ), la suite (Φ∗n (f )) converge p.s. vers IE(f X) dans E.

2

Enn, puisque l'on a :

Wn (f ) = hΦ∗n (f ), Xi − hΦ∗n (f ), X̄ n i
et que la suite (X̄ n )n converge p.s. vers 0, la suite (hΦ∗n (f ), X̄ n i)n converge
aussi p.s. vers 0 et (Wn (f ))n converge p.s. vers W (f ) dans L2 (P ).

2.4 Convergence en loi

Nous examinons tout d'abord dans le paragraphe 5.4.1 à la convergence
en loi de la suite des opérateurs de Gram ou de covariance d'échantillonnage,
puis dans le paragraphe 5.4.2 à la convergence en loi des valeurs principales,
des projecteurs et vecteurs principaux, enn des composantes principales et
des composantes principales réduites. Les lois limites trouvées sont des gaus-
siennes centrées dont nous expliciterons les opérateurs de covariance dans le
paragraphe suivant.
Lorsqu'aucune précision n'est donnée, le résultat est valable dans le cas de
l'A.C.P. non centrée et de l'A.C.P. centrée.
 Convergence en loi 43

2.4.1 Convergence en loi des opérateurs de covariance

On pose, pour chaque n :
√ √
Un := n (Vn − V ) et Unc = n (Vnc − V ). (2.1)

Proposition 2.4.1 Dans le cas de l'A.C.P. non centrée (resp. centrée), la

suite (Un )n (resp. (Unc )n ) converge en loi dans σ2 (E) vers une v.a.e. gaus-
sienne centrée U dont l'opérateur de covariance K est celui de X ⊗ X.

Démonstration.
Cas de l'A.C.P. non centrée
On a vu que la suite (Xk ⊗ Xk )k∈IR∗ est une suite de v.a.e. i.i.d. comme
X ⊗ X, d'espérance V et d'ordre 2. Posant

e
K = IE((X ⊗ X − V )⊗(X ⊗ X − V )),

le théorème de la limite centrée dans σ2 (E) permet de conclure que la suite

(Un )n converge en loi dans σ2 (E) vers une gaussienne centrée d'opérateur de
covariance K.

Cas de l'A.C.P. centrée

On sait que l'on a :
√
Unc = Un − n (X̄ n ⊗ X̄ n ).
√
Comme la suite (X̄ n )n converge p.s. vers 0 dans E et que la suite ( n X̄ n )
converge
√ en loi vers une gaussienne centrée dans E, on en déduit que la suite
( n (X̄ n ⊗ X̄ n ))n converge p.s. vers 0 dans σ2 (E) et donc que la suite (Unc )n
converge en loi dans σ2 (E) vers la même loi limite que la suite (Un )n , c'est-
à-dire celle d'une gaussienne centrée d'opérateur de covariance K.

2.4.2 Convergence en loi des éléments principaux et des

composantes principales
Reprenant des notations déjà introduites, on pose, pour tout i de I :

Si = (V − λi I)− ,

et on note ∆mi l'application qui à un opérateur autoadjoint de rang mi associe

le vecteur de ses valeurs propres rangées dans l'ordre décroissant.
Proposition 2.4.2 √
1. Pour tout i de I, la suite des projecteurs principaux ( n (Pin − Pi ))n
converge en loi dans σ2 (E) vers la v.a.e. gaussienne centrée :

Ui1 := Pi U Si + Si U Pi .
44 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales
√ 0
2. Pour tout i de I, la suite des valeurs principales ( n (λjn −λi ))j∈Ji converge
en loi dans IRmi vers√∆mi (Ui2 ), où Ui2 := Pi U Pi est une v.a.e. gaussienne
centrée, et la suite ( n (λni − λi )) converge en loi vers la v.a.e. gaussienne
centrée :

m−1
i tr (Pi U Pi ).

3.√Pour tout i de I tel que λi ) soit simple, la suite des vecteurs principaux
( n (uni − ui ))n converge en loi dans E vers la v.a.e. gaussienne centrée :

Ui3 := Si ◦ U ui .
√
4. Pour tout i de I tel que λi soit simple et non nulle, la suite ( n(cni − ci ))n
converge en loi dans L2 (P ) vers la v.a.e. gaussienne centrée :

Ui4 := hSi ◦ U ui , Xi .
√
5. Pour tout i de I tel que λi soit simple et non nulle, la suite ( n (fin − fi ))
converge en loi dans L2 (P ) vers la v.a.e. gaussienne centrée :
− 21 1
Ui5 := λi hSi ◦ U ui , Xi + λ−1 tr (Pi U )fi .
2 i
Démonstration. Que l'on considère l'A.C.P. centrée ou non centrée, les trois
premiers résultats, excepté celui concernant (λni ), proviennent directement de
la proposition de convergence en loi des éléments propres (cf. annexe 2).
Comme on a :
1 1
Vn = V + √ Un et Pin = Pi − √ (Pi Un Si + Si Un Pi ) + O(ε2 (n))
n n
et que l'opérateur Pin Vn Pin s'écrit donc
1 1 1
(Pi − √ (Pi Un Si +Si Un Pi ))(V + √ Un )(Pi − √ (Pi Un Si +Si Un Pi ))+O(ε2 (n)),
n n n
nous pouvons donc utiliser pour la suite de terme général :

λni = m−1
i tr (Pin Vn Pin ).

les résultats des perturbations.

Des égalités :
V Pi = λi Pi , Pi Si = Si Pi = 0,
on déduit :
Pin Vn Pin = Pi V Pi + √1n (Pi Un Pi − λi Si Un Pi − λi Pi Un Si ) + O(ε2 (n))
et λni = m−1 n n √1 −1
i tr (Pi Vn Pi ) = λi + n mi tr (Pi Un Pi ) + O(ε (n)),
2

√
d'où il résulte que la suite ( n (λni −λi )) converge en loi vers m−1
i tr (Pi U Pi ).
 Convergence en loi 45

Pour les résultats 4 et 5, nous considérons tout d'abord le cas de l'A.C.P. non
centrée, puis le cas de l'A.C.P. centrée.

A.C.P. non centrée

√ √
Partant de l'égalité
√ : n (cni − ci ) = h n (uni − ui ), Xi , la convergence en loi
de la suite ( n (uni − ui )) vers Si U ui dans E et la continuité
√ de l'opérateur
Φ de E dans L2 (P ) permet de conclure que la suite ( n (cni − ci )) converge
en loi dans L2 (P ) vers Ui4 := hSi ◦ U ui , Xi .
On a, par ailleurs :
1 1
fin = (λni )− 2 cni = (λni )− 2 huni , Xi .

En utilisant les résultats des perturbations, on peut écrire :

1
λni = λi + √ tr (Pi Un ) + O(ε2 (n)),
n

donc aussi :
1 −1
1 −3
(λni )− 2 = λi 2 − 2 √ λ 2 tr (Pi Un ) + O(ε2 (n))
n i
1
et ui = ui − √n Si Un ui + O(ε2 (n)).
n

On en déduit :
− 12 1 −3 1
fin = (λi √ λi 2 tr (Pi Un ))hui − √ Si Un ui , Xi + O(ε2 (n))
−
2 n n
1 − 21 1 −1
= fi − √ (λi hSi Un ui , Xi + λi tr (Pi Un )fi ) + O(ε2 (n)).
n 2
√
La suite ( n (fin − fi )) converge donc en loi vers la v.a. gaussienne centrée :

− 12 1 −1
λi hSi U ui , Xi + λ tr (Pi U )fi .
2 i
A.C.P. centrée
On a dans ce cas :
√ √
n (cni − ci ) = h n (uni − ui ), X − X̄ n i
√ √
= h n (uni − ui ), Xi − h n (uni − ui ), X̄ n i.
√
Comme la suite (X̄ n ) converge p.s.√ vers 0 et que la suite ( n (uni − ui ))
converge en loi vers√Si U ui , la suite h n (uni −ui ), X̄ n i converge en probabilité
vers 0 et la suite ( n (cni − ci )) converge en loi dans L2 (P ) vers hSi U ui , Xi.
Le reste de la preuve est alors inchangé.
46 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.4.3 Convergence en loi des opérateurs "aléatoires"

Il est possible d'étudier également la convergence en loi des suites (Φn ),
(Φ∗n ) et (Wn ). Cependant, comme dans le cas de la convergence p.s., pour
les deux dernières suites, les résultats sont donnés pour les suites (Φ∗n (f )) et
(Wn (f )), lorsque f appartient à L2 (P ).
Proposition 2.4.3 Soit GX une v.a.e. gaussienne centrée de même opéra-
teur de covariance que celui de X et, pour tout f de L2 (P ), soit Gf X une
v.a.e. gaussienne centrée ayant même opérateur de covariance que celui de
f X.

1. Dans le cas de l'A.C.P. non centrée,

√ la suite Φn est constante égale à Φ et,
pour tout f de L2 (P ),√la suite ( n (Φ∗n (f ) − Φ∗ (f ))) converge en loi dans E
vers Gf X et la suite ( n (Wn (f ) − W (f ))) converge en loi dans L2 (P ) vers
hGf X , Xi.
√
2. Dans le cas de l'A.C.P. centrée, la suite ( n (Φcn − Φ) converge en loi
vers h·, GX i dans√l'espace des opérateurs de E dans L2 (P ) et, pour tout f de
L2 (P ), la√suite ( n (Φc∗
n (f ) − Φ (f ))) converge en loi dans E vers Gf X et
∗

la suite ( n (Wn (f ) − W (f ))) converge en loi dans L2 (P ) vers hGf X , Xi +

c

hIE(f X), GX i.

Démonstration.
A.C.P. non centrée
La suite (Φn ) est constante (par rapport à l'aléatoire de l'échantillonnage)
égale à Φ ; en revanche, l'adjoint dépend du produit scalaire qui est aléatoire.
On a vu que, pour tout f de L2 (P ), l'on pouvait écrire :
n
1X
Φ∗n (f ) = fk Xk
n
k=1

et que la suite (Φ∗n (f )) converge p.s. vers IE(f X)(= Φ∗ (f )) dans E.

√ Le théorème de la limite centrée dans E, montre de façon immédiate que
( n (Φ∗n (f ) − Φ∗ (f ))) converge en loi vers une v.a.e. Gf X , gaussienne centrée
ayant pour opérateur de covariance Kf X celui de f X, c'est-à-dire, Kf X =
IE(f X ⊗ f X) − IE(f X) ⊗ IE(f X).
2
√ Enn, comme la suite (Φn ) est constante, 2pour tout f de L (P ), la suite
( n (Wn (f ) − W (f ))) converge en loi dans L (P ) vers hGf X , Xi.

A.C.P. centrée
Dans le cas de l'A.C.P. centrée, l'égalité Φcn = h·, X − X̄ n i montre que la
suite (Φcn ) converge p.s. vers Φ = h·, Xi dans l'espace des opérateurs de E
dans L2 (P ). √
On sait que ( n X̄ n ) converge en loi dans E vers une v.a.e. GX , gaussienne
centrée ayant pour opérateur de covariance celui de X, c'est-à-dire : V :=
 Explicitation des opérateurs de covariance asymptotique 47

IE(X ⊗ X). La continuité√de l'opérateur Φ permet

√ de conclure que la suite
de terme général An1 := n (Φcn − Φ)(= h·, − n X̄ n i) converge en loi vers
A1 := h·, GX i, gaussienne centrée, dans l'espace des opérateurs de E dans
L2 (P ).
Comme on a :
n
1X
∀f ∈ L2 (P ), Φc∗
n (f ) = ( fk (Xk − X̄ n )),
n
k=1

la suite(Φc∗
n (f )) converge p.s. vers IE(f X) (= Φ∗ (f )) dans E.
Utilisant le théorème de la limite
√ centrée dans E, on peut conclure que la
suite de terme général Af2 n := n (Φc∗ ∗
n (f ) − Φ (f )) converge en loi vers une
f
v.a.e. A2 := Gf X , gaussienne centrée dont l'opérateur de covariance Kf X est
celui de f X.
Enn, conjointement, la suite de terme général Af n := (An1 , Af2 n ) converge
en loi vers Af := (A1 , Af2 ) et les trois suites vérient la loi du logarithme itéré.
On peut alors écrire :
1 1 fn
Φcn Φc∗ n ∗
n (f ) = (Φ + √ A1 ) (Φ (f ) + √ A2 )
n n
1 1
= Φ Φ∗ (f ) + √ (An1 Φ∗ (f ) + Φ Af2 n ) + An1 Af2 n
n n
et
√ fn 1 2
n (Φcn Φc∗ ∗ n ∗
n (f ) − Φ Φ (f )) = A1 Φ (f ) + Φ A2 + O( √ ε (n)).
n
On en déduit que la suite de terme général :
√ √
n (Wnc (f ) − W (f )) (= n (Φcn Φc∗ ∗
n (f ) − Φ Φ (f )))

converge en loi vers la gaussienne centrée

A1 Φ∗ (f ) + Φ Af2 = hIE(f X), GX i + hGf X , Xi.

2.5 Explicitation des opérateurs de covariance

asymptotique
Les suites (Un )n et (Vn )n dénies en (5.1) convergent en loi dans σ2 (E)
vers une v.a.e. gaussienne centrée U d'opérateur de covariance K celui de
X ⊗ X, c'est-à-dire :
e
K = IE((X ⊗ X − V )⊗(X ⊗ X − V )) avec V = IE(X ⊗ X).

En utilisant les décompositions de X et de V par rapport aux bases de vecteurs

principaux, il vient :
48 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales
r q
X r q
X
0 0
X= λj fj uj et V = λj uj ⊗ uj ,
j=1 j=1

et, par conséquent :

r X
X r X r q
r X
K=
0 0 0 0
e j ⊗ u` ). (2.2)
λi λj λk λ` [IE(fi fj fk f` ) − δik δj` ] (ui ⊗ uk )⊗(u
i=1 j=1 k=1 `=1

Nous poursuivons maintenant le cas particulier où la v.a.e. X est de loi el-

liptique, mais bien d'autres cas peuvent être envisagés à partir de l'expression
que l'on vient d'obtenir. Dans le cas d'une v.a.e. X elliptique, l'opérateur de
covariance K s'écrit :
`
e ),
K = (1 + κ) (V ⊗ V ) ◦ (I + C) + κ (V ⊗V

où le réel κ est le coecient d'aplatissement, appelé kurtosis, de la loi

elliptique, I représente l'opérateur identique de σ2 (E) et C l'opérateur de
commutation qui à T appartenant à σ2 (E) associe son adjoint T ∗ . Rappelons
que le cas gaussien se déduit du cas elliptique en choisissant κ = 0.

On a donc, pour tout T de σ2 (E) :

K(T ) = (1 + κ) V (T + T ∗ ) V + κ tr (T V ) V.

L'opérateur K peut s'écrire en fonction de la base de σ2 (E) construite à

partir de la base de vecteurs principaux de E. Partant de la décomposition :
r
X
V = λ0j uj ⊗ uj
j=1

il vient, d'une part :

r X
X r
e =
V ⊗V λ0j λ0k (uj ⊗ uj )⊗(u
e k ⊗ uk )
j=1 k=1

et, d'autre part :

r X
X r
`
(V ⊗ V ) (I + C) = λ0j λ0k (uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk )
j=1 k=1
X r X r
1
= λ0j λ0k (uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk + uk ⊗ uj ).
2 j=1 k=1

On en déduit :
 Explicitation des opérateurs de covariance asymptotique 49
r X
X r
1
K= λ0j λ0k [ (1 + κ)(uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk + uk ⊗ uj )
j=1 k=1
2
e k ⊗ uk )],
+κ(uj ⊗ uj )⊗(u
soit encore, en séparant les termes pour lesquels on a j = k de ceux pour
lesquels on a j 6= k :
r
X
K = (2 + 3κ) λ02 e
j (uj ⊗ uj )⊗(uj ⊗ uj )
j=1
X
+ λ0j λ0k [(1 + κ) (uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk + uk ⊗ uj )
j<k
e k ⊗ uk )].
+2 κ (uj ⊗ uj )⊗(u
Bien évidemment, on pouvait retrouver directement cette expression à
partir de (4.5.1)??. Les moments d'ordre 4 d'une loi elliptique vérient :
IE(Xi Xj Xk X` ) = (1 + κ)(IE(Xi Xj ) IE(Xk X` )
+IE(Xi Xk ) IE(Xj X` ) + IE(Xi X` ) IE(Xj Xk )),
et on a, pour les composantes principales réduites :
IE(fi fj fk f` ) = (1 + κ) (δij δk` + δik δj` + δi` δjk )
et le résultat.

Intéressons nous maintenant successivement à l'expression de l'opérateur

de covariance asymptotique de la suite des projecteurs principaux (Ÿ 2.5.1),
de la suite des valeurs principales (Ÿ 2.5.2), puis, dans le cas d'une valeur
propre simple de V, de la suite des vecteurs principaux (Ÿ 2.5.3), de la suite
des composantes principales (Ÿ 2.5.4) et de la suite des composantes princi-
pales réduites ((Ÿ 2.5.5).

Nous avons vu dans le paragraphe 2.4 que toutes ces suites convergent
en loi vers des gaussiennes qui s'écrivent comme fonction linéaire de la v.a.e.
U. Nous pouvons donc écrire les diérents opérateurs de covariance asymp-
totiques en fonction de l'opérateur de covariance K de U. C'est ce que nous
faisons dans le cas général puis dans le cas où X suit une loi elliptique.

Dans le cas elliptique, comme nous l'avons fait pour l'opérateur K , il est
possible de donner l'expression des opérateurs de covariance asymptotiques
sous deux formes : une forme synthétique utilisant les produits tensoriels et
une forme développée par rapport aux bases construites à partir de la base de
vecteurs principaux.

Tous les résultats sont donnés dans le cas où λi est non nulle. Nous ren-
voyons au paragraphe 2.6.4 l'étude pour une valeur propre nulle.
50 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.5.1 Projecteurs principaux

Proposition 2.5.1 Pour
√ tout i de I tel que λi soit non nulle, la suite des
projecteurs principaux ( n (Pin −Pi )) converge en loi dans σ2 (E) vers la v.a.e.
gaussienne centrée :
Ui1 := Pi U Si + Si U Pi ,
d'opérateur de covariance :
` `
∗
Ki1 = Ψi1 ◦ K ◦ Ψi1 avec Ψi1 = Si ⊗ Pi + Pi ⊗ Si .

Pour tous i et i0 distincts tels que λi√et λi0 soient non √

nulles, l'opérateur de
covariance asymptotique croisée de ( n (Pin − Pi )) et ( n (Pin0 − Pi0 )) est :

Kii0 1 = Ψi1 ◦ K ◦ Ψi∗0 1 .

2. Dans le cas elliptique, on a :

`
Ki1 = (1 + κ)λi (I + C) ◦ (V Si2 ⊗ Pi ) ◦ (I + C),
`
Kii0 1 = −(1 + κ)λi λi0 (λi − λi0 )−2 (I + C) ◦ (Pi ⊗ Pi0 ) ◦ (I + C).

En fonction des vecteurs principaux, on a :

P P
Ki1 = 2 (1 + κ) j ∈J 0
k∈Ji λi λjP
e j ⊗ uk + uk ⊗ uj )),
(λ0j − λi )−2 ((uj ⊗ uk + uk ⊗ uj )⊗(u
/ i P
Kii0 1 = −2 (1 + κ)λi λi0 (λi − λi0 )−2
j∈J 0
e
k∈Ji ((uj ⊗ uk + uk ⊗ uj )⊗(uj ⊗ uk + uk ⊗ uj )).
i

Démonstration. 1) Il est aisé de vérier que l'on a Ui1 = Ψi1 (U ) d'où l'ex-
pression de l'opérateur de covariance Ki1 de Ui1 et celle de l'opérateur de
covariance croisée Kii0 1 . On vérie aussi aisément que Ψi1 est autoadjoint.

2) Dans le cas elliptique, on a :

Ki1 = Ψi1 ◦ K ◦ Ψi1
` ` `
= (Si ⊗ Pi + Pi ⊗ Si ) ◦ [(1 + κ)(V ⊗ V ) ◦ (I + C)
` `
e )] ◦ (Si ⊗ Pi + Pi ⊗ Si )
+κ(V ⊗V
` ` ` ` `
= (1 + κ) (Si ⊗ Pi + Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (Si ⊗ Pi + Pi ⊗ Si ) ◦ (I + C)
` ` ` `
e ) ◦ (Si ⊗ Pi + Pi ⊗ Si ).
+ κ (Si ⊗ Pi + Pi ⊗ Si ) ◦ (V ⊗V

On déduit, d'une part, des égalités :

` `
(Si ⊗ Pi + Pi ⊗ Si )(V ) = Pi V Si + Si V Pi = 0,

que le second terme de Ki1 est nul et,d'autre part, des égalités :

Si V Si = V Si2 et V Pi = λi Pi
 Explicitation des opérateurs de covariance asymptotique 51

le premier résultat concernant Ki1 .

Pour Kii0 1 , on peut écrire :
` ` ` ` `
Kii0 1 = (1 + κ)(Si ⊗ Pi + Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (Si0 ⊗ Pi0 + Pi0 ⊗ Si0 ) ◦ (I + C),

puisque, comme précédemment, le second terme est nul.

On obtient alors :
` `
Kii0 1 = (1 + κ)(Pi V Si0 ⊗ Si V Pi0 + Si V Pi0 ⊗ Pi V Si0 )(I + C),

les deux autres termes de la décomposition étant nuls.

Comme on a :

Pi V Si0 = Si0 V Pi = λi (λi − λi0 )−1 Pi ,

on obtient :
` `
Kii0 1 = −(1 + κ) λi λi0 (λi − λi0 )−2 (Pi ⊗ Pi0 + Pi0 ⊗ Pi ) ◦ (I + C)

et le résultat annoncé.
En fonction de la base de vecteurs principaux, on peut écrire :
Pr
V = j=1 λ0j uj ⊗ uj ,
P 0 −1
P
/ i (λj − λi )
Si = j ∈J uj ⊗ uj et Pi = k∈Ji uk ⊗ uk .

Il faut préciser que, pour Si , la somme porte sur les éléments de {1, · · · , p}
n'appartenant pas à Ji et non sur les éléments de {1, · · · , r} n'appartenant
pas à Ji puisque l'on a posé : Si = (V − λi I)− .
On peut donc écrire :
X X `
Ki1 = (1 + κ) λi λ0j (λ0j − λi )−2 (I + C) ◦ (uj ⊗ uj ) ⊗ (uk ⊗ uk ) ◦ (I + C)
/ i k∈Ji
j ∈J
X X
= (1 + κ) λi λ0j (λ0j − λi )−2 (uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk + uk ⊗ uj ).
/ i k∈Ji
j ∈J

et le résultat.
Le résultat pour Kii0 1 se déduit des égalités :
` X X ` X X
Pi ⊗ Pi0 = (uk ⊗ uk ) ⊗ (uj ⊗ uj ) = e k ⊗ uj ) et
(uk ⊗ uj )⊗(u
j∈Ji0 k∈Ji j∈Ji0 k∈Ji

e (I + C) = (A + A∗ )⊗(B
(I + C) (A⊗B) e + B ∗ ).
52 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

2.5.2 Valeurs principales

Proposition 2.5.2 √1. Pour
0
tout i de I tel que λi soit non nulle, la suite des
mi
valeurs principales ( n (λj − λi ))j∈Ji converge en loi dans IR
n
vers la v.a.e.
gaussienne centrée :

∆(Ui2 ), avec Ui2 := Pi U Pi

d'opérateur de covariance :
`
∗
Ki2 = Ψi2 ◦ K ◦ Ψi2 avec Ψi2 = Pi ⊗ Pi .
√
Pour tout i de I tel que λi soit non nulle, la suite ( n (λni − λi )) converge
en loi dans IR vers la v.a. gaussienne centrée

m−1
i tr (Pi U Pi ),

de variance :
ki2 := m−2 ∗ ∗
i tr ◦ Ψi2 ◦ K ◦ Ψi2 ◦ tr .

Pour tout i et√tout i0 tels que λ√i et λi0 soient non nulles, la covariance
asymptotique de ( n (λni − λi )) et ( n (λni0 − λi0 )) est :

kii0 2 = m−1 −1 ∗ ∗
i mi0 tr ◦ Ψi2 ◦ K ◦ Ψi0 2 ◦ tr .

2. Lorsque X est une v.a. elliptique, l'opérateur de covariance Ki2 s'écrit :

`
Ki2 = λ2i [(1 + κ) (Pi ⊗ Pi ) ◦ (I + C) + κ Pi ⊗P
e i]

ou encore, en utilisant la base de vecteurs principaux :

X X 1
Ki2 = λ2i e j ⊗ uk + uk ⊗ uj )
[ (1 + κ) (uj ⊗ uk + uk ⊗ uj )⊗(u
2
j∈Ji k∈Ji
e k ⊗ u) ]
+κ (uj ⊗ uj )⊗(u
√
La variance asymptotique de ( n (λni − λi ))n est :

ki2 = λ2i [(2 + 2κ) m−1

i + κ].
√ √
La covariance asymptotique de ( n (λni − λi )) et ( n (λni0 − λi0 )) est

kii0 2 = κ λi λi0 .

Démonstration. 1) L'expression de l'opérateur de covariance Ki2 de Ui2 et

celle de l'opérateur de covariance croisée Kii0 2 se déduit de l'égalité Ui2 =
Ψi2 (U )√que l'on vérie facilement. Comme l'opérateur Ψi2 est autoadjoint, a
suite ( n (λni − λi )) converge en loi dans IR vers la v.a. m−1
i tr (Ui2 ) qui est
une gaussienne centrée de variance :
 Explicitation des opérateurs de covariance asymptotique 53

ki2 = m−2 ∗ −2 ∗
i tr ◦ Ki2 ◦ tr = mi tr ◦ Ψi2 ◦ K ◦ Ψi2 ◦ tr .
∗

√ √
De façon analogue, la covariance asymptotique de ( n (λni −λi )) et ( n (λni0 −
λi0 )), pour λi et λi0 deux valeurs propres non nulles distinctes de V, est :

kii0 2 = m−1 −1 ∗ ∗
i mi0 tr ◦ Ψi2 ◦ K ◦ Ψi0 2 ◦ tr .

2) Dans le cas elliptique, on a :

∗
Ki2 = Ψi2 ◦ K ◦ Ψi2
` ` `
e )] ◦ (Pi ⊗ Pi )
= (Pi ⊗ Pi ) ◦ [(1 + κ) (V ⊗ V ) ◦ (I + C) + κ (V ⊗V
` `
= (1 + κ) (Pi ⊗ Pi ) ◦ (V ⊗ V ) ◦ (Pi ⊗ Pi ) ◦ (I + C)
` `
e ) ◦ (Pi ⊗ Pi )
+κ (Pi ⊗ Pi ) ◦ (V ⊗V
`
= (1 + κ) λ2i (Pi ⊗ Pi ) ◦ (I + C) + κ λ2i Pi ⊗P
e i,

en utilisant l'égalité :
Pi V Pi = λi Pi .
L'écriture de Ki2 en fonction de la base de vecteurs principaux s'obtient
en utilisant les décompositions :
P
Pi = j∈Ji uj ⊗ uj
` P P
et (Pi ⊗ Pi ) ◦ (I + C) = 1
j∈Ji k∈Ji (uj
e j ⊗ uk + uk ⊗ uj ).
⊗ uk + uk ⊗ uj )⊗(u
2

√
Pour la variance asymptotique de la suite ( n(λni − λi )) on a :
X X 1
ki2 = m−2 2
i λi tr ◦
e j ⊗ uk + uk ⊗ uj )
[ (1 + κ)(uj ⊗ uk + uk ⊗ uj )⊗(u
2
j∈Ji k∈Ji
e k ⊗ uk )] ◦ tr∗
+κ(uj ⊗ uj )⊗(u
= m−2 2 2
i λi [(2 + 2κ)mi + κmi ]

grâce aux égalités :

e ⊗ t) ◦ tr ∗
tr ◦ (x ⊗ y)⊗(z = tr (x ⊗ y) tr (z ⊗ t) = hx, yi hz, ti.
√ √
Enn, la covariance asymptotique de ( n (λni − λi )) et ( n (λni0 − λi0 ))
est :
`
kii0 2 = m−1 −1 ∗ ∗ −1 −1
i mi0 tr ◦ Ψi2 ◦ K ◦ Ψi0 2 ◦ tr = mi mi0 κ λi λi0 tr ◦ Pi0 ⊗ Pi ◦ tr
∗

= m−1 −1
i mi0 κ λi λi0 tr (Pi0 ) tr (Pi ) = κ λi λi0 .

Remarque 2.5.2.
Des résultats plus généraux peuvent évidemment être obtenus. Par exemple,
la suite de terme
√ général le vecteur (λni )i∈I converge p.s. vers le vecteur (λi )i∈I
n
et la suite ( n (λi − λi ))i∈I converge en loi vers une gaussienne centrée dont
54 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

on a exprimé ci-dessus lesPéléments de l'opérateurP de covariance. On peut alors

n n
en déduire que la suite ( i≤kP mi λ i ) (resp. ( P
i∈I m i λ i ), c'est-à-dire la suite
(trVn )), converge p.s. vers i≤k mi λi (resp. i∈I mi λi , c'est-à-dire tr V et
que la suite de terme général :
√ X √
ank := n mi (λni − λi ) (resp. an := n(tr Vn − tr V ))
i≤k

converge en loi vers une loi gaussienne centrée ak (resp. a) de variance :

P P
var (ak ) = i≤k m2i ki2 + 2 1≤i<i0 ≤k mi mi0 kii0 2
P P
= (2 + 2κ) ( i≤k mi λ2i ) + κ ( i≤k mi λi )2 ,
(resp. var (a) = (2 + 2κ) tr (V 2 ) + κ( tr V )2 ).

Nous utiliserons ce résultat au paragraphe 2.6.4. ? ?

2.5.3 Vecteurs principaux associés à une valeur propre simple

Introduisons, pour tout u de E, l'opérateur linéaire ξu de σ2 (E) dans E
qui à T associe T (u). Puisque l'on a, pour tout T de σ2 (E) et tout x de E :

hξu (T ), xi = hT (u), xi = hT, u ⊗ xi2 = hT, ξu∗ (x)i2 ,

l'adjoint ξu∗ est l'opérateur de E dans σ2 (E) qui à x associe u ⊗ x.

Proposition 2.5.3 1. Pour tout
√ i de I tel que λi soit simple et non nulle, la
suite des vecteurs principaux ( n (uni − ui )) converge en loi dans E vers la
v.a.e. gaussienne centrée :
Ui3 := Si U ui ,
d'opérateur de covariance :
∗
Ki3 = Ψi3 ◦ K ◦ Ψi3 avec Ψi3 = ξui ◦ Ψi1 .
Pour tous i et i0 distincts de I tels que λi et λi0 soient
√ simples et non
√ nulles,
l'opérateur de covariance asymptotique croisée de ( n (uni − ui )) et ( n (uni0 −
ui0 )) est :
Kii0 3 = Ψi3 ◦ K ◦ Ψi∗0 3 .
2. Dans le cas elliptique, on a :

Ki3 = (1 + κ) λi V Si2

et, en utilisant la base de vecteurs principaux :

X
Ki3 = (1 + κ) λi λ0j (λ0j − λi )−2 uj ⊗ uj et
j ∈J
/ i

Kii0 3 = −(1 + κ) λi λi0 (λi0 − λi )−2 ui ⊗ ui0 .

 Explicitation des opérateurs de covariance asymptotique 55

Démonstration.
` `
1) La nullité de l'opérateur ξui ◦(Si ⊗ Pi ) entraîne les égalités Ψi3 = ξui ◦(Pi ⊗
Si ) et Ui3 = Ψi3 (U ). On en déduit, d'une part, l'expression de l'opérateur de
covariance Ki3 et de l'opérateur de covariance croisée Kii0 3 en fonction de
K, d'autre part, l'expression de ces opérateurs en fonction de Ki1 et de Kii0 1
respectivement :

Ki3 = ξui ◦ Ki1 ◦ ξu∗i et Kii0 3 = ξui ◦ Kii0 1 ◦ ξu∗i0 .

2) Sous hypothèse d'ellipticité, les égalités :

(V Si2 (·) ⊗ ui ) ui = ui ⊗ ui V Si2 (·) = Pi V Si2 (·) = 0 et hui , ui i = 1.

amène à :
`
Ki3 = (1 + κ) λi ξui ◦ (I + C) ◦ (V Si2 ⊗ Pi ) ◦ (I + C) ◦ ξu∗i
= (1 + κ) λi [V Si2 (·) ⊗ ui + ui ⊗ V Si2 (·)]ui = (1 + κ) λi V Si2 (·)

L'écriture en fonction des vecteurs principaux est immédiate. Enn, en

remarquant que l' on a :
`
ξui ◦ (I + C) ◦ (Pi ⊗ Pi0 ) ◦ (I + C) ◦ ξu∗i = [Pi (·) ⊗ ui0 + ui0 ⊗ Pi (·)] ui = ui ⊗ ui0 ,

il vient :
Kii0 3 = −(1 + κ) λi λi0 (λi − λi0 )−2 ui ⊗ ui0

2.5.4 Composantes principales associées à une valeur propre

simple
Proposition 2.5.4 1. Soit i un élément de I tel √
que λi soit simple et non
nulle. Alors, la suite des composantes principales ( n (cni − ci )) converge en
loi dans L2 (P ) vers la v.a.e. gaussienne centrée :

Ui4 := hSi ◦ U ui , Xi

d'opérateur de covariance :
∗
Ki4 = Ψi4 ◦ K ◦ Ψi4 en posant Ψi4 = Φ ◦ Ψi3 .

Lorsque les indices distincts i et i0 de I correspondent à des valeurs propres

λi et√λi0 simples et non√ nulles, l'opérateur de covariance asymptotique croisée
de ( n (cni − ci )) et ( n (cni0 − ci0 ))) est :

Kii0 4 = Ψi4 ◦ K ◦ Ψi∗0 4 .

2. Dans le cas elliptique, on a :

56 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Ki4 = (1 + κ) λi hV Si2 IE(·X), Xi

et les opérateurs de covariance asymptotique s'écrivent dans la base de com-

posantes principales réduites :
P 02 0 −2
Ki4 = (1 + κ) j ∈J/ i λi λj (λj − λi ) fj ⊗ fj ,
3 3
Kii0 4 = −(1 + κ) λi2 λi20 (λi − λi0 )−2 fi ⊗ fi0 .

Démonstration.
1) On déduit des égalités : Φ = h·, Xi et Ψi3 = Si ◦U ui , on déduit Ψi4 = Φ◦Ψi3
et Ui4 = Ψi4 (U ) d'où on tire l'expression de l'opérateur de covariance Ki4 et
l'opérateur de covariance Kii0 4 en fonction de K.
2) Dans le cas particulier où X est elliptique, on a :
∗
Ki4 = Ψi4 ◦ K ◦ Ψi4 = Φ ◦ Ki3 ◦ Φ∗
avec Φ∗ = IE(.X) et Ki3 = (1 + κ)λi V Si2 ,

d'où le résultat pour Ki4 .

Pour écrire Kii0 4 en fonction de la base de composantes principales, il sut
d'exploiter les égalités :

Φ ◦ (uj ⊗ uj ) ◦ Φ∗ = Φuj ⊗ Φuj = cj ⊗ cj = λ0j fj ⊗ fj .

On obtient ainsi :
Kii0 4 = Φ ◦ Kii0 3 ◦ Φ∗ = −(1 + κ) λi λi0 (λi − λi0 )−2 Φ (ui ⊗ ui0 ) Φ∗
1 1
et Φ(ui ⊗ ui0 )Φ∗ = Φui ⊗ Φui0 = ci ⊗ ci0 = λi2 λi20 fi ⊗ fi0 .

2.5.5 Composantes principales réduites associées à une valeur

propre simple
Proposition 2.5.5 1. Pour tout i de I tel √
que λi soit simple et non nulle, la
suite des composantes principales réduites ( n(fi − fi )) converge en loi dans
n

L2 (P ) vers la v.a.e. gaussienne centrée :

− 12 1
Ui5 := λi hSi ◦ U ui , Xi + λ−1 tr (Pi U )fi ,
2 i
d'opérateur de covariance :
∗
Ki5 = Ψi5 ◦ K ◦ Ψi5 , avec

−1 ` 1 −3
e i ).
Ψi5 = λi 2 Φ ◦ ξui ◦ (Pi ⊗ Si ) + λi 2 Φ ◦ ξui ◦ (Pi ⊗P
2
Pour tous i et i0 distincts de I tels que λi et λi0 soient√simples et non
nulles,
√ l'opérateur de covariance asymptotique croisée de ( n(fin − fi )) et
( n(fi0 − fi0 )) est :
n
 Explicitation des opérateurs de covariance asymptotique 57

Kii0 5 = Ψi5 ◦ K ◦ Ψi∗0 5 .

2. Dans le cas elliptique, on a :
1
Ki5 = (2 + 3κ) fi ⊗ fi + (1 + κ)hV Si2 IE(·X), Xi
4
et, en fonction de la base de composantes principales réduites, on a :
P
Ki5 = 14 (2 + 3κ) fi ⊗ fi + (1 + κ) j ∈J 02 0
/ i λj (λj − λi )
−2
fj ⊗ fj
1
etKii0 5 = −(1 + κ) λi λi0 (λi − λi0 ) fi ⊗ fi0 + 4 κ fi0 ⊗ fi .
−2

Démonstration. 1) On vérie tout d'abord :

− 12 1 − 32
Ψi5 (U ) = λi Φ ◦ ξui (Si U Pi ) + λ Φ ◦ ξui [tr (Pi U ) Pi ]
2 i
− 12 1 − 32
= λi Φ(Si U ui ) + λ tr (Pi U )Φ(ui )
2 i
− 12 1 −3
= λi hSi U ui , Xi + λi 2 tr (Pi U )ci
2
− 12 1
= λi hSi U ui , Xi + λ−1 tr (Pi U )fi
2 i
= Ui5 .

d'où l'expression de l'opérateur de covariance Ki5 en fonction de K.

On vérie enn que l'on a :

∗ − 12 ` 1 − 23
Ψi5 = λi (Pi ⊗ Si ) ◦ ξui ∗ ◦Φ∗ + e i ) ◦ ξu∗i ◦ Φ∗ .
λ (Pi ⊗P
2 i
2) Cas elliptique.
On pose :

0 −1 ` 1 −3 0 0 0∗
Ψi5 e i et Ki5
= λi 2 Pi ⊗ Si + λi 2 Pi ⊗P = Ψi5 ◦ K ◦ Ψi5 ,
2
d'où l'on déduit :
0 0
Ψi5 = Φ ◦ ξui ◦ Ψi5 et Ki5 = Φ ◦ ξui ◦ Ki5 ◦ ξu∗i ◦ Φ∗ .
0
Comme Ψi5 est autoadjoint, on peut écrire :
0 0 0
Ki5 = Ψi5 KΨi5
` ` 1 −2 `
= λ−1 e
i (Pi ⊗ Si ) ◦ K ◦ (Pi ⊗ Si ) + λi (Pi ⊗ Si ) ◦ K ◦ (Pi ⊗Pi )
2
1 ` 1
+ λi−2 (Pi ⊗P
e i ) ◦ K ◦ (Pi ⊗ Si ) + λ−3 e i ) ◦ K ◦ (Pi ⊗P
(Pi ⊗P e i ).
2 4 i
Rappelons enn que, dans le cas elliptique, l'opérateur K s'écrit :
58 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales
`
e ).
K = (1 + κ (V ⊗ V ) ◦ (I + C) + κ (V ⊗V

Développons alors les huit termes suivants :

(i)
` ` `
(Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi ⊗ Si )
` ` ` ` `
= (Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (Pi ⊗ Si + Si ⊗ Pi C) = V Pi ⊗ V Si2
(ii)
` `
e i)
(Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi ⊗P
` `
e i ) = 2 Pi ⊗V
= 2 (Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (Pi ⊗P e Si Pi V = 0,
(iii)
` `
e i ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi ⊗ Si )
(Pi ⊗P
` ` `
e i ) ◦ (V ⊗ V ) ◦ (Pi ⊗ Si + Si ⊗ Pi C) = 0,
= (Pi ⊗P
(iv)
`
e i ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi ⊗P
(Pi ⊗P e i)
`
e i ) ◦ (V ⊗ V ) ◦ (Pi ⊗P
= 2 (Pi ⊗P e i ) = 2 (Pi ⊗P
e i ) ◦ (Pi ⊗V
e Pi V )
2 e 2 e
= 2 tr (V Pi )Pi ⊗Pi = 2λi Pi ⊗Pi ,

(v)
` `
e ) ◦ (Pi ⊗ Si ) = 0,
(Pi ⊗ Si ) ◦ (V ⊗V
(vi)
`
e ) ◦ (Pi ⊗P
(Pi ⊗ Si ) ◦ (V ⊗V e i ) = 0,
(vii)
`
e i ) ◦ (V ⊗V
Pi ⊗P e ) ◦ (Pi ⊗ Si ) = 0,
(viii)

e i ) ◦ (V ⊗V
(Pi ⊗P e ) ◦ (Pi ⊗P
e i)
e e e i = λ2i Pi ⊗P
= tr (V Pi ) (V ⊗Pi ) ◦ (Pi ⊗Pi ) = [tr (V Pi )]2 Pi ⊗P e i.

On en déduit, d'une part :

`
0
Ki5 = λ−1 2
i (1 + κ) (V Pi ⊗ V Si ) + λi
−1 1 e
4 (2 + 3κ) Pi ⊗Pi
−1
0
et ξui ◦ Ki5 ◦ ξu∗i = (1 + κ) V Si2 + λi 14 (2 + 3κ) ui ⊗ ui ,

et, d'autre part, en utilisant les égalités :

`
ξui ◦ (V Pi ⊗ V Si2 ) ◦ ξu∗i = [V ui ⊗ V Si2 (·)]ui = λi V Si2 (·)
e i ) ◦ ξu∗i = hPi , ui ⊗ ·i2 Pi ui = hui , ·iui = ui ⊗ ui .
et ξui ◦ (Pi ⊗P
 Explicitation des opérateurs de covariance asymptotique 59

Enn, en utilisant les égalités :

Φ ◦ (ui ⊗ ui ) ◦ Φ∗ = Φui ⊗ Φui = ci ⊗ ci = λi fi ⊗ fi ,

on peut écrire :
0
Ki5 = Φ ◦ ξui ◦ Ki5 ◦ ξu∗i ◦ Φ∗
1
= (1 + κ) Φ ◦ V Si2 ◦ Φ∗ + (2 + 3κ) λ−1
i Φ ◦ (ui ⊗ ui ) ◦ Φ
∗
4
1
= (1 + κ) hV Si2 IE(·X), Xi + (2 + 3 κ) fi ⊗ fi .
4
L'expression en fonction des bases de composantes principales s'obtient en
tenant compte de ce que l'on a :,
X
V Si2 = λ0j (λ0j − λi )−2 uj ⊗ uj .
j ∈J
/ i

√ Considérons maintenant
√ l'opérateur de covariance asymptotique Kii0 5 de
( n (fin − fi )) et ( n (fin0 − fi0 )), on peut écrire :

Kii0 5 = Φ ◦ ξui ◦ Kii0 0 5 ◦ ξu∗i0 ◦ Φ∗ avec Kii0 0 5 = Ψi5

0 0∗
◦ K ◦ Ψi5 ,

avec :
`
e
K = (1 + κ) (V ⊗ V ) ◦ (I + C) + V ⊗V et
0 − 1 ` 1 − 3
0∗
Ψi5 e i = Ψi5
= λi 2 Pi ⊗ Si + λi 2 Pi ⊗P .
2
Il vient donc :
−1 −1 ` `
Kii0 0 5 = λi 2 λi0 2 (Pi ⊗ Si ) ◦ K ◦ (Pi0 ⊗ Si0 )
1 −3 −1 `
e i ) ◦ K ◦ (Pi0 ⊗ Si0 )
+ λi 2 λi0 2 (Pi ⊗P
2
1 − 21 − 32 `
+ λi λi0 (Pi ⊗ Si ) ◦ K ◦ (Pi0 ⊗P e i0 )
2
1 −3 −3
e i ) ◦ K ◦ (Pi0 ⊗P
+ λi 2 λi0 2 (Pi ⊗P e i0 ).
4

Calculons chacun des termes de cette expression. On obtient succccessive-

ment : (i)
` ` `
(Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi0 ⊗ Si0 )
` ` ` ` `
= (Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (Pi0 ⊗ Si0 + Si0 ⊗ Pi0 ◦ C) = (Pi V Si0 ⊗ Si V Pi0 ) ◦ C
`
= −λi λi0 (λi − λi0 )−2 (Pi ⊗ Pi0 ) ◦ C
60 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

(ii)
` `
e i0 ) = 0
(Pi ⊗ Si ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi0 ⊗P
(iii)
` `
e i ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi0 ⊗ Si0 )
(Pi ⊗P
` ` `
e i ) ◦ (V ⊗ V ) ◦ (Pi0 ⊗ Si0 + Si0 ⊗ Pi0 ◦ C)
= (Pi ⊗P
` `
e i ) ◦ (Pi0 ⊗ V Si0 + V Si0 ⊗ Pi0 ◦ C) = 0
= λi0 (Pi ⊗P
(iv)
`
e i ) ◦ (V ⊗ V ) ◦ (I + C) ◦ (Pi0 ⊗P
(Pi ⊗P e i0 )
e e e i=0
= 2 (Pi ⊗Pi ) ◦ (Pi ⊗V Pi V ) = 2 tr (Pi V Pi V ) Pi0 ⊗P
0 0 0

(v)
` `
e ) ◦ (Pi0 ⊗ Si0 ) = Si0 V Pi0 ⊗S
(Pi ⊗ Si ) ◦ (V ⊗V e i V Pi = 0
(vi)
`
e ) ◦ (Pi0 ⊗P
(Pi ⊗ Si ) ◦ (V ⊗V e i0 ) = 0
(vii)
`
e i ) ◦ (V ⊗V
(Pi ⊗P e ) ◦ (Pi0 ⊗ Si0 ) = 0
(viii)

e i ) ◦ (V ⊗V
(Pi ⊗P e ) ◦ (Pi0 ⊗P
e i0 ) = tr (V Pi )(V ⊗P
e i ) ◦ (Pi0 ⊗P
e i0 )
e i = λi λi0 Pi0 ⊗P
= tr (V Pi ) tr (V Pi0 ) Pi0 ⊗P e i.

Utilisant alors les égalités :

` `
ξui ◦ (Pi ⊗ Pi0 ) ◦ C ◦ ξu∗i0 = [Pi ⊗ Pi0 (· ⊗ ui0 + ui0 ⊗ .)]ui = Pi (.) ⊗ ui0 (ui )
= hPi (·), ui iui0 = h·, ui iui0 = ui ⊗ ui0

et
e i ) ◦ ξu∗ 0 = [Pi0 ⊗P
ξui ◦ (Pi0 ⊗P e i (ui0 ⊗ ·)]ui = hPi0 , ui0 ⊗ ·i2 Pi ui = ui0 ⊗ ui , il
i
vient :
1 1 ` − 21 −1
Kii0 0 5 = −λi2 λi20 (λi − λi0 )−2 (1 + κ) (Pi ⊗ Pi0 ) ◦ C + 1
4 λi e i ),
λi0 2 κ(Pi0 ⊗P
1 1
ξui ◦ Kii0 0 5 ◦ ξu∗i0 = −λi2 λi20 (λi − λi0 )−2 (1 + κ) ui ⊗ ui0
− 12 −1
+ 14 λi λi0 2 κ, ui0 ⊗ ui .

On obtient enn :
1
Kii0 5 = Φ◦ξui ◦Kii0 0 5 ◦ξu∗i0 ◦Φ∗ = −λi λi0 (λi −λi0 )−2 (1+κ), fi ⊗fi0 + κ fi0 ⊗fi .
4
 Applications inférentielles 61

2.6 Applications inférentielles

Dans les paragraphes précédents, nous avons étudié le comportement
asymptotique des éléments principaux de l'A.C.P. (non centrée ou centrée)
associés à une" valeur principale de l'A.C.P. théorique. Dans les applica-
tions, on peut être conduit à généraliser les résultats obtenus : lois conjointes
d'éléments principaux associés à des valeurs principales distinctes de l'A.C.P.
théorique, fonctions d'éléments principaux. Étudier ce type de généralisation
est l'objet de ce paragraphe.

Dans le paragraphe 2.6.1, après avoir précisé les structures statistiques

que nous utilisons, nous donnons des exemples classiques d'estimations ponc-
tuelles, d'estimations par intervalle de conance et de tests. Dans le para-
graphe 2.6.2, nous développons une application moins directe que celles envi-
sagées précédemment : l'estimation par intervalle de conance des coecients
de la droite de régression orthogonale pour un couple de v.a.e. elliptique (Fe-
kri et Fine, 1999).

Tous les résultats reposent sur les lois asymptotiques. Dans Pnle cas où la
v.a.e. X est supposée gaussienne centrée, l'opérateur n Vn = i=1 Xi ⊗ Xi
suit une loi de Wishart à n degrés de liberté associée à la loi gaussienne
centrée d'opérateur de covariance V et des applications inférentielles peuvent
être envisagées à taille d'échantillon xée à partir de cette loi.

2.6.1 Estimations et tests

Structures statistiques
Les trois structures statistiques pour la v.a.e. X, que nous introduisons
∗
sont notées (E, BE , Pj )⊗IR , pour j = 1, 2, 3, où
P1 désigne la famille des lois de probabilités sur E admettant un moment
d'ordre 4 et centrées,
P2 est constituée des lois de probabilités de P1 qui sont elliptiques de
kurtosis κ,
et enn
P3 est la sous-famille des lois de probabilités gaussiennes de P2 (c'est-à-dire
celles dont le kurtosis κ est nul).
Rappelons(Ÿ 15.4.1) que, lorsque X est une v.a.e. elliptique de kurtosis
κ, toute projection orthogonale sur X est elliptique de même kurtosis. En
particulier, lorsque X1 , · · · , Xp sont les composantes de X relativement à une
base orthonormale de E, chaque composante est elliptique de kurtosis κ. De
plus, notant µk4 et µk2 les moments centrés d'ordre 4 et 2 respectivement de
Xk , pour k = 1, · · · , p, on a :

µk4 = 3 (1 + κ) (µk2 )2 .
62 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Étant donné un échantillon i.i.d. de taille n de X, nous notons S4nk

et
k
S2n les moments empiriques centrés d'ordre 4 et 2 respectivement de Xk . Un
estimateur convergeant κn vers κ est déni par
p
1 X S4n k
κn = [ k 2 − 1].
p (S2n )
k=1

Il existe bien sûr d'autres estimateurs du kurtosis. On pourra consulter à ce

sujet Seberg (1984) par exemple.

Estimations ponctuelles
Cette partie est illustrée en reprenant en fait quelques résultats obtenus
dans le paragraphe 6.2.3..

Proposition 2.6.1 Lorsque l'on se place dans la structure P1 , alors

(i) la statistique Vn (resp. Vnc ) est un estimateur sans biais de V (resp. biaisé
et vériant IE(Vnc ) = (1 − n1 ) V ) et convergeant p.s. vers V dans σ2 (E),
(ii) pour tout i de I et tout j de Ji , λ0nj est un estimateur de λi ) p.s. conver-
geant dans IR, et, pour tout i de I, λni est un estimateur de λi p.s. convergeant
dans IR, P P
(iii) la statistique i≤k mi λni est un estimateur de i≤k mi λi p.s. conver-
geant dans IR, P P
(iv) la part de variance P i≤k mi λP
n
i / i∈I mi λi est un estimateur p.s.
n

convergeant dans IR de i≤k mi λi / i∈I mi λi

(v) et, lorsque λi est une valeur propre simple, ui un vecteur propre unitaire
associé, Pin le projecteur propre associé à l'unique valeur propre λ0n j telle que
j ∈ Ji et uni = kPin ui k−1 Pin ui , alors uni est un estimateur de ui p.s. conver-
geant dans E.

Démonstration. Les résultats (i), (ii), (iii) et (v) ont déjà été établis dans le
paragraphe 4.4. La propriété (iv) résulte de la continuité de l'application de
IR∗+ × IR∗+ dans IR∗+ qui à 0 x, y) associe x/y.

Estimations par intervalle de conance

On note zα le quantile d'ordre α d'une gaussienne centrée réduite Z, c'est-
à-dire que l'on a P (Z ≤ zα ) = α pour α de ]0, 1[.

Proposition 2.6.2 Lorsque l'on travaille dans la structure P2 , on obtient les

résultats suivants :
(i) lorsque λi est une valeur propre simple, une estimation de λi par intervalle
de conance au niveau 1 − α est :
 Applications inférentielles 63
1 1 1 1
[λni (1 + √ z1− α2 (2 + 3 κn ) 2 )−1 ; λni (1 − √ z1− α2 (2 + 3 κn ) 2 )−1 ],
n n
P
(ii) une estimation au niveau 1 − α de i≤k mi λi par intervalle de conance
au niveau 1 − α est :
X 1 X X 1
[ mi λni − √ z1− α2 {(2 + 2 κn ) mi (λni )2 + κn ( mi λni )2 } 2 ;
n
i≤k i≤k i≤k
X 1 X X 1
mi λni + √ z1− α2 {(2 + 2 κn ) mi (λni )2 + κn ( mi λni )2 } 2 ],
n
i≤k i≤k i≤k

(iii) une estimation de tr V par intervalle de conance au niveau 1 − α est :

1 1
[tr Vn − √ z1− α2 {(2 + 2 κn ) tr Vn2 + κn (tr Vn )2 } 2 ;
n
1 1
tr Vn + √ z1− α2 {(2 + 2 κn ) tr Vn2 + κn (tr Vn )2 } 2 ].
n
Démonstration. Le premier√résultat repose sur le fait que, dans le cas où λi est
une valeur propre simple, ( n (λni −λi )) converge en loi vers une loi gaussienne
√ − 21
centrée de variance (2+3 κ) λ2i et donc ( n (λni −λi ) λ−1
i (2+3 κn ) ) converge
en loi vers une loi gaussienne centrée réduite.
Le deuxième résultat repose sur la remarque faite au paragraphe 4.6.2 ; la
suite de terme général :
√ X X
ank := n ( mi λni − mi λi ),
i≤k i≤k

converge en loi vers la loi gaussienne centrée ak de variance :

X X
var (ak ) = (2 + 2 κ) mi λ2i + κ ( mi λi )2 .
i≤k i≤k

Enn, le dernier résultat

√ est un cas particulier du deuxième. La suite de
terme général an := n (trVn − trV ) converge en loi vers la loi gaussienne
centrée a de variance :

var (a) = (2 + 2 κ) tr (V 2 ) + κ (tr V )2 .

Tests d'hypothèses
Test de nullité des dernières valeurs propres de V

Les égalités suivantes (où rg représente le rang d'un opérateur) sont va-
lables pour tout n à partir d'un certain rang :

rg (V ) = dim Φ(E) = dim Φn (E) = rg (Vn ) = dim Φcn (E) = rg (Vnc ).

64 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

En eet, l'égalité rg (V ) = r est vraie si, et seulement si, il existe p − r vec-

teurs linéairement indépendants (que l'on peut choisir unitaires) ur+1 , · · · , up
tels que huk , Xi = 0 p.s. pour k = r + 1, · · · , p.

Lorsque (Xi )i∈IR∗ est une suite de v.a.e. i.i.d. ayant pour loi celle de X,
on a, pour tout i de IR∗ et tout k de {r + 1, · · · , p}, huk , Xi i = 0 p.s.
Pn Pn Pn
Comme on a X̄ n = n1 i=1 Xi , Vn = n1 i=1 Xi ⊗Xi et Vnc = n1 i=1 Xi ⊗
Xi − X̄ n ⊗ X̄ n , on en déduit, pour tout k de {r + 1, · · · , p}, huk , X̄ n i = 0 p.s.,
Vn uk = 0 et Vnc uk = 0.

Le test de nullité des p − r dernières valeurs propres de V est donc sans

intérêt et l'on peut, sans perte de généralité, supposer que V est de plein rang.
En revanche, le test d'égalité des p − r dernières valeurs propres (appelé aussi
test de sphéricité) a été très étudié. L'hypothèse nulle revient à considérer que
l'information est contenue dans les r premières composantes principales, les
p − r dernières ne faisant apparaître que du bruit. (cf. Anderson 1963, Davis
1977).

Test sur la part de variance expliquée

Nous exposons dans ce paragraphe puis dans le suivant des tests proposés
par Romain (1979) (cf. aussi Dauxois, Pousse et Romain (1982)) dans le cas
gaussien, repris par Arconte (1980) dans le cas elliptique.

On suppose que V est de plein rang et, se donnant un élément k de I et β

de ]0, 1[, on s'intéresse à l'hypothèse nulle :
X
H0k,β = {P ∈ P2 /( mi λi /tr V ) ≥ β},
i≤k

contre l'hypothèse alternative :

P2 \ H0k,β .

En posant : X
A= mi λi − β tr V,
i≤k

l'hypothèse nulle s'écrit :

H0k,β = {P ∈ P2 /A ≥ 0}.
P
La suite An de des v.a.r. dénies par An = i≤k mi λni − β tr Vn converge
√
p.s. vers A et on a : n (An − A) = ank − β an , où l'on rappelle que l'on a
posé :
 Applications inférentielles 65
√ X √
ank = n mi (λni − λi ) et an = n (tr Vn − tr V ).
i≤k

On sait que la suite (ank , an ) converge en loi vers un couple gaussien centré
(ak , a) dont on a calculé dans le paragraphe précédent la variance de chaque
composante :
P P
var (ak ) = (2 + 2 κ) i≤k mi λ2i + κ ( i≤k mi λi )2
et var (a) = (2 + 2κ) tr (V 2 ) + κ (tr V )2 .

On a par ailleurs :
XX
cov (ak , a) = var (ak ) + κ mi mi0 λi λi0
i≤k i0 >k
X X
= (2 + 2 κ) mi λ2i + κ ( mi λi ) tr V.
i≤k i≤k
√
La suite de terme général n (An − A) converge donc en loi vers une loi
gaussienne centrée de variance :

γ := var (ak ) − 2β cov(ak , a) + β 2 var (a).

On a ainsi construit, à partir d'estimateurs p.s. convergents des v.p. λi et du

kurtosis κ, une suite d'estimateurs (γn ) convergeant p.s. vers γ.
Comme γ est strictement positif, à partir d'un certain rang, le réel γn
√ −1
est p.s. strictement positif et ( n γn 2 (An − A)) converge en loi vers une
gaussienne centrée réduite Z. Le test déterministe de région critique
r
γn
[An < −z1−α ],
n
√ −1
qui, sous H0k,β , est incluse dans l'ensemble [ n γn 2 (An − A) < −z1−α ] est
un test de l'hypothèse nulle H0k,β contre l'hypothèse alternative P2 \ H0k,β de
niveau asymptotique inférieur ou égal à α.

Test relatif à un facteur principal

On suppose ici aussi que l'opérateur V est de plein rang. Soit λi une valeur
propre simple, ui un vecteur propre unitaire associé et soit u0 un vecteur
unitaire de E.
On se propose de tester, dans la structure P3 , l'hypothèse nulle :

H0 = {P ∈ P3 /ui = u0 }

contre l'hypothèse alternative

H1 = P 3 \ H0 .
66 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Pour cela posons :

1 1 P
αk = (1 + κ)− 2 (λk λi )− 2 (λk − λi ), T = k6=i αk uk ⊗ uk ,
√ 1 1
yin = n
P n (uni −n u0 ),n αkn = (1 + κn )− 2 (λnk λni )− 2 (λnk − λni ),
Tn = k6=i αk uk ⊗ uk et Zn = kTn yin k2E .

Lorsque n est susamment grand, αkn est non nul et (Tn ) converge [Link] T.
Sous l'hypothèse H0 , la statistique yin converge en loi vers yi , de loi gaus-
sienne centrée d'opérateur de covariance
X
αk−2 uk ⊗ uk
k6=i

et, par conséquent, d'une part, la suite (Tn yin ) converge en loi vers T yi , dont
la loi est gaussienne centrée d'opérateur de covariance IE − ui ⊗ ui et, d'autre
part, (Zn ) converge en loi vers kT yi k2 , qui est de loi de χ2 à p − 1 degrés de
liberté.
Étudions maintenant sous l'hypothèse H1 la suite (Zn ). Pour ce faire, on
pose :
P P
An = k6=i ((αkn )2 − αk2 )hu0 , unk i2 , Bn = k6=i αk2 (hu0 , unk i2 − hu0 , uk i2 ),
P
C = k6=i αk2 hu0 , uk i2 .

Il vient :
X
n (An + Bn + C) = n (αkn )2 hu0 , unk i2 = kTn yin k2E = Zn .
k6=i

Puisque C est constant non nul, quelle que soit la vitesse de convergence de
(αkn ) vers αk et de (unk ) vers uk , la suite (Zn ) converge p.s. vers ∞. Il en résulte
que le test déterministe de région critique [Zn > χ2α,p−1 ] est consistant pour
tester l'hypothèse H0 contre l'hypothèse H1 au niveau asymptotique α.

2.6.2 Coecients d'une droite de régression orthogonale

Droite de régression orthogonale pour un couple de v.a.e.
elliptique
Lorsque l'espace euclidien E est de dimension 2 et est muni d'une base
orthonormale, considérons un couple de v.a.e. X = (X1 , X2 ) elliptique d'ordre
4, d'espérance µ = (µ1 , µ2 ), d'opérateur de covariance V c et de kurtosis κ.
La droite de régression orthogonale de X2 en X1 est la droite D de L2 (P )
d'équation x2 = ax1 + b 11 où, si π désigne la projection orthogonale sur D, a
et b sont les réels qui minimisent l'expression IE(kX − πXk2 ).
Soit λ1 et λ2 les valeurs propres supposées distinctes de V c choisies de
sorte que l'on ait : λ1 > λ2 . On note v = (v1 , v2 ) (resp. w = (w1 , w2 )) un
vecteur propre unitaire associé à λ1 (resp. λ2 ).
 Applications inférentielles 67

Nous pouvons supposer, sans perte de généralité, que les vecteurs propres
v et w vérient : ¯ ¯
¯ v1 w1 ¯
v1 > 0 et ¯ ¯ ¯ = 1.
v2 w2 ¯
Les coecients a et b de la droite de régression orthogonale de X2 en X1
s'écrivent :
v2
a= et b = µ2 − aµ1 .
v1
Soit (X n )n∈N ∗ une suite de v.a.e. i.i.d. de même loi que X, dont on note
X̄ et Vnc la moyenne d'échantillonnage et l'opérateur de covariance d'échan-
n

tillonnage pour un échantillon de taille n. La droite de régression orthogonale

d'échantillonnage de X2 en X1 est la droite Dn de L2 (P ) d'équation x2 =
an xn + bn 11 où, si πn désigne la projection n uω n -orthogonale
Pn sur Dn , où les
réels an et bn sont ceux qui minimisent l'expression n1 i=1 (kX i −πn X i k2n uωn ).
Notant λn1 et λn2 (λn1 > λn2 ) les valeurs propres, distinctes à partir d'un
certain rang, de Vnc et vn = (v1n , v2n ) le vecteur propre unitaire associé à λn1
vériant v1n > 0, les coecients an et bn de la droite de régression orthogonale
d'échantillonnage de X2 en X1 s'écrivent :
v2n
an = et bn = X̄2n − an X̄1n .
v1n

Le couple (an , bn ) est un vecteur aléatoire fonction de (X̄ n , Vnc ).

Comportement asymptotique de (X̄ n , Vnc )

Introduisons l'espace (E, σ2 (E)) que l'on identie à la somme hilbertienne
F = E ⊕ σ2 (E). C'est un espace euclidien pour le produit scalaire induit de
celui de E et σ2 (E) déni par :

∀(a + A, b + B) ∈ F 2 , [a + A, b + B] = ha, bi + hA, Bi2

F
et le produit tensoriel usuel ⊗ de F. Pour tout (a+A, b+B) de F 2 , l'opérateur
F
(a + A) ⊗ (b + B) est donc l'opérateur de F dans lui-même déni par :
F
((a + A) ⊗ (b + B))(c + C) = (hc, ai + hC, Ai2 )(b + B),
soit encore, avec des notations évidentes :
12 21
e
(a ⊗ b + a ⊗ B)(c) + (A ⊗ b + A⊗B)(C).

Soit X c := X − µ la v.a.e. centrée associée au couple elliptique X = (X1 , X2 )

de v.a.e. considéré ci-dessus et K l'opérateur de covariance de X c ⊗ X c , c'est-
à-dire l'opérateur :
68 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

K = IE((X c ⊗ X c )⊗(X
e c ⊗ X c )).

La v.a.e Z = X + X c ⊗ X c est une v.a.e. d'ordre 2 de F, d'espérance µ + V c

et d'opérateur de covariance l'élément V c + K de σ2 (F ) puisque les moments
d'ordre 3 sont nuls.
Soit (Z n )n∈N ∗ , où l'on a posé Z n = X n + X cn ⊗ X cn , une suite de v.a.e.
i.i.d. comme Z et la moyenne d'échantillonnage Z̄ n . (pas clair !) Rappelons
que l'on pose alors :
n
1 X ci
Vn = X ⊗ X ci et Vnc = Vn − (X̄ n − µ) ⊗ (X̄ n − µ).
n i=1

Puisque l'on a : Z̄ n = X̄ n + Vn , les théorèmes limites dans F permettent

d'obtenir les résultats suivants.
Proposition
√ 2.6.3 La suite (Z̄ n )n converge p.s. vers µ + V c dans F et la
suite ( n (Z̄ n − (µ + V c ))n ) converge en loi dans F vers la v.a. u + U, qui est
gaussienne centrée d'opérateur de covariance V + K.
Proposition√ 2.6.4 La suite (X̄ n + Vnc )n converge p.s. vers µ + V c dans F
et la suite ( n (X̄ n + Vnc − (µ + V c ))) converge en loi dans F vers la v.a.
gaussienne centrée u + U d'opérateur de covariance V c + K.
Démonstration. Comme (Vnc − Vn ) converge p.s. vers 0, la suite (X̄ n + Vnc ) a
même limite p.s. que (X̄ n + Vn ). Par ailleurs, puisque l'on a :
√ √ √
n (X̄ n + Vnc − (µ + V c )) = n (X̄ n + Vn − (µ + V c )) + n (Vnc − Vn )
√ √
et que la suite n (Vnc − Vn ) converge
√ p.s. vers 0, la suite n (X̄ n + Vnc − (µ +
V c )) a même limite en loi que n (X̄ n + Vn − (µ + V c )).

Comportement asymptotique de (an , bn )

Posons :
1
S= w⊗w
λ2 − λ1
et rappelons que l'on a

V c = λ1 v ⊗ v + λ2 w ⊗ w,

et, dans le cas elliptique

`
e c.
K = (1 + κ) V c ⊗ V c ◦ (I + C) + κ V c ⊗V

On a alors :
hK(v ⊗ w), v ⊗ wi2 = (1 + κ) λ1 λ2
et nous pouvons énoncer la
 Applications inférentielles 69
√
Proposition 2.6.5 La suite (vn )n converge p.s. vers v et la suite ( n (vn −
v))n converge en loi vers la v.a. gaussienne centrée S U v, d'opérateur de co-
λ2 2
variance : (1 + κ) (λλ21−λ 1)
w ⊗ w.

Démonstration. La preuve est déduite de la proposition 10 du paragraphe

5.3., mais l'opérateur de covariance peut être obtenu aussi directement. On a
en eet :
1 1
S Uv = hU v, wiw = hU, v ⊗ wi2 w,
λ2 − λ1 λ2 − λ1
et l'opérateur de covariance de S U v est :
1
IE(S U v ⊗ S U v) = IE(hU, v ⊗ wi22 ) w ⊗ w
(λ2 − λ1 )2
1
= e (v ⊗ w), v ⊗ wi2 ) w ⊗ w
IE(hU ⊗U
(λ2 − λ1 )2
2
1
= hK(v ⊗ w), v ⊗ wi2 w ⊗ w
(λ2 − λ1 )
λ1 λ2
= (1 + κ) w ⊗ w.
(λ2 − λ1 )2
Proposition 2.6.6 On pose : va = (−a, 1). √
(i) La suite (an )n converge p.s. vers a et la suite ( n (an − a)) converge en
loi vers la v.a. gaussienne centrée
1
hS U v, va i, (2.3)
v1
de variance :
λ1 λ2
(1 + κ) . (2.4)
v14 (λ2 − λ1 )2
√
(ii) La suite (bn )n converge p.s. vers b et la suite ( n (bn − b))n converge en
loi vers :
µ1
hu − S U v, va i, (2.5)
v1
qui est gaussienne centrée de variance :
λ2 µ2 λ1 λ2
2 + (1 + κ) 4 1 . (2.6)
v1 v1 (λ2 − λ1 )2
Démonstration. (i) La suite (vn ) converge p.s. vers v et comme v1 est stricte-
ment positif,il en est de même pour v1n à partir d'un certain rang ; la suite de
terme général an := v2n /v1n est donc dénie à partir du même rang et converge
p.s. vers a := v2 /v1 .
Soit π1 (resp. π2 ) la projection orthogonale de E dans lui-même sur la
première (resp. la seconde) composante ; en utilisant les résultats des pertur-
bations, on peut écrire :
70 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales
1
v n = v − √ S Un v + O(ε2 (n)),
n
dont on déduit, d'une part :
1 1 1 1
v1n = v1 − √ π1 (S Un v) + O(ε2 (n)) et n = + √ π1 (S Un v) + O(ε2 (n))
n v1 v1 n
et, d'autre part :
1
v2n = v2 − √ π2 (S Un v) + O(ε2 (n)), et donc :
n
vn v2 1 1
an = 2n = + √ (v2 π1 (S Un v) − π2 (S Un v)) + O(ε2 (n)).
v1 v1 n v1
√
On en déduit que la suite ( n (an − a)) converge en loi vers la v.a. :
1
v2 π1 (S U v) − π2 (S U v),
v1
ce qui s'écrit encore sous la forme (5.3) Il s'agit d'une v.a. gaussienne centrée
de variance :
1 1
IE( 2 hS U v, va i2 ) = 2 IE(hS U v ⊗ S U v, va ⊗ va i2 )
v1 v1
1 λ1 λ2
= 2 (1 + κ) hw ⊗ w, va ⊗ va i2 .
v1 (λ2 − λ1 )2
Comme on a :
1
hw ⊗ w, va ⊗ va i2 = hw, va i2 = (w2 − a w1 )2 = ,
v12
√
on en déduit que la variance asymptotique de ( n (an − a)) est bien donnée
par (5.4).
(ii) Pour bn , on a :
v2n n π2 (v n )
bn = X̄2n − an X̄1n = X̄2n − n X̄1 = π2 (X̄ n ) − π1 (X̄ n ).
v1 π1 (v n )
Les développements obtenus par perturbations permettent d'écrire :
1 1
X̄ n = µ + √ un + O(ε2 (n)) et v n = v − √ S Un v + O(ε2 (n))
n n
et donc :
1
bn = (µ2 + √ π2 (un ))
n
1 1 1 1
− (v2 − √ π2 (SUn v))( + √ π1 (S Un v))(µ1 + √ π1 (un )) + O(ε2 (n))
n v1 n n
v2
= µ2 − µ1
v1
1 v2 µ1
+ √ [π2 (un ) − π1 (un ) + π2 (SUn v) − v2 µ1 π1 (SUn v)] + O(ε2 (n)).
n v1 v1
 Applications inférentielles 71

Puisque√ la suite (un + Un ) converge en loi vers u + U, on en déduit que la

suite ( n(bn − b)) converge en loi vers :
v2 µ1
π2 (u) − π1 (u) + π2 (S U v) − v2 µ1 π1 (S U v),
v1 v1

qui s'écrit selon (5.5.) Il s'agit d'une gaussienne centrée de variance :

µ1 µ1 µ1
IE(hu − S U v, va i2 ) = IE(h(u − S U v) ⊗ (u − S U v), va ⊗ va i2 )
v1 v1 v1
= IE(hu ⊗ u, va ⊗ va i2 )
µ1
−2 IE(h(S U v) ⊗ u, va ⊗ va i2 )
v1
µ1
+( )2 IE(h(S U v) ⊗ (S U v), va ⊗ va i2 ).
v1
Or on a, d'une part :

IE(u ⊗ u) = V c = λ1 v ⊗ v + λ2 w ⊗ w ;
2
hv ⊗ v, va ⊗ va i2 = hv, va i = (v2 − av1 )2 = 0 ;
2 1
hw ⊗ w, va ⊗ va i2 = hw, va i = (w2 − a w1 )2 = ,
v12

donc aussi :
λ2
IE(hu ⊗ u, va ⊗ va i2 ) = ,
v12
et d'autre part :
1
IE((S U v) ⊗ u) = IE( hU v, wi (w ⊗ u))
λ2 − λ1
1
= IE(hU, v ⊗ wi2 (w ⊗ u))
λ2 − λ1
1
= e ⊗ u))(v ⊗ w) = 0
IE(U ⊗(w
λ2 − λ1
puisque les moments d'ordre 3 sont nuls.
Enn, comme on a vu précédemment que l'on :

IE(S U v ⊗ S U v) = (1 + κ) (λ2λ−λ
1 λ2
1)
2 w ⊗ w

et hw ⊗ w, va ⊗ va i2 hw, va i2 = v12 ,
1

il vient :
µ1 λ2 µ1 λ1 λ2 1
IE(hu − SU v, va i2 ) = 2 + ( )2 (1 + κ)
v1 v1 v1 (λ2 − λ1 ) v12
2

et on obtient bien (5.6)

72 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Estimation des coecients par intervalle de conance

Soit κn un estimateur convergent de κ. Posons :
λn λn 1
η1n = [(1 + κn ) (vn )4 (λ
1
n −λn )2 ] 2
2
1 2 1
λn (µn 2 n n
1 ) λ1 λ2
1
et η2n = [ (vn2)2 + (1 + κn ) (v1n )4 (λn n 2 ]2 .
1 2 −λ1 )

Pour le quantile zα d'ordre α d'une gaussienne centrée réduite Z, on a :

√
n(an − a)
lim P (−z1−α/2 ≤ ≤ z1−α/2 ) = 1 − α et
n→∞ ηn
√ 1
n(bn − b)
lim P (−z1−α/2 ≤ ≤ z1−α/2 ) = 1 − α,
n→∞ η2n

d'où l'on déduit les intervalles de conance de a et de b de coecient de

conance asymptotique égal à 1 − α.
On peut aussi de manière évidente construire des tests d'hypothèses de
nullité de chacun des deux paramètres.

2.7 A.C.P. réduite d'une v.a.e.

2.7.1 Dénitions
Historique Konishi. ACP réduite d'une fonction aléatoire Fine (1981) et
Fine et Romain (1984) Exposé limité : espace euclidien et nécessité de revenir
à des bases.

A.C.P. réduite d'un vecteur aléatoire

Rappelons tout d'abord la dénition de l'A.C.P. réduite d'un vecteur
aléatoire. Soit X = (X1 , · · · , Xp ), p ∈ N ∗ , un vecteur aléatoire d'ordre 2,
µ = (µ1 , · · · , µp ) son espérance mathématique, V sa matrice de covariance
dont on note (σ1 )2 , · · · , (σp )2 les éléments diagonaux, X c = (X1c , · · · , Xpc )
avec Xkc = Xkc − µk , k = 1, · · · , p, le vecteur aléatoire centré associé à X et
Z = (Z1 , · · · , Zp ) avec Zk = Xkc /σk , k = 1, · · · , p le vecteur aléatoire centré
et réduit associé à X. L'A.C.P. (centrée et) réduite de X est dénie comme
l'A.C.P. centrée de Z et est obtenue à partir de la diagonalisation de la matrice
de covariance de Z qui n'est autre que la matrice de corrélation de X.

A.C.P. réduite d'une v.a.e.

L'A.C.P. réduite d'une v.a.e. X ne peut être dénie que relativement à une
base de l'espace euclidien, donc dans un cadre que l'on peut qualier de semi-
opératoriel. Soit E un espace euclidien de dimension p et B = (ek )k=1,··· ,n une
 A.C.P. réduite d'une v.a.e. 73

base orthonormée de E . Le système (ej ⊗ ek )j,k=1,··· ,p forme alors une base

orthonormale de σ2 (E). À tout élément T de σ2 (E), on associe l'opérateur :
p
X
diag (T ) = hT, ek ⊗ ek i2 ek ⊗ ek .
k=1
Pn
Cet opérateur “diag”, de σ2 (E) dans σ2 (E), s'écrit donc : diag = k=1 (ek ⊗
e k ⊗ ek ).
ek )⊗(e
Soit X une v.a. à valeurs dans E d'ordre 4, d'espérance mathématique
µ et d'opérateur de covariance X. On suppose que l'opérateur diag (V ) est
inversible et on pose :
1
D = [diag (V )]− 2 et Z = D(X − µ).

L'A.C.P. (centrée et) réduite de X est par dénition celle de Z et est

obtenue par la diagonalisation de l'opérateur :

R = IE(Z ⊗ Z) = D ◦ V ◦ D.

A.C.P. réduite d'échantillonnage d'une v.a.e.

Étant donné une suite (Xk )k∈IN∗ de v.a.e. i.i.d. comme X, de moyenne
d'échantillonnage
Pn X̄ n et d'opérateur de covariance d'échantillonnage Vn =
1 n n
n k=1 (Xk − X̄ ) ⊗ (Xk − X̄ ), on pose :

1
Dn = [diag Vn ]− 2 et Rn = Dn ◦ Vn ◦ Dn .

Puisque diag (V ) est inversible, l'opérateur Dn existe bien à partir d'un certain
rang.
L'A.C.P. réduite par échantillonnage se ramène à la diagonalisation de Rn .

2.7.2 Étude asymptotique de l'A.C.P. réduite d'une v.a.e.

Convergence de la suite d'opérateurs (Rn )
Soit U un opérateur aléatoire de σ2 (E) de loi gaussienne centrée et d'opé-
rateur de covariance IK.
Proposition 2.7.1 La suite (Rn )n converge p.s. dans σ2 (E) vers R quand n
tend vers l'inni.
√
La suite ( n (Rn − R))n converge en loi dans σ2 (E) quand n tend vers
l'inni vers l'opérateur gaussien centré Ψ (U ) d'opérateur de covariance Ψ ◦
IK ◦ Ψ ∗ , où Ψ est l'application linéaire de σ2 (E) dans lui-même dénie par :
1 1
Ψ (T ) = D T D − diag (D T D) R − R diag (D T D).
2 2
74 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Démonstration. On a vu que, lorsque n tend vers l'inni, la suite (X̄ n )

converge p.s. dans E vers µ, que la suite (Vn )n converge p.s. dans σ2 (E)
vers V et que la suite (Un )n (cf. (5.4.1.)) converge en loi dans σ2 (E) vers U,
gaussienne centrée d'opérateur de covariance IK. De plus, la suite (Un ) vérie
la loi du logarithme itéré. L'opérateur perturbé Vn de V s'écrit, en posant :
r
2 ln ln n Un
ε(n) = et Un0 = √ ,
n 2 ln ln n
sous le forme :
1
Vn = V + √ Un = V + ε(n)Un0 ,
n
ce qui conduit à :

diag Vn = diag V + ε(n) diag Un0 = (diag V ) [I + ε(n) (diag V )−1 diag Un0 ]

et
1
Dn = D [I − ε(n) (diag V )−1 diag Un0 + O(ε2 (n)]
2
1
=D− ε(n) D3 diag Un0 + O(ε2 (n)).
2
On en déduit :

Rn = Dn Vn Dn
1 1
= (D − ε(n) D3 diag Un0 ) (V + ε(n) Un0 ) (D − ε(n) D3 diag Un0 )
2 2
+O(ε2 (n))
1
= D V D + ε(n) D Un0 D − ε(n)D3 diag Un0 V D
2
1
− ε(n) D V D3 diag Un0 + O(ε2 (n)).
2
Remarquant que D et diag Un0 commutent et que l'on a :

D = (diag Un0 ) D = diag (D Un0 D) et D V D = R,

l'opérateur Rn s'écrit en fonction de Un :

Rn = R + √1n D Un D − 12 √1n diag (D Un D) R

− 12 √1n R diag (D Un D) + O(ε2 (n)).

On obtient alors :
√
Un := n(Rn − R)
1 1
= D Un D − diag (D Un D) R − R diag (D Un D) + O(ε(n)).
2 2
 A.C.P. réduite d'une v.a.e. 75

La suite (Rn ) converge

√ donc p.s. dans F = σ2 (E) vers R lorsque n tend vers
l'inni et la suite ( n (Rn − R)) converge en loi dans σ2 (E) vers :
1 1
U := D U D − diag (D U D) R − R diag (D U D) = U = Ψ (U ),
2 2
` ` `
où Ψ est l'application linéaire [IF − 12 (R ⊗ I + I ⊗ R) ◦ diag ] ◦ D ⊗ D. La loi de
l'opérateur U est donc gaussienne d'opérateur de covariance L = Ψ ◦ IK ◦ Ψ ∗ .

Nous allons maintenant expliciter l'opérateur IL par rapport aux bases

construites à partir de B = {e1 , · · · , ep } d'abord dans le cas général, puis
dans le cas où la v.a.e. X suit une loi elliptique.

Explicitation de IL dans le cas général

Proposition 2.7.2 Sans autre hypothèse sur la distribution de la v.a.e. X
que l'existence des moments d'ordre 4, l'opérateur de covariance asymptotique
√ K
IL de n (Rn − R) s'écrit, en posant K̄ikj` = σi σjikj`
σk σ` :

X 1
IL = K̄ikj` − (rik K̄kkj` + rki K̄iij` + rjl K̄ik`` + r`j K̄ikjj )
2
i,k,j,`
1 e i ⊗ ek ).
+ rik rj` (K̄kk`` + K̄kkjj + K̄ii`` + K̄iijj )(ej ⊗ e` )⊗(e (2.7)
4
Démonstration. Posons :

¯ = (D ⊗ D) ◦ IK ◦ (D ⊗ D) et A = − 1 (R ⊗ I + I ⊗ R) ◦ diag.
` ` ` `
IK
2
L'opérateur A s'écrit encore :
1 X
A=− e i ⊗ ek + ek ⊗ ei )
rik (ek ⊗ ek )⊗(e
2
i,k
1 X
= − (IF + C) ◦ e i ⊗ ek )
rik (ek ⊗ ek )⊗(e
2
i,k

P
e i ⊗ ek ) que
et on déduit aisément de l'égalité IK = i,j,k,` Kikj` (ej ⊗ e` )⊗(e
l'on a : X
¯ =
IK e i ⊗ ek ).
K̄ikj` (ej ⊗ e` )⊗(e
i,j,k,`

Par ailleurs, avec les notations ainsi introduites, on a :

¯ ◦ (IF + A)∗ = IK
IL = (IF + A) ◦ IK ¯ + A ◦ IK
¯ + IK
¯ ◦ A∗ + A ◦ IK
¯ ◦ A∗ . (2.8)

Déterminons alors successivement les trois derniers éléments du second mem-

bre de cette égalité. Il vient d'abord :
76 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales
X
¯ = − 1 (IF + C) ◦
A ◦ IK e i ⊗ ek )
rik K̄kkj` (ej ⊗ e` )⊗(e
2
i,k,j,`
1 X
=− e i ⊗ ek ),
(rik K̄kkj` + rki K̄iij` ) (ej ⊗ e` )⊗(e
2
i,k,j,`

puis
X
¯ ◦ A∗ = − 1
IK e j ⊗ e` ),
(rik K̄kkj` + rki K̄iij` ) (ei ⊗ ek )⊗(e
2
i,k,j,`

car c'est l'adjoint de l'opérateur précédent, d'où :

X
¯ ◦ A∗ = − 1
IK e i ⊗ ek ),
(rj` K̄ik`` + r`j K̄ikjj )(ej ⊗ e` )⊗(e
2
i,k,j,l

et enn :
X
¯ ◦ A∗ = 1 (IF + C) ◦
A ◦ IK e i ⊗ ek )
rik (rj` K̄kk`` + r`j K̄kkjj ) (ej ⊗ e` )⊗(e
4
i,k,j,`
1 X e i ⊗ ek ).
= rik rj` (K̄kk`` + K̄kkjj + K̄ii`` + K̄iijj ) (ej ⊗ e` )⊗(e
4
i,k,j,`

Portant les trois expressions obtenues dans (5.8), on obtient :

X
IL = e i ⊗ ek ),
Likj` (ej ⊗ e` )⊗(e
i,k,j,`

où l'on a posé :
1
Likj` = K̄ikj` − (rik K̄kkj` + rki K̄iij` + rj` K̄ik`` + r`j K̄ikjj )
2
1
+ rik rj` (K̄kk`` + K̄kkjj + K̄ii`` + K̄iijj ),
4
ce qui donne bien le résultat indiqué en (5.7).

Explicitation de IL dans le cas elliptique

Proposition 2.7.3√Dans le cas où X est elliptique, l'opérateur de covariance

asymptotique IL de n (Rn − R) s'écrit :
X
IL = (1 + κ) [rij rk` + ri` rjk − (rik rjk r`k + rik rij ri` + rj ` ri ` rk`
i,k,j,`
1 2 2
+rj ` rij rkj ) + rik rj ` (rk` + rkj + ri2` + rij
2 e i ⊗ ek ).
)] (ej ⊗ el )⊗(e
2
 A.C.P. réduite d'une v.a.e. 77

Démonstration. Lorsque X est elliptique, on a :

`
IK = (1 + κ) V ⊗ V ◦ (IF + C) + κ V ⊗V e
X
= e i ⊗ ek ),
[(1 + κ) (vij vk` + vi` vkj ) + κ v`j vki ] (ej ⊗ e` )⊗(e
i,k,j,`

où de façon évidente vij est la composante de V sur ej ⊗ e` .

v v
Si l'on note de même rij (= √viiijvjj = σiijσj ) la composante de R sur ej ⊗e` ,
` `
¯ déni par : IK
on montre que l'opérateur IK ¯ = (D ⊗ D) ◦ IK ◦ (D ⊗ D) vérie
la même égalité en remplaçant V par R :
`
¯ = (1 + κ) R ⊗ R ◦ (IF + C) + κ R⊗R
IK e
X
= e i ⊗ ek ).
[(1 + κ) (rij rk` + ri` rkj ) + κ r`j rki ] (ej ⊗ e` )⊗(e
i,k,j,`

En eet, on a :

` ` ` ` `
¯ = (1+κ) (D ⊗D)◦(V ⊗V )◦(D ⊗D)◦(IF +C)+κ (D ⊗D)◦(V ⊗V
IK e )◦(D ⊗D)

car
` `
(D ⊗ D) ◦ (IF + C) = (IF + C) ◦ (D ⊗ D),
c'est-à-dire :

`
¯ = (1 + κ) (D V D ⊗ D V D) ◦ (IF + C) + κ (D V D⊗D
IK e V D)

et l'égalité indiquée.
On obtient alors :

Likj` = (1 + κ) [rij rk` + ri` rjk − (rik rjk r`k + rik rij ri`
1 2 2
+rj l ri l rkl + rj ` rij rkj ) + rik rj` (rk` + rkj + ri2l + rij
2
)]
2
et le résultat.

Remarque 2.7.1. Si l'on introduit la notation : ri`· k = ri` − rik r`k , alors on
peut vérier l'égalité :
1
Likj` = (1 + κ) (ri`· k rkj· ` + rij· k rk`· j + rk`· i rij· ` + rkj· i r` i· j ).
2
C'est sous cette forme que Konishi (1979) donne le résultat, qu'il est possible
de retrouver en Fine (1981) ou Fine et Romain (1984).
78 Chap. 2 - Étude asymptotique de l'Analyse en Composantes Principales

Etude asymptotique de la suite de valeurs principales dans le cas

d'une valeur principale simple
L'étude asymptotique de la suite de valeurs principales dans le cas d'une
valeur principale simple de R est l'étude la plus simple à envisager. Elle montre
la lourdeur des explicitations que l'on obtient.
Soit (λa , ua ) une valeur propre simple de R et un vecteur propre unitaire
associé. On sait qu'il existe une suite de valeurs propres de Rn , que l'on
note (λ√na )n , convergeant p.s. vers λa lorsque n tend vers l'inni et que la
suite ( n (λna − λa ))n converge en loi dans IR vers une gaussienne centrée
d'opérateur de covariance :
l l
ILa = (P ⊗ P ) ◦ L◦(P ⊗ P ), où P = ua ⊗ ua .

On a donc :
l l
e a ⊗ ua )
P ⊗ P = (ua ⊗ ua ) ⊗ (ua ⊗ ua ) = (ua ⊗ ua )⊗(u
Pp
et, si l'on pose ua = i=1 uia , alors :
X
ILa = (1 + κ) [rij rk` + ri` rjk
i,k,j,`
−(rik rjk r`k + rik rij ri` + rj` ri` rk` + rj` rij rkj )
1
+ rik rj` (rk2 l + rkj
2 2
+ ril 2
+ rij e i ⊗ ek ),
)] uja u`a (ua ⊗ ua )⊗(e
2
soit encore, relativement à la base (ej ⊗ e` )⊗(e e i ⊗ ek ) , :
P P
ILa = (1 + κ) i,k,j,` j 0 ,`0 [rij 0 rk`0 + ri`0 rj 0 k
−(rik rj 0 k r`0 k + rik rij 0 ri`0 + rj`0 ri`0 rk`0 + rj 0 `0 rij 0 rkj 0 )
+ 12 rik rj 0 `0 (rk`
2 2 2 2 e i ⊗ ek ).
0 + rkj 0 + ri`0 + rij 0 )] uj 0 a u`0 a uja u`a (ej ⊗ e` )⊗(e

La nécessité d'utiliser deux bases, la base initiale de E et la base de vecteurs

propres, rend ainsi les explicitations assez lourdes.

Remarque√2.7.2. Ayant obtenu l'opérateur de covariance asymptotique

IL de la suite ( n, (Rn −R))n et son explicitation dans le cas général puis dans
le cas elliptique (et donc gaussien), l'étude asymptotique des divers éléments
propres et des composantes principales est exactement celle faite pour l'A.C.P.
en remplaçant IK par IL.
3
Étude Asymptotique de l'Analyse Canonique
(A.C.)

Contenu : A.C. linéaire d'un couple de v.a.e.. A.C. d'échantillonnage pour le modèle i.i.d.
Convergence presque sûre et convergence en loi des éléments canoniques. Opérateurs de cova-
riance asymptotiques. Applications inférentielles.

Conformément au plan annoncé en introduction, nous donnons dans le

paragraphe 3.1. la dénition de l'Analyse Canonique linéaire d'un couple
Z = (X, Y ) de v.a.e. centrées, Analyse Canonique (A.C.) présentée de fa-
çon détaillée dans le premier tome.
Dans le paragraphe 3.2., nous décrivons l'A.C. d'échantillonnage. Nous notons
RZ = (RX , RY ) le couple d'opérateurs dont l'analyse spectrale fournit l'A.C.
n n
de Z, RZ = (RX , RYn ) le couple d'opérateurs dont l'analyse spectrale fournit
l'A.C. d'échantillonnage.
Nous présentons ensuite les résultats concernant le comportement asympto-
tique de l'opérateur d'échantillonnage, de ses éléments propres et des éléments
de la partie principale de l'A.C. : convergence presque sûre (Ÿ 3.3.), conver-
gence en loi ( Ÿ 3.4.), écriture des opérateurs de covariance asymptotiques en
fonction de l'opérateur de covariance KZ de Z ⊗ Z et explicitation de ces
opérateurs de covariance asymptotiques dans le cas où Z est d'ordre 4 et suit
une loi elliptique ( Ÿ 3.5.).
Pour faciliter la lecture de cette étude asymptotique, jusqu'au paragraphe 3.4.
nous n'utilisons que le produit tensoriel ⊗. Ce n'est que dans le paragraphe
3.5. que nous identions l'espace produit X × Y à la somme hilbertienne
X ⊕ Y an de simplier les notations, et que nous utilisons de façon intensive
` `˜
l'opérateur de commutation C et les produits tensoriels ⊗, e ⊗ et ⊗ .
Dans le cas gaussien et lorsque toutes les valeurs propres sont simples Ander-
son (1999) fournit des résultats qu'il est possible de retrouver, à deux d'entre
eux près avec lesquels nous sommes en désaccord.
L'Analyse Canonique étant usuellement présentée, en Statistique descriptive
multidimensionnelle, sur des variables centrées, an de simplier la présenta-
tion de l'étude asymptotique, nous n'envisageons que le cas de l'A.C. centrée.
80 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Il sera cependant utile d'étudier les modications à apporter à l'étude asymp-

totique de l'A.C. centrée pour l'étude asymptotique de l'A.F.D. et de l'A.F.C..
Ces cas seront étudiés au chapitre 4.
Dans le paragraphe 3.6. nous proposons plusieurs applications. D'abord, un
exemple d'utilisation de l'étude asymptotique concernant un test de nullité des
derniers coecients canoniques (déjà étudié dans ce cadre par Larrère (1994),
qui généralise le test proposé par Bartlett (1947b) dans le cas gaussien et
lorsque les coecients canoniques non nuls sont simples). Puis des propriétés
asymptotiques des mesures d'association sont présentées et quelques applica-
tions (notamment à des tests de non corrélation) sont proposées.

3.1 A.C. linéaire d'un couple de v.a.e. centrées

Soit (X , h., .iX ) (resp. (Y, h., .iY )) un espace euclidien de dimension p (resp. q )
et X (resp. Y ) une v.a.e. dénie sur (Ω, A, P ) à valeurs dans (X , BX ) (resp.
(Y, BY )).
On rappelle que l'espace L2 (P ) des v.a.r. de carré P -intégrable (après iden-
tication des v.a.r. p.s. égales), muni du produit scalaire qui associe E(f g) à
(f, g), est un espace de Hilbert que l'on note (L2 (P ), E).
On suppose X ∈ L2X (P ) et Y ∈ L2Y (P ), c'est-à-dire, X et Y de norme au
carré P -intégrable. Pour éviter la notation X c et Y c des variables centrées,
qui serait dans cette partie, systématique, nous supposons les variables X et Y
centrées. Nous reviendrons sur cette hypothèse au début du chapitre suivant.
Les sous-espaces :
© ª
HX = vect {hx, XiX ; x ∈ X } et HY = vect hy, Y iY ; y ∈ Y ,

de L2 (P ) sont munis du produit scalaire de (L2 (P ), E).

L'A.C. linéaire centrée du couple de v.a.e. Z = (X, Y ) est aussi l'A.C. linéaire
non centrée de Z car les v.a.e. X et Y sont centrées, c'est-à-dire encore, l'A.C.
du couple de sous-espaces (HX , HY ) de (L2 (P ), E) telle qu'elle est dénie au
chapitre 4.
L'opérateur de covariance VX = E(X ⊗ X) (resp. VY = E(Y ⊗ Y )) de X (resp.
de Y ) est supposé
inversible, ce qui revient à supposer que, quelque soit la base de X (resp.
de Y), les composantes de X (resp. de Y ) sur cette base sont linéairement
indépendantes. Cette hypothèse n'est pas très restrictive ; il est possible de s'y
ramener en enlevant des composantes qui seraient combinaisons linéaires des
autres. Il est possible aussi de conserver toutes les composantes et d'introduire
des inverses généralisées.
L'opérateur :
ΦX = h., XiX (resp. ΦY = h., Y iY ),
a pour adjoint :
Φ∗X = E(. X), (resp. Φ∗Y = E(. Y ))
 A.C. linéaire d'un couple de v.a.e. centrées 81

et vérie :

VX = Φ∗X ΦX = E(X ⊗ X), (resp VY = Φ∗Y ΦY = E(Y ⊗ Y )).

On pose :
VXY = Φ∗X ΦY = E(Y ⊗ X) et VY X = Φ∗Y ΦX = E(X ⊗ Y ).
En identiant chacun des espaces (L2 (P ), E), X et Y à son dual, on obtient le
schéma de dualité suivant :
X ←−−−− (L2 (P ), E) −−−∗−→ Y
Φ∗X ΦY
 x x x
   
VX−1   VX  I VY−1  
y  y y  VY

X −−−−→ (L2 (P ), E) ←−−−− Y

ΦX ΦY

Le projecteur orthogonal sur HX (resp. HY ) est :

ΠX = ΦX VX−1 Φ∗X , (resp. ΠY = ΦY VY−1 Φ∗Y ).
On pose :

σXY = ΠX ΠY ΠX (resp. σY X = ΠY ΠX ΠY ) et
KX = VX−1 VXY (resp. KY = VY−1 VY X ).

Soit r le rang commun de σXY et de σY X , (ρ02 j )j=1,...,r la suite pleine dé-

croissante des valeurs propres non nulles de σXY et de σY X . On sait alors
qu'il existe (fj )j=1,...,r et (gj )j=1,...,r deux systèmes biorthogonaux de vec-
teurs propres unitaires associés, de σXY et de σY X respectivement, appelés
variables canoniques, vériant, pour (j, j 0 ) ∈ {1, ..., r}2 , E(fj gj 0 ) = δjj 0 ρ0j .
On a donc :
E(fj fj 0 ) = E(gj gj 0 ) = δjj 0 , E(fj gj 0 ) = δjj 0 ρ0j ;
et de plus :
gj = ρ0−1 0−1
j ΠY fj et fj = ρj ΠX gj .

Pour j ∈ {1, ..., r}, il existe un unique couple (xj , yj ) de vecteurs de X × Y,

appelés facteurs canoniques, vériant :
hxj , XiX = fj et hyj , Y iY = gj .
On sait que (xj )j=1,...,r (resp. (yj )j=1,...,r ) est une suite de vecteurs propres
de KX KY (resp. de KY KX ) associés respectivement aux valeurs propres
(ρ02
j )j=1,...,r et vériant
hxj , xj 0 iVX = δjj 0 (resp. hyj , yj 0 iVY = δjj 0 ).
Les vecteurs xj et yj vérient de plus les égalités :
yj = ρ0−1 0−1
j KY xj et xj = ρj KX yj .

La partie principale de l'A.C. est alors (cf. Ÿ [Link].) :

82 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

(ρ0j , fj , gj )j=1,...,r (1)

c'est-à-dire, respectivement, la suite pleine décroissante des coecients cano-

niques non nuls, la suite des variables canoniques de HX associées et la suite
des variables canoniques de HY associées.
Les diérents éléments de la partie principale de l'A.C. peuvent également
être obtenus à partir de l'opérateur autoadjoint positif RX de σ2 (X ) ou RY
de σ2 (Y) dénis par :
−1 − 12 − 12 − 12
RX = VX 2 VXY VY−1 VY X VX et RY = VY VY X VX−1 VXY VY .
En eet, les opérateurs RX et RY ont les mêmes valeurs propres non nulles
que σXY et σY X , avec même ordre de multiplicité.
1 1
Le vecteur uj = VX2 xj (resp. vj = VY2 yj ) est ainsi un vecteur propre unitaire
de RX (resp. RY ) associé à la valeur propre ρ02 j .
0
À partir de la décomposition spectrale (λj , uj ) de RX , on obtient la partie
principale de l'A.C. en posant successivement :
0− 12 − 12 −1
vj = λj VY VY X VX 2 uj ,
−1 −1
xj = VX 2 uj et y j = VY 2 v j ,
fj = hxj , XiX et gj = hyj , Y iY .

Soit r le rang de RX , (λ0j )j=1,...,r la suite pleine décroissante des valeurs

propres non nulles et (λi )i∈{1,...,s} la suite strictement décroissante des va-
leurs propres non nulles de RX et de © RY . ª
On pose, pour i ∈ {1, ..., s} , Ji = j ∈ {1, ..., r} ; λ0j = λi . Le cardinal mi
de Ji est l'ordre de multiplicité de λi .
On note :
PXi (resp. PY i ) le projecteur orthogonal sur l'espace propre Eλi (RX ) (resp.
Eλi (RY )) associé à la valeur propre λi de RX (resp. RY ),
QXi (resp. QY i ) le projecteur orthogonal sur l'espace propre Eλi (KX KY )
(resp. Eλi (KY KX )) associé à la valeur propre λi de KX KY (resp. de KY KX )
ΠXi (resp. ΠY i ) le projecteur orthogonal sur Eλi (σXY ) (resp. Eλi (σY X ))
associé à la valeur propre λi de σXY (resp. de σY X ).
On a alors les décompositions suivantes :
r
X s
X X
RX = λ0j uj ⊗ uj = λi PXi , avec PXi = uj ⊗ uj et
j=1 i=1 j∈Ji
r
X s
X X
RY = λ0j vj ⊗ vj = λi P Y i , avec PY i = vj ⊗ vj .
j=1 i=1 j∈Ji
 A.C. linéaire d'un couple de v.a.e. centrées 83
s
X X −1 1
KX KY = λi QXi , avec QXi = xj ⊗ xj = VX 2 PXi VX2 et
VX
i=1 j∈Ji
s
X X − 12 1
KY KX = λi QY i , avec QY i = yj ⊗ yj = VY PYi VY2 .
VY
i=1 j∈Ji

s
X s
X
σXY = λi ΠXi et σY X = λi ΠY i avec
i=1 i=1
X −1 −1
ΠXi = fj ⊗ fj = ΦX QXi VX−1 Φ∗X = ΦX VX 2 PXi VX 2 Φ∗X et
j∈Ji
X − 12 − 12
ΠY i = gj ⊗ gj = ΦY QY i VY−1 Φ∗Y = ΦY VY P Y i VY Φ∗Y .
j∈Ji

1
On pose, pour i ∈ {1, ..., s}, ρi = λi2 , HXi = Im(ΠXi ) et HY i = Im(ΠY i ).
La partie principale de l'A.C. est aussi (cf. Ÿ [Link].) :
s s
((ρi )i=1,...,s , ⊕ HXi , ⊕ HY i ) (2)
i=1 i=1

c'est-à-dire, respectivement, la suite strictement décroissante des coecients

canoniques non nuls et les décompositions de Im(σXY ) et de Im(σY X ) en
sous-espaces canoniques associés.
Nous avons vu au chapitre 4 que la décomposition (2) est unique, ce qui n'est
pas le cas de la décomposition (1).

Choix de métriques sur X et Y

Si nous utilisons sur X (resp. Y) la métrique VX−1 (resp. VY−1 ), les écritures se
simplient considérablement ; les opérateurs de covariance de X et de Y sont
alors l'identité de X et de Y respectivement et on a :
RX = KX KY = VXY VY X et RY = KY KX = VY X VXY .
Dans toute la suite de cette étude, nous supposons que les opérateurs de
covariance de X et de Y sont l'identité de X et de Y respectivement. Nous
reviendrons en conclusion sur cette hypothèse.
Le schéma de dualité est alors le suivant :
X ←−−−− (L2 (P ), E) −−−∗−→ Y
Φ∗X ΦY
 x x x
   
  IX  I   IY
y  y y

X −−−−→ (L2 (P ), E) ←−−−− Y

ΦX ΦY
84 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Les vecteurs uj et xj (resp. vj et yj ) sont alors identiques, on les notera xj

(resp. yj ).
De même, les projecteurs PXi et QXi (resp. PY i et QY i ) sont identiques, on
les notera PXi (resp. PY i ).
On pose : q
ρ0j = λ0j , yj = ρ0−1
j VY X xj , fj = hxj , XiX et gj = hyj , Y iY .
En résumé, les diérents éléments de la partie principale de l'A.C. linéaire de
Z = (X, Y ) sont alors, pour i ∈ {1, ..., s} :
ρi le ième coecient canonique non nul (dans la suite strictement décrois-
sante),
(PXi , PY i ) le ième couple de projecteurs canoniques de σ2 (X ) × σ2 (Y) et
(ΠXi , ΠY i ) le ième couple de projecteurs canoniques de σ2 (L2 (P ))×σ2 (L2 (P )).
Dans le cas où λi est une valeur simple, soit j le seul élément de Ji , on
s'intéresse alors au couple de facteurs canoniques (xj , yj ) de X × Y et au
couple de variables canoniques (fj , gj ) de L2 (P ) × L2 (P ), tels qu'ils ont été
dénis précédemment.
Dans toute la suite, an d'avoir des notations homogènes, chaque fois que la
valeur propre λi est simple, l'unique élément j de Ji sera noté i ; tous les
éléments propres associés à λi seront donc indexés par i.

Décompositions par rapport aux diérentes bases canoniques

Toujours dans le cadre de ce choix particulier de produits scalaires sur X et

sur Y , nous utiliserons dans la suite les décompositions suivantes :
Xs X
RX = λi PXi , avec PXi = xj ⊗ xj ,
i=1 j∈Ji
s
X X
RY = λi PY i , avec PY i = yj ⊗ yj ,
i=1 j∈Ji
s
X X
σXY = λi ΠXi , avec ΠXi = fj ⊗ fj = ΦX PXi Φ∗X et
i=1 j∈Ji
s
X X
σY X = λi ΠY i avec ΠY i = gj ⊗ gj = ΦY PY i Φ∗Y .
i=1 j∈Ji
r
X s
X X
01 1
VXY = λj2 yj ⊗ xj = λi2 PXY i , avec PXY i = yj ⊗ xj et
j=1 i=1 j∈Ji
r
X s
X X
01 1
VY X = λj2 xj ⊗ yj = λi2 PY Xi , avec PY Xi = xj ⊗ yj .
j=1 i=1 j∈Ji

Enn, dans le cas où le rang commun r de RX et RY est inférieur à la dimen-

sion p de X ou q de Y, on pose, pour j > r, λ0j = 0 et λs+1 = 0.
 A.C. d'échantillonnage 85

Soit (xj )j>r (resp. (yj )j>r ) une base orthonormée de l'espace propre associé
à la valeur propre nulle de RX (resp. RY ).
Pour j > r, on pose : fj = hxj , XiX et gj = hyj , Y iY , on peut encore écrire :
p
X q
X
X= xj fj , Y = yj gj ,
j=1 j=1
p
X Xq
IX = xj ⊗ xj et IY = yj ⊗ yj .
j=1 j=1

3.2 A.C. d'échantillonnage

Soit Z = (X, Y ) le couple de v.a.e. centrées dont on vient de dénir l'A.C.
linéaire et soit (Zk )k∈N∗ , Zk = (Xk , Yk ), une suite de v.a. i.i.d. comme Z. On
∗
a vu en introduction de la partie B qu'il est équivalent de se donner ω ∈ Ω N
∗
et de poser Xk = P X ◦ πk et Yk = Y ◦ πk . Soit donc ω ∈ Ω N et, pour tout A
n
de A, νnω (A) = n1 k=1 IA ◦ πk (ω) tels que dans cette introduction.
2
Soit (L (P ), Eνnω ) l'espace des v.a.r. d'ordre 2 dénies sur (Ω, A, P ), muni du
produit scalaire, dépendant de ω, déni par :
n
1X
∀(f, g) ∈ L2 (P ) × L2 (P ), Eνnω (f g) = f (ωk )g(ωk ).
n
k=1

On vérie alors :
n n
1X 1X n
Eνnω (X) = X(ωk ) = Xk (ω) = X (ω)
n n
k=1 k=1
n n
resp. E ω
νn (Y ) = Y (ω), resp. E ω
νn (Z) = Z (ω)).
n
On note HX (resp. HYn ) le sous-espace vectoriel HX (resp. HY ) de L2 (P ),
considéré comme sous-espace euclidien de (L2 (P ), Eνnω ). L'A.C. linéaire d'échan-
n
tillonnage de taille n est dénie par l'A.C. du couple de sous-espaces (HX , HYn )
et dépend donc de (ω1 , ..., ωn ).
Soit : D E
n
ΦnX = ., X − X ,
X
l'adjoint vérie :
n
1X n
∀f ∈ L2 (P ), Φn∗
X (f ) = f (ωk )(X(ωk ) − X )
n
k=1

et on a :
n
1X n n
VXn = Φn∗ n
X ΦX = (X(ωk ) − X ) ⊗ (X(ωk ) − X ).
n
k=1
86 Chap. 3 - Étude Asymptotique de l'Analyse Canonique
∗
En tant qu'opérateur aléatoire déni sur (Ω, A, P )⊗N , à valeurs dans (σ2 (X ), Bσ2 (X ) ),
l'opérateur de covariance s'écrit :
n
1X n n
VXn = (Xk − X ) ⊗ (Xk − X ).
n
k=1

On dénit de façon analogue ΦnY , Φn∗ n n n

Y et VY et on suppose VX et VY inversibles
(on verra que ceci est vrai à partir d'une certaine taille d'échantillon puisque
VX et VY sont inversibles).
Pour les opérateurs de covariance croisée, on pose :
n
n 1X n n
VXY = Φn∗ n
X ΦY = (Yk − Y ) ⊗ (Xk − X ) et
n
k=1
Xn
1 n n
VYnX = Φn∗ n
Y ΦX = (Xk − X ) ⊗ (Yk − Y ).
n
k=1

Les opérateurs :
n
ΠX = ΦnX (VXn )−1 Φn∗
X et ΠYn = ΦnY (VYn )−1 Φn∗
Y

sont les projecteur νnω −orthogonal sur HX

n
et HYn respectivement.
On pose enn :
1 1 1 1
n
NXY = (VXn )− 2 VXY
n
(VYn )− 2 , NYn X = (VYn )− 2 VYnX (VXn )− 2 = (NXY
n
)∗
1 1
n
RX = (VXn )− 2 VXY
n
(VYn )−1 VYnX (VXn )− 2 = NXY
n
NYn X
1 1
RYn = (VYn )− 2 VYnX (VXn )−1 VXY
n
(VYn )− 2 = NYn X NXY
n
.

En identiant chacun des espaces (L2 (P ), Eνnω ), X et Y à son dual, on obtient

le schéma de dualité suivant :

X ←−−− −−− (L2 (P ), Eν ω ) −−−− −−→ Y

(ΦnX )∗ n (ΦnY )∗
x x  x
 n    n
(VXn )−1  
y  VX
 I
y (V n −1 
Y ) y
V
 Y

X −−−n−→ (L2 (P ), Eνnω ) ←−− −− Y

ΦX ΦnY

Soit (λ0n
j )j=1,...,r la suite pleine décroissante des r premières valeurs propres de
n
RX (et donc aussi de RYn ) et (unj )j=1,...,r un système orthonormé de vecteurs
propres associés, donc de norme 1 pour la norme associée au produit scalaire
de X (c'est-à-dire, celui permettant d'écrire que l'opérateur de covariance de
X est l'identité de X ).
Ces r valeurs propres sont supposées non nulles (on verra que ceci est vrai à
partir d'un certain rang) et on pose :
 Convergence presque sûre 87
q 1 1
ρ0n
j := λ0n
j et vjn := (ρ0n
j )
−1
(VYn )− 2 VYnX (VXn )− 2 unj ;

alors (vjn )j=1,...,r est un système orthonormé de vecteurs propres de RY asso-

ciés aux valeurs propres (λ0n j )j=1,...,r .
Pour i ∈ {1, ..., s} , on pose :
X X
n
PXi := unj ⊗ unj et PYni := vjn ⊗ vjn .
j∈Ji j∈Ji

1 1
Le vecteur xnj := (VXn )− 2 unj (resp. yjn := (VYn )− 2 vjn ) est vecteur propre de

(VXn )−1 VXY

n
(VYn )−1 VYnX (resp. (VYn )−1 VYnX (VXn )−1 VXY
n
)

associé à la valeur propre λ0n

j et on a :

­ n n® D 1 1
E ­ ®
uj , uj 0 X = (VXn ) 2 xnj , (VXn ) 2 xnj0 = xnj , xnj0 V n = δjj 0
­ n n® D EX ­ ®
X

n 12 n n 12 n n n
(resp. vj , vj 0 Y = (VY ) yj , (VY ) yj 0 = yj , yj 0 V n = δjj 0 ).
Y Y

Soit :
X 1 1
QnXi := xnj ⊗n xnj = (VXn )− 2 PXi
n
(VXn ) 2 et
VX
j∈Ji
X 1 1
QnY i := yjn ⊗n yjn = (VYn )− 2 PYni (VYn ) 2 ,
VY
j∈Ji

enn :

fjn := ΦnX (xnj ), gjn := ΦnY (yjn ),

1 1
n
ΠXi n
:= ΦnX (VXn )− 2 PXi (VXn )− 2 Φn∗
X et
1 1
ΠYn i := ΦnY (VYn )− 2 PYni (VYn )− 2 Φn∗
Y .

Lorsque λi est simple, il faut préciser le vecteur propre unitaire associé (parmi
les deux possibles) de façon à dénir une suite convergente de vecteurs propres.
−1 n
On convient de prendre hnXi = kPXi n
xi k PXi xi , et, comme indiqué précédem-
ment, on pose :
1 1 1
vin := (λni )− 2 (VYn )− 2 VYnX (VXn )− 2 uni .

3.3 Convergence presque sûre

Nous présentons tout d'abord les résultats concernant la convergence presque
sûre de la suite d'opérateurs d'échantillonnage ( Ÿ 5.3.1.), puis des suites d'élé-
ments propres ( Ÿ 5.3.2.), enn des suites d'éléments de la partie principale de
88 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

l'A.C. ( Ÿ 5.3.3.). An d'alléger les notations, on note (An ) au lieu de (An )n
une suite indexée par la taille de l'échantillon.
Auparavant, nous précisons encore quelques notations permettant de passer
de l'espace Z =X × Y à chacun des espaces X et Y .
Le produit scalaire de Z est déni par : ∀z = (x, y) ∈ Z, ∀z 0 = (x0 , y 0 ) ∈ Z,

h(x, y), (x0 , y 0 )iZ = hx, x0 iX + hy, y 0 iY .

On note PX (resp. PY ) l'opérateur de projection de Z sur X (resp. Y), qui

à z = (x, y) associe x (resp. y). On vérie alors aisément que PX∗ (resp. PY∗ )
est l'opérateur de X (resp. Y) dans Z qui à x (resp. y) associe (x, 0) (resp.
(0, y)).
On a alors : ∀z = (x, y) ∈ Z, ∀z 0 = (x0 , y 0 ) ∈ Z,
x ⊗ x0 = PX (z ⊗ z 0 )PX∗ , y ⊗ x0 = PX (z ⊗ z 0 )PY∗ ,
x ⊗ y 0 = PY (z ⊗ z 0 )PX∗ et y ⊗ y 0 = PY ( z ⊗ z 0 )PY∗ .
Si on pose : VZ = E(Z ⊗ Z), on a alors :

VX = IX = PX VZ PX∗ , VXY = PX VZ PY∗ ,

VY X = PY VZ PX∗ et VY = IY = PY VZ PY∗ .

3.3.1 Convergence p.s. des couples d'opérateurs d'échantillonnage

n n
On pose RZ = (RX , RY ) et, à partir d'un certain rang n0 , RZ = (RX , RYn ).
Proposition 3.3.1 La suite d'opérateurs (RZn ) converge p.s. vers RZ dans
σ2 (X ) × σ2 (Y).

Démonstration. La suite (Zk )k∈N∗ est une suite de v.a.e. i.i.d. comme Z, à
valeurs dans Z. La suite (Zk ⊗ Zk )k∈N∗ est donc une suite de v.a.e. i.i.d.
comme Z ⊗ Z, d'espérance VZ , à valeurs dans σ2 (Z).
La loi forte des grands nombres dans Z permet de conclure que la suite
n
(Z ) converge p.s. vers 0, puisque Z est centrée. De même, la Pnloi forte des
grands nombres dans σ2 (Z) permet de conclure que la suite ( n1 k=1 Zk ⊗Zk )
converge p.s. vers VZ . Comme on a :
n
1X n n
VZn = Zk ⊗ Zk − Z ⊗ Z ,
n
k=1

on en déduit que (VZn ) converge p.s. vers VZ dans σ2 (Z).

L'égalité VXn = PX VZn PX∗ (resp. VXYn
= PX VZn PY∗ , resp. VYnX = PY VZn PX∗ ,
resp. VY = PY VZ PY ) permet de conclure que la suite (VXn ) (resp. (VXY
n n ∗ n
),
n n
resp. (VY X ), resp. (VY )) converge p.s. vers VX = IX (resp. VXY , resp. VY X ,
resp. VY = IY ).
À partir d'un certain rang n0 , VXn et VYn sont donc inversibles et les opérateurs
n n
RX et RX sont bien dénis.
 Convergence presque sûre 89
n n
Comme RZ = (RX , RYn ) s'écrit comme fonction continue de VZn , on en déduit
n
que la suite (RZ ) converge p.s. vers RZ dans σ2 (X )× σ2 (Y) lorsque n tend
vers l'inni.

3.3.2 Convergence p.s. des éléments propres

Soit i un élément de {1, ..., s} .

Proposition 3.3.2 1. Pour j ∈ Ji , la suite de valeurs propres (λ0n

j ) converge
p.s. vers λi dans R.
2. La suite des couples de projecteurs propres ((PXi n
, PYni )) converge p.s. vers
(PXi , PY i ) dans σ2 (X ) × σ2 (Y).
3. Si λi est simple, pour n susamment grand (uni , vin ) est déni et la suite des
couples de vecteurs propres ((uni , vin )) converge p.s. vers (xi , yi ) dans X × Y .

Démonstration. Les diérents éléments de la partie principale de l'A.C. de

n
Z = (X, Y ) étant obtenus à partir de la diagonalisation de RX , on obtient
directement la propriété 1 et les propriétés 2 et 3 pour la composante X du
théorème de convergence p.s. des éléments propres d'une suite d'opérateurs
aléatoires (cf. CVps, Ÿ 15.6.3 ?).
Plutôt que d'obtenir les résultats concernant les éléments propres de RYn à
n
partir des relations les liant à ceux de RX , on sait que l'on obtient des résultats
similaires à ceux de RX à partir de la diagonalisation de RYn .
n

Cependant, il existe un problème d'identication pour les vecteurs propres

dans le cas où λi est simple. Il reste donc à vérier que, si PYni est le projecteur
−1
propre de RYn associé à la valeur propre λni , le vecteur kPYni yi k PYni yi avec
−1
yi = λi 2 VY X xi est bien celui déni dans la présentation de l'A.C. d'échan-
tillonnage :
1 1 1 −1 n
vin = (λni )− 2 (VYn )− 2 VYnX (VXn )− 2 uni avec uni = kPXi
n
xi k PXi xi .
Or, ces deux vecteurs sont vecteurs propres du même opérateur et associés à
la même valeur propre simple ; ils sont donc égaux au signe près. Comme les
deux suites de vecteurs correspondantes convergent p.s. vers yi il s'agit bien,
à partir d'une certaine taille d'échantillon, du même vecteur.
On obtient ainsi les résultats indiqués.

3.3.3 Convergence p.s. des éléments de la partie principale de

l'A.C.

Soit i un élément de {1, ..., s} .

90 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Proposition 3.3.3 1. Pour j ∈ Ji , la suite de coecients canoniques (ρ0n

j )
converge p.s. vers ρi dans R.
2. La suite des couples de projecteurs canoniques ((QnXi , QnY i )) converge p.s.
vers (PXi , PY i ) dans σ2 (X ) × σ2 (Y).
3. ∀(f, g) ∈ L2 (P ) × L2 (P ), la suite des couples de variables canoniques
n
((ΠXi f, ΠYn i g)) converge p.s. vers (ΠXi f, ΠY i g) dans L2 (P ) × L2 (P ).
4. Si λi est simple, la suite des couples de facteurs canoniques ((xni , yin ))
converge p.s. vers (xi , yi ) dans X × Y.
5. Si λi est simple, la suite des couples de variables canoniques ((fin , gin ))
converge p.s. vers (fi , gi ) dans L2 (P ) × L2 (P ).
q
Démonstration. 1) Pour la suite des coecients canoniques : ρ0n j = j , la
λ0n
continuité de l'application racine carrée permet de conclure.
2) Pour la suite des projecteurs canoniques :
1 1 1 1
(QnXi , QnY i ) = ((VXn )− 2 PXi
n
(VXn ) 2 , (VYn )− 2 PYni (VYn ) 2 ),
le résultat est obtenu par continuité et en utilisant les égalités : VX = IX et
VY = I Y .
3) Pour la suite des couples de variables canoniques, on a :
1 1
∀(f, g) ∈ L2 (P ) × L2 (P ), ΠXi
n
f = ΦnX (VXn )− 2 PXi
n
(VXn )− 2 Φn∗
X (f ) et

1 1
ΠYn i g = ΦnY (VYn )− 2 PYni (VYn )− 2 Φn∗
Y (g).

Étudions tout d'abord le comportement asymptotique de la suite (ΦnX ) et,

pour tout f de L2 (P ), de la suite Φn∗
X (f ).
En précisant l'aléatoire dépendant de l'échantillon et celui dépendant de
L2 (P ), on peut écrire que, pour tout xD de X , ΦnX (x) est Ela variable aléatoire
n
qui, à l'élément α de Ω associe le réel x, X(α) − X (ω) .
n ∗
Comme la suite (X (ω)) converge pour presque tout ω de Ω N vers 0, on en
déduit que la suite (ΦnX ) converge p.s. vers PnΦX dans L(X , L (P )).
2
2 n∗ 1
Pour tout f de L (P ), on a ΦX (f ) = nP k=1 f (ωk )X(ωk ), donc, si on pose
1 n
fk = f ◦ πk , on peut écrire Φn∗X (f ) = ( n k=1 fk Xk )(ω).
La loi forte des grands nombres permet de conclure que, pour tout f de L2 (P ),
la suite (Φn∗ ∗
X (f )) converge p.s. vers ΦX (f ) dans X .
On montre de la même manière que la suite (ΦnY )) converge p.s. vers ΦY dans
L(Y, L2 (P )) et que, pour tout g de L2 (P ), la suite (Φn∗ Y (g)) converge p.s. vers
Φ∗Y (g) dans Y.
On déduit alors le résultat par continuité.
1 1
4) Si λi est simple, on a : (xni , yin ) = ((VXn )− 2 uni , (VYn )− 2 vin ), d'où le résultat.
5) Si λi est simple, on a : (fin , gin ) = (ΦnX (xni ), ΦnY (yin )) et le résultat.
 Convergence en loi 91

3.4 Convergence en loi

Nous présentons tout d'abord les résultats concernant la convergence en loi
de la suite d'opérateurs d'échantillonnage (Ÿ 5.4.1), puis des suites d'éléments
propres (Ÿ 5.4.2), enn des suites d'éléments de la partie principale de l'A.C.
(Ÿ 5.4.3). Les lois limites sont des gaussiennes dont nous préciserons les opé-
rateurs de covariance dans le paragraphe suivant.

On pose :
n
√ n
√
UX = n(RX − RX ), UYn = n(RYn − RY )
√
et UZn = n(RZ
n
− RZ ) = (UXn
, UYn ).

On suppose désormais que la v.a.e. Z est d'ordre 4 (donc aussi les v.a.e. X et
Y ).
La variable Z ⊗ Z est alors d'ordre 2 (donc aussi les v.a.e. X ⊗ X, X ⊗ Y,
Y ⊗ X et Y ⊗ Y ).
On pose : √
WZn := n(VZn − VZ ).
Le théorème central limite dans σ2 (Z) permet de conclure que (WZn ) converge
en loi vers une gaussienne centrée WZ , d'opérateur de covariance KZ celui de
Z ⊗ Z.
La loi du logarithme itéré dans σ2 (Z) permet de conclure :

kW n k 1
lim sup √ Z 2 = kKZ k∞
2
.
n→∞ 2lnlnn
Les résultats sur les perturbations sont donc justiés pour cette suite
d'opérateurs à partir d'un certain rang qui dépend du spectre de VZ et de
kKZ k∞ .
Enn on pose :

WX := PX WZ PX∗ , WXY := PX WZ PY∗ ,

WY X := PY WZ PX∗ et WY := PY WZ PY∗ .

3.4.1 Convergence en loi des couples d'opérateurs

d'échantillonnage
Proposition 3.4.1 La suite (UZn ) (:= (UXn , UYn )) converge en loi dans σ2 (X )×
σ2 (Y) vers le couple gaussien centré UZ = (UX , UY ) avec :
1
UX = − (WX RX + RX WX ) + WXY VY X + VXY WY X − VXY WY VY X ,
2
et UY analogue à UX en échangeant les rôles de X et Y.
92 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Démonstration. L'opérateur RX
n
s'écrit :
1 1
n
RX = (VXn )− 2 VXY
n
(VYn )−1 VYnX (VXn )− 2
1 n − 12 1 n 1
= (IX + √ WX ) (VXY + √ WXY )(IY + √ WYn )−1
n n n
1 n 1 n − 12
(VY X + √ WY X )(IX + √ WX ) .
n n

En utilisant les résultats sur les perturbations, on a, à partir d'un certain

rang :
1 n − 12 1 n
(IX + √ WX ) = IX − √ WX + O(ε2 (n)) et
n 2 n
1 1
(IY + √ WYn )−1 = IY − √ WYn + O(ε2 (n)),
n n
q
avec ε(n) = 2 lnnln n .
On obtient :

n 1 1 n n 1
RX = RX + √ (− WX RX +WXY VY X −VXY WYn VY X +VXY WYnX − RX WX
n
)+O(ε2 (n))
n 2 2

Soit ΨX l'application linéaire de σ2 (Z) dans σ2 (X ) qui à T associe :

1
ΨX (T ) = − (PX T PX∗ RX +RX PX T PX∗ )+PX T PY∗ VY X +VXY PY T PX∗ −VXY PY T PY∗ VY X .
2
(3.1)
On a alors :

n
√ n 2 ln ln n
UX = n(RX − RX ) = ΨX (WZn ) + rn avec rn = O( √ ). (3.2)
n

Comme la suite (WZn ) converge en loi vers WZ dans σ2 (Z) et la suite (rn )
n
converge p.s. vers 0 dans σ2 (X ), on en déduit que la suite (UX ) converge en
loi dans σ2 (X ), vers :
1
UX = ΨX (WZ ) = − (WX RX +RX WX )+WXY VXY +VXY WY X −VXY WY VY X .
2
On obtient des résultats analogues pour Y en échangeant les rôles de X et Y
et on en déduit que le couple ΨZn (WZn ) = (ΨX
n
(WZn ), ΨYn (WZn )) a pour loi limite
le couple gaussien centré ΨZ (WZ ) = (ΨX (WZ ), ΨY (WZ )).

3.4.2 Convergence en loi des éléments propres

 Convergence en loi 93

On note ∆ l'application qui à un opérateur autoadjoint positif associe le vec-

teur de ses valeurs propres rangées dans l'ordre décroissant.
Soit i ∈ {1, ..., s} ; on pose :

SXi = (RX − λi IX )− et SY i = (RY − λi IY )− .

On rappelle que l'on a posé : Ji = {j ∈ {1, ..., r} / λ0j = λi } et mi = card(Ji ).

√
Proposition 3.4.2 1. La suite ( n(λ0n j − λi ))j∈Ji converge en loi dans R
mi

vers :
∆(UXi1 ) avec UXi1 := PXi UX PXi ,
gaussienne centrée et, √
si λi est simple, la suite ( n(λni − λi )) converge en loi dans R vers la v.a.r.
gaussienne centrée
tr (PXi UX PXi ).
√ √
2. La suite (( n(PXin
− PXi ), n(PYni − PY i ))) converge en loi dans σ2 (X ) ×
σ2 (Y) vers le couple gaussien centré (UXi2 , UY i2 ) avec
UXi2 := PXi UX SXi + SXi UX PXi
et l'analogue pour UY i2 en remplaçant
√ X par√ Y.
3. Si λi est simple, la suite (( n(uni − xi ), n(vin − yi ))) converge en loi dans
X ×Y vers le couple gaussien centré (UXi3 , UY i3 ) avec
UXi3 := SXi UX xi
et l'analogue pour UY i3 en remplaçant X par Y.

Démonstration. Les résultats viennent directement du théorème de conver-

gence en loi des suites d'éléments propres d'une suite d'opérateurs aléatoires
(cf. annexe 2).

3.4.3 Convergence en loi des éléments de la partie principale de

l'A.C.

On reprend les notations introduites au début du paragraphe précédent et on

introduit les suivantes : pour tout f de L2 (P ), on note Gf X (resp. Gf Y ) une
v.a. à valeurs dans X (resp. Y ), de loi gaussienne centrée et d'opérateur de
covariance celui de f X (resp. f Y ). Pour f égale à 1, GX (resp. GY ) est donc
une v.a.e. gaussienne centrée d'opérateur de covariance IX (resp. IY ).
√
Proposition 3.4.3 1. La suite ( n(ρ0n j − ρi ))j∈Ji converge en loi dans R
mi

vers :
1 −1
∆(UXi4 ) avec UXi4 := λi 2 PXi UX PXi ,
2
gaussienne centrée et,
94 Chap. 3 - Étude Asymptotique de l'Analyse Canonique
√
si λi est simple, la suite ( n(ρni − ρi )) converge en loi dans R vers la v.a.r.
gaussienne centrée
1 − 12
λ tr (PXi UX PXi ).
2 i
√ √
2. La suite (( n(QnXi − PXi ), n(QnXi − PXi ))) converge en loi dans σ2 (X ) ×
σ2 (Y) vers le couple gaussien centré : (UXi5 , UY i5 ) avec :
1 1
UXi5 := WX PXi − PXi WX + PXi UX SXi + SXi UX PXi ,
2 2
et l'analogue pour UY i5 en remplaçant X par Y. √ √
3. Pour tout (f, g) de L2 (P )×L2 (P ), la suite (( n(ΠXi
n
f −ΠXi f ), n(ΠYn i g−
ΠY i g))) converge en loi dans L2 (P ) × L2 (P ) vers le couple gaussien centré
f
(UXi6 , UYf i6 ), avec :
f
UXi6 := hPXi E(f X), GX iX + hPXi Gf X , XiX
¿ À
1 1
− ( WX PXi + PXi WX + PXi UX SXi + SXi UX PXi )E(f X), X ,
2 2 X

et l'analogue pour UYf i6 en remplaçant

√ X par√ Y et f par g.
4. Si λi est simple, la suite (( n(xni − xi ), n(yin − yi ))) converge en loi dans
X ×Y vers le couple gaussien centré (UXi7 , UY i7 ) avec :
1
UXi7 := WX xi + SXi UX xi
2
et l'analogue pour UY i7 en remplaçant
√ X par
√ Y.
5. Si λi est simple, la suite (( n(fin − fi ), n(gin − gi ))) converge en loi dans
L2 (P ) × L2 (P ) vers le couple gaussien centré :
¿ À ¿ À
1 1
(UXi8 , UY i8 ) := ( WX xi + SXi UX xi , X , WY yi + SY i UY yi , Y ).
2 X 2 Y

Démonstration. 1) Pour i ∈ Ji , on a :
√ √ 1 1
0n 12 1 √
n(ρ0n
j − ρi ) = n((λ0n 2 −1 [
j ) − (λi ) ) = ((λj ) + (λi ) )
2 2 n(λ0n
j − λi )].
1 1 1 −1
Comme
√ la suite ((λ0n 2 −1 converge p.s. vers
j ) + (λi ) )
2
2 λi
2
et que la suite
( n(λ0n
j − λ ))
i j∈Ji converge en loi dans Rmi
vers ∆(P Xi X Xi ), on en déduit
U P
√ 1 −2
1
que la suite ( n(ρ0n
j − ρi ))j∈Ji converge en loi vers ∆( 2 λi PXi UX PXi ) et
1
1 −2
2 λi PXi UX PXi est une gaussienne centrée.
Dans le cas où λi est simple, l'unique valeur propre d'un opérateur de rang 1
est égale à la trace de cet opérateur.
2) On a, en utilisant les résultats des perturbations :
 Convergence en loi 95
− 12 1
QnXi = (VXn ) n
PXi (VXn ) 2

1 n 1 n n 1 n
= (IX − √ WX )(PXi − √ (PXi UX SXi + SXi UX PXi ))(IX + √ WX )
2 n n 2 n
+O(ε2 (n))
1 1 n 1 n n n
= PXi + √ (− WX PXi + PXi WX − PXi UX SXi − SXi UX PXi )
n 2 2
+O(ε2 (n))

et on rappelle :
n 2 ln ln n
UX = ΨX (WZn ) + rn avec rn = O( √ ). (3.3)
n
n
Soit ΨXi l'application linéaire de σ2 (Z) dans σ2 (X ) qui à T associe :
n 1 1
ΨXi (T ) = − PX T PX∗ PXi + PXi PX T PX∗ − PXi ΨX (T )SXi − SXi ΨX (T )PXi .
2 2
√
On déduit du développement précédent que la suite ( n(QnXi −PXi )) converge
en loi dans σ2 (X ) vers la variable gaussienne centrée :
1 1
ΨXi (WZ ) = − WX PXi + PXi WX − PXi UX SXi − SXi UX PXi .
2 2
Puisqu'il s'agit d'une gaussienne centrée, on peut prendre l'opposée pour sim-
plier les écritures.
On a évidemment un résultat identique en remplaçant X par Y et donc le
résultat annoncé dans la proposition.
3) On pose : √
AnX1 = n(ΦnX − ΦX ) et AX1 = h., GX iX ,
et, pour tout f de L2 (P√
) :
AnX2 = n(Φ∗n ∗
X (f ) − ΦX (f )) et AX2 = Gf X .

On dénit les éléments analogues en remplaçant X par Y.

En utilisant les résultats des perturbations, on peut écrire :
1 1
n
ΠXi n
f = ΦnX (VXn )− 2 PXi (VXn )− 2 Φn∗
X (f )
1 n 1 n 1 n n
= (ΦX + √ AX1 )(IX − √ WX )(PXi − √ (PXi UX SXi + SXi UX PXi ))
n 2 n n
1 n 1
(IX − √ WX )(Φ∗X (f ) + √ AnX2 ) + O(ε2 (n)).
2 n n

De l'égalité :

n 2 ln ln n
UX = ΨX (WZn ) + rn avec rn = O( √ ); (3.4)
n

on déduit :
96 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

n 1
ΠXi f = ΦX PXi Φ∗X (f ) + √ [AnX1 PXi Φ∗X (f ) + ΦX PXi AnX2
n
1 n 1
−ΦX ( WX PXi + PXi WX + PXi ΨX (WZn )PXi )Φ∗X (f )] + O(ε2 (n)).
n
2 2
Les théorèmes limites dans l'espace produit approprié permettent d'écrire que
la suite de t.g. :
Bn := (ΦnX , ΦnY , Φ∗n ∗n n
X , ΦY , VZ )

converge p.s. vers :

B := (ΦX , ΦY , Φ∗X , Φ∗Y , VZ ),
et que la suite de t.g. :
√
n(Bn − B) = (AnX1 , AnY 1 , AnX2 , AnY 2 , WZn )

converge en loi vers :

(AX1 , AY 1 , AX2 , AY 2 , WZ ).

Si on note (TX1 , TY 1 , TX2 , TY 2 , T ) un élément quelconque de l'espace produit

et ΨXi6 l'application linéaire de cet espace dans L2 (P ) qui associe à cet élément
la v.a.r. :
1 1
TX1 PXi Φ∗X (f )+ΦX PXi TX2 −ΦX ( PX T PX∗ PXi + PXi PX T PX∗ +PXi ΨX (T )PXi )Φ∗X (f ),
2 2
alors
√ le développement ci-dessus permet de conclure que la suite de t.g.
n
n(ΠXi f − ΠXi f ) converge en loi vers :

ΨXi6 (AX1 , AY 1 , AX2 , AY 2 , WZ ),

c'est-à-dire,
1 1
AX1 PXi Φ∗X (f )+ΦX PXi AX2 −ΦX ( WX PXi + PXi WX +PXi UX PXi )Φ∗X (f ),
2 2
ou encore :
hPXi E(f X), GX iX + hPXi Gf X , XiX
¿ À
1 1
− ( WX PXi + PXi WX + PXi UX SXi + SXi UX PXi )E(f X), X .
2 2 X
√
On obtient le même résultat pour la loi limite de ( n(ΠYn i g − ΠY i g)) en
remplaçant X par Y et f par g, d'où le résultat pour le couple :
√ n
√
( n(ΠXi f − ΠXi f ), n(ΠYn i g − ΠY i g)).

4) Si λi est simple, on peut écrire, en utilisant les résultats des perturbations :

1
xni = (VXn )− 2 uni
1 n 1 n
= (IX − √ WX )(xi − √ SXi UX xi ) + O(ε2 (n))
2 n n
 Explicitation des opérateurs de covariance asymptotique 97
√
On en déduit que la suite de t.g. n(xni −xi ) converge en loi vers la gaussienne
centrée −( 12 WX xi + SXi UX xi ) et un résultat analogue en remplaçant X par
Y. Puisqu'il s'agit de gaussiennes centrées on simplie les écritures en prenant
les opposées d'où le résultat annoncé dans la proposition.
5) Si λi est simple, on peut écrire :
√ √ ­√ ® ­√ ®
( n(fin − fi ), n(gin − gi )) = ( n(xni − xi ), X X , n(yin − yi ), Y Y ),

et la continuité du produit scalaire permet de conclure.

3.5 Explicitation des opérateurs de covariance

asymptotique
On rappelle tout d'abord (Ÿ 5.5.1) l'écriture de l'opérateur de covariance KZ
de Z ⊗ Z, puis on présente (Ÿ 5.5.2) l'écriture, en fonction
√ den KZ , de l'opéra-
teur de covariance asymptotique LZ de la suite UZn = n(RZ − RZ ).

L'écriture de l'opérateur est d'abord présentée dans le cas général puis dans
le cas où la variable Z est d'ordre 4 et suit une loi elliptique.

Dans le cas elliptique, l'opérateur de covariance est d'abord écrit sous forme
synthétique à l'aide de produits tensoriels d'opérateurs puis sous forme dé-
veloppée par rapport aux bases des espaces d'opérateurs construites à partir
des bases de facteurs canoniques.

Tous les résultats qui suivent sont présentés selon le même plan : l'opérateur
de covariance asymptotique de la suite des valeurs propres (Ÿ 3.5.3), de la suite
des couples de projecteurs propres associés (Ÿ 3.5.4), de la suite des couples
de vecteurs propres associés à une valeur propre simple (Ÿ 3.5.5), de la suite
des coecients canoniques (Ÿ 3.5.6), de la suite des couples de facteurs cano-
niques associés à une valeur propre simple (Ÿ 3.5.7) et de la suite des couples
de variables canoniques associées à une valeur propre simple (Ÿ 3.5.8).

On se reportera à l'annexe pour les dénitions et propriétés de l'opérateur de

` `˜
e ⊗ et ⊗ utilisés dans
commutation C et des diérents produits tensoriels ⊗,
cette dernière partie.

An de simplier les écritures, nous identions désormais l'espace produit

X × Y à la somme hilbertienne X ⊕ Y .

On pose alors :
Z = X ⊕ Y.
Le produit scalaire de Z est déni par :
98 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

∀z = x + y ∈ Z, ∀z 0 = x0 + y 0 ∈ Z, hz, z 0 iZ = hx, x0 iX + hy, y 0 iY .

Si on désigne encore par PX (resp. PY ) l'opérateur de σ2 (Z) qui à z = x + y

associe x (resp. y), alors on vérie aisément que PX (resp. PY ) est un opérateur
autoadjoint et on a :
IZ = PX + PY .
On peut alors identier σ2 (X × Y) (c'est-à-dire σ2 (Z)) à la somme hilber-
tienne :
σ2 (Z) = σ2 (X ) ⊕ σ2 (Y, X ) ⊕ σ2 (X , Y) ⊕ σ2 (Y);
les espaces σ2 (X ), σ2 (Y, X ), σ2 (X , Y), σ2 (Y) sont alors considérés comme des
sous-espaces de σ2 (Z) et on peut écrire :
` ` ` `
Iσ2 (Z) = PX ⊗ PX + PY ⊗ PX + PX ⊗ PY + PY ⊗ PY .

On pose alors :
Z = X + Y.
L'opérateur de covariance VZ de Z s'écrit alors :
` ` ` `
VZ = PX ⊗ PX (VZ ) + PY ⊗ PX (VZ ) + PX ⊗ PY (VZ ) + PY ⊗ PY (VZ ),
c'est-à-dire, terme à terme :

VZ = VX + VXY + VY X + VY .

Concernant l'opérateur de covariance

X KZ de Z ⊗ Z dans σ2 (σ2 (Z)), on a :
KZ = Kαβ,γδ avec
(α,β,γ,δ)∈{X,Y }4

` `˜ ` ` `
Kαβ,γδ = (Pδ ⊗ Pγ ) ⊗ (Pβ ⊗ Pα )(KZ ) = (Pβ ⊗ Pα ) ◦ KZ ◦ (Pδ ⊗ Pγ ),
ce qui correspond à la décomposition de l'identité de σ2 (σ2 (Z)) :
X ` `˜ `
Iσ2 (σ2 (Z)) = (Pδ ⊗ Pγ ) ⊗ (Pβ ⊗ Pα ).
(α,β,γ,δ)∈{X,Y }4

On remarque que, KZ étant autoadjoint, on a :

∗
Kαβ,γδ = Kγδ,αβ .
L'opérateur ΨX de σ2 (Z) dans σ2 (X ) dénit en lab5.1 devient, dans le
cadre de sommes hilbertiennes, un opérateur de σ2 (Z) dans lui-même qui se
décompose de la façon suivante :
X 1 ` `
ΨX = AX
µν , avec AX
XX = − (RX ⊗ IX + IX ⊗ RX ),
2
(µ,ν)∈{X,Y }2
` ` `
AX X
XY = VXY ⊗ IX , AY X = IX ⊗ VXY et AX
Y Y = −VXY ⊗ VXY .
 Explicitation des opérateurs de covariance asymptotique 99

De même pour Y en échangeant les rôles de X et Y.

Il nous sera utile d'introduire les opérateurs suivants :
` X
AXX = PX ⊗ PX KZ ΨX ∗
= KXX,γδ AX∗
γδ et
(γ,δ)∈{X,Y }2

` X
AXY = PX ⊗ PX KZ ΨY∗ = KXX,γδ AYγδ∗ .
(γ,δ)∈{X,Y }2

On dénit de même AY Y et AY X en échangeant les rôles de X et Y.

3.5.1 Opérateur de covariance de Z ⊗ Z et explicitation dans le

cas elliptique

Cas général
Les v.a.e. X et Y sont centrées et d'opérateurs de covariance IX et IY respec-
tivement. L'opérateur de covariance VZ de Z = X + Y est donc E(Z ⊗ Z) et
l'opérateur de covariance KZ de Z ⊗ Z est :
KZ = E((Z ⊗ Z − VZ )⊗(Ze ⊗ Z − VZ )) = E((Z ⊗ Z)⊗(Z e ⊗ Z)) − VZ ⊗V e Z.

Cas elliptique
Dans le cas où Z est d'ordre 4 et elliptique, les v.a.e. X et Y sont d'ordre 4
et elliptiques et l'opérateur de covariance KZ de Z s'écrit :
`
e Z,
KZ = (1 + κ)(VZ ⊗ VZ )(I + C) + κVZ ⊗V
où I désigne l'identité de σ2 (Z).
Des égalités :
` ` ` ` `
(Pβ ⊗ Pα ) ◦ (VZ ⊗ VZ ) ◦ (Pδ ⊗ Pγ ) = (Pβ VZ Pδ ⊗ Pα VZ Pγ ) = Vβδ ⊗ Vαγ ,
` `
e Z ) ◦ (Pδ ⊗ Pγ ) = (Pγ VZ Pδ ⊗P
(Pβ ⊗ Pα ) ◦ (VZ ⊗V e α VZ Pβ ) = Vγδ ⊗V
e αβ , et
` `
C ◦ (A ⊗ B) = (B ⊗ A) ◦ C,
on déduit : X
KZ = Kαβ,γδ avec
(α,β,γ,δ)∈{X,Y }4

` `
e αβ .
Kαβ,γδ = (1 + κ)(Vβδ ⊗ Vαγ + Vβγ ⊗ Vαδ ◦ C) + κVγδ ⊗V
On vérie aisément que, dans le cas elliptique, on a :
1 ` `
AXX = (1 + κ)(I + C)[RX ⊗ IX − RX ⊗ RX ](I + C) = (AXX )∗ et
2
1 ` `
AXY = (1 + κ)(I + C)[−RX VXY ⊗ VXY + VXY ⊗ VXY ](I + C) = (AY X )∗ .
2
100 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

3.5.2 Opérateur de covariance asymptotique des opérateurs

d'échantillonnage et explicitation dans le cas elliptique

Cas général √
La suite de terme général UZn (:= n(RZ n
− RZ )) converge en loi vers UZ =
ΨZ (WZ ) où WZ est une v.a.e. gaussienne centrée d'opérateur de covariance
KZ celui de Z ⊗ Z et ΨZ := ΨX + ΨY .
La v.a. UZ est donc gaussienne centrée d'opérateur de covariance :
`˜ X
LZ = ΨZ ⊗ ΨZ (KZ ) = Lµν , avec :
(µ,ν)∈{X,Y }2
 
`˜ X `˜ X
Lµν = (Ψν ⊗ Ψµ )(KZ ) = [ Aνγδ ] ⊗ [ Aµαβ ] (KZ )
2 2
(γ,δ)∈{X,Y } (α,β)∈{X,Y }
X
= Aµαβ ◦ Kαβ,γδ ◦ (Aνγδ )∗ .
(α,β,γ,δ)∈{X,Y }4

Bien qu'il ne s'agisse pas ici de la décomposition de Lµν dans σ2 (σ2 (Z)), il
est commode de poser : Lαβ,γδ
µν = Aµαβ ◦ Kαβ,γδ ◦ (Aνγδ )∗ .
Il sut de calculer LXX et LXY , et, en échangeant les rôles de X et Y, on
obtiendra LY Y et LY X respectivement.

Écriture en fonction des bases de facteurs canoniques

Il est possible d'écrire les opérateurs de covariance asymptotiques en fonction

des bases construites à partir de la base de facteurs canoniques et, ceci, sans
aucune restriction sur l'ordre de multiplicité des valeurs propres de RZ .
L'opérateur de covariance de WZ étant celui de Z ⊗ Z, l'opérateur de cova-
riance LZ de UZ := ΨZ (WZ ) est l'opérateur de covariance de ΨZ (Z ⊗ Z).
On a :
1
ΨX (Z ⊗ Z) = − (RX ◦ (X ⊗ X) + (X ⊗ X) ◦ RX ) + (Y ⊗ X) ◦ VY X + VXY ◦ (X ⊗ Y )
2
− VXY ◦ (Y ⊗ Y ) ◦ VY X ,

et de même pour ΨY (Z ⊗ Z) en échangeant les rôles de X et Y.

En utilisant les décompositions écrites à la n du Ÿ 1, on obtient :

p
r X
X 1
ΨX (Z ⊗ Z) = (− ρ02 fi fk + ρ0i gi fk )(xi ⊗ xk + xk ⊗ xi )
i=1 k=1
2 i
r X
X r
1
+ (− ρ0i ρ0k gi gk )(xi ⊗ xk + xk ⊗ xi )
i=1 k=1
2
 Explicitation des opérateurs de covariance asymptotique 101

et
q
r X
X 1
ΨY (Z ⊗ Z) = (− ρ02 gi gk + ρ0i fi gk )(yi ⊗ yk + yk ⊗ yi )
i=1 k=1
2 i
r X
X r
1
+ (− ρ0i ρ0k fi fk )(yi ⊗ yk + yk ⊗ yi ),
i=1 k=1
2

ce que l'on écrira abusivement :

r X
X
ΨX (Z ⊗ Z) = Fik (xi ⊗ xk + xk ⊗ xi ),
i=1 k
avec :
1 1
Fik = − ρ02 fi fk + ρ0i gi fk − ρ0i ρ0k gi gk
2 i 2
et :
r X
X
ΨY (Z ⊗ Z) = Gik (yi ⊗ yk + yk ⊗ yi ),
i=1 k
avec :
1 1
Gik = − ρ02 gi gk + ρ0i fi gk − ρ0i ρ0k fi fk .
2 i 2
P
L'abus d'écriture
Pp ne présente
Pq pas de risque de confusion car k désignePselon
r
l'expression k=1 ou k=1 mais, lorsque ρ0k est en facteur, il s'agit de k=1
puisque ρ0k = 0 pour k > r.
On vérie aisément que les variables ΨX (Z ⊗ Z) et ΨY (Z ⊗ Z) sont centrées
et on en déduit :
r XX
X r X
LXX = e j ⊗ xh + xh ⊗ xj ) et
E(Fik Fjh )(xi ⊗ xk + xk ⊗ xi )⊗(x
i=1 k j=1 h

r XX
X r X
LXY = e j ⊗ yh + yh ⊗ yj ).
E(Fik Gjh )(xi ⊗ xk + xk ⊗ xi )⊗(y
i=1 k j=1 h

Cas elliptique

Proposition 3.5.1√ Dans le cas elliptique, l'opérateur de covariance asymp-

totique de UX
n
(:= n(RX n
− RX )) est :
3 2 ` 2
` ` 5 `
LXX := (1+κ)(I+C)[− RX ⊗ IX +RX ⊗ RX +RX ⊗ IX − RX ⊗ RX ](I+C)
4 4
et l'opérateur de covariance asymptotique croisée de UX
n
et UYn est :
1 2 ` `
LXY := (1 + κ)(I + C)[ RX VXY ⊗ VXY − 2RX VXY ⊗ VXY
4
` 3 `
+VXY ⊗ VXY + RX VXY ⊗ RX VXY ](I + C)
4
102 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Démonstration. De l'égalité :

Lαβ,γδ
XX = AX X∗
αβ ◦ Kαβ,γδ ◦ Aγδ ,

on déduit :
· ¸
` `
Lαβ,γδ
XX = (1 + κ) A X
αβ ◦ (V βδ ⊗ V αγ ) ◦ A X∗
γδ + A X
αβ ◦ (V βγ ⊗ V αδ ) ◦ C ◦ A X∗
γδ

+ κAX e X∗
αβ ◦ (Vγδ ⊗Vαβ ) ◦ Aγδ .

Après avoir vérié :

2
∀(α, β) ∈ {X, Y } , C ◦ AX∗ X∗
αβ = Aβα ◦ C,

on obtient :
· ¸
` `
Lαβ,γδ
XX = (1 + κ) A X
αβ ◦ (V βδ ⊗ V αγ ) ◦ A X∗
γδ + A X
αβ ◦ (V βγ ⊗ V αδ ) ◦ A X∗
δγ ◦ C

+ κAX e X∗
αβ ◦ (Vγδ ⊗Vαβ ) ◦ Aγδ .

On vérie à présent que, dans le cas γ = δ, on a de façon évidente :

` `
(Vβγ ⊗ Vαδ ) ◦ AX∗ X∗
δγ = (Vβδ ⊗ Vαγ ) ◦ Aγδ ,

et que l'on peut écrire :

X· ` `
¸ X·
`
¸
(Vβδ ⊗ Vαγ ) ◦ AX∗
γδ + (V βγ ⊗ V αδ ) ◦ A X∗
δγ ◦ C = (V βδ ⊗ V αγ ) ◦ A X∗
γδ ◦ (I + C) .
γ6=δ γ6=δ

En eet, la somme ne porte que sur les deux couples (X, Y ) et (Y, X) et on
a:
` `
(VβY ⊗ VαX ) ◦ AX∗ X∗
XY + (VβX ⊗ VαY ) ◦ AY X ◦ C
` `
+(VβX ⊗ VαY ) ◦ AX∗ X∗
Y X + (VβY ⊗ VαX ) ◦ AXY ◦ C
` `
= (VβY ⊗ VαX ) ◦ AX∗ X∗
XY ◦ (I + C) + (VβX ⊗ VαY ) ◦ AY X ◦ (I + C).

On en déduit : X
LXX = Lαβ,γδ
XX , avec :
(α,β,γ,δ)∈{X,Y }4

`
Lαβ,γδ
XX = (1 + κ)AX X∗ X e X∗
αβ ◦ (Vβδ ⊗ Vαγ ) ◦ Aγδ ◦ (I + C) + κAαβ ◦ (Vγδ ⊗Vαβ ) ◦ Aγδ .

Considérons tout d'abord le deuxième terme.

De l'égalité :
` `
e ) ◦ (C ⊗ D) = (D∗ XC)⊗(BY
(A ⊗ B) ◦ (X ⊗Y e A∗ ),
 Explicitation des opérateurs de covariance asymptotique 103

il vient : X
AX e X∗
αβ ◦ (Vγδ ⊗Vαβ ) ◦ Aγδ = 0.
(α,β,γ,δ)∈{X,Y }4

e X au signe près, huit

En eet, chacun des seize termes sont égaux à RX ⊗R
avec le signe + et huit avec le signe −.
Pour le premier terme, on utilise la propriété :
` ` ` `
(A ⊗ B) ◦ (X ⊗ Y ) ◦ (C ⊗ D) = (AXC) ⊗ (BY D).

On calcule alors les seize termes et on en fait la somme.

En écrivant les termes de la somme dans l'ordre lexicographique (α, β, γ, δ),
on obtient :
1 2 ` ` `
2
LXX = (1 + κ)[ (RX ⊗ IX + 2RX ⊗ RX + IX ⊗ RX )
4
1 2 ` ` 1 ` `
2
− (RX ⊗ IX + RX ⊗ RX ) − (RX ⊗ RX + IX ⊗ RX )
2 2
1 2 ` `
2 1 2 ` `
+ (RX ⊗ RX + RX ⊗ RX ) − (RX ⊗ IX + RX ⊗ RX )
2 2
` ` ` 1 ` `
2
+ RX ⊗ IX + RX ⊗ RX − RX ⊗ RX − (RX ⊗ RX + IX ⊗ RX )
2
` ` ` 1 2 ` `
2
+ RX ⊗ RX + IX ⊗ RX − RX ⊗ RX + (RX ⊗ RX + RX ⊗ RX )
2
` ` `
− RX ⊗ RX − RX ⊗ RX + RX ⊗ RX ]

Après simplication, et en utilisant l'égalité :

` ` `
(A ⊗ B + B ⊗ A)(I + C) = (I + C)(A ⊗ B)(I + C),

on obtient le résultat annoncé.

On procède de façon analogue pour l'opérateur de covariance asymptotique
croisée.
Remarque 3.1.
L'opérateur de covariance LXX est donné sous cette forme par Dauxois, Ro-
main et Viguier (1994).

Écriture en fonction des bases de facteurs canoniques

Proposition 3.5.2 Dans le cas elliptique, en fonction des√bases de fac-
teurs canoniques, l'opérateur de covariance asymptotique de ( n(RX
n
− RX ))
s'écrit :
p X
X p
1 3 02 3 02 5 0 0
LXX = (1 + κ) (λ0j λ02 0 02 0 0
k + λk λj − λj − λk + λj + λk − λj λk )
j=1 k=1
2 4 4 2
e j ⊗ xk + xk ⊗ xj ),
(xj ⊗ xk + xk ⊗ xj )⊗(x
104 Chap. 3 - Étude Asymptotique de l'Analyse Canonique
√
et√ l'opérateur de covariance asymptotique croisée de ( n(RX
n
− RX )) et
( n(RX − RX )) s'écrit :
n

r X
X r
1 01 01 1 1 3
LXY = (1 + κ) λj2 λk2 ( λ02 + λ02 − 2λ0j − 2λ0k + 2 + λ0j λ0k )
j=1 k=1
2 4 j 4 k 2
e j ⊗ xk + xk ⊗ xj ).
(yj ⊗ yk + yk ⊗ yj )⊗(x

Démonstration. On obtient immédiatement à partir de l'écriture de LXX de

la proposition précédente :
p X
X p
3 5 0 0 `
LXX = (1+κ) (− λ02 02 0 0
j +λj λk +λj − λj λk )(I+C)((xj ⊗xj ) ⊗ (xk ⊗xk ))(I+C).
j=1 k=1
4 4

L'égalité :
` ` `
(I+C)((xj ⊗xj ) ⊗ (xk ⊗xk ))(I+C) = ((xj ⊗xj ) ⊗ (xk ⊗xk )+(xk ⊗xk ) ⊗ (xj ⊗xj ))(I+C),

permet encore d'écrire LXX en symétrisant l'expression :

p X
X p
0 02 3 02 3 02 5 0 0 `
LXX = (1+κ) (λ0j λ02 0 0
k +λk λj − λj − λk +λj +λk − λj λk )((xj ⊗xj ) ⊗ (xk ⊗xk ))(I+C).
j=1 k=1
4 4 2

On obtient de même :
r X
X r
01 01 1 1 02 3 0 0 `
LXY = (1+κ) λj2 λk2 ( λ02 0 0
j + λk −2λj −2λk +2+ λj λk )((yj ⊗xj ) ⊗ (yk ⊗xk ))(I+C).
j=1 k=1
4 4 2

En utilisant les égalités :

`
e ⊗ t)
(x ⊗ y) ⊗ (z ⊗ t) = (x ⊗ z)⊗(y et
e ⊗ t) ◦ C = (z ⊗ x)⊗(y
(x ⊗ z)⊗(y e ⊗ t)
et les expressions étant symétriques en j et k , on peut remplacer :
` 1
((xj ⊗ xj ) ⊗ (xk ⊗ xk ))(I + C) par e j ⊗ xk + xk ⊗ xj )
(xj ⊗ xk + xk ⊗ xj )⊗(x
2
` 1
e j ⊗ xk + xk ⊗ xj ).
((yj ⊗ xj ) ⊗ (yk ⊗ xk ))(I + C) par (yj ⊗ yk + yk ⊗ yj )⊗(x
2
On en déduit alors le résultat.
Remarques 3.2.

1) On peut obtenir ces résultats à partir des décompositions en fonction des

bases de facteurs canoniques des opérateurs LXX et LXY , données au Ÿ 3.5.2.
 Explicitation des opérateurs de covariance asymptotique 105

En eet, la v.a.e. Z suit une loi elliptique et il en est de même de toute

transformation linéaire de Z. Étant centrée, si Zi , Zj , Zk , Zl désignent quatre
composantes, distinctes ou confondues, de Z ou d'une transformation linéaire
de Z, on sait que l'on peut écrire :
E(Zi Zj Zk Zl ) = (1+κ)[E(Zi Zj )E(Zk Zl )+E(Zi Zk )E(Zj Zl )+E(Zi Zl )E(Zj Zk )].
On applique cette propriété aux variables canoniques qui vérient les égalités
suivantes :
E(fi fj ) = δij , E(gi gj ) = δij et E(fi gj ) = ρ0j δij .
On obtient alors :
X p X
p
LXX = (1 + κ) Ljk e
XX (xj ⊗ xk + xk ⊗ xj )⊗(xj ⊗ xk + xk ⊗ xj ) avec
j=1 k=1

3 04 5 02 02 3 04 02 1 02 04
Ljk 02
XX = − ρj − ρj ρk + ρj ρk + ρj + ρj ρk
4 4 4 4
et
r X
X r
LXY = (1 + κ) Ljk e
XY (xj ⊗ xk + xk ⊗ xj )⊗(yj ⊗ yk + yk ⊗ yj ) avec
j=1 k=1

0 0 1 04 3 02 02 5 02 3 02
Ljk
XY = ρj ρk [ ρj + ρj ρk − ρj − ρk + 4].
4 4 4 4
En remplaçant les carrés des coecients canoniques par les valeurs propres
correspondantes et en remarquant que les expressions peuvent être symétri-
sées :
X p Xp
1
LXX = (1+κ) (Ljk kj e
XX +LXX )(xj ⊗xk +xk ⊗xj )⊗(xj ⊗xk +xk ⊗xj ) et
2 j=1 k=1
r X
X r
1
LXY = (1 + κ) (Ljk kj e
XY + LXY )(xj ⊗ xk + xk ⊗ xj )⊗(yj ⊗ yk + yk ⊗ yj ),
2 j=1 k=1
on retrouve bien les résultats obtenus précédemment.
2) Toujours parce que les expressions sont symétriques en j et k, on peut
décomposer la somme et obtenir, par exemple pour LXX :
p
X
LXX = (1 + κ) 4λ0j (1 − λ0j )2 (xj ⊗ xj )⊗(x
e j ⊗ xj )
j=1
X 3 02 3 02 5 0 0
+ (λ0j λ02 0 02 0 0
k + λk λj − λj − λk + λj + λk − λj λk )
4 4 2
1≤j<k≤p
e j ⊗ xk + xk ⊗ xj )
(xj ⊗ xk + xk ⊗ xj )⊗(x
C'est le résultat obtenu par Arconte (1980). Dans son étude asymptotique de
l'A.C. il travaille directement par rapport à la base de facteurs canoniques et
nous retrouvons ici l'opérateur LXX qu'il avait obtenu.
106 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

3.5.3 Valeurs propres

Cas général √
On a vu, proposition 5.4.2, que la suite ( n(λ0n
j − λi ))j∈Ji converge en loi
dans Rmi vers 4(UXi1 ) où UXi1 := PXi UX PXi est une gaussienne centrée.
On note LXi1 son opérateur de covariance.
`
∗
On a UXi1 = ΨXi1 (UX ) avec ΨXi1 = PXi ⊗ PXi (= ΨXi1 ) mais aussi UXi1 =
ΨZi1 (WZ ) avec ΨZi1 = ΨXi1 ◦ ΨX car UX = ΨX (WZ ).
On en déduit :
∗
LXi1 = ΨZi1 KZ ΨZi1 = ΨXi1 LXX ΨXi1 .
Dans
√ le cas où λi est simple, l'opérateur de covariance asymptotique de
( n(λni − λi )) est tr ◦ LZi1 ◦ tr∗ .
C'est un opérateur linéaire de R dans R ; il existe donc un réel α tel que,
∀β ∈ R, tr ◦ LZi1 ◦ tr ∗ (β) = αβ. √
Le réel α est alors la variance asymptotique de la suite ( n(λni − λi )).

Cas elliptique

√
Proposition 3.5.3 Dans le cas elliptique, ( n(λ0n
j − λi ))j∈Ji converge en loi
dans Rmi vers ∆(UXi1 ) où UXi1 est une gaussienne centrée d'opérateur de
covariance :
`
LXi1 = (1 + κ)λi (1 − λi )2 (I + C)(PXi ⊗ PXi )(I + C).

En fonction de la base de facteurs canoniques, on obtient :

X X
LXi1 = (1 + κ)λi (1 − λi )2 e j ⊗ xk + xk ⊗ xj ).
(xj ⊗ xk + xk ⊗ xj )⊗(x
j∈Ji k∈Ji

√
Dans le cas elliptique et dans le cas où λi est simple, ( n(λni − λi )) converge
en loi vers une v.a.r. gaussienne centrée de variance :

(1 + κ)4λi (1 − λi )2 .

Démonstration. De l'égalité :

(I + C)ΨXi1 = ΨXi1 (I + C),

on déduit :
` `
LXi1 = ΨXi1 LXX ΨXi1 = (1 + κ)(I + C)[− 34 PXi RX
2 2
⊗ PXi + PXi RX ⊗ RX PXi
` `
+ PXi RX ⊗ PXi − 54 PXi RX ⊗ RX PXi ](I + C).
 Explicitation des opérateurs de covariance asymptotique 107

En utilisant :
RX PXi = PXi RX = λi PXi ,
et donc aussi :
2 2
RX PXi = PXi RX = λ2i PXi ,
on obtient :
`
LXi1 = (1 + κ)(λ3i − 2λ2i + λi )(I + C)(PXi ⊗ PXi )(I + C).

Enn, à partir des égalités :

X
PXi = xj ⊗ xj ,
j∈Ji
`
e ⊗ t) et
(x ⊗ y) ⊗ (z ⊗ t) = (x ⊗ z)⊗(y
e ⊗ t)] ◦ (I + C) = (x ⊗ z + z ⊗ x)⊗(y
(I + C) ◦ [(x ⊗ z)⊗(y e ⊗ t + t ⊗ y),

on déduit le résultat.
Dans le cas d'une valeur propre simple, l'opérateur de covariance asymptotique
est :
tr ◦ LXi1 ◦ tr ∗ .
Comme on a : ∀β ∈ R, tr∗ (β) = βI et tr(xi ⊗ xi ) = 1, il s'agit de l'opérateur
de R dans R qui à β associe

(1 + κ)4λi (1 − λi )2 β ;

on en déduit le résultat.

3.5.4 Projecteurs propres

Cas général
n n
Soit : PZi = PXi + PYni et PZi = PXi + P√Y i .
n
On a vu, proposition 5.4.2, que la suite ( n(PZi − PZi )) converge en loi dans
σ2 (Z) vers la v.a.e. gaussienne centrée :

UZi2 := PXi UX SXi + SXi UX PXi + PY i UY SY i + SY i UY PY i .

On note LZi2 son opérateur de covariance.

Comme on a UX = ΨX (WZ ) et UY = ΨY (WZ ), on peut écrire UZi2 =
ΨZi2 (WZ ) avec :

ΨZi2 = ΨXi2 ◦ ΨX + ΨY i2 ◦ ΨY ,
` `
∗
ΨXi2 = SXi ⊗ PXi + PXi ⊗ SXi (= ΨXi2 )
108 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

et l'analogue pour ΨY i2 en changeant X en Y.

On en déduit que l'opérateur de covariance LZi2 de UZi2 s'écrit :
X
∗
LZi2 = ΨZi2 KZ ΨZi2 = Lµνi2 , avec Lµνi2 = Ψµi2 ◦ Lµν ◦ Ψνi2 .
(µ,ν)∈{X,Y }2

Il sut de calculer :
LXXi2 := ΨXi2 ◦ LXX ◦ ΨXi2 et LXY i2 := ΨXi2 ◦ LXY ◦ ΨY i2 .
On obtient alors, en échangeant les rôles de X et de Y :
LY Y i2 := ΨY i2 ◦ LY Y ◦ ΨY i2 et LY Xi2 := ΨY i2 ◦ LY X ◦ ΨXi2 .

Cas elliptique
Proposition√ 3.5.4 Dans le cas elliptique, l'opérateur de covariance asymp-
totique de ( n(PXi
n
− PXi )) est :
`
LXXi2 = (1 + κ)(I + C)(RXXi SXi
2
⊗ PXi )(I + C) avec
3 2 5 3
RXXi = (λi − )RX + (λ2i − λi + 1)RX + (− λ2i + λi )IX ,
4 2 4
√
et√ l'opérateur de covariance asymptotique croisée de ( n(PXi
n
− PXi )) et
( n(PY i − PY i )) est :
n

`
LXY i2 = (1 + κ)(I + C)(RXY i VXY SY2 i ⊗ VXY PY i )(I + C) avec
1 2 3 1
R + ( λi − 2)RX + ( λ2i − 2λi + 2)IX .
RXY i =
4 X 2 4
Démonstration. Après avoir vérié :
(I + C) ◦ ΨXi2 = ΨXi2 ◦ (I + C) et (I + C) ◦ ΨY i2 = ΨY i2 ◦ (I + C)
et en utilisant les égalités :
RX SXi = SXi RX et PXi SXi = SXi PXi = 0,
on obtient :
3 2 2 ` 2 2
`
LXXi2 = (1 + κ)(I + C)[− RX SXi ⊗ PXi + RX SXi ⊗ RX PXi
4
2
` 5 2
` 3 2 `
2
+ RX SXi ⊗ PXi − RX SXi ⊗ RX PXi − RX PXi ⊗ SXi
4 4
2
`
2
`
2 5 `
2
+ RX PXi ⊗ RX SXi RX PXi ⊗ SXi − RX PXi ⊗ RX SXi ](I + C)
4
3 2 5 2
`
= (1 + κ)(I + C)[((λi − )RX + (− λi + 1)RX )SXi ⊗ PXi
4 4
` 5 3
+ PXi ⊗ ((λ2i − λi )RX + (− λ2i + λi )IX )SXi2
](I + C)
4 4
` `
= (1 + κ)(RXXi SXi
2
⊗ PXi + PXi ⊗ RXXi SXi
2
)(I + C), avec
 Explicitation des opérateurs de covariance asymptotique 109
3 2 5 3
RXXi = (λi − )RX + (λ2i − λi + 1)RX + (− λ2i + λi )IX ,
4 2 4
d'où le résultat.
Pour l'opérateur de covariance croisée, on a :
` `
LXY i2 = (1 + κ)(I + C) ◦ (SXi ⊗ PXi + PXi ⊗ SXi ) ◦
1 2 ` ` `
[ RX VXY ⊗ VXY − 2RX VXY ⊗ VXY + VXY ⊗ VXY
4
3 ` ` `
+ RX VXY ⊗ RX VXY ] ◦ (SY i ⊗ PY i + PY i ⊗ SY i ) ◦ (I + C)
4
1 2
= (1 + κ)(I + C)[ SXi RX VXY SY i ⊗ PXi VXY PY i
4
` `
− 2SXi RX VXY SY i ⊗ PXi VXY PY i + SXi VXY SY i ⊗ PXi VXY PY i
3 ` 1 2
`
+ SXi RX VXY SY i ⊗ PXi RX VXY PY i + PXi RX VXY PY i ⊗ SXi VXY SY i
4 4
` `
− 2PXi RX VXY PY i ⊗ SXi VXY SY i + PXi VXY PY i ⊗ SXi VXY SY i
3 `
+ PXi RX VXY PY i ⊗ SXi RX VXY SY i ](I + C) ;
4
et les huit autres termes sont nuls vu l'égalité :
VXY PY i = PXi VXY.
On a donc :
1 2 3 `
LXY i2 = (1 + κ)(I + C)[( RX + ( λi − 2)RX + IX )VXY SY2 i ⊗ VXY PY i
4 4
` 3 1 2
+ VXY PY i ⊗ ( λi RX + ( λi − 2λi + 1)IX )VXY SY2 i ](I + C)
4 4
` `
= (1 + κ)[RXY i VXY SY2 i ⊗ VXY PY i + VXY PY i ⊗ RXY i VXY SY2 i ](I + C)
avec :
1 2 3 1
RXY i = R + ( λi − 2)RX + ( λ2i − 2λi + 2)IX
4 X 2 4
d'où le résultat.

Écriture en fonction des bases de facteurs canoniques

Concernant le développement de SXi et SY i , il est aisé de vérier :

X 0 X 0
SXi = (λj − λi )−1 xj ⊗ xj et SY i = (λj − λi )−1 yj ⊗ yj ,
j ∈Ji
/ j ∈Ji
/
0
où l'on rappelle que, pour i ∈ {1, ..., s}, Ji = {j ∈ {1, ..., r} / λj = λi }.
Il faut cependant préciser que, pour SXi , la somme porte sur les éléments j
de {1, ..., p} n'appartenant pas à Ji , alors que, pour SY i , la somme porte sur
les éléments j de {1, ..., q} n'appartenant pas à Ji .
110 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Proposition 3.5.5 Dans le cas elliptique, en fonction √

des bases de facteurs
canoniques, l'opérateur de covariance asymptotique de ( n(PXi − PXi )) est :
n

X X 3 2 3 02 5
LXXi2 = (1 + κ) (λi λ02 0 2 0 0 0
j + λj λi − λi − λj + λi + λj − λi λj )(λj − λi )
−2
4 4 2
/ k∈Ji
j ∈Ji
e j ⊗ xk + xk ⊗ xj )
(xj ⊗ xk + xk ⊗ xj )⊗(x
√
et√ l'opérateur de covariance asymptotique croisée de ( n(PXi n
− PXi )) et
( n(PY i − PY i )) est :
n

X X 01 1 1 1 3
LXY i2 = (1 + κ) λj2 λi2 ( λ2i + λ02 − 2λi − 2λ0j + 2 + λi λ0j )(λ0j − λi )−2
4 4 j 2
/ k∈Ji
j ∈Ji
e j ⊗ xk + xk ⊗ xj ).
(yj ⊗ yk + yk ⊗ yj )⊗(x

Démonstration. On obtient immédiatement, de l'expression de LXXi2 , l'écri-

ture suivante :
X X 3 2 3 02 5
LXXi2 = (1 + κ) (λi λ02 0 0 0 0
j + λj λi − λi − λj + λi + λj − λi λj )(λj − λi )
−2
(I + C)
4 4 2
/ k∈Ji
j ∈Ji
l
(xj ⊗ xj ) ⊗ (xk ⊗ xk )(I + C)

et on vérie les égalités :

`
e j ⊗ xk )(I + C)
(I + C)(xj ⊗ xj ) ⊗ (xk ⊗ xk )(I + C) = (I + C)(xj ⊗ xk )⊗(x
e j ⊗ xk + xk ⊗ xj ),
= (xj ⊗ xk + xk ⊗ xj )⊗(x

d'où le résultat.
On procède de même pour LXY i2 .

3.5.5 Vecteurs propres associés à une valeur propre simple

Cas général

Soit : win = uni + vin et zi = xi + y√ i . On a vu, proposition 5.4.2, que, si la

valeur propre λi est simple, la suite ( n(win − zi )) converge en loi dans Z vers
la v.a. gaussienne centrée :

UZi3 := SXi UX xi + SY i UY yi .

On note LZi3 son opérateur de covariance.

Pour z0 ∈ Z, on note ξz0 l'application de σ2 (Z) dans Z qui à T associe T (z0 ) ;
on a alors, pour z ∈ Z, ξz∗0 (z) = z0 ⊗ z et on vérie :
 Explicitation des opérateurs de covariance asymptotique 111

SXi UX xi = ξxi ◦ ΨXi2 (UX ) et SY i UY yi = ξyi ◦ ΨY i2 (UY ).

Comme on a aussi :

UX = ΨX (WZ ) et UY = ΨY (WZ ),

si on pose :
ΨXi3 = ξxi ◦ ΨXi2 , ΨY i3 = ξyi ◦ ΨY i2 et ΨZi3 = ΨXi3 ◦ ΨX + ΨY i3 ◦ ΨY .
on vérie :
UZi3 = ΨZi3 (WZ ).
On en déduit que l'opérateurXde covariance LZi3 de UZi3 s'écrit :
∗
LZi3 = ΨZi3 KZ ΨZi3 = Lµνi3 , avec Lµνi3 = Ψµi3 ◦ Lµν ◦ Ψνi3 .
(µ,ν)∈{X,Y }2

Il sut de calculer :
∗
LXXi3 := ΨXi3 ◦ LXX ◦ ΨXi3 et LXY i3 := ΨXi3 ◦ LXY ◦ ΨY∗ i3 .

On obtient alors, en échangeant les rôles de X et de Y :

LY Y i3 := ΨY i3 ◦ LY Y ◦ ΨY∗ i3 et LY Xi3 := ΨY i3 ◦ LY X ◦ ΨXi3

∗
.

Cas elliptique
On rappelle les notations introduites dans la proposition 3.5.4 :
3 2 5 3
RXXi = (λi − )RX + (λ2i − λi + 1)RX + (− λ2i + λi )IX et
4 2 4
1 3 1
RXY i = RX2
+ ( λi − 2)RX + ( λ2i − 2λi + 2)IX .
4 2 4
Proposition 3.5.6 Dans le cas elliptique et dans le cas où λi est simple,
√
l'opérateur de covariance asymptotique de la suite des vecteurs propres ( n(ui −
n

xi )) est :
LXXi3 = (1 + κ)RXXi SXi 2

√ √
et l'opérateur de covariance asymptotique croisée de ( n(uni −xi )) et ( n(vin −
yi )) est :
1
LXY i3 = (1 + κ)λi2 RXY i VXY SY2 i .
Démonstration. On peut écrire :
∗ ∗
LXXi3 (x) = ΨXi3 ◦ LXX ◦ ΨXi3 (x) = ξxi ◦ LXXi2 ◦ ξxi (x)
l `
= (1 + κ)(RXXi SXi
2
⊗ PXi + PXi ⊗ RXXi SXi
2
)(xi ⊗ x + x ⊗ xi )xi
= (1 + κ)(xi ⊗ RXXi SXi
2
(x) + RXXi SXi2
(x) ⊗ xi )xi
XXi 2 XXi 2
= (1 + κ)(R SXi (x) + (xi ⊗ xi )R SXi (x))
= (1 + κ)RXXi SXi
2
(x)
112 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

en utilisant l'égalité :

(xi ⊗ xi )RXXi SXi

2
(x) = 0.

On procède de même pour l'opérateur de covariance croisée et on utilise les

propriétés :
1 3 5
2
VXY yi = λi2 xi , SXi VXY yi = 0, RX VXY yi = λi2 xi et RX VXY yi = λi2 xi .

On en déduit :

LXY i3 (y) = ΨXi3 ◦ LXY ◦ ΨY∗ i3 (y) = ξxi ◦ LXY i2 ◦ ξyi

∗
(y)
` `
= (1 + κ)(RXY i VXY SY2 i ⊗ VXY PY i + VXY PY i ⊗ RXY i VXY SY2 i )(yi ⊗ y + y ⊗ yi )xi
= (1 + κ)(VXY yi ⊗ RXY i VXY SY2 i (y) + RXY i VXY SY2 i (y) ⊗ VXY yi )xi
1
= (1 + κ)λi2 (xi ⊗ RXY i VXY SY2 i (y) + RXY i VXY SY2 i (y) ⊗ xi )xi
1
= (1 + κ)λi2 (RXY i VXY SY2 i (y) + (xi ⊗ xi )RXY i VXY SY2 i (y))
1
= (1 + κ)λi2 RXY i VXY SY2 i (y)

car on a :
(xi ⊗ xi )RXY i VXY SY2 i (y) = 0.

Écriture en fonction des bases de facteurs canoniques

Proposition 3.5.7 Dans le cas elliptique et dans le cas où λi est simple, en

fonction des bases de facteurs canoniques,
√ l'opérateur de covariance asympto-
tique de la suite des vecteurs propres ( n(uni − xi )) s'écrit :
X
0 2 3 2 3 02 5
LXXi3 = (1+κ) (λi λ02 0 0 0
j +λj λi − λi − λj +λi +λj − λi λj )(λj −λi )
−2
xj ⊗xj
4 4 2
j ∈Ji
/

√ √
et l'opérateur de covariance asymptotique croisée de ( n(uni −xi )) et ( n(vin −
yi )) s'écrit :
X 01 1 1 1 3
LXY i3 = (1+κ) λj2 λi2 ( λ2i + λ02 −2λi −2λ0j +2+ λi λ0j )(λ0j −λi )−2 yj ⊗xj .
4 4 j 2
j ∈Ji
/

Démonstration. Elle est immédiate à partir des résultats précédents.

Dans toute la suite, on continue de donner les résultats et les démonstrations

en fonction des valeurs propres et non des coecients canoniques. On rappelle
que les valeurs propres sont égales au carré des coecients canoniques : λ0j =
ρ02
j , j = 1, ..., r.
 Explicitation des opérateurs de covariance asymptotique 113

3.5.6 Coecients canoniques

Cas général
√
On a vu que la suite de coecients canoniques ( n(ρ0n
j − ρi ))j∈Ji converge en
−1
loi dans Rmi vers ∆(UXi4 ) où UXi4 (= 21 λi 2 UXi1 ) est une gaussienne centrée.
Son opérateur de covariance LXi4 s'écrit donc :
1 −1
LXi4 = λ LXi1 .
4 i
Dans
√ le cas où λi est simple, l'opérateur de covariance asymptotique de
( n(ρni − ρi )) est :
tr ◦ LXi4 ◦ tr ∗ .

Cas elliptique

Proposition
√ 3.5.8 Dans le cas elliptique, la suite de coecients canoniques
j − ρi ))j∈Ji converge en loi dans R
( n(ρ0n vers ∆(UXi4 ) où UXi4 est une
mi

gaussienne centrée d'opérateur de covariance :

1 `
LXi4 = (1 + κ)(1 − λi )2 (I + C)(PXi ⊗ PXi )(I + C).
4
En fonction de la base de facteurs canoniques, on obtient :
1 X X
LXi4 = (1 + κ)(1 − λi )2 e j ⊗ xk + xk ⊗ xj ).
(xj ⊗ xk + xk ⊗ xj )⊗(x
4
j∈Ji k∈Ji

√
Dans le cas elliptique et dans le cas où λi est simple, ( n(ρni − ρi )) converge
en loi vers une v.a.r. gaussienne centrée de variance :

(1 + κ)(1 − λi )2 .

Démonstration. Le résultat provient directement de l'égalité précédente et de

l'écriture de LXi1 dans le cas elliptique.

Remarque 3.3.
Nous retrouvons le résultat d'Arconte (1980). Dans le cas gaussien (κ = 0)
et lorsque toutes les valeurs propres sont simples, Anderson (1999) fournit ce
résultat (il s'agit de l'élément (1,1) de la matrice carrée d'ordre 3 de label
(3.22) dans l'article cité).
114 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

3.5.7 Facteurs canoniques associés à une valeur propre simple

Cas général

Soit zin = xni + yin . On a √

vu, proposition 5.4.3, que, si λi est simple, la suite
des facteurs canoniques ( n(zin − zi )) converge en loi dans Z vers la v.a.e.
gaussienne centrée :
1
UZi7 = UXi7 + UY i7 avec UXi7 = WX xi + SXi UX xi
2
et une expression analogue pour UY i7 .
On note LZi7 son opérateur de covariance.
` `
On pose ΨXi7 = 12 ξxi ◦ PX ⊗ PX + ξxi ◦ PXi ⊗ SXi ◦ ΨX , une expression
analogue pour ΨY i7 et ΨZi7 = ΨXi7 + ΨY i7 .
On vérie alors :
UZi7 = ΨZi7 (WZ ),
et on en déduit que l'opérateur de covariance LZi7 de UZi7 s'écrit :
X
∗ ∗
LZi7 = ΨZi7 KZ ΨZi7 = Lµνi7 , avec Lµνi7 = Ψµi7 ◦ KZ ◦ Ψνi7 .
(µ,ν)∈{X,Y }2

Il sut d'exprimer LXXi7 et LXY i7 , on obtiendra alors en échangeant les rôles

de X et Y, LY Y i7 et LY Xi7 respectivement.
En remarquant :
`
ΨXi3 = ξxi ◦ PXi ⊗ SXi ,
on obtient :
1 ∗ 1 ` 1 `
LXXi7 = ξxi KXX,XX ξxi + ξxi AXX PXi ⊗ SXi ξxi ∗
+ ξxi PXi ⊗ SXi (AXX )∗ ξxi∗
+LXXi3
4 2 2
et :
1 ∗ 1 ` 1 `
LXY i7 = ξxi KXX,Y Y ξyi + ξxi AXY PY i ⊗ SY i ξyi
∗
+ ξxi PXi ⊗ SXi (AY X )∗ ξyi
∗
+LXY i3 .
4 2 2

Cas elliptique
Proposition 3.5.9 Dans le cas elliptique et le cas où λi est simple,√l'opéra-
teur de covariance asymptotique de la suite des facteurs canoniques ( n(xni −
xi )) est :
1
LXXi7 = (1 + 2κ)xi ⊗ xi
4
1 1 1
+ (1 + κ)[RXXi SXi
2
+ ((−λi + )RX + λi IX )SXi + IX ]
2 2 4
 Explicitation des opérateurs de covariance asymptotique 115
√
et√ l'opérateur de covariance asymptotique croisée de ( n(xni − xi )) et de
( n(yin − yi )) est :
1
LXY i7 = ((1 + κ)λi
4
1 1 1 1
+ κ)yi ⊗ xi + (1 + κ)λi2 [RXY i VXY SY2 i + (− RX + (− λi + 1)IX )VXY SY i + VXY ].
2 2 4
Démonstration. Le premier terme de LXXi7 conduit aux égalités :
1 ∗ 1 1
ξxi KXX,XX ξxi (x) = (1 + κ)(xi ⊗ x + x ⊗ xi )xi + κ hxi , xiX xi
4 4 4
1 1
= (1 + 2κ)xi ⊗ xi (x) + (1 + κ)x.
4 4
Pour le deuxième terme de LXXi7 , on a :
1 ` 1
ξxi AXX PXi ⊗ SXi ξxi
∗
(x) = (1 + κ)(I + C)[RX xi ⊗ SXi (x) + RX SXi (x) ⊗ xi
2 4
− RX xi ⊗ RX SXi (x) − RX SXi (x) ⊗ RX xi ]xi
1
= (1 + κ)((1 − 2λi )RX + λi IX )SXi (x).
4
Le troisième terme est l'adjoint du second et égal car il s'agit d'un opérateur
autoadjoint (SXi et RX sont autoadjoints et commutent). On obtient donc le
résultat annoncé.
Le premier terme de l'opérateur de covariance croisée LXY i7 conduit aux
égalités :
1 ∗ 1 ` 1
ξxi KXX,Y Y ξyi (y) = (1 + κ)[VXY ⊗ VXY (yi ⊗ y + y ⊗ yi )]xi + κ hyi , yiY xi
4 4 4
1 1 1
= ((1 + κ)λi + κ)yi ⊗ xi (y) + (1 + κ)λi VXY (y).
2

4 4
Pour le deuxième terme de LXY i7 , on a :
1 ` 1
ξxi AXY PY i ⊗ SY i ξyi
∗
(y) = (1 + κ)[(I + C)(−RX VXY yi ⊗ VXY SY i (y)
2 4
+VXY yi ⊗ VXY SY i (y) − RX VXY SY i (y) ⊗ VXY yi + VXY SY i (y) ⊗ VXY yi )]xi ,
et, en utilisant les égalités :
1 1
VXY (yi ) = λi2 xi et VY X (xi ) = λi2 yi ,

on en déduit :
1
SXi VXY (yi ) = 0, xi ⊗ xi VXY = VY X (xi ) ⊗ xi = λi2 yi ⊗ xi et
1
xi ⊗ xi VXY SY i = λi2 SY i (yi ) ⊗ xi = 0.
116 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

On obtient alors :
1 ` 1 1
ξxi AXY PY i ⊗ SY i ξyi
∗
= (1 + κ)λi2 (−RX + (2 − λi )IX )VXY Syi .
2 4
Le troisième terme est l'adjoint du précédent après avoir échangé les rôles de
X et Y . On vérie qu'il est alors égal au deuxième terme. On obtient donc le
résultat annoncé.

Écriture en fonction des bases de facteurs canoniques

Proposition 3.5.10 Dans le cas elliptique et dans le cas où λi est simple, en

fonction des bases de facteurs canoniques,√l'opérateur de covariance asympto-
tique de la suite de facteurs canoniques ( n(xni − xi )) s'écrit :
1 X
LXXi7 = (2+3κ)xi ⊗xi +(1+κ) (1−λi )(λi +λ0j −2λi λ0j )(λ0j −λi )−2 xj ⊗xj
4
j ∈Ji
/

√
et√ l'opérateur de covariance asymptotique croisée de ( n(xni − xi )) et de
( n(yin − yi )) s'écrit :

1 X 1 01
LXY i7 = (κ+2(1+κ)λi )yi ⊗xi −(1+κ) λi2 λj2 (1−λi )(λi +λ0j −2)(λ0j −λi )−2 yj ⊗xj .
4
j ∈Ji
/

Démonstration. Nous rappelons que, dans le cas où λi est simple, Ji a un

seul élément que nous avons convenu de noter i pour alléger les notations. Il
semble cependant important de noter j ∈ / Ji plutôt que j 6= i pour insister sur
le fait que l'on somme sur l'indice de la suite pleine décroissante des valeurs
propres et non de la suite strictement décroissante.
Des décompositions :
r
X X
RX = λ0j xj ⊗ xj et SXi = (λ0j − λi )−1 xj ⊗ xj ,
j=1 j ∈J
/ i

on déduit :
1 1 1
RXXi SXi2
+ ((−λi + )RX + λi IX )SXi + IX =
2 2 4
1 X 3 02 5 3 2
xi ⊗ xi + {[(λi − )λj + (λi − λi + 1)λj + (− λi + λi )](λ0j − λi )−2
2 0
4 4 2 4
j ∈J
/ i
1 1 1
+((−λi + )λ0j + λi )((λ0j − λi )−1 + }xj ⊗ xj
2 2 4
et le résultat pour LXXi7 .
De la décomposition :
 Explicitation des opérateurs de covariance asymptotique 117
r
X
VXY = λ0j yj ⊗ xj ,
j=1

on déduit :
1 1 1
RXY i VXY SY2 i + (− RX + (− λi + 1)IX )VXY SY i + VXY
2 2 4
1 12 X 01 1 3 1
= λi yi ⊗ xi + λj2 ( λ02 + ( λi − 2)λ0j + ( λ2i − 2λi + 2))
4 4 j 2 4
j ∈J
/ i
1 1 1
+(− λ0j − λi + 1)(λ0j − λi ) + (λ0j − λi )2 ](λ0j − λi )−2 yj ⊗ xj
2 2 4
et le résultat pour LXY i7 .

Remarque 3.4.
Dans le cas où toutes les valeurs propres sont distinctes, on peut remplacer
λ0j par λj et sommer sur j 6= i.
On obtient alors :
1 X
LXXi7 = (2 + 3κ)xi ⊗ xi + (1 + κ) (1 − λi )(λi
4
j6=i
−2
+ λj − 2λi λj )(λi − λj ) xj ⊗ xj et
1
LXY i7 = (κ + 2(1 + κ)λi )yi ⊗ xi
4
X 1 1
− (1 + κ) λi2 λj2 (1 − λi )(λi + λj − 2)(λi − λj )−2 yj ⊗ xj .
j6=i

Pour obtenir les résultats dans le cas gaussien, on pose κ = 0.

En remplaçant les valeurs propres par les carrés des coecients canoniques,
on obtient alors :
1 X
LXXi7 = xi ⊗ xi + (1 − ρ2i )(ρ2i + ρ2j − 2ρ2i ρ2j )(ρ2i − ρ2j )−2 xj ⊗ xj et
2
j6=i
1 X
LXY i7 = ρ2i yi ⊗ xi − ρi ρj (1 − ρ2i )(ρ2i + ρ2j − 2)(ρ2i − ρ2j )−2 yj ⊗ xj .
2
j6=i

En comparant avec les résultats fournis dans le cas gaussien par Anderson
(1999), on retrouve les éléments (2,2) et (3,3) de la matrice carrée d'ordre 3
de label (3.22) dans l'article ainsi que les éléments (2,3) et (3,2) de la même
matrice.

On trouve également les éléments (1,1) et (2,2) de la matrice carrée d'ordre 2

de label (3.18)
118 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

En revanche, les éléments (1,1) et (2,2) de la matrice carrée d'ordre 2 de label

(3.19) nous semblent incorrects. On lit pour l'élément (2,2) : ρi ρj (2 − ρ2j −
3ρ2i + 2ρ2i ρ2j ) au lieu de ρi ρj (2 − ρ2j − 3ρ2i + ρ2i ρ2j + ρ4i ) qui se factorise comme
indiqué ci-dessus.

Nous proposons de compléter l'étude asymptotique des facteurs √ canoniques

n
en
√ explicitant l'opérateur de covariance asymptotique de ( n(ρ i − ρi )) et
( n(xi − xi )) dans √ le cas où λ i est simple,
√ et, dans le cas où √i et nλk sont
λ
n n
simples,
√ celui de ( n(x i − xi )) et de ( n(x k − x k )) et celui de ( n(xi − xi ))
et de ( n(xnk − xk )).

Cas elliptique
√ et cas où λ√i est simple ; opérateur de covariance asymp-
totique de ( n(ρi − ρi )) et ( n(xi − xi ))
n n

Proposition 3.5.11 Dans le cas elliptique

√ et le cas où √
λi est simple, l'opé-
rateur de covariance asymptotique de ( n(ρi − ρi )) et ( n(xi − xi )) est :
n n

1 1
LXi47 = − (1 + κ)λi2 (1 − λi )h., xi i.
2
Démonstration. En reprenant√ la proposition √ du Ÿ 5.4.3, on peut montrer que,
conjointement, les suites ( n(ρni − ρi )) et ( n(xni − xi )) convergent en loi vers
respectivement :
1 − 12 1
λi tr(PXi UX PXi ) − WX xi − SXi UX xi ,
2 2
c'est-à-dire, respectivement :
1 − 21 ` 1 ` `
λi tr ◦(PXi ⊗ PXi )◦ΨX (WZ ) et (− ξxi ◦PX ⊗ PX −ξxi ◦PXi ⊗ SXi ◦ΨX )(WZ ).
2 2
√ √
L'opérateur de covariance croisée asymptotique de ( n(ρni − ρi )) et ( n(xni −
xi )) est donc :

1 −1 ` `
∗
LXi47 = − λi 2 tr ◦ (PXi ⊗ PXi ) ◦ ΨX ◦ KZ ◦ (PX ⊗ PX ) ◦ ξxi
4
1 −1 `
∗
`
∗
− λi 2 tr ◦ (PXi ⊗ PXi ) ◦ ΨX ◦ KZ ◦ ΨX ◦ (PXi ⊗ SXi ) ◦ ξxi .
2
On rappelle :
∗
ΨX ◦ KZ ◦ ΨX = LXX
3 2 ` 2
` ` 5 `
= (1 + κ)(I + C)[− RX ⊗ IX + R X ⊗ RX + RX ⊗ IX − RX ⊗ RX ](I + C),
4 4
et de l'égalité :
` `
(PXi ⊗ PXi )(I + C) = (I + C)(PXi ⊗ PXi ),
 Explicitation des opérateurs de covariance asymptotique 119

on déduit :
` 3 2 `
(PXi ⊗ PXi ) ◦ LXX = (1 + κ)(I + C)[− RX PXi ⊗ PXi
4

2
` ` 5 `
+RX PXi ⊗ RX PXi + RX PXi ⊗ PXi − RX PXi ⊗ RX PXi ](I + C) et
4
`
∗
(PXi ⊗ PXi ) ◦ LXX ◦ SXi ◦ ξxi = 0;
le deuxième terme de l'opérateur de covariance est donc nul.
On rappelle aussi :
` 1 ` `
ΨX KZ (PX ⊗ PX ) = AXX = (1 + κ)(I + C)(RX ⊗ IX − RX ⊗ RX )(I + C),
2
ce qui permet d'écrire :
` ` 1 ` `
(PXi ⊗ PXi )ΨX KZ (PX ⊗ PX ) = (1+κ)(I+C)(RX PXi ⊗ PXi −RX PXi ⊗ RX PXi )(I+C)
2
1 ` `
= (1+κ)(λi −λ2i )(I+C)(PXi ⊗ PXi )(I+C) = (1+κ)(λi −λ2i )(PXi ⊗ PXi )(I+C).
2
Le premier terme de l'opérateur de covariance est donc :
1 1 `
∗
− (1 + κ)λi2 (1 − λi ) tr ◦ (PXi ⊗ PXi ) ◦ (I + C) ◦ ξxi ,
4
et, pour tout x de X :
`
tr ◦ (PXi ⊗ PXi )(xi ⊗ x + x ⊗ xi ) = tr (xi ⊗ PXi (x) + PXi (x) ⊗ xi )
= 2hx, xi itr (xi ⊗ xi ) = 2hx, xi i,

d'où le résultat.

Remarque 3.5.
Dans le cas gaussien (κ = 0) et en remplaçant λi par ρ2i , on obtient les
éléments (1,2), (1,3), (2,1) et (3,1) de la matrice carrée d'ordre 3 de label
(3.22) de l'article d'Anderson (1999).

Cas elliptique et cas où

√ λi net λk sont simples
√ ; opérateur de covariance
asymptotique croisée de ( n(xi − xi )) et de ( n(xk − xk ))
n

Proposition 3.5.12 Dans le cas elliptique et le cas√ où λi et λk sont √ simples,

l'opérateur de covariance asymptotique croisée de ( n(xni −xi )) et de ( n(xnk −
xk )) est :
1
LXXik7 = κxk ⊗ xi − (1 + κ)(1 − λi )(1 − λk )(λi + λk )(λi − λk )−2 xi ⊗ xk .
4
120 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Démonstration. En reprenant√ la proposition √ du Ÿ 5.4.3, on montre que,

conjointement, les suites ( n(xni − xi )) et ( n(xnk − xk )) convergent en loi
vers respectivement :
1 ` `
− ξxi ◦ PX ⊗ PX − ξxi ◦ PXi ⊗ SXi ◦ ΨX (WZ )
2
et :
1 ` `
− ξxk ◦ PX ⊗ PX − ξxk ◦ PXk ⊗ SXk ◦ ΨX (WZ ).
2
√ √
L'opérateur de covariance asymptotique croisée de ( n(xni − xi )) et ( n(xnk −
xk )) est donc :

1 ∗ 1 `
LXXik7 = ξxi KXX,XX ξxk + ξxi AXX PXk ⊗ SXk ξxk
∗
4 2
1 `
+ ξxi PXi ⊗ SXi (AXX )∗ ξxk
∗
2
` `
∗
+ ξxi PXi ⊗ SXi LXX PXk ⊗ SXk ξxk .

On développe chaque terme.

On a, pour le premier terme :
1 ∗ 1 `
∗
ξxi KXX,XX ξxk (x) = ξxi [(1 + κ)(IX ⊗ IX )(I + C) + κ(IX ⊗Ie X )]ξxk (x)
4 4
1
= [(1 + κ)(xk ⊗ x + x ⊗ xk ) + κ hxk , xi IX ]xi
4
1 1
= κxk ⊗ xi (x) + (1 + κ)xi ⊗ xk (x),
4 4
et pour le deuxième terme :
`
1 XX ∗
2 ξxi A PXk ⊗ SXk ξxk (x)
` `
= 14 (1 + κ){(I + C)(RX ⊗ IX − RX ⊗ RX )[(xk ⊗ SXk (x) + SXk (x) ⊗ xk )]}xi
= 41 (1 + κ){(I + C)[RX xk ⊗ SXk (x) − RX xk ⊗ RX SXk (x) + RX SXk (x) ⊗ xk −
RX SXk (x) ⊗ RX xk ]}xi
= 41 (1+κ){(I +C)[xk ⊗(−λk RX +λk IX )SXk (x)+(−λk +1)RX SXk (x)⊗xk ]}xi
= 41 (1+κ)[(−λk +1)[(RX SXk (xi )⊗xk )(x)+((−λk RX +λk IX )SXk (xi )⊗xk )(x)]
= 14 (1 + κ)(λi + λk − 2λi λk )(λi − λk )−1 xi ⊗ xk (x).
Le troisième terme de l'opérateur de covariance est l'adjoint du second après
avoir échangé les rôles de i et k.
On obtient alors :
1 ` 1
ξxi PXi ⊗ SXi (AXX )∗ ξxk
∗
= (1 + κ)(λi + λk − 2λi λk )(λk − λi )−1 xi ⊗ xk (x).
2 4
Il est donc égal à l'opposé du second : la somme du deuxième et du troisième
terme est nulle.
 Explicitation des opérateurs de covariance asymptotique 121

Enn, pour le quatrième terme, on a :

` `
∗
ξxi PXi ⊗ SXi LXX PXk ⊗ SXk ξxk (x)
`
= ξxi SXi (1 + κ)(I + C)[− 43 RX
2
⊗ IX
` ` `
+RX 2
⊗ RX + RX ⊗ IX − 54 RX ⊗ RX ](xk ⊗ SXk (x) + SXk (x) ⊗ xk )
= (1 + κ)SXi {(I + C)[− 34 RX 2
(xk ) ⊗ SXk (x) + RX 2
(xk ) ⊗ RX SXk (x)
+RX (xk ) ⊗ SXk (x) − 4 RX (xk ) ⊗ RX SXk (x) − 34 RX
5 2
SXk (x) ⊗ xk
2 5
+RX SXk (x) ⊗ RX xk + RX SXk (x) ⊗ xk − 4 RX SXk (x) ⊗ RX (xk )]}xi
= (1 + κ)SXi {(I + C)[− 34 λ2k xk ⊗ SXk (x) + λ2k xk ⊗ RX SXk (x) + λk xk ⊗ SXk (x)
− 54 λk xk ⊗RX SXk (x)− 34 RX 2
SXk (x)⊗xk +λk RX 2
SXk (x)⊗xk +RX SXk (x)⊗xk
5
− 4 λk RX SXk (x) ⊗ xk ]}xi
= (1 + κ)SXi {(I + C)[xk ⊗ ((λ2k − 45 λk )RX + (− 34 λ2k + λk )IX )SXk (x)
+((λk − 43 )RX 2
+ (− 54 λk + 1)RX )SXk (x) ⊗ xk ]}xi
3
= (1+κ)[(λk − 4 )RX 2
+(λ2k − 52 λk +1)RX +(− 34 λ2k +λk )IX ]SXk (xi )⊗SXi (xk )(x)
= (1+κ)[λk λi − 4 λi +λ2k λi − 52 λk λi +λi − 34 λ2k +λk ](λi −λk )−1 (λk −λi )−1 xi ⊗
2 3 2

xk (x)
= −(1 + κ)[λk λ2i + λ2k λi − 43 λ2i − 34 λ2k − 25 λk λi + λi + λk ](λi − λk )−2 xi ⊗ xk (x).
On en déduit :
1 1 3 3
LXXik7 = κ(xk ⊗ xi ) + (1 + κ)[ (λi − λk )2 − (λk λ2i + λ2k λi − λ2i − λ2k
4 4 4 4
5
− λk λi + λi + λk )](λi − λk )−2 xi ⊗ xk
2
et le résultat.

Remarque 3.6.

On retrouve dans le cas gaussien (κ = 0), les résultats donnés par Anderson
(1999) : éléments (1,2) et (2,1) de la matrice carrée d'ordre 2 de label (3.18)
dans l'article.

Cas elliptique et cas où

√ λi net λk sont simples
√ ; opérateur de covariance
asymptotique croisée de ( n(xi − xi )) et de ( n(yk − yk ))
n

Proposition 3.5.13 Dans le cas elliptique et le cas√ où λi et λk sont √ simples,

l'opérateur de covariance asymptotique croisée de ( n(xni −xi )) et de ( n(ykn −
yk )) est :
1 1 1
LXY ik7 = κyk ⊗ xi − 2(1 + κ)λi2 λk2 (1 − λi )(1 − λk )(λi − λk )−2 yi ⊗ xk .
4
Démonstration. En reprenant√ la proposition √ du Ÿ 5.4.3, on montre que,
conjointement, les suites ( n(xni − xi )) et ( n(ykn − yk )) convergent en loi
respectivement vers :
1 ` `
(− ξxi ◦ PX ⊗ PX − ξxi ◦ PXi ⊗ SXi ◦ ΨX )(WZ )
2
122 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

et :
1 ` `
(− ξyk ◦ PY ⊗ PY − ξyk ◦ PY k ⊗ SY k ◦ ΨY )(WZ ).
2
√ √
L'opérateur de covariance asymptotique croisée de ( n(xni − xi )) et ( n(ykn −
yk )) est donc :

1 ∗ 1 ` 1 `
LXY ik7 = ξxi KXX,Y Y ξyk ∗
+ ξxi AXY PY k ⊗ SY k ξyk + ξxi PXi ⊗ SXi (AY X )∗ ξyk
∗
4 2 2
` `
∗
+ξxi PXi ⊗ SXi LXY PY k ⊗ SY k ξyk .
On développe chaque terme.
On a pour le premier terme :
1 ∗
4 ξxi KXX,Y Y ξyk (y)
` `
= 14 ξxi [(1 + κ)(VXY ⊗ VXY ) ◦ (I + C) + κIY ⊗ IX ]ξyk
∗
(y)
1
= 41 κyk ⊗ xi + 41 (1 + κ)λk2 (xk ⊗ VXY (y) + VXY (y) ⊗ yk )xi
1
= 14 κyk ⊗ xi + 41 (1 + κ)λk2 (xi ⊗ xk )VXY (y)
1 1
= 41 κyk ⊗ xi + 41 (1 + κ)λk2 λi2 yi ⊗ xk (y)
en utilisant l'égalité :
1
(xi ⊗ xk )VXY = λi2 yi ⊗ xk ,
et pour le deuxième terme :
`
1 XY ∗
2 ξxi A PY k ⊗ SY k ξyk (y)
`
= 14 (1 + κ)ξxi (I + C)(−RX VXY ⊗ VXY
`
+VXY ⊗ VXY )(yk ⊗ SY k (y) + SY k (y) ⊗ yk )
`
= 41 (1 + κ){(I + C)[−RX VXY yk ⊗ VXY SY k (y) + VXY yk ⊗ VXY SY k (y)
`
−RX VXY SY k (y) ⊗ VXY yk + VXY SY k (y) ⊗ VXY yk ]}xi
3 1 `
= 41 (1 + κ){(I + C)[−λk2 xk ⊗ VXY SY k (y) + λk2 xk ⊗ VXY SY k (y)
1 1 `
−λk2 RX VXY SY k (y) ⊗ xk + λk2 VXY SY k (y) ⊗ xk ]}xi
1
= 41 (1 + κ)λk2 [−λk SY k VY X (xi ) ⊗ xk + SY k VY X (xi ) ⊗ xk
−SY k VY X RX (xi ) ⊗ xk + SY k VY X (xi ) ⊗ xk ](y)
1 1
= − 14 (1 + κ)λk2 λi2 (λi + λk − 2)(λi − λk )−1 yi ⊗ xk .
Le troisième terme de l'opérateur est l'adjoint du second après avoir échangé
les rôles de X et Y et de i et k ; ce troisième terme est donc égal au second au
signe près et, ici aussi, la somme des deuxième et troisième termes est donc
nulle.
Enn, pour le quatrième terme, on a :
` `
∗
ξxi PXi ⊗ SXi LXY PY k ⊗ SY k ξyk (y)
` ` `
= ξxi SXi (1 + κ)(I + C)[ 41 RX
2
VXY ⊗ VXY −2RX VXY ⊗ VXY + VXY ⊗ VXY
 Explicitation des opérateurs de covariance asymptotique 123
`
+ 34 RX VXY ⊗ RX VXY ](yk ⊗ SY k (y) + SY k (y) ⊗ yk )
= (1+κ)SXi {(I +C)[ 14 RX2
VXY (yk )⊗VXY SY k (y) −2RX VXY (yk )⊗VXY SY k (y)
+VXY (yk ) ⊗ VXY SY k (y) + 43 RX VXY (yk ) ⊗ RX VXY SY k (y)
+ 41 RX
2
VXY SY k (y) ⊗ VXY (yk ) −2RX VXY SY k (y) ⊗ VXY (yk )
+VXY SY k (y) ⊗ VXY (yk ) + 34 RX VXY SY k (y) ⊗ RX VXY (yk )]}xi
1
= (1 + κ)SXi {(I + C)λk2 [ 14 λ2k xk ⊗ VXY SY k (y) −2λk xk ⊗ VXY SY k (y)
+xk ⊗ VXY SY k (y) + 43 λk xk ⊗ RX VXY SY k (y) + 14 RX 2
VXY SY k (y) ⊗ xk
3
−2RX VXY SY k (y) ⊗ xk +VXY SY k (y) ⊗ xk + 4 λk RX VXY SY k (y) ⊗ xk ]}xi
1
= (1 + κ)SXi λk2 [ 41 λ2k SY k VY X (xi ) ⊗ xk −2λk SY k VY X (xi ) ⊗ xk
+SY k VY X (xi ) ⊗ xk + 34 λk SY k VY X RX (xi ) ⊗ xk + 14 SY k VY X RX2
(xi ) ⊗ xk
3
−2SY k VY X RX (xi ) ⊗ xk +SY k VY X (xi ) ⊗ xk + 4 λk SY k VY X RX (xi ) ⊗ xk ](y).
On en déduit :
` `
∗
ξxi PXi ⊗ SXi LXY PY k ⊗ SY k ξyk
1 1
= (1+κ)λk2 λi2 [ 14 λ2k −2λk +1+ 34 λk λi + 14 λ2i −2λi +1+ 34 λk λi ]SY k (yi )⊗SXi (xk ),
et des égalités :

SY k (yi ) = (λi − λk )−1 yi et SXi (xk ) = (λk − λi )−1 xk ,

on déduit :
1 1
∗
ξxi SXi LXY SY k ξyk = −(1 + κ)λk2 λi2 (λi − λk )−2
1 3 1 3
[ λ2k − 2λk + 1 + λk λi + λ2i − 2λi + 1 + λk λi ] yi ⊗ xk ,
4 4 4 4
et :
1 1 1 1
LXY ik7 = κyk ⊗ xi + (1 + κ)λk2 λi2 [(λi − λk )2
4 4
1 2 1 2 3
− ( λi + λk + λk λi − 2λi − 2λk + 2)](λi − λk )−2 yi ⊗ xk ,
4 4 2
d'où le résultat.

Remarque 3.7.
Dans le cas gaussien (κ = 0), en remplaçant λi et λk par ρ2i et ρ2k respective-
ment, Anderson (1999) fournit le résultat :

(1 − ρ2i )(1 − ρ2k )(ρ2i + ρ2k )

(éléments (1,2) et (2,1) de la matrice de label (3.19) de l'article) alors que

nous obtenons :
2ρi ρk (1 − ρ2i )(1 − ρ2k )
(puisque ces éléments sont fournis au facteur −(ρ2i − ρ2k )−2 près).
124 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

3.5.8 Variables canoniques associées à une valeur propre simple

Cas général
√
On √ a vu que, si λi est simple, la suite des variables canoniques ( n(fin −
fi ), n(gin − gi )) converge en loi dans L2 (P ) × L2 (P ) vers le couple gaussien
centré :
¿ À ¿ À
1 1
(UXi8 , UY i8 ) := ( WX xi + SXi UX xi , X , WY yi + SY i UY yi , Y ).
2 X 2 Y

2
On pose, pour (µ, ν) ∈ {X, Y } :

Lµνi8 = E(Uνi8 ⊗ Uµi8 ).

Il sut d'écrire LXXi8 et LXY i8 , et, en échangeant les rôles de X et Y, on

obtiendra LY Y i8 et LY Xi8 respectivement.
On rappelle :
ΦX = h., XiX , ΦY = h., Y iY , Φ∗X = E(.X) et Φ∗Y = E(.Y ).
On vérie :

UXi8 = ΦX ◦ ΨXi7 (WZ ) et UY i8 = ΦY ◦ ΨY i7 (WZ ),

et on en déduit :

LXXi8 = ΦX LXXi7 Φ∗X = hLXXi7 (E(.X)), XiX ,

LXY i8 = ΦX LXY i7 Φ∗Y = hLXY i7 (E(.Y )), XiX .

Cas elliptique
Proposition
√ 3.5.14 Dans le cas elliptique, l'opérateur de covariance asymp-
totique de ( n(fin − fi )) est :
1
LXXi8 = (1 + 2κ)fi ⊗ fi + (1 + κ)h[RXXi SXi
2
4
1 1 1
+((−λi + )RX + λi )SXi + ]E(.X), XiX
2 2 4
√ √
et l'opérateur de covariance asymptotique croisée de ( n(fin −fi )) et ( n(gin −
gi )) est :
1 1
LXY i8 = ((1 + κ)λi + κ)gi ⊗ fi + (1 + κ)λi2 h[RXY i VXY SY2 i
4
1 1 1
+(− RX + (− λi + 1)IX )VXY SY i + VXY ]E(.Y ), XiX .
2 2 4
 Explicitation des opérateurs de covariance asymptotique 125

Démonstration. On notera que l'on a :

ΦX (xi ⊗ xi )Φ∗X = (ΦX xi ) ⊗ (ΦX xi ) = fi ⊗ fi et

ΦX (yi ⊗ xi )Φ∗Y = (ΦY yi ) ⊗ (ΦX xi ) = gi ⊗ fi .

La preuve est alors immédiate à partir de la dénition de LXXi8 en fonction

de LXXi7 (resp. de LXY i8 en fonction de LXY i7 ) et de l'expression de LXXi7
(resp. de LXY i7 ) dans le cas elliptique.

Remarque

Dans le cas elliptique et dans le cas où λi et λk sont deux valeurs propres

simples non nulles et distinctes, c'est de façon
√ similaire que l'on
√ peut fournir
n n
l'opérateur
√ de covariance
√ asymptotique de ( n(f i − f i )) et ( n(f k − fk )) et
de ( n(fin − fi )) et ( n(gkn − gk )).
Nous présentons le résultat directement en fonction des bases de HX et HY
construites à partir des variables canoniques.

Écriture en fonction des variables canoniques

Proposition 3.5.15 1. Dans le cas elliptique et dans le cas où λi est simple,

en fonction des bases de variables canoniques, √l'opérateur de covariance
asymptotique de la suite de variables canoniques ( n(fin − fi )) s'écrit :
1 X
LXXi8 = (2+3κ)fi ⊗fi +(1+κ) (1−λi )(λi +λ0j −2λi λ0j )(λ0j −λi )−2 fj ⊗fj
4
j ∈Ji
/

√
et√ l'opérateur de covariance asymptotique croisée de ( n(fin − fi )) et de
( n(gi − gi )) s'écrit :
n

1 X 1 01
LXY i8 = (κ+2(1+κ)λi )gi ⊗fi −(1+κ) λi2 λj2 (1−λi )(λi +λ0j −2)(λ0j −λi )−2 gj ⊗fj .
4
j ∈Ji
/

2. Dans le cas elliptique et dans le cas où λi et λk sont simples et distinctes, en

fonction des bases de√ variables canoniques,
√ l'opérateur de covariance asymp-
totique croisée de ( n(fin − fi )) et ( n(fkn − fk )) s'écrit :
1
LXXik8 = κfk ⊗ fi − (1 + κ)(1 − λi )(1 − λk )(λi + λk )(λi − λk )−2 fi ⊗ fk
4
√
et√ l'opérateur de covariance asymptotique croisée de ( n(fin − fi )) et de
( n(gk − gk )) s'écrit :
n

1 1 1
LXY ik8 = κgk ⊗ fi − 2(1 + κ)λi2 λk2 (1 − λi )(1 − λk )(λi − λk )−2 fi ⊗ gk .
4
126 Chap. 3 - Étude Asymptotique de l'Analyse Canonique

Démonstration. 1. En utilisant les égalités utilisées précédemment :

ΦX (xj ⊗ xj )Φ∗X = fj ⊗ fj et ΦX (yj ⊗ xj )Φ∗Y = gj ⊗ fj ,

la preuve est immédiate.

2. On utilise la relation :

LXXik8 = ΦX ◦ LXXik7 ◦ Φ∗X (resp. LXY ik8 = ΦX ◦ LXY ik7 ◦ Φ∗Y )

et les égalités précédentes.

3.6 Applications inférentielles

Test de nullité des p − r dernières valeurs propres de RX

Introduction

Nous proposons dans cette partie un exemple d'utilisation de l'étude asymp-

totique que nous venons d'eectuer.
Supposons r < p ≤ q ; nous nous intéressons à un test de nullité des p − r
dernières valeurs propres de RX (cf. Larrère,
Pp Martin et Pousse, 1994).
Pour cela, nous étudierons la suite ( j=r+1 λ0n 0n 0n
j ) où (λ1 , ..., λp ) désigne la
n
suite pleine décroissante des valeurs propres de RX .
n
Si on note PX la somme des projecteurs orthogonaux sur les espaces propres
n
associés aux p − r dernières valeurs propres (distinctes ou confondues) de RX ,
on a :
X p
λ0n n n n
j = tr (PX RX PX ).
j=r+1
n n n
Étudions tout d'abord la suite (PX RX PX ).
Si PX désigne le projecteur propre associé à la valeur propre nulle de RX
n n n n
(noté PX, s+1 précédemment), alors (PX ) converge p.s. vers PX et (PX RX PX )
converge p.s. vers PX RX PX qui n'est autre que l'opérateur nul.
Pour la convergence en loi, on peut écrire :
√ n n n
√ n n n
√ n n
√ n
n(PX RX PX ) = n(PX −PX )RX PX +PX n(RX −RX )PX +PX RX n(PX −PX ).

La limite en√probabilité des premier et troisième termes étant nulle, on en

n n n
déduit que ( n(PX RX PX )) converge en loi vers PX UX PX .
On rappelle l'expression de :
1
UX = − (WX RX + RX WX ) + WXY VY X + VXY WY X − VXY WY VY X .
2
Des égalités (cf. les expressions founies dans le Ÿ 5.1.) :
 Applications inférentielles 127

PX RX = RX PX = 0, PX VXY = 0 et VY X PX = 0,

on déduit :
PX UX PX = 0.
Pp
Étude en loi de la suite (n j=r+1 λ0n
j )

√ n n n
Puisque ( n(PX RX PX )) converge en loi vers 0, étudions la convergence en
n n n
loi de (n(PX RX PX )).
Si on pose :
1 1
n
An = PX (VXn )− 2 VXY
n
(VYn )− 2 (= PX
n n
NXY ),
on peut écrire : √ √
n n n
n(PX RX PX ) = ( nAn )( nA∗n ).
En utilisant les développements des perturbations :

n 1 n n
PX = PX − √ (SX UX PX + PX UX SX ) + O(ε2 (n)),
n
avec :

n 2 ln ln n
UX = ΨX (WZn ) + O( √ ),
n
n 1 n
VXY = VXY + √ WXY ,
n
1 1
(VXn )− 2 = IX − √ WX
n
+ O(ε2 (n)),
2 n
1
et une écriture analogue pour (VYn )− 2 ,
on obtient :
1 1
n
An = PX n
(VXn )− 2 VXY (VYn )− 2
1
= PX VXY + √ (−SX ΨX (WZn )PX VXY − PX ΨX (WZn )SX VXY
n
1 n n 1
− PX WX VXY + PX WXY − PX VXY WYn ) + O(ε2 (n))
2 2
On a : PX VXY = 0, ΨX (WZ√) = UX et la suite (WZn ) converge en loi vers WZ ;
on en déduit que la suite ( nAn ) converge en loi vers :
1
−PX UX SX VXY − PX WX VXY + PX WXY .
2
En reprenant l'expression de UX et les égalités PX VXY = 0 et PX RX = 0, on
obtient :
1
PX UX = − PX WX RX + PX WXY VY X .
2
128 Chap. 3 - Étude Asymptotique de l'Analyse Canonique
−
On rappelle : SX = RX , donc aussi : SX RX = RX SX = IX − PX .
On en déduit :
1
PX UX SX VXY = − PX WX (IX − PX )VXY + PX WXY VY X SX VXY .
2
Si on note PY le projecteur orthogonal sur le noyau de RY , on vérie aisément
l'égalité : VY X SX VXY = IY − PY , d'où l'on déduit :
1
PX UX SX VXY = − PX WX VXY + PX WXY (IY − PY )
2
√
et la limite en loi de ( nAn ) devient :
1 1
PX WX VXY − PX WXY + PX WXY PY − PX WX VXY + PX WXY ,
2 2
c'est-à-dire :
PX WXY PY .
On a donc montré la :
√
Proposition 3.6.1 La suite ( nAn ) converge en loi vers PX WXY PY . .
Remarque
Par rapport aux bases de facteurs canoniques, si on pose :
p X
X q
WXY = ηjk yk ⊗ xj ,
j=1 k=1

on a :
p
X q
X
PX WXY PY = ηjk yk ⊗ xj
j=r+1 k=r+1
Pp Pp Pq
Proposition 3.6.2 La suite (n j=r+1 j ) converge en loi vers
λ0n j=r+1 k=r+1
2
ηjk .

Démonstration. En eet, on a :
p
X
n λ0n n n n
j = tr (nPX RX PX )
j=r+1

et cette suite converge en loi vers :

p
X q
X
∗ 2
tr (PX WXY PY [PX WXY PY ] ) = ηjk .
j=r+1 k=r+1
 Applications inférentielles 129

On sait que les v.a.r. (ηjk ), j = r + 1, ..., p, k = r + 1, ..., q sont gaussiennes

centrées mais il reste à étudier siPelles sont réduites et indépendantes auquel
p
cas la limite en loi de la suite (n j=r+1 λ0n 2
j ) est un χ à (p − r)(q − r) degrés
de liberté.
P
Explicitation de la loi limite de (n pj=r+1 λ0n j ) dans le cas gaussien
ou elliptique

Explicitons tout d'abord l'opérateur de covariance de WXY . L'opérateur WZ

est une v.a. à valeurs dans σ2 (Z), gaussienne centrée, d'opérateur de cova-
riance KZ celui de Z ⊗ Z. Par projection, on en déduit que WXY est une
gaussienne centrée d'opérateur de covariance KXY celui de Y ⊗ X.
Par rapport aux bases de facteurs canoniques (xj )j=1,...,p et (yk )k=1,...,q de X
et Y respectivement, on a :
p
X q
X p X
X q
X= x j fj , Y = yk gk , Y ⊗ X = fj gk yk ⊗ xj et
j=1 k=1 j=1 k=1
p X
X q X p q
X
e
(Y ⊗ X)⊗(Y ⊗ X) = e k0 ⊗ xj 0 ).
fj gk fj 0 gk0 (yk ⊗ xj )⊗(y
j=1 k=1 j 0 =1 k0 =1

Utilisant l'égalité E(fj gk ) = ρ0j δjk ), on en déduit :

X q
p X r
X
E(Y ⊗ X) = VXY = E(fj gk )yk ⊗ xj = ρ0i yi ⊗ xi et
j=1 k=1 i=1
X q
p X p
X q
X
e
E((Y ⊗ X)⊗(Y ⊗ X)) = e k0 ⊗ xj 0 ).
E(fj gk fj 0 gk0 )(yk ⊗ xj )⊗(y
j=1 k=1 j 0 =1 k0 =1

L'opérateur KXY de WXY est donc :

Xp Xq Xp X q
KXY = e k0 ⊗xj 0 )
[E(fj gk fj 0 gk0 )−E(fj gk )E(fj 0 gk0 )](yk ⊗xj )⊗(y
j=1 k=1 j 0 =1 k0 =1

et l'opérateur de covariance de PX WXY PY est :

Xp Xq X p Xq
e k0 ⊗ xj 0 ).
E(fj gk fj 0 gk0 )(yk ⊗ xj )⊗(y
j=r+1 k=r+1 j 0 =r+1 k0 =r+1

On en déduit que, pour j, j 0 = r + 1, ..., p et pour k, k 0 = r + 1, ..., q, on a :

cov(ηjk , ηj 0 k0 ) = E(fj gk fj 0 gk0 ),
d'où la :

Proposition 3.6.3 1) Dans le cas où, pour j, j 0 = r + 1, ..., p et pour k, k0 =

r + 1, ..., q, on a :
E(fj gk fj 0 gk0 ) = δjk δj 0 k0
130 Chap. 3 - Étude Asymptotique de l'Analyse Canonique
P
alors la suite (n pj=r+1 λ0n
j ) converge en loi vers un χ à (p − r)(q − r) degrés
2

de liberté. P
2) Dans le cas où (X, Y ) suit une loi gaussienne, la suite (n pj=r+1 λ0n j )
converge en loi vers un χ2 à (p − r)(q − r) degrés de liberté.
3) Dans le cas où (X, Y ) suit une loi elliptique de kurtosis κ, soit
P (κn ) une
suite d'estimateurs convergents de κ, alors la suite ((1 + κn )−1 n pj=r+1 λ0n
j )
converge en loi vers un χ à (p − r)(q − r) degrés de liberté.
2

Démonstration. Le premier résultat de la proposition résulte directement de

ce qui précède. Pour le troisième, dans le cas où (X, Y ) suit une loi elliptique
de kurtosis κ, alors les variables canoniques suivent conjointement une loi
elliptique de même kurtosis et on a :
E(fj gk fj 0 gk0 ) = (1+κ)[E(fj gk )E(fj 0 gk0 )+E(fj fj 0 )E(gk gk0 )+E(fj gk0 )E(gk fj 0 )].
On obtient alors :
E(fj gk fj 0 gk0 ) = (1 + κ)[ρ0j ρ0j 0 δjk δj 0 k0 + δjj 0 δkk0 + ρ0j ρ0j 0 δjk0 δj 0 k ],
et on en déduit, pour j, j 0 = r + 1, ..., p et k, k 0 = r + 1, ..., q :
E(fj gk fj 0 gk0 ) = (1 + κ)δjj 0 δkk0 .
Dans le cas gaussien, on a κ = 0 et le résultat 2.
Dans le cas elliptique,
Pp puisque ((1 + κn )−1 ) converge
Pp enPqprobabilité vers
(1 + κ) et (n j=r+1 λ0n
−1
j ) converge en loi vers j=r+1 η
k=r+1 jk
2
où les
variables (ηjk ) sont gaussiennes centrées indépendantes de variance (1 + κ),
on en déduit que :
Xp
((1 + κn )−1 n λ0n
j )
j=r+1

converge en loi vers :

p
X q
X 1
[(1 + κ)− 2 ηjk ]2
j=r+1 k=r+1

1
et les variables ((1 + κ)− 2 ηjk ) sont gaussiennes centrées réduites et indépen-
dantes d'où le résultat annoncé.

3.7 Conclusion
Bien sûr, de nombreuses autres applications inférentielles peuvent être pro-
posées. Nous renvoyons à la bibliographie annoncée en introduction. Nous
concluons sur un commentaire important pour la mise en pratique des résul-
tats asymptotiques.
Pour réaliser l'étude asymptotique de l'A.C. du couple (X, Y ) nous avons
supposé VX = E(X ⊗ X) = IX et VY = E(Y ⊗ Y ) = IY , plus exactement,
 Conclusion 131

nous avons muni les espaces X et Y des produits scalaires associés à VX−1 et
VY−1 respectivement.
Ceci est équivalent à eectuer un changement de variables et à conserver les
produits scalaires initiaux de X et Y. En eet, pour réaliser l'étude asymp-
totique de l'A.C. d'un couple (X 0 , Y 0 ) centré, on pose VX 0 = E(X 0 ⊗ X 0 ),
−1 −1
VY 0 = E(Y 0 ⊗ Y 0 ), X = VX 0 2 X 0 et Y = VY 0 2 Y 0 et on réalise l'A.C. du couple
(X, Y ). Comme on a : VX = E(X ⊗ X) = IX et VY = E(Y ⊗ Y ) = IY , il s'agit
de l'étude que nous avons réalisée.
Les diérents éléments de l'A.C. s'obtiennent à partir de la décomposition
spectrale de RX et RY (et on a RX 0 = RX et RY 0 = RY ).
Soit (λ0j )j=1,...,r la suite pleine décroissante des valeurs propres non nulles
de RX (et RY ), (xj )j=1,...,r (resp. (yj )j=1,...,r ) une suite de vecteurs propres
unitaires associés de RX (resp. RY ).
Les variables canoniques s'écrivent alors fj = hxj , XiX et gj = hyj , Y iY et la
q
partie principale de l'A.C. de (X, Y ) est (ρ0j , fj , gj )j=1,...,r avec ρ0j = λ0j .
Comme l'A.C. de (X, Y ) est identique à l'A.C. de (X 0 , Y 0 ) (mêmes espaces
engendrés), on obtient les variables canoniques à partir de :
−1 −1
x0j = VX 0 2 xj et yj0 = VY 0 2 yj

respectivement.
On a en eet :
D E D E
−1 −1
fj = hxj , XiX = xj , VX 0 2 X 0 = VX 0 2 x j , X 0
X X

et de même pour gj .
On déduit des résultats asymptotiques obtenus précédemment pour xj et yj
ceux concernant x0j et yj0 pour j = 1, ..., r.
4
Études asymptotiques de l'Analyse Factorielle
Discriminante (A.F.D.) et de l'Analyse
Factorielle des Correspondances (A.F.C.)

Contenu : Trois A.C. : centrée, non centrée, mixte. Études asymptotiques de

l'Analyse Factorielle Discriminante (A.F.D.) et de l'Analyse Factorielle des Cor-
respondances (A.F.C.).

4.1 Trois A.C. : centrée, non centrée, mixte

L'Analyse Factorielle Discriminante (A.F.D.) et l'Analyse Factorielle des
Correspondances (A.F.C.) (cf. Ÿ 4.2. et 4.3. respectivement) sont deux mé-
thodes factorielles très utilisées qui peuvent être considérées comme des cas
particuliers de l'Analyse Canonique. L'A.F.D. correspond au cas où X est
une v.a. euclidienne et Y le vecteur des indicatrices des modalités d'une v.a.
qualitative ; l'A.F.C. correspond au cas où X et Y sont les vecteurs des indi-
catrices des modalités de deux v.a. qualitatives. Traditionnellement, dans leur
présentation en Analyse des Données, l'A.F.C. est non centrée et l'A.F.D. est
centrée sur X et non centrée sur Y (cas que nous appelons dans la suite mix-
te).

Dans le chapitre 3, nous avons considéré un couple Z = (X, Y ) de v.a.e.

centrées (i.e.µX = 0, µY = 0), les A.C. théoriques centrée, non centrée et
mixte sont alors équivalentes, et nous avons étudié la convergence de l'A.C.
d'échantillonnage centrée vers cette A.C. théorique.

Nous ne pouvons donc pas utiliser directement les résultats du chapitre

sans étudier auparavant, dans le cas général où X et Y sont non nécessaire-
ment centrées, les modications à apporter à ces résultats selon le choix centré,
non centré ou mixte de l'A.C. théorique et de l'A.C. d'échantillonnage. C'est
l'objet de ce paragraphe. Les produits scalaires utilisés sur X et Y seront sys-
tématiquement les inverses des opérateurs théoriques de l'A.C., ce qui revient
à considérer ces opérateurs comme l'identité de X et de Y respectivement.
134 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

4.1.1 Dénition des trois A.C. : centrée, non centrée, mixte

Soit Z = (X, Y ) un couple de v.a.e. d'ordre 4, µX et µY les espérances
mathématiques de X et de Y , X c = X − µX et Y c = Y − µY les variables X
et Y centrées.
En utilisant les sommes hilbertiennes, nous dénissons :

a) l'A.C. centrée, conduisant à utiliser l'opérateur :

VZ = IE((X c + Y c ) ⊗ (X c + Y c )),
l'opérateur d'échantillonnage étant alors :
n
1 X n n n n
VZn = (Xk − X + Yk − Y ) ⊗ (Xk − X + Yk − Y ),
n
k=1

b) l'A.C. non centrée, conduisant à utiliser l'opérateur :

VZ0 = IE((X + Y ) ⊗ (X + Y )), ;

l'opérateur d'échantillonnage étant alors :
n
1 X
VZ0n = (Xk + Yk ) ⊗ (Xk + Yk ) ;
n
k=1

c) l'A.C. mixte : centrée sur X, non centrée sur Y, conduisant à utiliser l'opé-
rateur :

VZ00 = IE((X c + Y ) ⊗ (X c + Y )),

l'opérateur d'échantillonnage étant alors :
n
1 X n n
VZ00n = (Xk − X + Yk ) ⊗ (Xk − X + Yk ).
n
k=1

Pour chaque A.C. théorique, nous avons considéré l'A.C. d'échantillonnage

de même type. La suite d'opérateurs d'échantillonnage converge alors presque
sûrement vers l'opérateur théorique.

4.1.2 Étude asymptotique des trois A.C.

Si l'on désigne par WZ (resp. WZ0 , resp. WZ00 ) la v.a.e. gaussienne centrée
d'opérateur de covariance celui de (X c + Y c ) ⊗ (X c + Y c ) (resp. (X + Y ) ⊗
(X + Y ), resp. (X c + Y ) ⊗ (X c + Y )), il s'agit alors de vérier si les résultats
de l'étude asymptotique des diérentes A.C. sont identiques à ceux obtenus
au chapitre 6 (tous écrits à partir de VZ et WZ ) ou formellement identiques
à ceux obtenus au chapitre 3 en remplaçant VZ et WZ par VZ0 et WZ0 (resp.
 Trois A.C. : centrée, non centrée, mixte 135

par VZ00 et WZ00 ).

Nous verrons que l'A.C. mixte ne se ramène pas aussi simplement à l'une
de ces congurations.

A.C. centrée
On a alors :

VZ = IE((X c + Y c ) ⊗ (X c + Y c )
1
Pn n n n n
et VZn = n k=1 (Xk − X + Yk − Y ) ⊗ (Xk − X + Yk − Y ).

En posant Xkc = Xk − µX , Ykc = Yk − µY , on peut écrire :

n
1X c
VZn = (Xk + Ykc ) ⊗ (Xkc + Ykc )
n
k=1
n n n n
− (X − µX + Y − µY ) ⊗ (X − µX + Y − µY )

et on déduit de la loi forte des grands nombres que le premier terme converge
p.s. vers VZ et le deuxième vers 0. On en déduit que la suite (VZn ) converge
p.s. vers VZ .

Pour la convergence en loi, on a :

n
√ 1X c√
n (VZn − VZ ) = (Xk + Ykc ) ⊗ (Xkc + Ykc ) − VZ ]
n[
n
k=1
√ n √ n n n
− ( n (X − µX ) + n (Y − µY )) ⊗ (X − µX + Y − µY ).
√ n
√ Si onn
note TX (resp. TY ) la limite en loi de ( n (X − µX )) (resp.
n n
( n (Y − µY ))), comme (X ) (resp. (Y )) converge √ p.s. vers µX (resp. µY ),
le deuxième terme converge p.s. vers 0 et la suite ( n (VZn − VZ )) converge en
loi vers WZ .
Les résultats sont identiques à ceux obtenus au chapitre 3. C'est la raison
pour laquelle l'étude asymptotique de l'A.C. centrée se fait en posant, sans
perte de généralité : µX = 0, et µY = 0.

A.C. non centrée

On a dans ce cas :
VZ0 = IE((X
Pn + Y ) ⊗ (X + Y ))
et VZ0n = n1 k=1 (Xk + Yk ) ⊗ (Xk + Yk ).

0n
La loi forte des grands nombres montre que la suite √ (V0nZ ) converge p.s.
vers VZ et d'après le théorème central limite la suite ( n (VZ −VZ0 )) converge
0
136 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

en loi vers une v.a.e. WZ0 gaussienne centrée d'opérateur de covariance celui
de (X + Y ) ⊗ (X + Y ).

Nous obtenons donc formellement les mêmes résultats asymptotiques qu'au

chapitre 3 en remplaçant VZ et WZ par VZ0 et WZ0 respectivement. Il faut
cependant noter que les variables canoniques ne sont plus centrées, mais cette
propriété n'intervient pas dans les résultats fournis. L'étude asymptotique de
l'A.F.C. (cf. Ÿ 4.3) sera réalisée dans ce cadre.

A.C. mixte : centrée sur X, non centrée sur Y

On a :
VZ00 = IE((X c + Y ) ⊗ (X c + Y ))
1
Pn n n
et VZ00n = n k=1 (Xk − X + Yk ) ⊗ (Xk − X + Yk ).

Il est commode d'introduire l'opérateur suivant :

n
1X c
Vn = (Xk + Yk ) ⊗ (Xkc + Yk ),
n
k=1

qui permet d'écrire :

n n n n n n
VZ00n = V n − Y ⊗ (X − µX ) − (X − µX ) ⊗ Y − (X − µX ) ⊗ (X − µX ).

Par la loi forte des grands nombres, les trois derniers termes convergent
p.s. vers 0 et le premier converge p.s. vers VZ00 .

En ce qui concerne la convergence en loi, on a :

√ √ n √ n
n (VZ00n − VZ00 ) = n (V n − VZ00 ) − Y ⊗ ( n(X − µX ))
√ n n √ n n
− ( n (X − µX )) ⊗ Y − ( n (X − µX )) ⊗ (X − µX ).

√ En nutilisant le théorème central limite, la suite de terme général W n :=

n (V − VZ ) converge en loi vers WZ00 et le quatrième terme converge en
00

probabilité vers 0.

Si l'on
√ note TX (resp. TY ) la limite
√ en loi de la suite de terme général
n n n n
TX := n √ (X − µ X ) (resp. TY := n (Y − µY )), nous allons montrer que
la suite ( n (VZ00n − VZ00 )) converge en loi vers :

fZ00 = WZ00 − µY ⊗ TX − TX ⊗ µY .
W

On peut écrire :
 Trois A.C. : centrée, non centrée, mixte 137
1 1 1 n
VZ00n = (VZ00 + √ W n ) − (µY + √ TYn ) ⊗ ( √ TX )
n n n
1 n 1 1 n 1 n
( √ TX ) ⊗ (µY + √ TYn ) − ( √ TX ) ⊗ ( √ TX )
n n n n
1
= VZ00 + √ (W n − µY ⊗ TX n n
− TX ⊗ µY )
n
1
− (TYn ⊗ TX n n
+ TX ⊗ TYn + TX
n
⊗ TX n
),
n
donc aussi :
√ 1
n (VZ00n − VZ00 ) = W n − µY ⊗ TX
n n
− TX ⊗ µY + O( √ ε2 (n)).
n

Pour achever cette preuve, il faut étudier conjointement la convergence de

n
(X ) vers µX et de (V n ) vers VZ00 et donc se placer dans l'espace Z ⊕ σ2 (Z).

Soit alors (Xk + Yk )k∈IN∗ une suite de v.a.e. de Z i.i.d. comme X + Y. La

suite :
(Xk + [(Xkc + Yk ) ⊗ (Xkc + Yk )])k∈IN∗
est alors une suite de v.a.e. de Z⊕σ2 (Z) i.i.d. comme X+[(X c +Y )⊗(X c +Y )].
On déduit de la loi forte des grands nombres et du théorème central limite
dans Z ⊕ σ2 (Z) que la suite de terme général :
n
1 X
(Xk + [(Xkc + Yk ) ⊗ (Xkc + Yk )]
n
k=1

converge p.s. vers :

IE(X + [(X c + Y ) ⊗ (X c + Y )]),

n
c'est-à-dire, que la suite (X +V n ) converge p.s. vers µX +VZ00 et que la suite :
√ n √
( n (X − µX ) + n (V n − VZ00 ))
n
(c'est-à-dire encore que la suite (TX + W n ) converge en loi vers la gaussienne
centrée :
TX + WZ00
dont l'opérateur de covariance celui de X + [(X c + Y ) ⊗ (X c + Y )].

Pour tout u de Z, on désigne par ϕu et ϕ0u les opérateurs de Z dans σ2 (Z)

qui à v associent u⊗v et v ⊗u respectivement. On note π1 et π2 les projecteurs
orthogonaux de Z⊕σ2 (Z) dans lui-même d'images Z et σ2 (Z) respectivement.

On dénit alors l'application linéaire de Z ⊕ σ2 (Z) dans σ2 (Z) :

138 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

Ψ = π2 − ϕµY ◦ π1 − ϕ0µY ◦ π1 .

Comme on a montré que l'on pouvait écrire :

√ 1
n (VZ00n − VZ00 ) = Ψ (TX
n
+ W n ) + O( √ ε2 (n))
n
n
et que la suite (TX +W n ) convergeait
√ en loi vers la gaussienne centrée TX +WZ00 ,
on en déduit que la suite ( n (VZ − VZ00 )) converge en loi dans σ2 (Z) vers la
00n

gaussienne centrée Ψ (TX + WZ00 ), c'est-à-dire vers :

fZ00 = WZ00 − µY ⊗ TX − TX ⊗ µY .
W

En conclusion,
√ les suites√(V n ) et (VZ00n ) convergent p.s. vers VZ00 mais les
suites ( n (V − VZ00 )) et ( n (VZ00n − VZ00 )) ont des limites en loi diérentes,
n

f 00 respectivement.
WZ00 et W Z

Il faut donc étudier comment en seront aectés les résultats de l'étude

asymptotique faite au chapitre 3.

On pose :

00 00
RX = VXY VY00X ,
1 1
00n
RX = (VX00n )− 2 VXY
00n
(VY00n )−1 VY00n 00n − 2
X (VX ) ,
00n
√ 00n
UX = n (RX − RX ).

En reprenant la démarche utilisée au paragraphe √ 3.4.1. pour la convergence

en loi de la suite de terme général UZn = n (RZ n
− RZ ), on peut écrire :
00n 00n
UX = ΨX (WZ00n ), où ΨX
00n
ne dépend que de VZ00n et montrer que la suite
(UX 00n
) converge en loi vers U e 00 = Ψ 00 (W
f 00 ) où Ψ 00 ne dépend que de V 00 ,
X X Z X Z
puisque l'on a :

eX00 1 f 00 00 00 f 00 00 f 00 f 00 00 00 f 00 00
U = − (W X RX + RX WX ) + VXY WY X + WXY VY X − VXY WY VY X .
2
Posant :

00 1 00 00 00 00 00
UX = − (WX RX + RX WX ) + VXY WY00 X + WXY
00
VY00X − VXY
00
WY00 VY00X ,
2
et tenant compte des égalités :

f 00 = W 00 , W
W f 00 = W 00 , Wf 00 = W 00 − µY ⊗ TX
X X Y Y XY XY
f 00 00
et WY X = WY X − TX ⊗ µY ,

on déduit :
 Étude asymptotique de l'A.F.D. 139

eX
U 00 00
= UX 00
− TX ⊗ VXY 00
(µY ) − VXY (µY ) ⊗ TX .

L'étude asymptotique de l'A.F.D. (Ÿ 4.2.) sera réalisée dans ce cadre, mais

nous allons montrer qu'en A.F.D. les deuxième et troisième termes sont nuls.
En eet, en A.F.D. la v.a.e. Y est le vecteur des indicatrices réduites des mo-
dalités d'une variable qualitative Y 0 à q modalités {1, · · · , q}, de probabilités
p1 , · · · , pq supposées strictement positives.

Si on note (ε0e )e=1,··· ,q la base orthonormée de l'espace euclidien Y par

rapport à laquelle la matrice de VY est la matrice identité d'ordre q, on a :
Pq Pq √
Y = e=1 √1pe 11Ωe ε0e , µY = e=1 pe ε0e
00
et VXY (µY ) = IE(Y ⊗ (X − mX ))(mY ) = IE(hY, mY iY (X − mX )).

Comme on a : hY, µY iY = 11Ω , il vient, :

00
VXY (µY ) = IE(11Ω (X − µX )) = IE(X − µX ) = 0.

Dans le cas de l'A.F.D., on obtient :

eX
U 00 00
= UX fX
, W 00 00
= WX fY00 = WY00 .
et W

Les résultats de l'étude asymptotique sont formellement identiques à ceux

obtenus au chapitre 3 en remplaçant respectivement VZ et WZ par VZ00 et WZ00 .

4.2 Étude asymptotique de l'A.F.D.

Nous rappelons dans le paragraphe 4.2.1 la dénition de l'Analyse Facto-
rielle Discriminante (A.F.D.). Il s'agit de l'Analyse Canonique linéaire d'un
couple Z = (X, Y ) de v.a.e. pour lequel Y est le vecteur aléatoire à valeurs
dans IRq des indicatrices des q modalités d'une variable qualitative Y 0 .

Dans le paragraphe 4.2.2, nous décrivons l'A.F.D. d'échantillonnage qui

est donc un cas particulier de l'A.C. d'échantillonnage.

Nous rappelons ensuite les résultats concernant le comportement asymp-

totique de l'opérateur d'échantillonnage Rn , de ses éléments propres et des
divers éléments de l'A.F.D. : convergence presque sûre (Ÿ 4.2.3), convergence
en loi (Ÿ 4.2.4).

Dans le paragraphe 4.2.5. nous donnons l'expression, par rapport à la

base de facteurs
√ discriminants, de l'opérateur de covariance asymptotique de
la suite ( n (Rn − R)) et constatons la diculté à donner une expression
simple des opérateurs de covariance asymptotiques des diérents éléments de
l'A.F.D., même en faisant l'hypothèse que la loi de X conditionnellement à la
140 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

modalité e de Y 0 , est gaussienne, d'espérance mathématique µe dépendant de

e et d'opérateur de covariance Γ indépendant de e, hypothèse souvent utilisée
dans le cadre de l'A.F.D.. Aussi, nous
√ donnons seulement√(Ÿ 4.2.6) l'expression
des variances asymptotiques de ( n (λni − λi )) et de ( n (ρni − ρi )) dans le
cas où λi est simple.

Cette étude asymptotique est la première partie de la thèse de Boutayeb

réalisée en 1983 ; nous renvoyons à cette thèse pour plus de détails. Dans une
deuxième partie, cet auteur étudie l'Analyse Discriminante dite décisionnelle
et termine, partie 3, par un test asymptotique d'égalité des moyennes par
classes reposant sur la loi asymptotique de (tr Rn ) sous l'hypothèse que la loi
de X conditionnellement à la modalité e de Y 0 est d'espérance mathématique
µe dépendant de e et d'opérateur de covariance Γ indépendant de e (non
nécessairement gaussienne). Nous présentons ce résultat dans le paragraphe
4.2.7.

4.2.1 A.F.D. d'une v.a.e. et d'une v.a. qualitative

Soit X une v.a.e. dénie sur un espace probabilisé (Ω, A, P ) et à valeurs
dans (X , BX ), où (X , h·, ·iX ) est un espace euclidien de dimension p et BX
la tribu de ses boréliens. On suppose la v.a.e. X d'ordre 2 et, sans perte de
généralité, centrée et d'opérateur de covariance VX = IE(X ⊗ X)) inversible.

Soit Y 0 une v.a. qualitative dénie sur (Ω, A, P ) et à valeurs dans un

ensemble ni de q éléments que l'on notera {1, · · · , q} muni de la tribu de ses
parties. Pour e ∈ {1, · · · , q}, on pose : Ωe = [Y 0 = e], pe = P (Ωe ), supposé
strictement positif, Y e = 11Ωe , enn, on pose : Y = (Y 1 , · · · , Y q ). On note Y
l'espace IRq muni du produit scalaire classique ; Y est alors une v.a.e. dénie
sur (Ω, A, P ) à valeurs dans l'espace euclidien (Y, BY ).

Dénition 4.2.1 L'Analyse Factorielle Discriminante de X et Y 0 est l'Ana-

lyse Canonique linéaire non centrée du couple de v.a.e. Z = (X, Y ).
On utilise à nouveau les notations du paragraphe 3.1.
L'opérateur VY = IE(Y ⊗ Y ) est l'opérateur de Gram de la v.a.e. Y. C'est
un opérateur inversible car sa matrice par rapport à la base canonique de IRq
est diagonale d'éléments les réels pe , e = 1, ..., p, supposés strictement positifs.

Comme on l'a fait dans le cadre de l'A.C., on utilise sur X (resp. sur Y)
le produit scalaire VX−1 (resp. VY−1 ). Ce choix revient à supposer que la v.a.e.
X (resp. Y ) a pour opérateur de covariance (resp. de Gram) IX (resp. IY ).

On pose :

VXY = IE(Y ⊗ X), VY X = IE(X ⊗ Y ) et R = VXY VY X .

 Étude asymptotique de l'A.F.D. 141

On peut remarquer que R n'est autre que l'opérateur de covariance des

moyennes de classes, encore appelé covariance inter-classes de X ou opérateur
de covariance expliquée par la partition engendrée par Y.

En eet, soit (εa )a=1,··· ,p et (ε0e )e=1,··· ,q les bases de X et de Y telles que
les matrices des opérateurs VX et VY (opérateurs identités de X et de Y res-
pectivement) soient précisément les matrices identités d'ordre p et q.

Si on note X a et Y e les coordonnées de X et Y sur ces bases, on a :

p
X q
X 1
X= X a εa et Y = Y e ε0e avec Y e = √ 11Ωe .
a=1 e=1
pe

On en déduit :
p X
X q
VY X = IE(X ⊗ Y ) = IE(X a Y e )εa ⊗ ε0e
a=1 e=1

avec :
Z Z Z
1 1 √
IE(X a Y e ) = X a √ 11Ωe dP = √ X a dP = pe X a dPe
Ω pe pe Ωe Ωe

où Pe est la probabilité conditionnelle à Ωe ; on a donc dPe = p1e 11Ωe dP.

On note µea l'espérance mathématique de X a conditionnellement à Ωe ,
c'est-à-dire : Z
µea = X a dPe .
Ωe

On obtient alors :
Pp Pq √ e 0
VY X = a=1 Pp pP
Pp e=1 e µa εa ⊗ εe
q e e
et R = VXY VY X = a=1 b=1 e=1 pe µa µb εb ⊗ εa .

L'A.F.D. de X et Y 0 est obtenue par l'analyse spectrale de R. Soit r le

rang de R, (λ0j )j=1,··· ,r la suite pleine décroissante des valeurs propres de
R, (xj )j=1,··· ,r une suite de vecteurs propres unitaires associés, appelés fac-
teurs discriminants, et (λi )i=1,··· ,s la suite strictement décroissante des valeurs
propres non nulles de R ; en utilisant les notations usuelles, on peut alors
écrire :
r
X s
X X
0
R= λj xj ⊗ xj = λi Pi avec Pi = xj ⊗ xj .
j=1 i=1 j∈Ji

Si, pour j ∈ {1, · · · , r}, on pose : fj = hxj , XiX , alors fj est une v.a.r. cen-
0
trée réduite, appelée variable discriminante et λj , appelé pouvoir discriminant
de la variable discriminante fj , est égal au carré du rapport de corrélation,
142 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
0
que l'on note ρj , de la v.a.r. fj avec la variable catégorielle Y 0 .

Pour les explicitations des opérateurs de covariance asymptotique, on in-

troduit également, pour j ∈ {1, · · · , r} :

yj = ρ0−1
j VY X xj et gj = hyj , Y iY .

Enn, dans le cas où r est inférieur à la dimension p de X ou q de Y, on

pose, pour j > r, λ0j = 0 et λs+1 = 0. Soit (xj )j>r (resp. (yj )j>r ) une base
orthonormée
Pr de l'espace propre associé à la valeur propre nulle de R (resp. de
0
λ
j=1 j j y ⊗ yj ). Pour j > r, on pose : fj = hxj , XiX et gj = hyj , Y iY , on
peut donc encore écrire :
Pp Pq
X = j=1 fj xj Y = j=1 gj yj ,
Pp Pq
IX = j=1 xj ⊗ xj et IY = j=1 yj ⊗ yj .

4.2.2 A.F.D. d'échantillonnage

Dans le cas de l'Analyse Discriminante décisionnelle, un modèle d'échan-
tillonnage couramment utilisé est un échantillon stratié, c'est-à-dire, q échan-
tillons indépendants de taille n1 , · · · , nq xées à l'avance.

Bien souvent
Pql'échantillon utilisé est stratié proportionnel, c'est-à-dire, si
l'on pose n = e=1 ne , les tailles échantillons des diérentes strates vérient
ne = npe , pour e ∈ {1, · · · , q}.

Dans le cadre descriptif, il est rare de connaître à l'avance dans quelle

catégorie se situent les individus de la population. Il n'est alors pas possible
d'envisager un échantillonnage stratié. On utilise plus souvent un échantillon-
nage aléatoire simple et on observe sur chaque individu de l'échantillon ses
caractéristiques selon le v.a.e. X et sa catégorie selon la variable qualitative Y 0 .

Ce choix conduit à la formalisation suivante. Soit Z = (X, Y ) le couple de

v.a.e. dont on vient de dénir l'A.C. linéaire et soit Zk = (Xk , Yk )k∈IN∗ une
suite de v.a. i.i.d. comme Z. On a vu en introduction de la partie B qu'il est
∗
équivalent de se donner ω ∈ Ω IN et de poser Xk = X P ◦ πk et Yk = Y ◦ πk .
∗ n
Soit donc ω ∈ Ω IN et, pour tout A de A, νnω (A) = n1 k=1 11A ◦ πk (ω) tels
que dénis dans cette introduction.

Soit (L2 (P ), IEνnω ) l'espace des v.a.r. d'ordre 2 dénies sur (Ω, A, P ) muni
du produit scalaire, dépendant de ω déni par :
n
2 2 1 X
∀ (f, g) ∈ L (P ) × L (P ), IE ω
νn (f g) = f (ωk ) g(ωk ).
n
k=1

On vérie :
 Étude asymptotique de l'A.F.D. 143
n n
1 X 1 X n
IEνnω (X) = X(ωk ) = Xk (ω) = X (ω)
n n
k=1 k=1

n n
(resp. IEνnω (Y ) = Y (ω), resp. IEνnω (Z) = Z (ω)). On peut écrire :
n 1n qn en ne
Y = (Y ,··· ,Y ) avec ∀ e ∈ {1, · · · , q}, Y = ,
n
où (n1 , · · · , nq ) est un vecteur aléatoire multinomial de paramètres n et
(p1 , · · · , pq ).
On vérie :
n
IE(Y ) = (p1 , · · · , pq )
et on déduit de l'égalité (Y e )2 = Y e que l'opérateur aléatoire :
n
1 X
VYn = Yk ⊗ Yk
n
k=1

a pour matrice, dans la base canonique de IRq , la matrice diagonale d'éléments

ne
n , e = 1, ...q.

n
On sait que la suite (Y ) converge p.s. vers le vecteur (p1 , · · · , pq ) dans
Y = IRq et que la suite (VYn ) converge p.s. vers VY dans σ2 (Y). À partir d'un
certain rang, l'opérateur VYn est donc inversible.

L'A.F.D. d'échantillonnage est dénie comme l'A.C. linéaire d'échantillon-

nage (cf. Ÿ 5.2) avec centrage sur X et non centrage sur Y, comme il est d'usage
de dénir l'A.F.D. en analyse des données.

Si on pose :
n
1 X n n
VXn = (Xk − X ) ⊗ (Xk − X ),
n
k=1

on sait que la suite (VXn ) converge p.s. vers IX dans σ2 (X ) et donc à partir
d'un certain rang, l'opérateur VXn est donc inversible. On pose enn :
Pn n Pn n
n
VXY = n1 n
k=1 Yk ⊗ (Xk − X ), VY X = n
1
k=1 (Xk − X ) ⊗ Yk et
n
KXY = (VXn )−1 VXY
n
(VYn )−1 VYnX .

L'A.F.D. d'échantillonnage est alors obtenue par l'analyse spectrale de l'opé-

n
rateur KXY . Posons, pour tout e de {1, · · · , q},

Ωen = {k ∈ {1, · · · , n} ; ωk ∈ Ωe }
n 1
P n
Pq ne , n n n n
Xe = ne k∈Ωen Xk et VE = e=1 n (X e − X ) ⊗ (X e − X ),

On vérie que l'on a :

144 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
q
X
n ne n
X = X e , VEn = VXY
n
(VYn )−1 VYnX et KXY
n
= (VXn )−1 VEn .
e=1
n

L'opérateur VEn est l'opérateur de covariance des moyennes d'échantillonnage

par classes, encore appelé opérateur d'échantillonnage inter-classes de X ou
opérateur de covariance d'échantillonnage expliquée par la partition engen-
drée par Y 0 et (VXn )−1 est appelée métrique de Mahalanobis sur X .

Les diérents éléments de l'A.F.D. d'échantillonnage peuvent être obtenus

à partir de l'opérateur autoadjoint de σ2 (X ) :
1 1 1 1
Rn = (VXn )− 2 VXY
n
(VYn )−1 VYnX (VXn )− 2 et on a : KXY
n
= (VXn )− 2 Rn (VXn ) 2 .

Soit (λ0n
j )j=1,··· ,r la suite pleine décroissante des r premières valeurs
n
propres de RX , supposées non nulles (on verra que c'est vrai à partir d'un
certain rang) et (unj )j=1,··· ,r un système orthonormé de vecteurs propres as-
sociés.
1
Pour j de {1, · · · , r}, on pose : xnj = (VXn )− 2 unj ; le système (xnj )j=1,··· ,r
est alors un système de vecteurs propres VXn -orthonormés de KXY n
associés
respectivement aux mêmes valeurs propres, appelés facteurs discriminants
d'échantillonnage.
On pose :
q
ρ0n
j = λ0n
j (rapports de corrélation d'échantillonnage)
et fjn = hxnj , XiX (variables discriminantes d'échantillonnage).

Si, pour i de {1, · · · , s}, on pose :

X X
Pin = unj ⊗ unj et Qni = (xnj ⊗ xnj )VXn ,
j∈Ji j∈Ji

on a alors :
1 1
Qni = (VXn )− 2 Pin (VXn ) 2 .
Lorsque λi est simple et ui un vecteur propre unitaire de R associé, soit
λni et uni la valeur propre et le vecteur propre unitaire de Rn associés. On
convient de prendre : uni = kPin ui k−1 Pin ui .

Conformément à l'étude réalisée au paragraphe 3.1, dans les cas 2)c) et

3)c) (cf. aussi le résumé nal de ce paragraphe), tous les résultats qui suivent
se déduisent directement des résultats de l'étude asymptotique de l'A.C. de
(X, Y ), paragraphes 3.3 à 3.5.
 Étude asymptotique de l'A.F.D. 145

4.2.3 Convergence presque sûre

Proposition 4.2.2 La suite d'opérateurs d'échantillonnage (Rn ) converge
p.s. vers R dans σ2 (X ).
Soit i un élément de {1, · · · , s}.

Proposition 4.2.3 (i) Pour j de Ji , la suite de valeurs propres (λ0n

j ) converge
p.s. vers λi dans IR.
(ii) La suite des projecteurs propres (Pin ) converge p.s. vers Pi dans σ2 (X ).
(iii) Lorsque λi est simple, (uni ) est déni pour n susamment grand et la
suite de vecteurs propres (uni ) converge p.s. vers xi dans X .
(iv) Pour j de Ji , la suite de rapports de corrélation (ρ0n
j ) converge p.s. vers
ρi dans IR.
(v) Lorsque λi est simple, la suite de facteurs discriminants (xni ) converge p.s.
vers xi dans X .
(vi) Lorsque λi est simple, la suite de variables discriminantes (fin ) converge
p.s. vers fi dans L2 (P ).
Remarque 4.1. Le premier résultat permet de vérier que les valeurs propres
sont p.s. non nulles à partir d'un certain rang comme annoncé précédemment.

4.2.4 Convergence en loi

On suppose désormais la v.a.e. X d'ordre 4 (donc aussi la v.a.e. Z =
(X, Y )). Les variables Z ⊗ Z, X ⊗ X, X ⊗ Y, Y ⊗ X et Y ⊗ Y sont alors d'ordre
2.
Soit WZ une gaussienne centrée ayant pour opérateur de covariance KZ
celui de Z ⊗ Z.
On pose :

WX = PX WZ PX∗ , WXY = PX WZ PY∗ ,

WY X = PY WZ PX∗ et WY = PY WZ PY∗ .
√
Proposition 4.2.4 La suite ( n (Rn − R)) converge en loi dans σ2 (X ) vers
la v.a.e. gaussienne centrée U avec :
1
U = − (WX R + R WX ) + WXY VY X + VXY WY X − VXY WY VY X .
2
On note ∆mi l'application qui à un opérateur autoadjoint positif de rang mi
associe le vecteur de ses valeurs propres rangées dans l'ordre décroissant et
pour i de {1, · · · , s}, on pose :

Si = (R − λi IX )− .
146 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
√
Proposition 4.2.5 (i) La suite ( n (λ0n
j −λi ))j∈Ji converge en loi dans IR
mi

vers la v.a. :
∆mi (UXi1 ) avec UXi1 := Pi U Pi
√
gaussienne centrée et, lorsque λi est de plus simple, la suite ( n (λni − λi ))
converge en loi dans IR vers la v.a.r. gaussienne centrée :

tr(Pi U ).
√
(ii) La suite ( n (Pin − Pi )) converge en loi dans σ2 (X ) vers la v.a.e. gaus-
sienne centrée :
Ui2 := Pi U Si + Si U Pi .
√
(iii) Lorsque la valeur propre λi est simple, la suite ( n (uni − xi )) converge
en loi dans X )vers la v.a.e. gaussienne centrée :

Ui3 := Si U xi .
√ mi
(iv) La suite ( n (ρ0n
j − ρi ))j∈Ji converge en loi dans IR vers la v.a. :

1 − 21
∆(Ui4 ) avec Ui4 := λ Pi U Pi
2 i
√
gaussienne centrée et, lorsque λi est simple, la suite ( n (ρni − ρi )) converge
en loi dans IR vers la v.a.r. gaussienne centrée :
1 − 12
λ tr (Pi U Pi ).
2 i
(v) Lorsque
√ λi est simple,
la suite ( n (xni − xi )) converge en loi dans X vers la v.a.e. gaussienne cen-
trée :
1
Ui5 := WX xi + Si U xi .
2
√
(vi). Toujours lorsque λi est simple, la suite ( n (fin − fi )) converge en loi
dans L2 (P ) vers la v.a.e. gaussienne centrée :
1
UXi6 := h WX xi + Si U xi , XiX .
2

4.2.5 Expression de l'opérateur de covariance asymptotique des

opérateurs d'échantillonnage
L'opérateur
√ de covariance L de la v.a.e. gaussienne centrée U limite en loi
de la suite ( n (Rn − R)) a été donné en fonction de la base de facteurs cano-
niques associés à l'espace X dans le cadre de l'Analyse Canonique (Ÿ 6.5.2).

L'A.F.D. étant un cas particulier de l'AC, nous obtenons donc :

 Étude asymptotique de l'A.F.D. 147
r XX
X r X
L= e j ⊗ xh + xh ⊗ xj ),
IE(Fik Fjh ) (xi ⊗ xk + xk ⊗ xi )⊗(x
i=1 k j=1 h

avec :
1 1
Fik = − ρ02 fi fk + ρ0i gi fk − ρ0i ρ0k gi gk
2 i 2
P P Pp Pp
et la convention que k (resp. h ) désigne k=1 (resp. P h=1 ) sauf
Prdans
r
le cas où ρ0k (resp. ρ0h ) est en facteur auquel cas il désigne k=1 (resp. h=1 ).

Il faut donc exprimer dans le cadre de l'A.F.D. les termes :

IE(fi fk fj fh ), IE(fi fk fj gh ), IE(fi fk gj gh ), IE(fi gk gj gh ) et IE(gi gk gj gh ).

Pour cela, nous utilisons les coordonnées des facteurs discriminants par
rapport aux bases (εa )a=1,··· ,p et (ε0e )e=1,··· ,q respectivement de X et Y.
On a :
p
X q
X 1
X= X a εa et Y = Y e ε0e avec Y e = √ 11Ωe ,
a=1 e=1
pe

et, pour j de {1, · · · , p} et k de {1, · · · , q}, avec des notations évidentes :

Pp Pq
xj = P a=1 xaj εa et yk = e=1 yke ε0eP
p q
fj = hX, xj iX = a=1 X a xaj et gk = hY, yk iX = e=1 Y e yke .

On obtient :

Pp Pp Pp Pp
IE(fi fk fj fh ) = Pa=1 Pb=1 Pc=1 Pd=1 xai xbk xcj xdh IE(X a X b X c X d ),
p p p q
IE(fi fk fj gh ) = Pa=1 Pb=1 Pc=1 e=1 xai xbk xcj yhe IE(X a X b X c Y e ),
p p q
IE(fi fk gj gh ) = Pa=1 Pb=1 e=1 xi xk yj yh IE(X a X b Y e Y e )
a b e e
p q
IE(fi gk gj gh ) = Pa=1 e=1 xai yke yje yhe IE(X a Y e Y e Y e ),
q
IE(gi gk gj gh ) = e=1 yie yke yje yhe IE(Y e Y e Y e Y e ).

Nous avons noté µea l'espérance conditionnelle à Ωe de X a ; nous notons de

même µeab (resp. µea b c , resp. µea b c d ) l'espérance conditionnelle à Ωe de X a X b
(resp. X a X,b X c , resp. X a X b X c X d ), c'est-à-dire :
R R
µea = ΩRe X a dPe et µea b = Ωe X a X b dP R e, a b c d
e a b c e
µa b c = Ωe X X X dPe et µa, b c, d = Ωe X X X X dPe ,

et posons
µa b c d = IE(X a X b X c X d ).
On a alors les relations suivantes :
a b c d
R a b c d
µa b c d = IE(X
Pp RX, X aX b) =c Ω dX X XPpX dP e
= e=1 Ωe X X X X dP = e=1 pe µa b c d ,
148 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
R √
IE(X a X b X c Y e ) = √1pe Ωe X a X b X c dP = pe µeabc ,
R
IE(X a X b Y e Y e ) = p1e Ωe X a X b dP = µea b ,
1
R
IE(X a Y e Y e Y e ) = pe √ a √1 µe
peR Ωe X dP = pe a ,
e e e e 1 1
IE(Y Y Y Y ) = (pe )2 Ωe dP = pe .
P P Pp
En
Pp utilisant toujours la convention que k (resp. h ) désigne k=1 (resp.
0 0
Ph=1 ) sauf dans
Pr le cas où ρk (resp. ρh ) est en facteur auquel cas il désigne
r
k=1 (resp. h=1 ), on obtient la :

Proposition 4.2.6 L'opérateur de covariance L de U s'écrit par rapport à la

base de facteurs discriminants :
r XX
X r X p X
X p X
p X
p
1
L= ρ0i ρ0j [ ρ0i ρ0j xai xbk xcj xdh µa b c d
i=1 j=1 h
4 a=1 b=1 c=1 d=1
k
Xp X p X p X q
√
−2 (ρ0i xai xbk yje xch + ρ0j yie xbk xaj xch ) pe µeabc
a=1 b=1 c=1 e=1
X p X p X q
+ (ρ0i ρ0h xai xbk yje yhe + ρ0j ρ0k yie yke xaj xbh + 4yie xak yje xbh ) µea b
a=1 b=1 e=1
Xp X q
1
−2 (ρ0h yie xak yje yhe + ρ0k yie yke yje xah ) √ µea
a=1 e=1
pe
Xq
1
+ρ0k ρ0h yie yke yje yhe ] (xi ⊗ xk + xk ⊗ xi )⊗(x e j ⊗ xh + xh ⊗ xj ).
e=1
pe

Remarques 4.2.

1) Supposons que la loi de la v.a.e. X conditionnellement à Ωe soit gaussienne,

d'espérance mathématique µe dépendant de e, mais d'opérateur de covariance
Γ ne dépendant pas de e, hypothèse couramment utilisée en A.F.D. Les mo-
ments µea (resp. µeab , resp. µea b c , resp. µea b c d ), mais aussi les moments µa b c d
puisqu'ils s'écrivent en fonction des moments conditionnels, s'écrivent tous en
fonction des espérances mathématiques µea et des coordonnées (γa b de l'opéra-
teur Γ par rapport à la base εb ⊗ εa )(a,b)∈{1,··· ,p} . Cependant, cette hypothèse
ne permet pas d'obtenir une expression simple de cet opérateur.

2) Revenons au cas général. Nous avons obtenu les lois limites des éléments de
l'A.F.D., nous pouvons donc théoriquement expliciter les opérateurs de cova-
riance asymptotiques en fonction des coordonnées de L par rapport à la base
de facteurs discriminants. Vu la lourdeur des écritures, nous ne développons
que le cas le plus simple, c'est-à-dire celui de l'opérateur de covariance asymp-
totique de la suite des valeurs propres associées à une valeur propre simple de
R.
 Étude asymptotique de l'A.F.D. 149

4.2.6 Expression de la variance asymptotique des valeurs propres

et des coecients discriminants
Proposition 4.2.7 Dans le cas où λi (= ρ2i ) est
√ une valeur propre simple
non nulle de R, la variance asymptotique α de ( n (λni − λi )) s'écrit :
p X
X p X
p X
p
α = ρ4i xai xbi xci xdi µa b c d
a=1 b=1 c=1 d=1
Xp X p X p X q
3 a b c √
−4 ρi xi xi xi yie pe µea b c
a=1 b=1 c=1 e=1
XXp p Xq
+2 ρ2i (ρ2i + 2) xai xbi (yie )2 µea b
a=1 b=1 e=1
X p X q Xq
3 e 3 1 e 4 1
−4 ρi (yi ) √ µa + ρi (yie )4
a=1 e=1
pe e=1
pe

√
et la variance asymptotique de ( n (ρni − ρi )) s'écrit :
1
β= α.
4 ρ2i

√ `
Démonstration. La suite ( n (λni − λi )) converge en loi vers Pi U Pi (= Pi ⊗
Pi (U )) où Pi est l'opérateur
√ xi ⊗ xi . L'opérateur de covariance asymptotique
L1 de rang 1 de la suite ( n (λni − λi )) s'écrit donc :
` `
L1 = (Pi ⊗ Pi ) ◦ L ◦ (Pi ⊗ Pi ).

En utilisant les égalités :

`
e j ⊗ xh ) = (xl ⊗ xj ) ⊗ (xk ⊗ xh )
(xl ⊗ xk )⊗(x

et
` ` `
(xi ⊗ xi ⊗ xi ⊗ xi ) ◦ (xl ⊗ xj ⊗ xk ⊗ xh ) ◦ (xi ⊗ xi ⊗ xi ⊗ xi )
`
= (xi ⊗ xi ◦ xl ⊗ xj ◦ xi ⊗ xi ) ⊗ (xi ⊗ xi ◦ xk ⊗ xh ◦ xi ⊗ xi )
`
= hxi , xl ihxi , xj ihxi , xk ihxi , xh i(xi ⊗ xi ⊗ xi ⊗ xi )
= δil δij δik δih (xi ⊗ xi ⊗x e i ⊗ xi ),

e i ⊗xi ), où α est le réel indiqué dans la proposition.

on trouve : L1 = α(xi ⊗xi ⊗x
Pour β, on utilise la relation obtenue en Analyse Canonique.
150 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

4.2.7 Application inférentielle

Test d'égalité des moyennes de classes
On suppose dans cette partie que, pour e de {1, · · · , q}, la loi de la v.a.e. X
conditionnellement à Ωe admet une espérance mathématique µe dépendant de
e et un opérateur de covariance Γ indépendant de e. On ne fait pas d'hypothèse
de normalité. La v.a.e. X étant centrée et d'opérateur de covariance IX ,) on
a les décompositions suivantes de l'espérance mathématique et de l'opérateur
de covariance de X :
q
X
0= pe µe et IX = R + Γ.
e=1

L'hypothèse d'égalité des moyennes de classes, que l'on note H0 , s'écrit donc :

∀ e ∈ {1, · · · , q}, µe = 0.

Comme R n'est autre que l'opérateur de covariance des moyennes par classes,
cette hypothèse s'écrit aussi : R = 0, c'est-à-dire,

∀ j ∈ {1, · · · , p}, ρ0j = 0.

On en déduit :
p
X p
X
VY X = ρ0j xj ⊗ yj = 0 et VXY = ρ0j yj ⊗ xj = 0.
j=1 j=1

On √peut remarquer que, sous H0 , l'opérateur de covariance L de la limite U

de ( n Rn ) est nul, donc U également. Nous nous intéressons alors à la limite
de la suite (n Rn ) et de sa trace. Notons que l'on a :
p
X
tr(n Rn ) = n (ρ0n 2
j ) .
j=1

Proposition 4.2.8 Sous l'hypothèse H0 , la suite (tr (n Rn )) converge en loi

vers une loi de χ2 à p (q − 1) degrés de liberté.

Démonstration. Notons tr (n Rn ) est la statistique de test de nullité des p −

r dernières valeurs propres de RX , étudiée au paragraphe 6.6., dans le cas
particulier r = 0. Reprenons l'étude de cette statistique dans le cadre de
l'A.F.D. On a :
√ n
√ n 1 1
n Rn = ( n NXY )( n NXY )∗ avec NXY n
= (VXn )− 2 VXY
n
(VYn )− 2 .

Rappelons la notation :
 Étude asymptotique de l'A.F.D. 151
n
n 1 X n
VXY = Yk ⊗ (Xk − X )
n
k=1
Pn n n
0n
et posons : VXY = n1 n 0n
k=1 Yk ⊗ Xk . On a alors : VXY = VXY − Y ⊗ X .
Puisque VXY est un opérateur nul et que X est centrée, la loi des grands
0n n
nombres permet de conclure que les suites (VXY ) et (VXY ) convergent en
probabilité vers 0. √
Si on pose de plus : Tn0 = n VXY 0n
, le théorème central limite permet
0
d'ajouter que la suite (Tn )) converge en loi vers une gaussienne centrée d'opé-
rateur de covariance :

K 0 = IE((Y ⊗ X)⊗(Y
e ⊗ X)).

Explicitons l'opérateur K 0 .

En utilisant les décompositions :

p
X q
X 1
X= X a εa et Y = Y e ε0e avec Y e = √ 11Ωe ,
a=1 e=1
pe

il vient :
Pp Pq
Y ⊗ X = a=1 e=1 X a Y e ε0e ⊗ εa et
P p Pp Pq Pq 0
e 0e ⊗ εa ).
K 0 = a=1 b=1 e=1 e0 =1 IE(X a X b Y e Y e ) (ε0e0 ⊗ εb )⊗(ε

Comme on a noté l'égalité :

Z
0 1
IE(X a X b Y e Y e ) = δee0 X a X b dP = δee0 µea b ,
pe Ωe

on obtient donc :
X p X
p X q
0
K = e 0e ⊗ εa ).
µea b (ε0e ⊗ εb )⊗(ε
a=1 b=1 e=1

Sous l'hypothèse H0 , les égalités :

Γ = IX et ∀ e ∈ {1, · · · , q}, ∀(a, b) ∈ {1, · · · , p}2 , µeab = γab = δab

(on rappelle γab = hΓ εa , εb i) entraînent :

p X
X q
K0 = (ε0e ⊗ εa )⊗(ε
e 0e ⊗ εa ),
a=1 e=1

et T 0 , limite en loi de la suite (Tn0 ) peut donc s'écrire :

p X
X q
T0 = 0
ξae (ε0e ⊗ εa ),
a=1 e=1
152 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
0
où la famille (ξae )(a,e)∈{1,··· ,p}×{1,··· ,q} est formée de variables réelles gaus-
siennes centrées réduites√ et indépendantes.
n
Posons à présent Tn = n VXY . Comme on a :
n
√ n
√ 1 X n n
Tn = n VXY = n( Yk ⊗ Xk − Y ⊗ X )
n
k=1
n
√ 1 X n √ n
= n[ (Yk − m) ⊗ Xk ] − (Y − m) ⊗ ( nX ),
n
k=1
Pq √
où l'on a m = IE(Y ) = e=1 pe ε0e , la loi des grands nombres permet de
conclure que la suite :
n
1 X
( (Yk − m) ⊗ Xk )
n
k=1

converge en probabilité vers 0(= E((Y − m) ⊗ X)) et le théorème de la limite

centrale permet d'ajouter que la suite :
n
√ 1 X
( n[ (Yk − m) ⊗ Xk ])
n
k=1

converge en loi vers une v.a.e. gaussienne centrée T d'opérateur de covariance :

K = IE([(Y − m) ⊗ X]⊗[(Y e − m) ⊗ X]).

n √ n
Comme (Y ) converge en probabilité vers m et ( n X √ ) converge en loi vers
n n
une v.a.e. gaussienne centrée, la suite ((Y − m) ⊗ ( n X )) converge en
probabilité vers 0 et la suite (Tn ) converge en loi vers T.
Explicitons l'opérateur K.

On peut écrire :

K = K 0 −IE((m⊗X)⊗(Y
e ⊗X))−IE((Y ⊗X)⊗(m⊗X))+IE((m⊗X)
e e
⊗(m⊗X)).

Utilisant toujours les décompositions de X et Y respectivement sur les

bases
Pq √ (εa )a∈{1,··· ,p} et (ε0e )e∈{1,··· ,q} , et utilisant la décomposition : m =
e=1 pe ε0e et le fait que l'on a sous H0 , :

∀ e ∈ {1, · · · , q}, ∀ (a, b) ∈ {1, · · · , p}2 , µeab = γa b = δa b ,

on obtient, sous H0 :

e
IE((m ⊗ X)⊗(Y e
⊗ X)) = IE((Y ⊗ X)⊗(m e
⊗ X)) = IE((m ⊗ X)⊗(m ⊗ X))
Xp
= e
(m ⊗ εa )⊗(m ⊗ εa ).
a=1
 Étude asymptotique de l'A.F.D. 153

Puisque le vecteur m est un vecteur normé de IRq , on peut considérer une

base orthonormée de (ε00e )e∈{1,··· ,q} de IRq telle que ε001 = m. On a alors les
égalités :
p
X
K = K0 − e
(m ⊗ εa )⊗(m ⊗ εa )
a=1
p X
X q p
X
= (ε00e ⊗ εa )⊗(ε
e 00e ⊗ εa ) − e
(m ⊗ εa )⊗(m ⊗ εa )
a=1 e=1 a=1
Xp X q
= (ε00e ⊗ εa )⊗(ε
e 00e ⊗ εa )
a=1 e=2

dont on en déduit que la limite en loi T de la suite (Tn ) peut s'écrire :

p X
X q
T = ξae (ε00e ⊗ εa ),
a=1 e=2

où les v.a. ξae , pour (a, e) de {1, · · · , p} × {2, ·, q}, sont des variables réelles
gaussiennes centrées réduites et indépendantes.
√ n
Montrons enn que les suites ( n NXY ) et (Tn ) ont même limite en loi ;
ceci provient du fait que l'on peut écrire :
√ n 1 1 1
n NXY = ((VXn )− 2 − IX ) Tn (VYn )− 2 + Tn ((VYn )− 2 − IY ) + Tn
1 1
et, comme les suites ((VXn )− 2 ) et ((VYn )− 2 ) convergent en probabilité respecti-
vement
√ vers IX et IY , la somme des deux premiers termes de la décomposition
n
de n NXY converge en probabilité vers 0.
On peut alors conclure que, sous H0 , la suite (tr (n Rn )) converge en loi
vers la v.a.r. tr (T T ∗ ), de loi de χ2 à p (q − 1) degrés de liberté.

Remarque 4.3. Il est ainsi possible de construire au moyen de cette statis-

tique de test un test, de niveau asymptotique donné, de l'hypothèse H0 contre
l'hypothèse contraire. Ce test est construit sans faire l'hypothèse de norma-
lité. On obtient donc asymptotiquement les résultats classiques obtenus avec
cette hypothèse de normalité.

4.2.8 Conclusion
Comme dans le cas de l'A.C. nous avons utilisé sur X la métrique VX−1 ,
−1
ce qui est équivalent à utiliser le changement de variable X = VX 0 2 X 0 , où X 0
est la v.a.e. initiale centrée d'opérateur de covariance VX 0 .
Les variables discriminantes s'écrivent :
−1 −1
fj = hxj , XiX = hxj , VX 0 2 X 0 iX = hVX 0 2 xj , X 0 iX
154 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

et s'obtiennent donc à partir de X 0 grâce aux facteurs discriminants :

−1
x0j = VX 0 2 xj .

On déduit des résultats asymptotiques obtenus précédemment pour xj ceux

concernant x0j .

4.3 Étude asymptotique de l'A.F.C.

Nous commençons par rappeler dans le paragraphe 4.3.1 la dénition de
l'Analyse Factorielle des Correspondances (A.F.C.). Elle peut être dénie
comme l'Analyse Canonique linéaire d'un couple Z = (X, Y ) de v.a.e. pour
lequel X et Y sont respectivement les vecteurs aléatoires à valeurs dans IRp
et IRq des indicatrices des modalités de deux variables qualitatives.

Dans le paragraphe 4.3.2, nous décrivons l'A.F.C. d'échantillonnage qui est

donc un cas particulier de l'A.C. d'échantillonnage. Usuellement, les variables
X et Y ne sont pas centrées ; l'étude réalisée au paragraphe 4.1. permet de
conserver les résultats de l'A.C. en remplaçant les opérateurs de covariance
par les opérateurs de Gram.

Nous rappelons ensuite les résultats concernant le comportement asymp-

n
totique des opérateurs d'échantillonnage RX et RYn , de leurs éléments propres
et des divers éléments de l'A.F.C. (convergence presque sûre (Ÿ 4.3.3), conver-
gence en loi (Ÿ 4.3.4)).

Dans le paragraphe 4.3.5 nous donnons l'expression, par rapport à la base

de
√ facteurs canoniques, de l'opérateur de covariance asymptotique de la suite
n
( n (RX − RX )) et constatons la diculté de donner une expression simple
des opérateurs de covariance asymptotiques des diérents éléments de l'A.F.C.
C'est pourquoi, nous
√ donnons seulement √ (Ÿ 4.3.6) l'expression de la variance
asymptotique de ( n (λni −λi )) et de ( n (ρni −ρi )) dans le cas où λi est simple.

Enn (Ÿ 4.3.7) nous reprenons le test de nullité des p − r dernières valeurs

propres de RX .

Cette étude asymptotique a été réalisée en 1983 par Ghomari ; nous ren-
voyons à cette thèse pour plus de détails.

4.3.1 A.F.C. d'un couple de v.a. qualitatives

Soit (X 0 , Y 0 ) un couple de v.a. qualitatives dénie sur un même espace
probabilisé (Ω, A, P ) et à valeurs dans des ensembles nis (chacun étant muni
de la tribu de ses parties) de p et q éléments respectivement codés {1, · · · , p}
 Étude asymptotique de l'A.F.C. 155

et {1, · · · , q}.

Pour chaque élément (i, j) de {1, · · · , p} × {1, · · · , q}, on pose :

= P ([X 0 = i] ∩ [Y 0 = j]),
pij P Pp
q
pi · = P ([X 0 = i]) = j=1 pij et p.j = P ([Y 0 = j]) = i=1 pij

et on suppose pi · et p· j non nuls.

On note X (resp. Y )) l'espace euclidien IRp (resp. IRq ) muni de la base

canonique (εi )i=1,··· ,p (resp. (ε0j )j=1,··· ,q ) et du produit scalaire usuel.

On dénit alors X (resp. Y ) comme la v.a.e. dénie sur (Ω, A, P ) et à

valeurs dans (X , BX ) (resp. (Y, BY )) dont la composante X i (resp. Y j ) est
l'indicatrice, notée 11i (resp. 110j ), de la ie catégorie [X 0 = i] de X (resp. de la
j e catégorie [Y 0 = j] de Y ).
Dénition 4.3.1 L'Analyse Factorielle des Correspondances (A.F.C.) de X 0
et Y 0 est l'Analyse Canonique linéaire non centrée du couple de v.a.e. Z =
(X, Y ).

On reprend les notations du paragraphe 3.1. Les opérateurs VX = IE(X ⊗ X)

et VY = IE(Y ⊗ Y ) sont les opérateurs de Gram des v.a.e. X et Y. Ce sont
des opérateurs inversibles puisque leurs matrices par rapport aux bases cano-
niques de X et de Y sont diagonales, de ie et j e éléments respectivement pi ·
et p· j (i ∈ {1, · · · , p}, j ∈ {1, · · · , q}).

Comme on l'a fait dans le cadre de l'A.C., on utilise sur X (resp. sur Y) la
métrique VX−1 (resp. VY−1 ). Ce choix revient à réduire les variables. Désormais
X et Y sont les v.a.e. dont les ie et j e composantes sont respectivement :
1 1
X i = √ 11i , i ∈ {1, · · · , p}, et Y j = √ 110j , j ∈ {1, · · · , q}.
pi · p· j

Les opérateurs de Gram VX = IE(X ⊗ X) et VY = IE(Y ⊗ Y ) sont alors les

opérateurs identités de X et de Y :

VX = I X , V Y = I Y .

On pose :
VXY = IE(Y ⊗ X), VY X = IE(X ⊗ Y ),
RX = VXY VY X et RY X = VY X VXY .
On a donc relativement aux bases orthonormées (εi )i=1,··· ,p et (ε0j )j=1,··· ,q
de X et Y ;
156 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
Pp Pq
X = i=1 √p1i · 11i εi , Y = j=1 √p· 1
j
110j ε0j ,
Pp Pq
V = i=1 εi ⊗ εi , VY = j=1 εj ⊗ ε0j , 0
Pp PqX p Pp Pq p
VXY = i=1 j=1 √pi ij· p· j ε0j ⊗ εi , VY X = i=1 j=1 √pi ij· p· j εi ⊗ ε0j ,
Pp Pp Pq p p
RX = i=1 k=1 j=1 √piij· [Link] · j εk ⊗ εi
Pq Pq Pp p p
et RY = j=1 l=1 i=1 √p·ijj [Link] · ε0l ⊗ ε0j .

L'A.F.C. de X 0 et Y 0 est obtenue par l'analyse spectrale de RX et RY .

Soit r le rang commun de RX et RY , (λ0j )j=1,··· ,r la suite pleine décroissante

des valeurs propres non nulles, (xj , yj )j=1,··· ,r une suite de vecteurs propres
unitaires associés et liés par les relations :
0− 12 0− 12
y j = λj VY X xj , xj = λj VXY yj

et (fj , gj )j=1,··· ,r la suite de variables canoniques associées, dénies par :

fj = hxj , XiX et gj = hyj , Y iY .

On note (λi )i∈{1,··· ,s} la suite strictement décroissante des valeurs propres
non nulles de RX et de RY , (PXi , PY i ) le ie couple de projecteurs canoniques
dans σ2 (X ) × σ2 (Y) et (ΠXi , ΠY i ) le ie couple de projecteurs canoniques dans
σ2 (L2 (P )) × σ2 (L2 (P )).

On pose, pour chaque i de {1, · · · , s} : Ji = {j ∈ {1, · · · , r} ; λ0j = λi },

√ q
ρi = λi et pour chaque j de {1, · · · , r} : ρ0j = λ0j .

Lorsque λi est une valeur simple, soit j le seul élément de Ji , on s'inté-

resse alors au couple de facteurs canoniques (xj , yj ) de X × Y et au couple
de variables canoniques (fj , gj ) de L2 (P ) × L2 (P ) tels qu'ils ont été dénis
précédemment.

Dans toute la suite, ici encore an d'avoir des notations homogènes, chaque
fois que la valeur propre λi est simple, l'unique élément j de Ji est noté i ;
tous les éléments propres associés à λi sont donc indexés par i. On peut alors
écrire :
s
X X
RX = λi PXi , avec PXi = xj ⊗ xj ,
i=1 j∈Ji
s
X X
RY = λi PY i , avec PY i = yj ⊗ yj ,
i=1 j∈Ji
X X
ΠXi = fj ⊗ fj et ΠY i = gj ⊗ gj ,
j∈Ji j∈Ji

et
 Étude asymptotique de l'A.F.C. 157
r
X s
X X
VXY = ρ0j yj ⊗ xj = ρi PXY i , avec PXY i = yj ⊗ xj ,
j=1 i=1 j∈Ji
r
X s
X X
VY X = ρ0j xj ⊗ yj = ρi PY Xi , avec PY Xi = xj ⊗ yj .
j=1 i=1 j∈Ji

Enn, dans le cas où le rang commun r de RX et RY est inférieur à la

dimension p de X ou q de Y, on pose, pour j > r : λ0j = 0 et λs+1 = 0. Soit
(xj )j>r (resp. (yj )j>r ) une base orthonormée de l'espace propre associé à la
valeur propre nulle de RX (resp. RY ).

On pose, pour j > r : fj = hxj , XiX et gj = hyj , Y iY et on peut écrire :

p
X q
X p
X q
X
X= xi fi , Y = yj gj , IX = xi ⊗ xi et IY = yj ⊗ yj .
i=1 j=1 i=1 j=1

Comme on a :
p
X q
X
√ √
pi · X i = 11Ω et p· j Y j = 11Ω ,
i=1 j=1

le coecient canonique maximal est 1, les variables canoniques associées sont

f1 = g1 = 11Ω et les vecteurs canoniques associés sont respectivement :
p
X q
X
√ √
x1 = pi · εi et y1 = p· j ε0j .
i=1 j=1

Toutes les autres variables canoniques sont donc des variables centrées et
réduites.

4.3.2 A.F.C. d'échantillonnage

Soit Z = (X, Y ) le couple de v.a.e. précédemment dénies et soit (Zk )k∈IN∗ ,
avec Zk = (Xk , Yk ), une suite de v.a. i.i.d. comme Z. On rappelle que l'on a,
pour tout k ∈ IN∗ , Xk = X ◦ πk , et Yk = Y ◦ πk .

En reprenant les notations de l'A.C. d'échantillonnage (Ÿ 3.2.), on a,d'une

part :
n n
1 X 1 X
VXn = Xk ⊗ Xk , VYn = Yk ⊗ Yk ,
n n
k=1 k=1
Xn Xn
n 1 1
VXY = Yk ⊗ Xk , VYnX = Xk ⊗ Yk
n n
k=1 k=1
158 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

et, d'autre part :

1 1 1 1
n
NXY = (VXn )− 2 VXY
n
(VYn )− 2 , NYn X = (VYn )− 2 VYnX ( VXn )− 2
n n
RX = NXY NYn X et RYn = NYn X NXY
n
.

Notant, pour i ∈ {1, · · · , p}, j ∈ {1, · · · , q}, pnij la fréquence observée pour
Pq Pp
les modalités i de X 0 et j de Y 0 et posant : pni· = j=1 pnij , pn· j = i=1 pnij ,
on peut écrire :
Pp pn Pq pn
VXn = i=1 pii ·· εi ⊗ εi , VYn = j=1 p·· jj ε0j ⊗ ε0j ,
n
Pp Pq pn Pp Pq pn
VXY = i=1 j=1 √pi ij· p· j ε0j ⊗ εi , VYnX = i=1 j=1 √pi ij· p· j εi ⊗ ε0j

et Pp Pq n
n
NXY = i=1 j=1
√ pnij ε0j ⊗ εi ,
pi · pn
·j
Pp Pq pn
NYn X = i=1 j=1 √pn pn εi ⊗ ε0j ij

i· ·j
Pp Pp Pq pn n
ij pkj
RXn
= i=1 k=1 j=1 pn √ p n pn
εi ⊗ εk
·j i· k·
Pq P q P p p n n
p
et RYn = j=1 `=1 i=1 pn √ ij i`
pn pn j
ε0 ⊗ ε0` .
i· ·j ·`

En eet, en utilisant les expressions de X et de Y :

p
X X 1 q
1
X= √ 11i εi et Y = √ 110j ε0j ,
i=1
p i· j=1
p · j

on peut écrire :
n n
1 X 1 X
VXn (ω) = Xk (ω) ⊗ Xk (ω) = X(ωk ) ⊗ X(ωk )
n n
k=1 k=1
X p
p X n
1 1 X i 0
= √ ( 11 (ωk ) 11i (ωk )) εi0 ⊗ εi ,
i=1 i0 =1
pi · pi0 · n
k=1

et, prenant en compte l'égalité :

n
1 X i 0
11 (ωk ) 11i (ωk ) = δii0 pn
i ·,
n
k=1

on déduit :
p
X pn i·
VXn = εi ⊗ εi .
i=1
pi ·
On obtient de même l'expression de VYn ; celle de VXY
n
(et de VYnX ) s'obtient
en remarquant que l'on a :
n
1 X i
11 (ωk ) 110j (ωk ) = pn
ij .
n
k=1
 Étude asymptotique de l'A.F.C. 159
n
On en déduit les expressions de NXY et NYn X et enn celles de RX
n
et RYn .

L'A.F.C. d'échantillonnage est obtenue à partir de la décomposition spec-

n
trale de RX etRYn . Soit (λ0n
j )j=1,··· ,r la suite pleine décroissante des r premières
n
valeurs propres de RX (et donc aussi de RYn ) supposées non nulles (on verra
que c'est vrai à partir d'un certain rang) et (unj )j=1,··· ,r un système ortho-
normé de vecteurs propres associés.

On pose :
q 1 1
ρ0n
j = λ0n
j et vjn = (ρ0n
j )
−1
(VYn )− 2 VYnX (VXn )− 2 unj ;

le système (vjn )j=1,··· ,r est alors un système orthonormé de vecteurs propres

de RY associés aux valeurs propres (λ0n j )j=1,··· ,r .

On pose pour chaque i de {1, · · · , s} :

X X
n
PXi = unj ⊗ unj et PYni = vjn ⊗ vjn .
j∈Ji j∈Ji

1 1
Le vecteur xnj := (VXn )− 2 unj (resp. yjn := (VYn )− 2 vjn ) est vecteur propre de
(VXn )−1 VXY
n
(VYn )−1 VYnX (resp. (VYn )−1 VYnX (VXn )−1 VXY n
) associé à la valeur
0n
propre λj et vérie :
1 1
hunj , unj0 iX = h(VXn ) 2 xnj , (VXn ) 2 xnj0 iX = hxnj , xnj0 iVXn = δjj 0
1 1
(resp. hvjn , vjn0 iY = h(VYn ) 2 yjn , (VYn ) 2 yjn0 iY = hyjn , yjn0 iVYn = δjj 0 ).

Enn, on pose :
P P
QnXi = n n n
j∈Ji xj ⊗ xj , QY i =
n
j∈Ji yj ⊗ yjn
n n n n n n
fj = ΦX (xj ), gj = ΦY (yj ),
1 1
n n − 12 1
ΠXi = ΦnX (VXn )− 2 n
PXi (VXn )− 2 Φn∗ n n
X et ΠY i = ΦY (VY ) PYni ( VYn )− 2 Φn∗
Y .

Lorsque λi est simple, il faut préciser le vecteur propre unitaire associé

(parmi les deux possibles) de façon à dénir une suite convergente de vecteurs
propres. On convient de prendre

hnXi = kPXi
n
xi k−1 PXi
n
xi ,

et, comme indiqué précédemment, on pose :

1 1 1
vin = (λni )− 2 (VYn )− 2 VYnX (VXn )− 2 uni .

Dans le cas de l'A.C. d'échantillonnage non centrée (cf. Ÿ 6.2. pour l'A.C.
d'échantillonnage centrée), on a :

ΦnX = ΦX = h·, XiX et ΦnY = ΦY = h·, Y iY ;

160 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

aussi, comme dans le cas de l'A.F.C. théorique, on peut écrire :

p
X q
X
√ √
pi · X i = 11Ω et p· j Y j = 11Ω ;
i=1 j=1

le coecient canonique maximal ρ0n

1 est égal à 1.

4.3.3 Convergence presque sûre

Nous reprenons donc pour l'A.F.C. les résultats concernant la convergence
presque sûre de l'A.C. d'échantillonnage (Ÿ 6.3.). On pose RZ = (RX , RY ) et,
n n
à partir d'un certain rang n0 , RZ = (RX , RYn ).
Proposition 4.3.2 La suite d'opérateurs (RZn ) converge p.s. vers RZ dans
σ2 (X ) × σ2 (Y).
Soit i un élément de {1, · · · , s}.
Proposition 4.3.3 (i) Pour tout j de Ji , la suite de valeurs propres (λ0n
j )
converge p.s. vers λi dans IR.
(ii) La suite des couples de projecteurs propres ((PXi n
, PYni )) converge p.s. vers
(PXi , PY i ) dans σ2 (X ) × σ2 (Y).
(iii) Lorsque λi est valeur propre simple, (uni , vin ) est déni pour n susam-
ment grand et la suite des couples de vecteurs propres ((uni , vin )) converge p.s.
vers (xi , yi ) dans X × Y.
(iv) Pour chaque j de Ji , la suite de coecients canoniques (ρ0n j ) converge
p.s. vers ρi dans IR.)
(v). La suite des couples de projecteurs canoniques ((QnXi , QnY i )) converge p.s.
vers (PXi , PY i ) dans σ2 (X ) × σ2 (Y).
(vi) Pour tout f de L2 (P ), la suite des couples de variables canoniques
((ΠXin
f, ΠYn i f )) converge p.s. vers (ΠXi f, ΠY i f ) dans L2 (P ) × L2 (P ).
(vii) Lorsque λi est une valeur propre simple, la suite des couples de facteurs
canoniques ((xni , yin )) converge p.s. vers (xi , yi ) dans X × Y.
(viii) Lorsque λi est simple, la suite des couples de variables canoniques
((fin , gin )) converge p.s. vers (fi , gi ) dans L2 (P ) × L2 (P ).
Remarque 3.4. Notons que le premier résultat permet de vérier que les
valeurs propres λ0n
j sont p.s. non nulles à partir d'un certain rang comme nous
l'avons dit précédemment.

4.3.4 Convergence en loi

Pour la convergence en loi, nous reprenons de même les résultats de l'A.C.
d'échantillonnage (Ÿ 5.4.). Les lois limites sont des gaussiennes centrées dont
nous préciserons les opérateurs de covariance dans le paragraphe suivant.
On pose :
 Étude asymptotique de l'A.F.C. 161
√ √ √
WZn = n (VZn − VZ ), UX
n
√= n
n
(RX − RX ), UYn = n (RYn − RY )
n n n
et UZ = n (RZ − RZ ) = (UX , UYn )

et, WZ étant une v.a.e. gaussienne centrée ayant pour opérateur de covariance
KZ celui de Z ⊗ Z :

WX = PX WZ PX∗ , WXY = PX WZ PY∗ , WY X = PY WZ PX∗ ,

et WY = PY WZ PY∗ .

Proposition 4.3.4 La suite (UZn )(:= (UXn , UYn )) converge en loi dans σ2 (X )×
σ2 (Y) vers le couple gaussien centré UZ = (UX , UY ) où l'où pose :
1
UX = − (WX RX + RX WX ) + WXY VY X + VXY WY X − VXY WY VY X
2
et où UY s'obtient en échangeant dans UX les rôles de X et Y.
On note ∆ l'application qui à un opérateur autoadjoint positif associe le
vecteur de ses valeurs propres rangées dans l'ordre décroissant. Pour i de
{1, · · · , s} ; on pose SXi = (RX − λi IX )− et SY i = (RY − λi IY )− . on a alors
les propriétés suivantes :
√
Proposition 4.3.5 (i) La suite ( n (λ0n j −λi ))j∈Ji converge en loi dans IR
mi

vers la v.a.e. gaussienne centrée :

∆(UXi1 ) avec UXi1 := PXi UX PXi

√
et, lorsque λi est simple, la suite ( n (λ0n
j − λi )) converge en loi dans IR vers
la v.a.r. gaussienne centrée :

tr(PXi UX PXi ).
√ √
(ii) La suite (( n (PXi
n
−PXi ), n (PYni −PY i ))) converge en loi dans σ2 (X )×
σ2 (Y) vers le couple gaussien centré (UXi2 , UY i2 ), où l'on a posé : UXi2 :=
PXi UX SXi + SXi UX PXi et où la v.a. UY i2 s'obtient en permutant les rôles
de X et Y.
√ √
(iii) Lorsque λi est simple, la suite (( n (uni − xi ), n (vin − yi ))) converge en
loi dans X × Y vers le couple gaussien centré (UXi3 , UY i3 ) avec :

UXi3 := SXi UX xi ,

la v.a. UY i3 s'en déduisant en remplaçant X par Y.

√ mi
(iv) Pour i ≤, s la suite ( n (ρ0n
j − ρi ))j∈Ji converge en loi dans IR vers la
v.a. gaussienne centrée :
1 − 12
∆(UXi4 ) : avec UXi4 := λ PXi UX PXi ,
2 i
162 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.
√
et, lorsque λi est simple, la suite ( n (ρni − ρi )) converge en loi dans IR vers
la v.a.r. gaussienne centrée :
1 − 21
λ tr (PXi UX PXi ).
2 i
√ √
(v) La suite (( n (QnXi −PXi ), n (QnXi −PXi ))) converge en loi dans σ2 (X )×
σ2 (Y) vers le couple gaussien centré : (UXi5 , UY i5 ), avec :
1 1
UXi5 := WX PXi − PXi WX + PXi UX SXi + SXi UX PXi ,
2 2
la v.a. UY i5 étant déni de façon analogue en remplaçant X par Y.

(vi) Soit f un élément de L2 (P ) ; on note GX (resp. GY, , resp. Gf X , resp.

Gf Y ) une v.a. à valeurs dans X (resp. Y, resp. X , resp. Y), de loi gaussienne
centrée ayant pour opérateur de covariance celui de X (resp. Y, resp. f X,
resp. f Y ). On rappelle que X et Y sont centrées et d'opérateurs de cova-
riance respectifs IX et IY .
√ √
Pour tout f de L2 (P ), la suite (( n (ΠXi n
f − ΠXi f ), n (ΠYn i f − ΠY i f )))
f
converge en loi dans L2 (P )×L2 (P ) vers le couple gaussien centré (UXi6 , UYf i6 ),
f
où la v.a. UXi6 (et UYf i6 en remplaçant X par Y est dénie par :

f 1
UXi6 := hPXi IE(f X), GX i − h (WX PXi + PXi WX ) IE(f X)
2
+(PXi UX SXi + SXi UX PXi ) IE(f X) + PXi Gf X , Xi.
√ √
(vii) Lorsque λi est simple, la suite (( n (xni − xi ), n (yin − yi ))) converge
en loi dans X × Y vers le couple gaussien centré (UXi7 , UY i7 ) où l'on :
1
UXi7 := WX xi + SXi UX xi
2
la v.a. UY i7 s'en déduisant en remplaçant X par Y. √ √
(viii) Lorsque λi est une valeur propre simple, la suite (( n (fin −fi ), n (gin −
gi ))) converge en loi dans L2 (P ) × L2 (P ) vers le couple gaussien centré :
1 1
(UXi8 , UY i8 ) := (h WX xi + SXi UX xi , Xi, h WY yi + SY i UY yi , Y i).
2 2

4.3.5 Expression de l'opérateur de covariance asymptotique des

opérateurs d'échantillonnage
n
Il sut d'exprimer l'opérateur de covariance asymptotique LXX de UX et
n n
l'opérateur de covariance asymptotique croisée LXY de UX et UY .

L'A.F.C. étant un cas particulier de l'A.C., nous avons :

 Étude asymptotique de l'A.F.C. 163
Pr P P
LXX e j ⊗ xh + xh ⊗ xj ),
= i,j=1 k h IE(Fik Fjh ) (xi ⊗ xk + xk ⊗ xi )⊗(x
Pr P P
LXY e j ⊗ yh + yh ⊗ yj ),
= i,j=1 k h IE(Fik Gjh ) (xi ⊗ xk + xk ⊗ xi )⊗(y

où l'on a :
Fik = − 12 ρ02 0 1 0 0
i fi fk + ρi gi fk − 2 ρi ρk gi gk
et Gjh = − 2 ρj gj gh + ρj fj gh − 12 ρ0j ρ0h fj fh .
1 02 0

P P
Pp Utilisons Ptoujours la convention
p P q
selon laquelle k (resp.
0
h ) désigne
0
k=1 (resp. h=1 pour L XX ,
Pr h=1 L XY )
Pr sauf lorsque ρ k (resp.ρ h ) est en
facteur auquel cas il s'agit de k=1 (resp. h=1 ).

Il s'agit donc d'exprimer dans le cadre de l'A.F.C. les termes :

IE(fi fk fj fh ), IE(fi fk fj gh ),
IE(fi fk gj gh ), IE(fi gk gj gh ) et IE(gi gk gj gh ).

Pour cela, on utilise les coordonnées des facteurs canoniques par rapport aux
bases (εa )a=1,··· ,p et (ε0e )e=1,··· ,q respectivement de X et Y.

Nous avons déjà remarqué que l'on avait :

p
X q
X 1 1
X= X a εa et Y = Y b ε0b avec X a = √ 11a et Y b = √ 110b ,
a=1
pa · p· b
b=1

et, pour j de {1, · · · , p} et k de {1, · · · , q}, on peut écrire avec des notations
évidentes :
Pp Pq
Pxj = a=1 xaj εa et yk = b=1 ykb ε0b P
p q
fj = hX, xj iX = a=1 √p1a · 11a xaj et gk = hY, yk iX = b=1 √p1· b 110b ykb .

On obtient :
Xp
1 a a a a
IE(fi fk fj fh ) = xi xk xj xh ,
p
a=1 a ·
p X
X q
pab
IE(fi fk fj gh ) = √ xa xa xa y b ,
a=1 b=1
pa · pa · p· b i k j h
Xp X q
pab
IE(fi fk gj gh ) = xa xa y b y b ,
a=1 b=1
pa · p· b i k j h
Xp X q
pab
IE(fi gk gj gh ) = √ xa y b y b y b ,
a=1 b=1
pa · p· b p· b i k j h
Xq
1 b b b b
IE(gi gk gj gh ) = y y y y ,
p· b i k j h
b=1
164 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

et on en déduit les expressions suivantes de LXX et LXY en fonction des bases

de facteurs canoniques :
r XX
X r X Xp
1 1 a a a a
LXX = ρ0i ρ0j [ρ0i ρ0j xi xk xj xh
i=1
4 p
a=1 a ·
k j=1 h
p X
X q Xp Xq
pab pab
− 2 ρ0i √ xai xak yjb xah + ρ0i ρ0h xai xak yjb yhb
a=1 b=1
pa · pa · p· b a=1
pa · p· b
b=1
Xp X q Xp Xq
pab pab b a b a
− 2 ρ0j √ b a a a
y x x x +4 yi xk yj xh
a=1 b=1
pa. pa. p.b i k j h a=1
pa. p.b
b=1
Xp X q Xp Xq
pab pab
− 2 ρ0h √ yib xak yjb yhb + ρ0k ρ0j yib ykb xaj xah
a=1 b=1
pa · p· b p· b a=1
pa · p· b
b=1
p X
X q q
X
pab 1 b b b b
− 2 ρ0k √ b b b a 0 0
yi yk yj xh + ρk ρh y y y y ]
a=1 b=1
pa · p· b p· b p· b i k j h
b=1
e j ⊗ xh + xh ⊗ xj )
(xi ⊗ xk + xk ⊗ xi )⊗(x

et
r XX
X r X Xp
1 1 a a a a
LXY = ρ0i ρ0j [ρ0i ρ0h xi xk xj xh
i=1
4 p
a=1 a ·
k j=1 h
p X
X q Xp Xq
pab pab
− 2 ρ0i √ xai xak xaj yhb + ρ0i ρ0j xai xak yjb yhb
a=1 b=1
pa · pa · p· b a=1
pa · p· b
b=1
Xp X q Xp Xq
pab pab b a a b
− 2 ρ0h √ b a a a
yi xk xj xh + 4 yi xk xj yh
a=1 b=1
pa · pa · p· b a=1
p a. p.b
b=1
X q
p X Xp Xq
pab pab b b a a
− 2 ρ0j √ yib xak yjb yhb + ρ0k ρ0h y y x x
a=1 b=1
pa · p· b p· b a=1
p a. p.b i k j h
b=1
Xp X q q
X
pab 1 b b b b
− 2 ρ0k √ b b a b 0 0
yi yk xj yh + ρk ρj y y y y ]
a=1 b=1
pa.· p· b p· b p.b i k j h
b=1
e j ⊗ yh + yh ⊗ yj ).
(xi ⊗ xk + xk ⊗ xi )⊗(y

4.3.6 Expression de la variance asymptotique des valeurs propres

et des coecients canoniques
Proposition 4.3.6 Dans le cas où λi (= ρ2i ) est une √
valeur propre simple non
nulle de RX et RY , la variance asymptotique α de ( n (λni − λi )) s'écrit :
 Étude asymptotique de l'A.F.C. 165

Xp Xp Xq
1 pab
α = ρ4i (xai )4 − 4 ρ3i √ (xai )3 yib
a=1
pa · a=1
pa · pa · p· b
b=1
p X
X q
pab
+ (2ρ4i + 4ρ2i ) (xa )2 (yib )2
a=1 b=1
pa · p· b i
p X
X q q
X
pab 1
− 4ρ3i √ a b 3 4
x (y ) + ρi (y b )4
a=1 b=1
pa · p· b p· b i i p· b i
b=1
√
et la variance asymptotique de ( n (ρni − ρi )) est, :
1
β= α.
4 ρ2i

Démonstration. La preuve est la même que dans le cas de l'A.F.D..

4.3.7 Applications inférentielles

Test de nullité des p − r dernières valeurs propres de RX
Introduction
Supposons que l'on ait : r < p ≤ q. Nous avons vu dans le cas général de
l'A.C. au paragraphe 3.6. l'égalité :
p
X
n λ0n n n n
j = tr (PX RX PX ),
j=r+1

n
où PX est la somme des projecteurs propres associés aux p−r dernières valeurs
n
propres (distinctes ou confondues) de RX . Nous avons vu de plus que, lorsque
PX (resp. PY ) désigne le projecteur orthogonal sur le noyau de RX (resp.
RY ), on peut écrire :
n n n
√ √
n PX RX PX = ( n An )( n An )∗
√
et montrer que ( n An ) converge en loi vers PX WXY PY , où WXY a pour
opérateur de covariance KXY celui de Y ⊗ X. Si l'on pose :
p X
X q
WXY = ηjk yk ⊗ xj ,
j=1 k=1

on alors par rapport aux bases de facteurs canoniques :

p
X q
X
PX WXY PY = ηjk yk ⊗ xj .
j=r+1 k=r+1

Explicitation de l'opérateur de covariance KXY de WXY

166 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

a) Par rapport aux bases de facteurs canoniques, on a (cf. Ÿ 3.5.1) :

Pp Pq Pq
KXY = j,j 0 =1 k,k0 =1 =1 [IE(fj gk fj 0 gk0 )
e k0 ⊗ xj 0 ),
−IE(fj gk ) bkE(fj 0 gk0 )] (yk ⊗ xj )⊗(y

avec IE(fj gk ) = ρ0j δjk et donc aussi IE(fj 0 gk0 ) = ρ0j 0 δj 0 k0 .

l
On en déduit que l'opérateur de covariance de PX WXY PY (= (PY ⊗PX )◦
WXY ) est :
` `
(PY ⊗ PX ) ◦ KXY ◦ (PY ⊗ PX ).
On déduit de l'égalité :
p
X q
X
`
PY ⊗ PX = yk ⊗ xj ,
j=r+1 k=r+1

que l'opérateur de covariance de PX WXY PY est :

p
X q
X p
X q
X
e k0 ⊗ xj 0 ).
IE(fj gk fj 0 gk0 ) (yk ⊗ xj )⊗(y
j=r+1 k=r+1 j 0 =r+1 k0 =r+1

Les variables (ηjk ), où j décrit {r + 1, · · · , p} et k décrit {r + 1, · · · , q},

sont gaussiennes centrées et vérient :

cov (ηjk , ηj 0 k0 ) = IE(fj gk fj 0 gk0 ).

b) Par rapport aux bases canoniques (εa )a=1,··· ,p et (ε0b )b=1,··· ,q respecti-
vement de IRp et IRq , utilisant les égalités :
0 0
11a 11a = δaa0 11a et 110b 110b = δbb0 110b ,

on peut écrire :
Pp Pq
X = a=1 √p1a · 11a εa , Y = b=1 √p1· b 110b ε0b ,
Pp Pq
Y ⊗ X = a=1 b=1 √pa1· p· b 11a 110b ε0b ⊗ εa
Pp Pq
e
(Y ⊗ X)⊗(Y e 0b ⊗ εa )
⊗ X) = a=1 b=1 pa ·1p· b 11a 110b (ε0b ⊗ εa )⊗(ε

dont on déduit :

Pp Pq
IE(Y ⊗ X) = VXY = a=1 b=1 √ppaab · p· b
ε0b ⊗ εa
Pp Pq p
e
et IE[(Y ⊗ X)⊗(Y 0
⊗ X)] = a=1 b=1 pa · p· b (εb ⊗ εa )⊗(ε
ab e 0b ⊗ εa ).

L'opérateur KXY de WXY s'écrit alors :

p
X q
X pab
KXY = √ (δaa0 δbb0 − pa0 b0 ) (ε0b ⊗ εa )⊗(ε
e 0b0 ⊗ εa0 )
pa · p· b pa0 · p· b0
a,a0 =1 b,b0 =1
 Étude asymptotique de l'A.F.C. 167

et l'opérateur de covariance de PX WXY PY :

p X
X q
` pab `
(PY ⊗ PX ) ◦ ( (ε0b ⊗ εa )⊗(ε
e 0b ⊗ εa )) ◦ (PY ⊗ PX ).
a=1
pa · p· b
b=1

En eet, comme on a :
` `
e XY ) ◦ (PY ⊗ PX ) = (PX VXY PY )⊗(P
(PY ⊗ PX ) ◦ (VXY ⊗V e X VXY PY ) = 0,

le deuxième terme de la décomposition de KXY est nul.

En revenant aux bases de facteurs canoniques :

p
X q
X
εa = xaj xj , ε0b = ykb yk ,
j=1 k=1

l'opérateur de covariance de PX WXY PY est :

p
X q
X p X
X q
pab 0 0
( xa y b xa0 y b 0 ) (yk ⊗ xj )⊗(y
e k0 ⊗ xj 0 ) ;
pa · p· b j k j k
j,j 0 =r+1 k,k0 =r+1 a=1 b=1

les variables (ηjk ), où j appartient à {r + 1, · · · , p} et k appartient à {r +

1, · · · , q}, sont donc gaussiennes centrées et vérient :
Xp Xq
pab 0 0
cov (ηjk , ηj 0 k0 ) = IE(fj gk fj 0 gk0 ) = xaj ykb xaj 0 ykb 0 .
a=1
p p
a· ·b
b=1

Remarques 4.5.
Pp √
1) Dans le cas de l'indépendance, on a RX = x1 ⊗ x1 , avec x1 = i=1 pi · εi .
L'opérateur RX est donc un opérateur de rang 1 et son unique valeur propre
est 1 ; le vecteur canonique associé est x1 et la variable canonique associée f1
est 11Ω .

L'opérateur de covariance KXY de WXY est alors :

Pp Pq
e k 0 ⊗ xj 0 )
KXY = j,j 0 =1 k,k0 =1 (δjj 0 δkk0 − ρ0j ρ0j 0 δjk δj 0 k0 ) (yk ⊗ xj )⊗(y
Pp Pq
= j=1 k=1 (yk ⊗ xj )⊗(y e k ⊗ xj ) − (y1 ⊗ x1 )⊗(y e 1 ⊗ x1 ).

Les variables (ηjk ), pour j de {2, · · · , p} et k de {2,

P·p· · , q}, sont gaussiennes
centrées réduites et indépendantes et la suite (n j=2 λ0n j ) converge en loi
2
vers une loi de χ à (p − 1) (q − 1) degrés de liberté.

Ce résultat est bien connu puisque l'on peut écrire :

Pp Pq n Pr p 0n n
n
NXY = i=1 j=1
√ pnij n ε0j ⊗ εi = k=1 λk yk ⊗ xnk
pi · p· j
n
Pp Pq (pnij )2 Pr
et kNXY k22 = i=1 j=1 pn n = k=1 λ0n
k .
i · p· j
168 Chap. 4 - Étude asymptotique de l'A.F.D. et de l'A.F.C.

Or, on a : λ0n
1 = 1 et on en déduit que, dans le cas de l'indépendance, on a :

r
X X p X q
(pnij )2
n λ0n
k = n[ − 1] ;
pn pn
i=1 j=1 i · · j
k=2

c'est la statistique usuelle du χ2 d'indépendance à (p − 1) (q − 1) degrés de

liberté.

2) Dans le cas général, les variables (ηjk ), où j appartient à {r + 1, · · · , p} et

k appartient à {r + 1, · · · , q}, ne sont ni indépendantes, ni réduites. C'est le
résultat obtenu par O'Neill en 1978a et b.
 Deuxième partie

Études asymptotiques des modèles associés

5
Modèles à eets xes et A.C.P. optimale

Contenu : Le modèle à eets xes comme modèle pour l'A.C.P. Estimation par
les moindres carrés. Étude asymptotique des modèles à eets xes et choix optimal
de métrique en A.C.P. Test sur l'espace des paramètres.

5.1 Le modèle à eets xes : un modèle pour l'A.C.P.

Nous avons vu que l'A.C.P. pouvait être présentée sans référence à un mo-
dèle probabiliste (A.C.P. descriptive). Dans cette optique, on insiste alors sur
les propriétés algébriques et géométriques ainsi que sur le traitement simul-
tané des individus et des variables (cf. Cailliez et Pagès (1976), Lebart et al
(1979, 1984, 1992), Saporta (1990).
Cependant, il s'agit parfois d'une analyse eectuée sur un échantillon d'in-
dividus et non sur la population tout entière dont est extrait cet échantillon.
Se pose alors un problème inférentiel : l'analyse est-elle stable par échantillon-
nage ? C'est pour répondre à ce type de question que l'étude asymptotique
dans le cadre d'un échantillonnage i.i.d. a été proposée et réalisée au chapitre
2.
Bien souvent, dans la pratique, les individus ne peuvent pas être consi-
dérés comme interchangeables et l'utilisateur de l'A.C.P., dans une approche
exploratoire, s'intéresse à la représentation des individus et tente d'en dégager
des structures. Si l'on veut introduire une modélisation probabiliste, le modèle
d'échantillonnage i.i.d. n'est plus acceptable puisqu'une structure particulière
qui pourrait être observée ne serait due qu'à une uctuation d'échantillonnage.
Caussinus (1986a et b) propose alors de reprendre le modèle à eets xes
dans une version légère en hypothèses. L'estimation des paramètres du mo-
dèle par le critère des moindres carrés est alors obtenue à partir de l'A.C.P.
Ce nouveau cadre probabiliste permet d'introduire des critères de qualité des
estimateurs et de répondre à des questions qui se posent dans la pratique de
l'A.C.P. concernant le choix de la métrique à utiliser sur l'espace des indi-
172 Chap. 5 - Modèles à eets xes et A.C.P. optimale

vidus ou le nombre de dimensions à retenir. C'est la raison pour laquelle le

modèle à eets xes paraît être particulièrement bien adapté pour l'étude des
propriétés de l'A.C.P.
C'est la présentation des modèles à eets xes linéaire et ane que nous
développons ici. Nous précisons tout d'abord au paragraphe 5.2 les hypothèses
des modèles à eets xes et les estimateurs par les moindres carrés des para-
mètres des modèles.
Nous exposons au paragraphe 5.3 les résultats concernant la convergence
presque sûre de la suite des opérateurs de covariance dont on réalise la décom-
position spectrale et la convergence presque sûre des suites de leurs éléments
propres. Nous montrons, dans le paragraphe 5.4. que les estimateurs sont
consistants si, et seulement si, la métrique sur l'espace des individus est l'in-
verse de la matrice de covariance des erreurs. Il s'agit d'une propriété de type
Gauss-Markov pour l'A.C.P.
Nous donnons ensuite dans le paragraphe 5.5 les résultats concernant les
convergences en loi des suites d'opérateurs de covariance d'échantillonnage
et de leurs éléments propres et nous écrivons sous forme explicite, dans le
paragraphe 5.6, tous les opérateurs de covariance asymptotiques dans le cas
où les variables sont supposées elliptiques (ou gaussiennes).
Enn, nous indiquons dans le paragraphe 5.7 une application inférentielle
sous la forme d'un test d'hypothèse sur l'identication du sous-espace des
eets.

5.2 Estimation par les moindres carrés

5.2.1 Présentation des modèles
Soit E un espace euclidien de dimension p muni de la tribu de ses boréliens
BE . Soit n un entier strictement supérieur à p.
Dénition 5.2.1 On considère n variables aléatoires indépendantes Xi , pour
i = 1, · · · , n, à valeurs dans (E, BE ), possédant le même opérateur de cova-
riance, connu à une constante près, mais des espérances mathématiques dis-
tinctes. Le modèle à eets xes linéaire (resp. ane) est déni par l'hypothèse
supplémentaire suivante :
il existe un sous-espace vectoriel Eq (resp. un sous-espace ane Fq )
de E de dimension connue q (q < p) contenant les espérances.
On pose :
IE(Xi ) = µi , ei = Xi − µi et IE(ei ⊗ ei ) = σ 2 Γ,
où Γ est un opérateur de E dans lui-même supposé inversible et connu et σ
un réel positif inconnu. Si, dans le modèle ane, on notePn aussi Eq l'espace
vectoriel de dimension q parallèle à Fq , alors µn := n1 i=1 µi appartient à
Fq et on peut écrire : Fq = µn + Eq .
 Estimation par les moindres carrés 173

On pose :
Pn Pn
X n = n1 P
i=1 Xi , Wn = n1 i=1 Xi ⊗ Xi ,
1 n
V
Pn n = n i=1 (X i − X n
P ) ⊗ (X i − X n)
n
wn = n1 µ
i=1 i ⊗ µ i et v n = n
1
i=1 i − µn ) ⊗ (µi − µn )
(µ

L'utilisation de minuscules pour la désignation de ces opérateurs permet de

faire une économie de notations.
Notation
Pour tout opérateur A de E admettant une décomposition spectrale, on
note [A]q l'espace vectoriel engendré par les vecteurs propres associés aux q
plus grandes valeurs propres de A et on le désigne par q -espace principal de
A.
L'espace [A]q n'est identié de façon unique que si, dans la suite pleine
décroissante (λj )j=1,··· ,p des valeurs propres de A, on a : λq > λq+1 .
Proposition 5.2.2 On a, dans le cas linéaire :
Eq = [IE(Wn )Γ −1 ]q

et, dans le cas ane :

Fq = µn + Eq ,
avec Eq = [IE(Vn )Γ −1
]q .

Démonstration. On a : IE(ei ⊗ µi ) = IE(ei ) ⊗ µi = 0, donc aussi :

1 2
IE(Wn ) = wn + σ 2 Γ et IE(Vn ) = vn + (1 − ) σ Γ,
n
et le rang de wn et de vn est inférieur ou égal à q . Sans perte de généralité,
nous supposons ce rang égal à q.
On a alors, dans le modèle linéaire (resp. ane) :

Eq = Im(wn ) (resp. Fq = µn + Im(vn )).

Cependant, ces espaces peuvent encore être caractérisés respectivement à par-

tir de IE(Wn ) et de IE(Vn ).

Dans le modèle linéaire, on a :

IE(Wn ) Γ −1 = wn Γ −1 + σ 2 IE
et Eq = Im(wn ) = Im(wn Γ −1 ) = [IE(Wn ) Γ −1 ]q .

En eet, si, pour λ 6= 0 et u ∈ E, on a : wn Γ −1 u = λ u, alors on a aussi :

IE(Wn ) Γ −1 u = (λ + σ 2 ) u. Les vecteurs propres associés aux q valeurs propres
non nulles de wn Γ −1 sont vecteurs propres de IE(Wn ) Γ −1 associés aux q plus
grandes valeurs propres, les p − q plus petites étant égales à σ 2 . L'espace
vectoriel Eq est donc l'espace engendré par les vecteurs propres associés aux q
174 Chap. 5 - Modèles à eets xes et A.C.P. optimale

plus grandes valeurs propres de IE(Wn ) Γ −1 . Cet espace est bien déni puisque
wn est de rang q donc aussi IE(Wn ) Γ −1 .

Dans le modèle ane, on a de même :

IE(Vn ) Γ −1 = vn Γ −1 + (1 − n1 ) σ 2 IE
et Eq = Im(vn ) = Im(vn Γ −1 ) = [IE(Vn ) Γ −1 ]q .

L'espace vectoriel Eq est donc l'espace engendré par les vecteurs propres
associés aux q plus grandes valeurs propres de IE(Vn ) Γ −1 . Cet espace est bien
déni puisque vn est de rang q donc aussi IE(Vn ) Γ −1 .

On note P le projecteur orthogonal sur Eq , que ce soit dans le modèle linéaire

ou ane et on note Π le projecteur orthogonal sur Fq = µn + Eq dans le
modèle ane. Pour tout x de E on a : Πx = µn + P (x − µn ).

5.2.2 Estimation par les moindres carrés

L'estimation, par le critère des moindres carrés dans l'espace euclidien E,
des paramètres du modèle linéaire (resp. ane) est la recherche du sous-espace
vectoriel de dimension q (resp. du sous-espace ane de dimension q) et des
µi appartenant à ce sous-espace minimisant :
n
X
kXi − µi k2 ,
i=1

où la norme est celle associée au produit scalaire de E.

Proposition 5.2.3 Dans le cas linéaire, les estimateurs par les moindres car-
rés de Eq et des µi , pour i allant de 1 à n, sont :

Eqn = [Wn ]q et µni = P n Xi , (i = 1, · · · , n),

où P n désigne le projecteur orthogonal sur Eqn .

Dans le cas ane, les estimateurs par les moindres carrés de Fq et des µi (i =
1, · · · , n, sont :

Fqn = X n + Eqn , avec Eqn = [Vn ]q et µni = Π n Xi (i = 1, · · · , n),

où Π n désigne le projecteur orthogonal sur Fqn .

Démonstration.
Dans le cas linéaire, on a :

kXi − µi k2 = kXi − P Xi k2 + kP Xi − µi k2 (i = 1, · · · , n),

n
X n
X
kXi − µi k2 = n tr (Wn (IE − P )) + kP Xi − µi k2
i=1 i=1
 Estimation par les moindres carrés 175

Le minimum par rapport à P et à la famille (µi )i∈{1,··· ,n} est atteint lorsque
le second terme s'annule et lorsque le premier est minimum, ce qui donne pour
solution le projecteur orthogonal P n sur [Wn ]q et µni = P n Xi , i = 1, · · · , n.

Dans le cas ane, on a de même :

kXi − µi k2 = kXi − ΠXi k2 + kΠXi − µi k2 , (pour i = 1, · · · , n)

Or, on a :

Xi − ΠXi = (IE − P )(Xi − µn ) = (IE − P )(Xi − X n + X n − µn ),

dont on déduit :
Pn Pn
i=1 kXi − ΠXi k2 = k(IE − P )(Xi − X n )k2
i=1

Pn +n k(IE − P )(X n − µn )k2

2
et i=1 kXi − µi k = n tr (Vn (IE − P
P))n + n tr ((X n − µn ) ⊗ (X n − µn ))
+ i=1 kΠXi − µi k2

Le minimum par rapport à P, Π et aux µi , pour i = 1, · · · , n, est atteint

lorsque le second et troisième terme s'annulent et lorsque le premier est mi-
nimum, ce qui donne comme solution le projecteur orthogonal P n sur [Vn ]q ,
µnn = X n (c'est-à-dire Fqn = X n + [Vn ]q ) et µni = Π n Xi = P n (Xi − X n ) + X n ,
i = 1, · · · , n, où Π n désigne le projecteur orthogonal sur Fqn . Ces estimations
sont cohérentes entre elles puisque l'on a :
n
1 X n
µnn = µ = Π nX n = X n
n i=1 i

5.2.3 Quelques remarques

1) On peut noter que les estimateurs par les moindres carrés de Eq (resp. de
Fq ) et des µi (i = 1, · · · , n, ) sont indépendants de la valeur de σ 2 .) En ce qui
concerne l'estimation de σ 2 , nous montrerons (Ÿ 5.3) que chacune des p − q
dernières valeurs propres de Wn Γ −1 (resp. de Vn Γ −1 ) converge p.s. vers σ 2 ;
nous estimerons alors σ 2 par la moyenne de ces p−q dernières valeurs propres.

2) L'estimateur par les moindres carrés dans E de Eq est le sous-espace vec-

toriel [Wn ]q dans le cas linéaire (resp. [Vn ]q dans le cas ane), alors que l'on
a:
Eq = [IE(Wn ) Γ −1 ]q , (resp. Eq = [IE(Vn )Γ −1 ]q ).
Ceci conduit à la conjecture suivante : les estimateurs sont meilleurs,
quelque soit la valeur de σ 2 , lorsque l'opérateur de covariance des erreurs
ei s'écrit σ 2 IE , c'est-à-dire lorsque l'espace euclidien E est muni du produit
scalaire Γ −1 .
Nous avons en eet dans ce cas :
176 Chap. 5 - Modèles à eets xes et A.C.P. optimale

IE(ei ⊗Γ −1 ei ) = IE(ei ⊗ ei ◦ Γ −1 ) = IE(ei ⊗ ei ) ◦ Γ −1 = σ 2 IE

Nous prouverons ce résultat au paragraphe 5.4 sous quelques hypothèses sup-

plémentaires assez faibles.

5.3 Convergence presque sûre des estimateurs

5.3.1 Hypothèses et notations
Dans les modèles à eets xes linéaire et ane dont la dénition vient
d'être rappelée, on considère désormais que i appartient à IN∗ . On suppose de
plus que les variables ei admettent même moment jusqu'à l'ordre 4, que les
eets (µi ) sont bornés et que les limites de (wn ), (µn ) et (vn ) existent ; on les
note respectivement w, µ et v. Pour tout n, wn et vn sont de rang q, donc w
et v sont de rang inférieur ou égal à q . Sans perte de généralité, on les suppose
de rang q.

Posant :
W = w + σ 2 Γ et V = v + σ 2 Γ,
on montre alors aisément que l'on a :

Eq = [W Γ −1 ]q , dans le cas linéaire

Fq = µ + Eq , avec Eq = [V Γ −1 ]q dans le cas ane.
0 0
On pose : Eq = [W ]q dans le cas linéaire, Eq = [V ]q dans le cas ane, et
0
on note Q le projecteur orthogonal sur Eq .

Enn, on pose :
p
X p
X
λ = (p − q)−1 λk (resp. λn = (p − q)−1 λnk ),
k=q+1 k=q+1

moyenne des p − q plus petites valeurs propres de W (resp. Wn ) dans le cas

linéaire, de V (resp. Vn ) dans le cas ane.

Les modèles considérés à présent dépendent d'une innité de paramètres

(µi ), mais ces paramètres appartiennent tous à un espace de dimension nie.

5.3.2 Convergence presque sûre des opérateurs d'échantillonnage

Proposition 5.3.1
Dans le cas linéaire, la suite (Wn ) converge p.s. vers W dans σ2 (E).
Dans le cas ane, la suite (X n ) converge p.s. vers µ dans E et la suite
(Vn ) converge p.s. vers V dans σ2 (E).
 Convergence presque sûre des estimateurs 177

Démonstration.
Cas du modèle linéaire
Dans le cas du modèle linéaire, on a :
n n
1 X 1 X
Wn = Xi ⊗ Xi = (µi ⊗ µi + ei ⊗ µi + µi ⊗ ei + ei ⊗ ei )
n i=1 n i=1

Les variables (ei )i∈IN∗ sont indépendantes, centréesPet admettent même

n
moment d'ordre 2 valant σ 2 Γ. Si l'on pose : en = n1 i=1 ei , la suite (en )
converge p.s., d'après la loi forte des grands nombres dans E, vers 0.

Les variables (ei )i∈IN∗ admettant même moment d'ordre 4, les variables
(ei ⊗ei )i∈IN∗ sont indépendantes, d'espérance mathématique σ 2 Γ et admettent
même moment d'ordre 2. D'après la loi forte des grands nombres dans σ2 (E),
on a :
n
1 X
lim ei ⊗ ei = IE(ei ⊗ ei ) = σ 2 Γ p.s.
n→∞ n
i=1

On a de plus :
n
1X
IE(µi ⊗ ei ) = µi ⊗ IE(ei ) = 0, d0 ou IE( µi ⊗ ei ) = 0.
n i=1

1
Pn
Montrons que la suite de terme général Tn := n i=1 µi ⊗ ei converge p.s.
vers 0 dans σ2 (E).
`
On a IE(Tn ) = 0 et IE(Tn ⊗ Tn ) = n1 C ◦ σ 2 Γ ⊗ wn ◦ C.
Les v.a.e. sont indépendantes mais pas de même loi. On ne peut donc pas
appliquer directement la loi des grands nombres classiques. Comme la suite
(wn ) est convergente, une loi généralisée permet de conclure. C'est l'objet de
la démonstration qui suit.

On peut écrire :
n n n
1 X 1 XX
k µi ⊗ ei k22 = 2 hµi ⊗ ei , µj ⊗ ej i2
n i=1 n i=1 j=1
n n
1 XX
= hµi , µj ihei , ej i.
n2 i=1 j=1

Puisque l'on a supposé les eets (µi ) bornés, il existe donc un réel stricte-
ment positif k tel que, pour tout (i, j) de (IN∗ )2 on ait :
1 1
|hµi , µj i| ≤ kµi k 2 kµj k 2 ≤ k,
178 Chap. 5 - Modèles à eets xes et A.C.P. optimale

ce qui entraîne :
n
1X
k µi ⊗ ei k22 ≤ k 2 ken k2 .
n i=1

On déduit alors le résultat de la convergence p.s. de la suite (en ) vers 0 dans

E.
Enn, par hypothèse, on a :
n
1 X
lim µi ⊗ µi = w
n→∞ n
i=1

et par conséquent :

lim Wn = w + σ 2 Γ = W p.s.
n→∞

Cas du modèle ane

Étudions à présent le modèle ane. On peut écrire :

Pn X n = µn + en
1
et Vn = n i=1 [(µi − µn ) ⊗ (µi − µn ) + (µi − µn ) ⊗ (ei − en )
+(ei − en ) ⊗ (µi − µn ) + (ei − en ) ⊗ (ei − en )].

On a par hypothèse :

lim µn = µ
n→∞
n
1 X
et lim (µi − µn ) ⊗ (µi − µn ) = lim vn = v dans σ2 (IRP ) ;
n→∞ n n→∞
i=1

de plus :
n n
1X 1X
(ei − en ) ⊗ (ei − en ) = ei ⊗ ei − en ⊗ en .
n i=1 n i=1

Comme la suite (en ) converge p.s. vers zéro, la suite (en ⊗ en ) converge p.s.
vers zéro. Pn
D'après le résultat obtenu dans le cas linéaire, la P suite ( n1 i=1 ei ⊗ ei )
n
converge p.s. vers σ 2 Γ. On en déduit que la suite ( n1 (e
i=1 i − e n ) ⊗ (ei − en ))
converge p.s. vers σ 2 Γ.
Par ailleurs, comme on peut écrire :
n n
1 X 1X
(µi − µn ) ⊗ (ei − en ) = µi ⊗ ei − µn ⊗ en ,
n i=1 n i=1

que la suite (µn ) converge vers µ par hypothèse et que la suite (en ) converge
p.s. vers 0, on obtient, par continuité,
 Convergence presque sûre des estimateurs 179

lim µn ⊗ en = 0 p.s..
n→∞

Le résultat
Pn obtenu dans le cas linéaire Pn montre la convergence p.s. vers 0 de
la suite ( n1 µ
i=1 i ⊗ e i ) ; la suite ( 1
n n ) ⊗ (ei − en )) converge donc
i=1 (µi − µP
n
p.s. vers 0 et il en est de même pour la suite ( n1 i=1 (ei − en ) ⊗ (µi − µn )),
formée des adjoints des opérateurs précédents.

On en déduit :
lim Vn = v + σ 2 Γ = V p.s.
n→∞

5.3.3 Convergence presque sûre des éléments propres

On rappelle que P n , P et Q sont les projecteurs orthogonaux respective-
0
ment sur Eqn , Eq et Eq , où l'on a :

Eqn = [Wn ]q , Eq = [W Γ −1 ]q et Eq0 = [W ]q dans le cas linéaire

0
(resp. Eqn = [Vn ]q , Eq = [V Γ −1 ]q et Eq = [V ]q dans le cas ane) ;

les projecteurs P n , P et Q sont aussi respectivement la somme des pro-

jecteurs orthogonaux sur les sous-espaces propres associés aux q plus grandes
valeurs propres de Wn, W Γ −1 et W dans le cas linéaire (de Vn , V Γ −1 et V
dans le cas ane).
Nous appliquons le résultat de convergence presque sûre de la suite des
projecteurs aux opérateurs Wn et W dans le cas linéaire (resp. Vn et V dans le
cas ane), pour la valeur propre σ 2 de W (resp. V ) et donc pour le projecteur
IE − Q ; la suite (IE − P n ) converge donc p.s. vers IE − Q et on en déduit :
Proposition 5.3.2 La suite (P n )n converge p.s. vers Q dans σ2 (E).
Remarquons que la convergence de projecteurs orthogonaux ne dépend pas
du produit scalaire dans le sens suivant : soit Eq et, pour tout n de IN, Eqn
des sous-espaces vectoriels de E ; notant P et Pn les projecteurs orthogonaux
associés pour le produit scalaire de E et Q et Qn les projecteurs associés pour
un autre produit scalaire, alors, lorsque la suite (Pn ) converge vers P, la suite
(Qn ) converge vers Q.

Nous pouvons alors dire, par dénition, que la suite de sous-espaces (Eqn )
converge vers Eq .

On déduit alors de la proposition précédente le résultat suivant :

0
La suite (Eqn )n converge p.s. vers Eq .
180 Chap. 5 - Modèles à eets xes et A.C.P. optimale

Proposition 5.3.3 Pour chaque i de IN∗ , la suite (µni ) converge p.s. dans
E :
(i) vers QXi dans le cas linéaire et on a : IE(QXi ) = Qµi ,
(ii) vers = Q(Xi − µ) + µ dans le cas ane et on a IE(Q(Xi − µ) + µ) =
Q(µi − µ) + µ.

Démonstration. Dans le cas linéaire, le résultat provient de ce que l'on a :

µni = P n Xi et de la convergence p.s. vers Q de la suite (P n ).

De façon analogue, dans le cas ane, l'égalité : µni = Π n Xi = P n (Xi −

X n ) + X n , la convergence p.s. vers Q de la suite (P n ) et celle la suite (X n )
vers µ conduisent au résultat.

Enn, on déduit aisément des propositions CV ps le résultat suivant.

Proposition 5.3.4 La suite (λn ) converge p.s. vers λ dans IR.

5.4 Consistance et choix de métrique en A.C.P.

5.4.1 Choix optimal de métrique en A.C.P.
C'est à partir de l'A.C.P. que l'on obtient les estimations par les moindres
carrés des paramètres des modèles. Bien que peu d'hypothèses soient posées,
il est possible de dénir des critères de qualité des estimateurs, par exemple la
consistance (convergence p.s. vers le paramètre à estimer) et, par conséquent,
une notion d'optimalité en terme de consistance.
Nous montrons que les estimateurs sont consistants si, et seulement si,
on choisit comme métrique sur E l'inverse de la matrice de covariance des
erreurs. Il s'agit d'une propriété analogue au théorème de Gauss-Markov pour
le modèle de régression linéaire. Nous verrons que d'autres critères de qualité
des estimateurs conduisent à ce même choix de métrique pour l'A.C.P.

Proposition 5.4.1 L'espace Eqn est un estimateur consistant de Eq si et

seulement si E est muni du produit scalaire Γ −1 , à une constante strictement
positive multiplicative près.

Démonstration. Lorsque le produit scalaire utilisé est Γ −1 (ou k Γ −1 , où k

0
est un réel strictement positif), on a alors : Eq = Eq et Q = P.
(P n ) (resp. (Eqn )) est alors un estimateur consistant de P (resp. Eq ).
0
Réciproquement, supposons Eq = Eq (= Im(v)) (la démonstration est
identique pour Eq = Im(w)). Montrons que l'opérateur de covariance Γ
des (Xi ) est IE à une constante strictement positive multiplicative près (i.e.
Γ = kIE , k > 0).
 Consistance et choix de métrique en A.C.P. 181

Montrons d'abord que l' on a :

Γ (Eq ) = Eq . (5.1)

Soit h1 , · · · , hq une base de Eq formée de vecteurs propres associés aux q

plus grandes valeurs propres λ1 , · · · , λq de V (= v + σ 2 Γ.) Soit h Pun élément
q
de Eq et α1 , · · · , αq les coordonnées de h sur la base ci-dessus : h = i=1 αi hi .

On a :
q
X q
X
(v + σ 2 Γ ) h = αi (v + σ 2 Γ ) hi = αi λi hi .
i=1 i=1

Il en résulte donc que (v + σ 2 Γ ) appartient à Eq et, comme v h appartient

à Eq , Γ h appartient aussi à Eq . Comme Γ (Eq ) et Eq sont de même dimen-
sion, on a bien l'égalité (5.1).

Cependant, Eq est inconnu. Montrons alors que, si pour tout sous-espace

vectoriel Eq de dimension q on a : Eq0 = Eq , alors Γ = k IE (k réel strictement
positif ). Si Γ 6= k IE , il existe au moins deux valeurs propres λ1 et λ2 de Γ
distinctes ; soit (hi )i=1,··· ,p une base orthonormée de vecteurs propres de Γ,
où h1 (resp. h2 ) est associé à λ1 (resp. λ2 ). Si Eq est l'espace engendré par
h1 + h2 , h3 , · · · , hq+1 , alors Γ (Eq ) 6= Eq , ce qui est contradictoire.

Il est possible, pour un espace Eq donné, de trouver une métrique dépen-

dant de Eq qui ne soit pas de la forme k Γ −1 , telle que la suite (Eqn ) converge
vers Eq . Mais on vise à ce que l'estimation soit consistante pour n'importe
quel Eq . Il est alors nécessaire (et susant) de munir E de la métrique k Γ −1 .

5.4.2 Propriétés des estimateurs des paramètres

Nous avons déjà vu que, lorsque E est muni de la métrique Γ −1 , alors
Eqnet P n sont des estimateurs consistants de Eq et P respectivement. Nous
montrons à présent les propriétés vériées par les estimateurs des autres pa-
ramètres.
Proposition 5.4.2 Lorsque E est muni de la métrique Γ −1 , alors pour tout
i de IN∗ , la suite (µni )n≥i converge presque sûrement dans E :
(i) vers P Xi dans le cas linéaire et on a : IE(P Xi ) = µi ,
(ii) vers P (Xi − µ) + µ dans le cas ane et on a : IE(P (Xi − µ) + µ) = µi .

Démonstration. Le résultat découle des propositions précédentes et des re-

marques suivantes : dans le cas linéaire µi appartient à Eq , dans le cas ane
µi − µ appartient à Eq , et P est le projecteur Γ −1 -orthogonal sur Eq .

Proposition 5.4.3 La suite (λn ) converge presque sûrement dans IR vers σ 2 .

182 Chap. 5 - Modèles à eets xes et A.C.P. optimale

Démonstration. Dans le cas où E est muni de la métrique Γ −1 , les p − q

dernières valeurs propres de W Γ −1 et V Γ −1 sont égales à σ 2 et on a donc :
λ = σ2 .

Remarque 5.1.
Dans le cas où σ 2 est petit, il est montré en Besse et al (1986) (cf. aussi,
1987, 1988) que, lorsque E est muni de P la métrique Γ −1 , alors le premier terme
n
du développement limité en σ de IE[ i=1 kµni − µi k2A ] (obtenu en utilisant
2

la théorie des perturbations), est minimum, ceci pour toute métrique A sur
E utilisée pour la représentation des Xi et pour tout n.

On obtient donc le même choix optimal de métrique dans un modèle légè-

rement diérent et pour un autre critère de qualité des estimateurs. Toujours
dans le cas où σ 2 est petit, on pourra consulter Ferré (1989, 1990, 1994, 1995a
et b) pour le choix de la dimension de représentation et la sélection de variables
en A.C.P.

5.5 Convergence en loi des estimateurs

5.5.1 Hypothèses et notations
On suppose dans toute la suite que les v.a.e. (ei ) admettent les mêmes
moments jusqu'à l'ordre 8. On pose, pour k = 1, · · · , 4, :

∀ (x1 , · · · , xk ) ∈ E k , Mkµi (x1 , · · · , xk ) = hµi , x1 i · · · hµi , xk i

Pn µi
et on suppose que la suite ( n1 i=1 Mk (x1 , · · · , xk )) converge.
En fait, l'hypothèse était déjà faite pour k = 1 et 2 puisque l'on a :
n n
1 X µi 1 X µi
M1 (x1 ) = hµn , x1 i et M (x1 , x2 ) = hwn , x1 ⊗ x2 i2
n i=1 n i=1 2

et que les suites convergent respectivement vers hµ, x1 i et hw, x1 ⊗ x2 i2 .

Nous étudions dans le paragraphe 5.5.2, pour une métrique √ quelconque, puis
lorsque E est muni de la métrique Γ −1 , les lois limites de n (Wn −wn −σ 2 Γ )
f √ 1 2 e
√ Wn ) et de n (V
(:= √n − vn − (1 − n σ Γ ) (:= Vn ), puis les lois limites de
n (Wn − W ) et de n (Vn − V ).

Ceci nous permet d'obtenir√ (paragraphe 5.5.3.),

√ dans le cas où la métrique
est Γ −1 , les lois limites de n (P n − P ) et de n (λn − σ 2 ).

Soit e une v.a.e. admettant les mêmes moments jusqu'à l'ordre 8 que cha-
cun des ei .
 Convergence en loi des estimateurs 183

On pose :

ζ = IE((e ⊗ e)⊗(e e ⊗ e)) − σ 4 Γ ⊗Γ,

e ⊗ µ)) et Θ = IE((e ⊗ e)⊗(e e

où Θ est l'opérateur de covariance de e ⊗ e.

Posant :
n
1 X
e ⊗ µi )) et ζ n =
ζi = IE((e ⊗ e)⊗(e ζi ,
n i=1
on a alors :
e ⊗ µn )) et
ζ n = IE((e ⊗ e)⊗(e lim ζ n = ζ.
n→∞

Rappelons (cf. Annexe 3) que, lorsque A et B sont des éléments de σ2 (E)

et C l'opérateur de commutation de σ2 (E), on a :

e
C ◦ (A⊗B) e ∗ , (A⊗B)
= A⊗B e e
◦ C = A∗ ⊗B, e
C ◦ (A⊗B) e ∗,
◦ C = A∗ ⊗B
e
C ◦ (A⊗B) ∗ e , (A⊗B)
= B ⊗A ∗ e ∗ ∗ e
◦ C = B ⊗A,
e ∗ ◦ C = B ∗ ⊗A
C ◦ (A⊗B) e ∗ = (A∗ ⊗Be ∗ )∗ .

On obtient donc :

(a1 ) e i ⊗ µi )) = ζi ,
IE((ei ⊗ ei )⊗(e
(a2 ) e i ⊗ ei )) = ζi∗ ,
IE((ei ⊗ µi )⊗(e
(a3 ) e i ⊗ ei )) = ζi∗ ◦ C,
IE((µi ⊗ ei )⊗(e
(a4 ) e i ⊗ ei )) = C ◦ ζi .
IE((ei ⊗ ei )⊗(µ

Comme, par ailleurs (ibid.), on a, pour tout (x, y, z, t) de E 4 :

`
e ⊗ t) = (x ⊗ z) ⊗ (y ⊗ t),
(x ⊗ y)⊗(z

on en déduit (cf. Annexe 3), pour tout (x, y) non aléatoire de E 2 :

` `
e ⊗ y)) = IE((e ⊗ e) ⊗ (x ⊗ y)) = σ 2 Γ ⊗ (x ⊗ y)
IE((e ⊗ x)⊗(e

et donc :
`
( a5 ) e i ⊗ µi )) = σ 2 Γ ⊗ (µi ⊗ µi ),
IE((ei ⊗ µi )⊗(e
`
( a6 ) e i ⊗ ei )) = C ◦ σ 2 Γ ⊗ (µi ⊗ µi ),
IE((ei ⊗ µi )⊗(µ
`
( a7 ) e i ⊗ ei )) = C ◦ σ 2 Γ ⊗ (µi ⊗ µi ) ◦ C,
IE((µi ⊗ ei )⊗(µ
`
( a8 ) e i ⊗ µi )) = [σ 2 Γ ⊗ (µi ⊗ µi )] ◦ C.
IE((µi ⊗ ei )⊗(e
184 Chap. 5 - Modèles à eets xes et A.C.P. optimale

5.5.2 Lois asymptotiques des opérateurs d'échantillonnage

Notant C l'opérateur de commutation de σ2 (E) et I l'identité de σ2 (E), il
vient la
√
Proposition 5.5.1 La suite ( n (Wn − wn − σ 2 Γ ))n converge en loi dans
σ2 (E) vers l'opérateur aléatoire gaussien centré U d'opérateur de covariance :
`
K = σ 2 (I + C) ◦ Γ ⊗ w ◦ (I + C) + (I + C) ◦ ζ + ζ ∗ ◦ (I + C) + Θ.

Dans le cas où le produit scalaire est associé à Γ −1 on remplace Γ par IE .

Démonstration. On a posé :
√
fn =
W n (Wn − wn − σ 2 Γ ) ;

on peut alors écrire :

n n
fn =
√ 1 X 1 X
W n( Xi ⊗ Xi − µi ⊗ µi − σ 2 Γ )
n i=1 n i=1
n n
√ 1 X 1 X
= n( (µi + ei ) ⊗ (µi + ei ) − µi ⊗ µi − σ 2 Γ )
n i=1 n i=1
n
√ 1 X
= n( (Ui − σ 2 Γ ))
n i=1

avec :
Ui = µi ⊗ ei + ei ⊗ µi + ei ⊗ ei .
Les Ui sont des opérateurs aléatoires indépendants, d'espérance mathéma-
tique σ 2 Γ et d'opérateur de covariance Ki vériant :
e i ) − σ 4 Γ ⊗Γ
Ki = IE(Ui ⊗U e
e i ⊗ ei ) + (ei ⊗ µi ) + (ei ⊗ ei )]}
= IE{[(µi ⊗ ei ) + (ei ⊗ µi ) + (ei ⊗ ei )]⊗[(µ
− σ 4 Γ ⊗Γ.
e

En développant, on obtient la somme des huit termes (aj ), j = 1, · · · , 8,

e i ⊗ ei )) − σ 4 Γ ⊗Γ,
écrits ci-dessus et du terme IE((ei ⊗ ei )⊗(e e et, par suite ;

`
Ki = σ 2 (I + C) ◦ Γ ⊗ (µi ⊗ µi ) ◦ (I + C) + (I + C) ◦ ζi + ζi∗ ◦ (I + C) + Θ,

On en déduit :
n
1X ` ∗
Ki = σ 2 (I + C) ◦ Γ ⊗ wn ◦ (I + C) + (I + C) ◦ ζ n + ζ n ◦ (I + C) + Θ
n i=1

et
 Convergence en loi des estimateurs 185
n
1X `
lim Ki = K = σ 2 (I + C) ◦ Γ ⊗ w ◦ (I + C) + (I + C) ◦ ζ + ζ ∗ ◦ (I + C) + Θ
n→∞ n
i=1

Nous renvoyons à la n de ce chapitre (voir Ÿ 5.9) la vérication de l'hypo-

thèse sur les moments d'ordre 4 des variables Ui − σ 2 Γ. Les variables vérient
les hypothèses du théorème de Liapounov rappelé en annexe 2 d'où le résultat.
√
Proposition 5.5.2 La suite ( n (Vn − vn − (1 − n1 ) σ 2 Γ ))n converge en loi,
dans σ2 (E), vers la v.a. de loi gaussienne centrée U 0 d'opérateur de cova-
riance :
`
K 0 = σ 2 (I + C) ◦ Γ ⊗ v ◦ (I + C) + Θ
Dans le cas où la métrique sur E est Γ −1 , on remplace Γ par IE .

Démonstration. Nous avons posé :

√ 1 2
Ven = n (Vn − vn − (1 − )σ Γ)
n
et pouvons donc donc écrire :
√ 1 2
Ven = W
fn − n (X n ⊗ X n − µn ⊗ µn − σ Γ)
n
√ 1 2
fn −
=W n (µn ⊗ en + en ⊗ µn + en ⊗ en − σ Γ)
n
√
fn − n (µ ⊗ en + en ⊗ µ)
=W
√ 1
− n ((µn − µ) ⊗ en + en ⊗ (µn − µ) + en ⊗ en ) + √ σ 2 Γ.
n

Les ei ayant même espérance

√ mathématique nulle et même opérateur de
covariance σ 2 Γ, la suite ( n en ) converge en loi et la suite (en ) (resp. (µn −µ))
converge en probabilité vers zéro.
√ √ √
La suite ( n (en ⊗en ) (resp. ( n ((µn −µ)⊗en )), resp. ( n(en ⊗(µn −µ)))
converge donc en probabilité vers zéro.

Comme la suite ( √1n σ 2 Γ ) converge vers zéro, la suite (Ven ) a la même loi
f0 n ), dénie par :
limite que la suite (W
√
f0 n := W
W fn − n (µ ⊗ en + en ⊗ µ).

Or, nous avons montré que l'on avait :

Xn
fn = √1
W (Ui − σ 2 Γ ) avec
n i=1
Ui = ei ⊗ µi + µi ⊗ ei + ei ⊗ ei
186 Chap. 5 - Modèles à eets xes et A.C.P. optimale

et on en déduit :
Xn
f0 n = √1
W (Ui − σ 2 Γ − µ ⊗ ei − ei ⊗ µ)
n i=1
n
1 X
= √ (Vi − σ 2 Γ )
n i=1
avec Vi = ei ⊗ (µi − µ) + (µi − µ) ⊗ ei + ei ⊗ ei .

Reprenons alors la démonstration précédente en remplaçant :

e i ⊗ (µi − µ))],
ζi par ξi = IE[(ei ⊗ ei )⊗(e
e i ⊗ (µn − µ))]
ζ n par ξ n = IE[(ei ⊗ ei )⊗(e
et ζ = limn→∞ ζ n par 0,

puisque la limite de (ξ n ) est nulle ; le résultat est enn obtenu en remplaçant

w par v.
√
Proposition 5.5.3
√ Si la suite ( n (wn − w))n converge dans σ2 (E) vers L,
alors la suite ( n (Wn − W ))n converge en loi dans σ2 (E) vers la v.a. gaus-
sienne U + L, d'espérance mathématique L et d'opérateur de covariance K.
Démonstration. En eet, on peut écrire :
√ √
n (Wn − W ) = n (Wn − w − σ 2 Γ )
√ √
= n (Wn − wn − σ 2 Γ ) + n (wn − w)
√
=Wfn + n (wn − w)

et, f
√ comme la suite (Wn ) converge en loi vers U dans σ2 (E) et la suite
( n (wn − w)) converge vers L, constante de σ2 (E), on obtient le résultat
annoncé.
√
Proposition √ 5.5.4 Si la suite ( n (vn − v))n converge dans σ2 (E) vers L0 ,
alors la suite ( n (Vn −V ))n converge en loi dans σ2 (E) vers la v.a. gaussienne
U 0 + L0 , d'espérance mathématique L0 et d'opérateur de covariance K 0 .
Démonstration. En eet, on a :
√ √
n (Vn − V ) = n (Vn − v − σ 2 Γ )
√ 1 √ 1
= n (Vn − vn − (1 − ) σ 2 Γ ) + n (vn − v) − √ σ 2 Γ
n n
√ 1
= Ven + n (vn − v) − √ σ 2 Γ.
n
√
Or, puisque la suite (Ven ) converge en loi vers U 0 dans σ2 (E), la suite ( n (vn −
v)) converge vers L0 , constante de σ2 (E), et que la suite ( √1n σ 2 Γ ) converge
vers zéro, on obtient bien le résultat voulu.
 Convergence en loi des estimateurs 187
√
Remarque√ 5.2. L'hypothèse la suite ( n (wn − w)) converge vers L” (resp.
la suite ( n (vn − v)) converge vers L0 ”) peut paraître contraignante. En
fait, il n'est pas utile de connaître la limite car les résultats asymptotiques
concernant les estimateurs ne dépendent pas de L (resp. de L0 ), en raison de
la propriété suivante

L ◦ (IE − P ) = (IE − P ) ◦ L = 0 et L0 ◦ (IE − P ) = (IE − P ) ◦ L0 = 0.

En eet, dans le cas linéaire, on a : Eq = Im(wn ) = Im(w) pour tout n,

et P est le projecteur orthogonal sur Eq , d'où le résultat. Dans le cas ane,
on remplace wn par vn et w par v.

Bien que les résultats ne dépendent pas de la limite, il faut cependant que
la limite, éventuellement nulle, existe. Il s'agit donc d'une hypothèse sur la
vitesse de convergence d'une suite de paramètres. La forme même de l'hy-
pothèse montre qu'il semble plus naturel de considérer des modèles à eets
aléatoires plutôt que xes. Nous verrons que les résultats sont très proches.

5.5.3 Lois asymptotiques des éléments propres

Dans toute la suite, on se place dans le cas où la métrique sur E est Γ −1 .
L'opérateur de covariance des (ei ) s'écrit alors σ 2 IE . On applique la proposi-
tion CV Loi aux opérateurs Wn et W (resp. Vn et V ) et à σ 2 , dernière valeur
propre de W ( resp. V ) d'ordre p − q. On a donc λ = σ 2 . Le projecteur ortho-
gonal sur l'espace propre associé est IE − P, où P est le projecteur orthogonal
sur Eq .

An de simplier les notations, on pose ; P0 = IE − P et P0n = IE − P n .

Les valeurs propres de W (resp. V ) autres que σ 2 sont de la forme λj + σ 2 ,
où λj est valeur propre de w (resp. v).

On pose de plus :

S = (W − σ 2 IE )− = w− , dans le cas linéaire

(resp. = (V − σ 2 IE )− = v − dans le cas ane).

Dans le cas : q = p − 1, alors σ 2 est valeur propre simple de W dans le cas

linéaire (resp. de V dans le cas ane). On note h un vecteur propre unitaire
de W ( resp. V ) associé à σ 2 et on pose : hn = kP0n hk−1 P0n h ; le vecteur hn
est, pour n susamment grand, un vecteur propre unitaire de Wn (resp. Vn )
associé à la plus petite valeur propre.
Proposition
√ 5.5.5 Dans le cas linéaire,
(i) la suite ( n (P n − P ))n converge en loi dans σ2 (E) vers la v.a. gaussienne
centrée :
Ψ1 (U ) = P0 U S + S U P0
188 Chap. 5 - Modèles à eets xes

d'opérateur de√covariance K1 = Ψ1 KΨ1∗ ;

(ii) la suite ( n (λn − σ 2 ))n converge en loi dans IR vers la v.a. gaussienne
centrée :
Ψ2 (U ) = (p − q)−1 tr (P0 U )
d'opérateur de covariance K2 = Ψ2 KΨ2∗√;
(iii) dans le cas : q = p − 1, la suite ( n (hn − h))n converge en loi dans E
vers la v.a. gaussienne centrée :

Ψ3 (U ) = S U (h)

d'opérateur de covariance K3 = Ψ3 KΨ3∗ .

Dans le cas ane, on remplace dans ces résultats U par U 0 .
√
Démonstration. (i) Comme la suite ( n (Wn −W )) converge en loi dans σ2 (E)
vers U + L et comme on√a : L P0 = P0 L =√0, on déduit de la proposition
CVLoi que la suite (− n (P n − P )) (= ( n (P0n − P0 ))) converge en loi
vers :
Ψ1 (U ) = P0 U S + S U P0 .
√
(ii) De même, la suite ( n (λn − σ 2 )) converge en loi dans IR vers :

Ψ2 (U ) = (p − q)−1 tr (P0 U )(= (p − q)−1 tr (P0 U ).

√ Enn, le vecteur h étant orthogonal à Eq , on a : L(h) = 0 et la suite

(iii)
( n (hn − h)) converge en loi dans E vers :

Ψ3 (U ) = S U (h).

On a vu que les applications Ψ1 , Ψ2 et Ψ3 sont linéaires ; les lois asymptotiques

sont donc gaussiennes, centrées, d'opérateurs de covariances K1 = Ψ1 KΨ1∗ ,
K2 = Ψ2 KΨ2∗ et K3 = Ψ3 KΨ3∗ respectivement. On explicitera ces opérateurs
de covariance dans le paragraphe suivant, dans le cas où les ei suivent une loi
elliptique ou gaussienne.
La démonstration est similaire dans le cas ane.

5.6 Explicitation des opérateurs de covariance

asymptotiques
Dans tout ce paragraphe, on suppose que E est muni du produit scalaire
Γ −1 , ce qui revient à supposer les variables (ei ), indépendantes, centrées et
d'opérateur de covariance σ 2 IE .

On suppose de plus qu'elles suivent une même loi elliptique de coecient

d'aplatissement κ.
 Explicitation des opérateurs de covariance asymptotiques 189

On a alors :
Θ = σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]
où I désigne l'identité de σ2 (E).

Lorsque κ est nul, la loi elliptique est la loi gaussienne.

Proposition 5.6.1 L'opérateur de covariance asymptotique K de Wn s'é-

crit :
`
K = σ 2 (I + C) ◦ (w ⊗ IE ) ◦ (I + C) + σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]

et celui K 0 de Vn s'écrit :
`
K 0 = σ 2 (I + C) ◦ (v ⊗ IE ) ◦ (I + C) + σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]

Pour le cas gaussien, il sut de remplacer κ par 0.

Démonstration. On se place dans le cas linéaire. La démonstration est simi-

laire dans le cas ane.

Comme la loi de chaque ei est elliptique centrée, les moments d'ordre 3

sont nuls et on a donc, pour tout z :

∀ i = 1, · · · , n, e i ⊗ z)] = 0,
ζi = IE[(ei ⊗ ei )⊗(e

d'où aussi
n
1 X
ζi = 0 et ζ = ζ ∗ = 0
n i=1
et on obtient le résultat indiqué.

Proposition 5.6.2 Dans le cas linéaire ou ane :

(i) l'opérateur de covariance asymptotique K1 de P n s'écrit :
` `
K1 = (I + C) ◦ [σ 2 P0 ⊗ S + (1 + κ) σ 4 P0 ⊗ S 2 )] ◦ (I + C) ;

(ii) l'opérateur de covariance asymptotique K2 de λn s'écrit :

K2 = [(p − q)−1 2 σ 4 (1 + κ) + σ 4 κ] IE ,

(iii) l'opérateur de covariance asymptotique K3 de hn dans le cas p − q = 1

s'écrit :
K3 = (1 + κ) σ 4 S 2 + σ 2 S.
Pour le cas gaussien, on remplace κ par zéro.
190 Chap. 5 - Modèles à eets xes

Démonstration. On se place dans le cas linéaire, la démonstration est similaire

dans le cas ane en remplaçant w par v.

(i) On a : K1 = Ψ1 K Ψ1∗ , en posant :

` `
Ψ1 = (P0 ⊗ S) + (S ⊗ P0 )
`
e E + (1 + κ) (I + C)].
et K = σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) + σ 4 [κ IE ⊗I

Nous avons déjà trouvé dans le cas de l'A.C.P. :

Ψ1 Θ Ψ1∗ = Ψ1 ◦ (σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)]) ◦ Ψ1∗
` `
= (1 + κ)σ 4 (S 2 ⊗ P0 + P0 ⊗ S 2 ) ◦ (I + C)
`
= (1 + κ)σ 4 (I + C) ◦ P0 ⊗ S 2 ◦ (I + C).

Pour le second terme, on obtient :

`
Ψ1 ◦ σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) ◦ Ψ1∗
` ` `
= σ 2 [P0 ⊗ S) + (S ⊗ P0 ] ◦ [(IE ⊗ w)
` ` `
+(w ⊗ IE )] ◦ [P0 ⊗ S) + (S ⊗ P0 ] ◦ (I + C)
` `
= σ 2 [P0 ⊗ S) + (S ⊗ P0 ] ◦ (I + C)
`
= σ 2 (I + C) ◦ P0 ⊗ S ◦ (I + C),

puisque l'on a : w P0 = P0 w = 0, S w S = S.
On obtient ainsi le résultat pour K1 .

(ii) On a : K2 = Ψ2 K Ψ2∗ , avec :

`
Ψ2 = P0 ⊗ P0
et
`
e E + (1 + κ) (I + C)].
K = σ 2 (I + C) ◦ (w ⊗ IE ) ◦ (I + C) + σ 4 [κ IE ⊗I

Nous avons a déjà obtenu dans le cas de l'A.C.P. :

Ψ2 Θ Ψ2∗ = Ψ2 ◦ (σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]) ◦ Ψ2∗
= [(p − q)−1 2σ 4 (1 + κ) + σ 4 κ] IE .

Pour le second terme, on obtient :

`
Ψ2 ◦ σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) ◦ Ψ2∗
` ` ` ,
= tr ◦ σ 2 (I + C) ◦ [P0 ⊗ P0 ] ◦ (IE ⊗ w) ◦ [P0 ⊗ P0 ] ◦ (I + C) ◦ ???,

car on a : w P0 = P0 w = 0, d'où le résultat pour K2 .

 Test d'hypothèse sur l'espace des paramètres 191

En posant : κ = 0, on obtient s2 = (p − q)−1 2 σ 4 , résultat obtenu par Malin-

vaud (1981) dans le cas d'erreurs ei gaussiennes.

(iii) Enn, dans le cas où l'on a : p − q = 1, l'opérateur de covariance asymp-

totique de hn est : K3 = Ψ3 K Ψ3 ∗, avec

Ψ3 (T ) = S T (h) ; ∀ x ∈ E, Ψ3 ∗ (x) = h ⊗ S(x)

`
e E + (1 + κ) (I + C)].
et K = σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) + σ 4 [κ IE ⊗I

Nous avons vu dans le cas de l'A.C.P. que l'on avait :

Ψ3 Θ Ψ3∗ = Ψ3 ◦ (σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]) ◦ Ψ3∗ = σ 4 (1 + κ) S 2 .

Pour le second terme, on obtient :

`
Ψ3 ◦ σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) ◦ Ψ3∗ (x)
`
= Ψ3 ◦ σ 2 (I + C) ◦ (IE ⊗ w)(h ⊗ S(x) + (S(x) ⊗ h))
2
= σ Ψ3 [(h ⊗ w S(x)) + (S(x) ⊗ w h) + (w h ⊗ w S(x)) + (w S(x) ⊗ w h)]
= σ 2 S(x),

car l'on a : w h = 0, hh, S(x)i = 0 et hh, w Sxi = 0, d'où le résultat pour K3 .

Le cas ane se traite de façon analogue en remplaçant w par v et W par V.

Ce résultat a été obtenu par Gedler (1986), et, dans le cas gaussien, par
Malinvaud (1981).

5.7 Test d'hypothèse sur l'espace des paramètres

On peut, à partir de la détermination de ces lois asymptotiques sous l'hy-
pothèse que les ei sont gaussiennes ou elliptiques, construire des tests d'hy-
pothèses portant sur σ 2 , Eq ou Fq .
Le test de σ = σ0 contre σ > σ0 (ou σ < σ0 , ou σ 6= σ0 ) est immédiat.
Dans le cas où l'on a : q = p − 1, on a√obtenu pour un vecteur h unitaire
orthogonal à Eq la loi asymptotique de n (hn − h), où hn est un vecteur
unitaire orthogonal à Eqn (Proposition 7.6.5 ? ? ?). L'hypothèse Eq = G étant
alors équivalente à h = g xé, on obtient à partir de cette loi asymptotique
un test pour l'hypothèse Eq = G.

Nous déterminons ici ce test dans le cadre plus général où q est quelconque.

5.7.1 Résultats préliminaires

La statistique de test sera construite à partir de (P n ). On se place dans le
cas linéaire, le raisonnement est identique dans le cas ane.
192 Chap. 5 - Modèles à eets xes et A.C.P. optimale

Proposition 5.7.1 Si (Tn )n est une suite d'opérateurs aléatoires à valeurs

dans σ2 (E), convergeant p.s. vers un opérateur T de la forme :
X
T = aµ Pµ , (aµ > 0),
µ6=0

√
alors (Tn ◦ P n )n converge p.s. vers T P et (Tn ◦ n (P n − P ))n converge en
loi dans σ2 (E) vers la v.a. gaussienne centrée :
`
T S U P0 (= P0 ⊗ T S)(U ))

d'opérateur de covariance :
` `
IK = σ 2 (P0 ⊗ T 2 S) + σ 4 (1 + κ) (P0 ⊗ (T S )2 .
√
Démonstration. On sait que la suite ( n (Wn − W )) converge en loi dans
σ2 (E) vers une v.a. U, gaussienne d'espérance L et d'opérateur de covariance :
`
K = σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) + σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]
√
et que la suite ( n(P n − P )) converge
√ en loi dans σ2 (E) vers S U P0 + P0 U S.
On en déduit que la suite (Tn ◦ n (P n −P )) converge en loi dans σ2 (E) vers
T S U P0 , qui est une v.a. centrée puisque l'on a L P0 = P0 L = 0, d'opérateur
de covariance :
` `
IK = (P0 ⊗ T S) ◦ K ◦ (P0 ⊗ T S )
` ` `
= (P0 ⊗ T S) ◦ (σ 2 [(IE ⊗ w) + (w ⊗ IE )] ◦ (I + C)
`
+σ 4 [κ IE ⊗I
e E + (1 + κ) (I + C)]) ◦ (P0 ⊗ T S)
` `
= σ 2 P0 ⊗ (T S w T S) + σ 4 (1 + κ) P0 ⊗ (T S)2 ,

d'où l'on déduit le résultat puisque l'on a :

w S = S w = P et T P = P T = T.

Remarque 8.2. Cet opérateur peut encore s'écrire :

`
IK = P0 ⊗ [T 2 ◦ (σ 2 S + σ 4 (1 + κ) S 2 )].
l
Il s'agit du projecteur P0 ⊗ P de σ2 (E) dans lui-même si, et seulement si, on
a :
T 2 ◦ (σ 2 S + σ 4 (1 + κ) S 2 ) = P,
c'est-à-dire si :
 Test d'hypothèse sur l'espace des paramètres 193
X σ2 σ 4 (1 + κ) X
a2µ ( + 2
) Pµ = Pµ .
µ µ
µ6=0 µ6=0

On en déduit :
aµ = µ (σ 2 µ + σ 4 (1 + κ))−1/2
et donc :
1 1
T = w ◦ (σ 2 w + σ 4 (1 + κ) IE )− 2 = σ −1 (W − σ 2 IE ) ◦ (W + σ 2 κ IE )− 2 .

Cette dernière écriture permet de construire une suite (Tn ) d'opérateurs

convergeant p.s. vers T.
Soit (κn ) une suite d'estimateurs de κ convergeant p.s. vers κ et (λn ) la
suite des moyennes des p − q plus petites valeurs propres de Wn (convergeant
p.s. vers σ 2 ) ; si on pose :
1 1
Tn = (λn )− 2 (Wn − λn IE ) ◦ (Wn + λn κn IE ) 2 Pn ,

la suite (Tn ) converge alors p.s. vers T.

Proposition 5.7.2 Lorsque l'on pose Tn = (λn )−1/2 (Wn − λn IE ) ◦ (Wn +
λn κn IE )−1/2 Pn , la suite (n tr (Tn2 P0 ))n converge en loi vers une loi de χ2 à
p( p − q) degrés de liberté.
Démonstration. On a en eet dans ce cas la convergence en loi de la suite :
√
(Tn ◦ n(Pn − P ))
`
vers une loi gaussienne centrée d'opérateur de covariance P0 ⊗ P ; on en
déduit que la suite
√
(kTn ◦ n (Pn − P )k22 ) (= (n tr (Tn2 P0 ))

converge en loi vers une loi de χ2 à tr (P0 ) tr (P ) (= (p−q)p) degrés de liberté.

5.7.2 Test d'égalité de l'espace des paramètres à un espace xé

Soit G un sous-espace vectoriel xé de E de dimension q et Π le projecteur
orthogonal sur G ; on pose : Π0 = IE − Π. L'hypothèse Eq = G peut encore
s'écrire P = Π ou P0 = Π0 .
Introduisons la statistique de test Yn = n tr (Tn2 Π0 ). Sous l'hypothèse
nulle, (Yn ) converge en loi vers un χ2 à p (p − q) degrés de liberté ; sous
l'hypothèse opposée, (Yn ) tend vers l'inni car tr (T 2 Π0 ) est alors diérent
de 0.
Le test de niveau asymptotique α a donc pour région critique Yn >
χ2p( p−q),1−α , où χ2p (p−q),1−α est le quantile d'ordre 1 − α d'une loi de χ2 à
p (p − q) degrés de liberté.
194 Chap. 5 - Modèles à eets xes

5.8 Sur l'existence des moments d'ordre 4

Nous donnons dans ce dernier paragraphe la preuve de l'existence des
moments d'ordre 4 de Ui ⊗ Ui .
Rappelons tout d'abord que l'on a ;
Ui = µi ⊗ ei + ei ⊗ µi + ei ⊗ ei
les v.a.e. (ei ) sont indépendantes et admettent les mêmes moments jusqu'à
l'ordre 8 ; elles sont centrées et vérient : IE(ei ⊗ ei ) = σ 2 Γ.
On pose, pour k = 1, · · · , 4, :
∀ (x1 , · · · , xk ) ∈ E k , Mkµi (x1 , · · · , xk ) = hµi , x1 i · · · hµi , xk i
et ∀ (x1 , · · · , xk ) ∈ E k , Mke (x1 , · · · , xk ) = IE(he, x1 i · · · he, xk i),
où e est une v.a.e. ayant les mêmes momentsPjusqu'à l'ordre 8 que les v.a. (ei ).
n µi
Nous avons supposé que la suite ( n1 i=1 Mk (x1 , · · · , xk ))n∈IN était
∗

convergente et nous avons posé :

Ki = IE((Ui − σ 2 Γ )⊗(U
e i − σ 2 Γ ),
Pn
et montré que la suite ( n1 i=1 Ki )n∈IN∗ convergeait dans l'espace G :=
σ2 (σ2 (E)) vers une limite notée K.

Posons pour chaque (T1 , T2 , T3 , T4 ) de [σ2 (E)]4 :

Hi (T1 , T2 , T3 , T4 )
= IE(hUi − σ 2 Γ, T1 i2 hUi − σ 2 Γ, T2 i2 hUi − σ 2 Γ, T3 i2 hUi − σ 2 Γ, T4 i2 ).
En utilisant l'égalité :
e 4 iG = IE(hUi , T3 i2 hUi , T4 i2 ) − hσ 2 Γ, T3 i2 hσ 2 Γ, T4 i2 ,
hKi , T3 ⊗T
on obtient :
Hi (T1 , T2 , T3 , T4 ) = IE(hUi , T1 i2 hUi , T2 i2 hUi , T3 i2 hUi , T4 i2 )
− hσ 2 Γ, T1 i2 IE(hUi , T2 i2 hUi , T3 i2 hUi , T4 i2 )
− hσ 2 Γ, T2 i2 IE(hUi , T1 i2 hUi , T3 i2 hUi , T4 i2 )
− hσ 2 Γ, T3 i2 IE(hUi , T1 i2 hUi , T2 i2 hUi , T4 i2 )
− hσ 2 Γ, T4 i2 IE(hUi , T1 i2 hUi , T2 i2 hUi , T3 i2 )
+ hσ 2 Γ, T1 i2 hσ 2 Γ, T2 i2 hKi , T3 ⊗T
e 4 iG
2 2 e 4 iG
+ hσ Γ, T1 i2 hσ Γ, T3 i2 hKi , T2 ⊗T
2 2 e 3 iG
+ hσ Γ, T1 i2 hσ Γ, T4 i2 hKi , T2 ⊗T
2 2 e 4 iG
+ hσ Γ, T2 i2 hσ Γ, T3 i2 hKi , T1 ⊗T
+ hσ 2 Γ, T2 i2 hσ 2 Γ, T4 i2 hKi , T2 ⊗T
e 3 iG
2 2 e 2 iG
+ hσ Γ, T3 i2 hσ Γ, T4 i2 hKi , T1 ⊗T
+ 3 hσ 2 Γ, T1 i2 hσ 2 Γ, T2 i2 hσ 2 Γ, T3 i2 hσ 2 Γ, T4 i2 .
 Existence des moments d'ordre 4 de Ui ⊗ Ui 195

Prenant :

T1 = x1 ⊗ x2 , T2 = x3 ⊗ x4 , T3 = x5 ⊗ x6 et T4 = x7 ⊗ x8 ,

le réel IE(hUi , T2 i2 hUi , T3 i2 hUi , T4 i2 ) est alors la somme de 6 termes de la

forme M3µi M3e et de 3 termes de la forme M2µi M4e .

De même, IE(hUi , T1 i2 hUi , T2 i2 hUi , T3 i2 hUi , T4 i2 ) est la somme de 16 termes

de la forme M4µi M4e , 32 de la forme M3µi M5e , 24 de la forme M2µi M6e , 8 de la
forme M1µi M7e et 1 de la forme M8e .

Les hypothèses permettent alors de conclure que la suite :

à n
!
1 X
Hi (T1 , T2 , T3 , T4 )
n i=1 ∗n∈IN

converge dans IR, pour tout (T1 , T2 , T3 , T4 ) vériant :

T1 = x1 ⊗ x2 , T2 = x3 ⊗ x4 , T3 = x5 ⊗ x6 et T4 = x7 ⊗ x8 ,
donc pour tout (T1 , T2 , T3 , T4 ) de [σ2 (E)]4 puisque la famille d'opérateurs de
la forme (x1 ⊗ x2 ) est dense dans σ2 (E).

Les conditions du théorème de Liapounov (Annexe 2) sont donc vériées.

6
Modèles à eets aléatoires et A.C.P. optimale

Contenu : Modèles à eets aléatoires. Étude asymptotique des modèles à eets aléatoires et
choix optimal de métrique en A.C.P.

6.1 Introduction
Nous avons fait la remarque, lors de l'étude des modèles à eets xes, que
le type d'hypothèses faites sur ces eets xes semblerait mieux convenir à
des eets aléatoires. De plus, l'Analyse en Facteurs que nous étudions au
chapitre 8 est le plus souvent présenté comme un modèle à eets aléatoires.
La présentation des modèles à eets aléatoires, linéaire et ane, est donc
l'objet de ce chapitre.
Nous dénissons tout d'abord les modèles (linéaire et ane) à eets aléatoires
et les estimateurs et prédicteurs par les moindres carrés des paramètres et des
eets dans le paragraphe 6.2.
Dans le paragraphe 6.3. sont présentés les résultats concernant la convergence
presque sûre de la suite des opérateurs de covariance dont on réalise la décom-
position spectrale et la convergence presque sûre des suites de leurs éléments
propres. Nous montrons, dans le paragraphe 6.4. que les estimateurs sont
consistants pour un certain choix de métrique sur l'espace des individus.
Dans le paragraphe 6.5., sont présentés les résultats concernant les conver-
gences en loi des suites d'opérateurs de covariance d'échantillonnage et de
leurs éléments propres et dans le paragraphe 6.6., tous les opérateurs de co-
variance asymptotiques sont écrits sous forme explicite dans le cas où les
variables sont supposées elliptiques (ou gaussiennes).
Bien que de nombreuses preuves soient très semblables à celles vues dans le
chapitre précédent, nous les reproduisons intégralement pour que la lecture
de cette partie soit indépendante de celle de la partie précédente.
198 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

6.2 Modèles à eets aléatoires

6.2.1 Présentation des modèles

Soit E un espace euclidien de dimension p muni de la tribu de ses boréliens

BE .
Dénition 6.2.1 On considère n variables aléatoires Xi , i = 1, ..., n, à va-
leurs dans (E, BE ), se décomposant de la manière suivante : Xi = xi + ei , où
(ei )i=1,...,n est une suite de v.a.e. indépendantes, appelées erreurs, d'ordre 4
et de même moment jusqu'à l'ordre 4, centrées et d'opérateur de covariance
inversible connu à une constante multiplicative près, où (xi )i=1,...,n est une
suite de v.a.e. indépendantes, appelées eets, d'ordre 4 et de même moment
jusqu'à l'ordre 4, et où les erreurs et les eets sont supposés indépendants.
Le modèle à eets aléatoires linéaire (resp. ane) est déni par l'hypothèse
supplémentaire suivante : il existe un sous-espace vectoriel Eq (resp. un sous-
espace ane Fq ) de E de dimension connue q (q < p) contenant p.s. les
eets.
On pose :

IE(xi ) = µ,
IE(xi ⊗ xi ) = w, E((xi − µ) ⊗ (xi − µ)) = v, et
IE(ei ⊗ ei ) = σ 2 Γ,

où Γ est un opérateur de E dans lui-même supposé inversible et connu et σ

un réel positif inconnu.

Proposition 6.2.2 Les v.a. (Xi )i=1,...,n sont des v.a. indépendantes véri-
ant, pour tout i de {1, ..., n} :

IE(Xi ) = µ,
IE(Xi ⊗ Xi ) = w + σ 2 Γ (:= W ),
IE((Xi − µ) ⊗ (Xi − µ)) = v + σ 2 Γ (:= V ).

Démonstration. Les suites (xi )i=1,...,n et (ei )i=1,...,n sont indépendantes entre
elles et chacune composée de v.a. indépendantes. On en déduit que la suite
(Xi )i=1,...,n est constituée de v.a. indépendantes.
On a de façon évidente, pour tout i de {1, ..., n} :
IE(Xi ) = µ puisque ei est centrée,
IE(Xi ⊗ Xi ) = w + σ 2 Γ puisque xi et ei sont indépendantes, enn,
IE((Xi − µ) ⊗ (Xi − µ)) = IE(Xi ⊗ Xi ) − µ ⊗ µ = v + σ 2 Γ.
 Modèles à eets aléatoires 199

Notations

Nous rappelons la notation déjà utilisée dans le paragraphe sur les modèles à
eets xes. Pour tout opérateur A de E admettant une décomposition spec-
trale, on note [A]q l'espace vectoriel engendré par les vecteurs propres associés
aux q plus grandes valeurs propres de A, et on le désigne par q -espace principal
de A.
L'espace [A]q n'est identié de façon unique que si, dans la suite pleine dé-
croissante (λj )j=1,...,p des valeurs propres de A, on a : λq > λq+1 .
On pose :
n n n
1X 1X 1X
Xn = Xi , Wn = Xi ⊗ Xi, Vn = (Xi − X n ) ⊗ (Xi − X n )
n i=1 n i=1 n i=1

Proposition 6.2.3 Dans le cas linéaire, on a :

Eq = [IE(Wn )Γ −1 ]q .

Dans le cas ane, on a :

Fq = µ + Eq avec Eq = [IE(Vn )Γ −1 ]q .

Démonstration. Dans le modèle linéaire (resp. ane), les v.a. (xi )i=1,...,n sont
supposées appartenir à un sous-espace vectoriel Eq (resp. ane Fq ) de dimen-
sion q de E. Dans le cas linéaire, on en déduit que le rang de w est inférieur
ou égal à q . Dans le cas ane, on en déduit que µ appartient à Fq et que le
rang de v est inférieur ou égal à q. Sans perte de généralité, nous supposons
que le rang de w (resp. de v) est égal à q. Par économie de notation, dans le
cas ane, nous notons également Eq l'espace vectoriel parallèle à Fq .
On a alors, dans le modèle linéaire (resp. ane)

Eq = Im(w) (resp. Fq = µ + Eq avec Eq = Im(v)).

Cependant, ces espaces peuvent encore être caractérisés à partir de E(Wn ) et

de E(Vn ) respectivement.
Les v.a. (Xi )i=1,...,n étant indépendantes et de même moment d'ordre 1 et 2,
on a :
1 1
IE(Wn ) = W = w + σ 2 Γ et IE(Vn ) = (1 − )V = (1 − )(v + σ 2 Γ ).
n n

Dans le modèle linéaire, on a :

IE(Wn )Γ −1 = wΓ −1 + σ 2 IE et Eq = Im(w) = Im(wΓ −1 ) = [IE(Wn )Γ −1 ]q .

En eet, si pour λ 6= 0 et u ∈ E on a : wΓ −1 u = λu, alors on a aussi :

IE(Wn )Γ −1 u = (λ + σ 2 )u. Les vecteurs propres associés aux q valeurs propres
200 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

non nulles de wΓ −1 sont vecteurs propres de IE(Wn )Γ −1 associés aux q plus

grandes valeurs propres, les p − q plus petites étant égales à σ 2 . L'espace
vectoriel Eq est donc l'espace engendré par les vecteurs propres associés aux
q plus grandes valeurs propres de IE(Wn )Γ −1 . Cet espace est bien déterminé
puisque w et donc IE(Wn )Γ −1 est de rang q.

Dans le modèle ane, on a de même :

1
IE(Vn )Γ −1 = (1− )(vΓ −1 +σ 2 IE ) et Eq = Im(v) = Im(vΓ −1 ) = [IE(Vn )Γ −1 ]q .
n
L'espace vectoriel Eq est donc l'espace engendré par les vecteurs propres as-
sociés aux q plus grandes valeurs propres de IE(Vn )Γ −1 . Cet espace est bien
déterminé puisque v et donc IE(Vn )Γ −1 est de rang q.

Notation

On note P le projecteur orthogonal sur Eq , que ce soit dans le modèle linéaire

ou ane et on note Π le projecteur orthogonal sur Fq = µ+Eq dans le modèle
ane. Pour tout x de E on a : Πx = µ + P (x − µ).

6.2.2 Estimation par les moindres carrés

L'estimation et la prédiction, par le critère des moindres carrés dans l'espace

euclidien E, des paramètres du modèle linéaire (resp. ane) et des eets est la
recherche du sous-espace vectoriel de dimension q (resp. du sous-espace ane
de dimension q ) et des xi appartenant à ce sous-espace minimisant :
n
X 2
kXi − xi k ,
i=1

la norme étant celle associée au produit scalaire de E.

Proposition 6.2.4 Dans le cas linéaire, les estimateurs et prédicteurs par les
moindres carrés de Eq et des xi , i = 1, ..., n, sont :

Eqn = [Wn ]q et xni = P n Xi , i = 1, ..., n,

où P n désigne le projecteur orthogonal sur Eqn .

Dans le cas ane, les estimateurs et prédicteurs par les moindres carrés de
Fq et des xi , i = 1, ..., n, sont :

Fqn = X n + Eqn , avec Eqn = [Vn ]q et xni = Π n Xi , i = 1, ..., n,

où Π n désigne le projecteur orthogonal sur Fqn .

 Modèles à eets aléatoires 201

Démonstration. Dans le cas linéaire, on a :

2 2 2
kXi − xi k = kXi − P Xi k + kP Xi − xi k , i = 1, ..., n
n
X n
X
2 2
kXi − xi k = n tr (Wn (IE − P )) + kP Xi − xi k
i=1 i=1

Le minimum par rapport à P et aux xi , i = 1, ..., n, est atteint lorsque le

second terme s'annule et lorsque le premier est minimum, ce qui donne le
projecteur orthogonal P n sur [Wn ]q et xni = P n Xi , i = 1, ..., n.

Dans le cas ane, on a de même :

2 2 2
kXi − xi k = kXi − ΠXi k + kΠXi − xi k , i = 1, ..., n

Or, on a :

Xi − ΠXi = (IE − P )(Xi − µ) = (IE − P )(Xi − X n + X n − µ)

dont on déduit :
n
X n
X ° ° ° °
kXi − ΠXi k =
2 °(IE − P )(Xi − X n )°2 + n °(IE − P )(X n − µ)°2
i=1 i=1

et donc :
n
X Xn
2 2
kXi − µi k = n tr (Vn (IE −P ))+n tr ((X n −µ)⊗(X n −µ))+ kΠXi − xi k
i=1 i=1

Le minimum par rapport à P, Π et aux xi , i = 1, ..., n, est atteint lorsque

le second et troisième terme s'annulent et lorsque le premier est minimum,
ce qui donne le projecteur orthogonal P n sur [Vn ]q , µn = X n (c'est-à-dire
Fqn = X n + [Vn ]q ) et xni = Π n Xi = P n (Xi − X n ) + X n , i = 1, ..., n, où Π n
désigne le projecteur orthogonal sur Fqn .

6.2.3 Remarques et proposition

1) Comme dans le cadre des modèles à eets xes, on peut noter que les es-
timateurs et les prédicteurs par les moindres carrés de Eq (resp. de Fq ) et
des xi , i = 1, ..., n, sont indépendants de la valeur de σ 2 . En ce qui concerne
l'estimation de σ 2 , nous montrerons (Ÿ 8.3.) que chacune des p − q dernières
valeurs propres de Wn Γ −1 (resp. de Vn Γ −1 ) converge vers σ 2 , nous estimerons
alors σ 2 par la moyenne de ces p − q dernières valeurs propres.
202 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

2) De même, l'estimateur par les moindres carrés dans E de Eq est le sous-

espace vectoriel [Wn ]q dans le cas linéaire (resp. [Vn ]q dans le cas ane), alors
que l'on a : Eq = [IE(Wn )Γ −1 ]q (resp. Eq = [IE(Vn )Γ −1 ]q ).
Ceci conduit à la conjecture suivante : les estimateurs sont meilleurs, quelque
soit la valeur de σ 2 , lorsque l'opérateur de covariance des erreurs ei s'écrit
σ 2 IE , c'est-à-dire lorsque l'espace euclidien E est muni du produit scalaire
Γ −1 .
Nous avons en eet dans ce cas :

IE(ei ⊗Γ −1 ei ) = IE(ei ⊗ ei ) ◦ Γ −1 = σ 2 IE

Nous prouverons ce résultat au Ÿ 6.4..

3) Avant d'aborder l'étude des convergences p.s. et en loi des estimateurs et

prédicteurs, montrons la proposition suivante qui nous sera utile par la suite.
On rappelle que C est l'opérateur de commutation de σ2 (E) et on note I
l'identité de σ2 (E).
On pose :

Ω1 e (xi ⊗ xi )) − w⊗w
= IE((xi ⊗ xi ) ⊗ e
ζ e (ei ⊗ µ))
= IE((ei ⊗ ei ) ⊗
Θ e (ei ⊗ ei )) − σ 4 Γ ⊗
= IE((ei ⊗ ei ) ⊗ eΓ
Ω10 = IE(((xi − µ) ⊗ (xi − µ)) ⊗ e ((xi − µ) ⊗ (xi − µ))) − v ⊗v
e

Ces diérents moments ne dépendent pas de i car les v.a. (xi )i=1,...,n (resp.
(ei )i=1,...,n ) ont mêmes moments jusqu'à l'ordre 4.

Proposition 6.2.5 Les v.a. (Xi ⊗ Xi )i=1,...,n sont indépendantes et ont

mêmes moments d'ordre 1 et 2.
On a :
IE(Xi ⊗ Xi ) = W et IE((Xi − µ) ⊗ (Xi − µ)) = V.
Si on pose :
e (Xi ⊗ Xi )) − W ⊗W
K = IE((Xi ⊗ Xi ) ⊗ e et

K 0 = IE(((Xi − µ) ⊗ (Xi − µ)) ⊗

e ((Xi − µ) ⊗ (Xi − µ)) − V ⊗V
e

alors on a :
`
K = Ω1 + σ 2 (I + C) ◦ w ⊗ Γ ◦ (I + C) + (I + C) ◦ ζ + ζ ∗ ◦ (I + C) + Θ et
`
K 0 = Ω10 + σ 2 (I + C) ◦ v ⊗ Γ ◦ (I + C) + Θ.
 Modèles à eets aléatoires 203

Démonstration. L'indépendance des v.a. (Xi ⊗ Xi )i=1,...,n vient directement

de celle des v.a. (Xi )i=1,...,n .

Le résultat pour les moments d'ordre 1 a déjà été établi.

Pour les moments d'ordre 2, on a :

e (Xi ⊗ Xi )) = IE(((xi + ei ) ⊗ (xi + ei )) ⊗
IE((Xi ⊗ Xi) ⊗ e ((xi + ei ) ⊗ (xi + ei )))
e (xi ⊗ xi + ui )) avec
= IE((xi ⊗ xi + ui ) ⊗
ui = xi ⊗ ei + ei ⊗ xi + ei ⊗ ei .

On a donc :
e (Xi ⊗ Xi )) = Ω1 + w⊗w
IE((Xi ⊗ Xi ) ⊗ e + Ω2 + Ω3 + Ω4

où l'on rappelle que l'on a posé :

e (xi ⊗ xi )) − w⊗w
Ω1 = IE((xi ⊗ xi ) ⊗ e
et où l'on pose :

e (xi ⊗ xi )), Ω3 = IE( (xi ⊗ xi ) ⊗

Ω2 = IE(ui ⊗ e ui ) et Ω4 = IE( ui ⊗u
e i ).

D'après l'égalité 8 de l'annexe 5, on a :

e (xi ⊗ xi )) = IE((xi ⊗ E(ei ))⊗
IE((xi ⊗ ei ) ⊗ e (xi ⊗ xi )) = 0

car IE(ei ) = 0.
D'après la propriété A2 de cette même annexe, on a :
e (xi ⊗ xi )) = IE(ei ⊗ ei )⊗IE(
IE((ei ⊗ ei ) ⊗ e xi ⊗ xi ) = σ 2 Γ ⊗w.
e

e et, en prenant la transposée, Ω3 = σ 2 w⊗Γ.

On a donc : Ω2 = σ 2 Γ ⊗w e
e i ) avec ui = xi ⊗ ei + ei ⊗ xi + ei ⊗ ei ,
Enn, on a : Ω4 = IE(ui ⊗u
c'est-à-dire :
e (xi ⊗ ei )) + IE((xi ⊗ ei ) ⊗
Ω4 = IE((xi ⊗ ei ) ⊗ e (ei ⊗ xi )) + IE((xi ⊗ ei ) ⊗e (ei ⊗ ei ))
e (xi ⊗ ei )) + IE((ei ⊗ xi ) ⊗
+ IE((ei ⊗ xi ) ⊗ e (ei ⊗ xi )) + IE((ei ⊗ xi ) ⊗e (ei ⊗ ei ))
e (xi ⊗ ei )) + IE((ei ⊗ ei ) ⊗
+ IE((ei ⊗ ei ) ⊗ e (ei ⊗ xi )) + IE((ei ⊗ ei ) ⊗
e (ei ⊗ ei )).

D'après l'égalité 7 de l'annexe 5, il vient :

` `
e (xi ⊗ ei )) = IE((xi ⊗ xi ) ⊗ (ei ⊗ ei )) = IE(xi ⊗ xi ) ⊗ IE( ei ⊗ ei )
IE((xi ⊗ ei ) ⊗

d'où :
`
e (xi ⊗ ei )) = w ⊗ σ 2 Γ.
IE((xi ⊗ ei ) ⊗
204 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

On a de plus :
`
e (xi ⊗ ei ))] = C ◦ w ⊗ σ 2 Γ
e (ei ⊗ xi )) = IE[C ◦ ((xi ⊗ ei ) ⊗
IE((xi ⊗ ei ) ⊗
e ∗ = C ◦ A⊗B
car A⊗B e et IE(C ◦ U ) = IE(C ◦ U ),

`
e (xi ⊗ ei )) ◦ C] = w ⊗ σ 2 Γ ◦ C
e (xi ⊗ ei )) = IE[((xi ⊗ ei ) ⊗
IE((ei ⊗ xi ) ⊗
e = A⊗B
car A∗ ⊗B e ◦ C et IE(U ◦ C) = IE(U ) ◦ C,
`
e (xi ⊗ ei )) ◦ C] = C ◦ w ⊗ σ 2 Γ ◦ C
e (ei ⊗ xi )) = IE[C ◦ ((xi ⊗ ei ) ⊗
IE((ei ⊗ xi ) ⊗
e ∗ = C ◦ A⊗B
car A∗ ⊗B e ◦ C et IE(C ◦ U ◦ C) = C ◦ IE(U ) ◦ C.

En utilisant l'égalité 8 de l'annexe 5, on peut écrire :

e (ei ⊗ xi )) = IE((ei ⊗ ei ) ⊗
IE((ei ⊗ ei ) ⊗ e (ei ⊗ IE(xi ))) = ζ car IE(xi ) = µ.
On en déduit :
e (ei ⊗ ei )) = ζ ∗ car (A⊗B)
IE((ei ⊗ xi ) ⊗ e ∗ = B ⊗A, e
e ∗ ∗e
IE((xi ⊗ ei ) ⊗ (ei ⊗ ei )) = ζ ◦ C car A ⊗B = A⊗B e ◦ C,
e e ∗
IE((ei ⊗ ei ) ⊗ (xi ⊗ ei )) = C ◦ ζ car A⊗B = C ◦ A⊗B. e

Enn, comme on a posé :

e (ei ⊗ ei )) − σ 4 Γ ⊗
Θ = IE((ei ⊗ ei ) ⊗ e Γ,

on en déduit :
`
Ω4 = σ 2 (I + C) ◦ w ⊗ Γ ◦ (I + C) + (I + C) ◦ ζ + ζ ∗ ◦ (I + C) + Θ + σ 4 Γ ⊗Γ.
e
Comme on a :

e = (w + σ 2 Γ )⊗(w
W ⊗W e + σ 2 Γ ) = w⊗w
e + σ 2 (Γ ⊗w e ) + σ 4 Γ ⊗Γ,
e + w⊗Γ e

on en déduit :

`
K = Ω1 + σ 2 (I + C) ◦ w ⊗ Γ ◦ (I + C) + (I + C) ◦ ζ + ζ ∗ ◦ (I + C) + Θ

qui est bien une expression indépendante de i.

Pour obtenir l'expression de K 0 , on remplace xi par xi − µ, w par v et ζ par

0.
En eet, on a alors :

e (ei ⊗(xi −µ))) = IE((ei ⊗ei ) ⊗

IE((ei ⊗ei ) ⊗ e (ei ⊗IE(xi −µ))) = 0 car IE(xi ) = µ.
 Convergence presque sûre des estimateurs 205

On obtient donc :
`
K 0 = Ω10 + σ 2 (I + C) ◦ v ⊗ Γ ◦ (I + C) + Θ,
expression indépendante de i.

6.3 Convergence presque sûre des estimateurs

6.3.1 Hypothèses et notations

Dans les modèles à eets aléatoires linéaire et ane dont la dénition vient
d'être rappelée, on considère désormais que i appartient à IN∗ .
0 0
On pose : Eq = [W ]q dans le cas linéaire, Eq = [V ]q dans le cas ane, et on
0
note Q le projecteur orthogonal sur Eq .

Enn, on pose :
p
X p
X
λ = (p − q)−1 λk (resp. λn = (p − q)−1 λnk ),
k=q+1 k=q+1

moyenne des p − q plus petites valeurs propres de W (resp. Wn ) dans le cas

linéaire, de V (resp. Vn ) dans le cas ane.

Les modèles considérés à présent dépendent d'une innité d'eets à prédire

(xi ) mais ces eets appartiennent p.s. à un espace de dimension nie.

6.3.2 Convergence presque sûre des opérateurs d'échantillonnage

Proposition 6.3.1 Dans le cas linéaire, la suite (Wn ) converge p.s. vers W
dans σ2 (E).
Dans le cas ane, la suite (X n ) converge p.s. vers µ dans E et la suite (Vn )
converge p.s. vers V dans σ2 (E).

Démonstration. Cas du modèle linéaire

Les v.a. (Xi ⊗ Xi )i∈IN∗ sont indépendantes, d'ordre 2, et ont mêmes moments
d'ordre 1 et 2 :
206 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

e (Xi ⊗ Xi )) − W ⊗W
IE(Xi ⊗ Xi ) = W et IE((Xi ⊗ Xi ) ⊗ e = K.

D'après la loi forte des grands nombres dans σ2 (E), on a :

lim Wn = W p.s.
n→∞

Cas du modèle ane

Les v.a. (Xi )i∈IN∗ sont indépendantes et ont mêmes moments d'ordre 1 et 2,
IE(Xi ) = µ et IE(Xi ⊗ Xi ) = W.

D'après la loi forte des grands nombres dans E, on a :

lim X n = µ p.s.
n→∞

On en déduit dans σ2 (E) :

lim Vn = lim (Wn − X n ⊗ X n ) = W − µ ⊗ µ = V p.s.
n→∞ n→∞

6.3.3 Convergence presque sûre des éléments propres

On rappelle que P n , P et Q sont les projecteurs orthogonaux sur Eqn , Eq et

0 0
Eq respectivement avec Eqn = [Wn ]q , Eq = [W Γ −1 ]q et Eq = [W ]q dans le cas
0
linéaire (resp. Eqn = [Vn ]q , Eq = [V Γ −1 ]q et Eq = [V ]q dans le cas ane) ;
n
P , P et Q sont aussi respectivement la somme des projecteurs orthogonaux
sur les sous-espaces propres associés aux q plus grandes valeurs propres de
Wn , W Γ −1 et W dans le cas linéaire (de Vn , V Γ −1 et V dans le cas ane).

Nous appliquons la proposition sur la convergence p.s. des éléments propres

aux opérateurs Wn et W dans le cas linéaire (resp. Vn et V dans le cas ane),
pour la valeur propre σ 2 de W (resp. V ) et donc pour le projecteur IE − Q ;
la suite (IE − P n ) converge donc p.s. vers IE − Q, d'où le résultat suivant :
Proposition 6.3.2 La suite (P n ) converge p.s. vers Q dans σ2 (E).
On peut remarquer que la convergence de projecteurs orthogonaux ne dépend
pas du produit scalaire dans le sens suivant. Soit Eq et, pour tout n de IN, Eqn
des sous-espaces vectoriels de E et soit P et Pn les projecteurs orthogonaux
associés pour le produit scalaire de E, Q et Qn les projecteurs associés pour
un autre produit scalaire, alors si la suite (Pn ) converge vers P, la suite (Qn )
converge vers Q.

On peut alors dire, par dénition, que la suite de sous-espaces (Eqn ) converge
vers Eq .

On déduit alors de la proposition précédente le résultat :

 Consistance et choix de métrique en A.C.P. 207

Proposition 6.3.3 La suite (Eqn ) converge p.s. vers Eq .

0

Proposition 6.3.4 Pour tout i de IN∗ , la suite (xni ) converge p.s. dans E :
1) vers QXi dans le cas linéaire et on a : IE(QXi ) = Qµ,
2) vers Q(Xi − µ) + µ dans le cas ane et on a IE(Q(Xi − µ) + µ) = µ.

Démonstration. On a, dans le cas linéaire, xni = P n Xi et la suite (P n )

converge p.s. vers Q, d'où le résultat.

Dans le cas ane, on a : xni = Π n Xi = P n (Xi − X n ) + X n . Comme la suite

(P n ) converge p.s. vers Q et la suite (X n ) converge p.s. vers µ, on en déduit
le résultat.

Enn, on déduit aisément de la proposition sur la convergence p.s. des élé-

ments propres le résultat suivant.

Proposition 6.3.5 La suite (λn ) converge p.s. vers λ dans R.

6.4 Consistance et choix de métrique en A.C.P.

6.4.1 Choix optimal de métrique en A.C.P.

C'est à partir de l'A.C.P. que l'on obtient les estimations et prédictions par les
moindres carrés des paramètres et des eets aléatoires des modèles. Bien que
peu d'hypothèses soient posées, il est possible de dénir des critères de qualité
des estimateurs, par exemple la consistance. D'où une notion d'optimalité
en terme de consistance.

Nous montrons que les estimateurs et prédicteurs sont consistants si, et seule-
ment si, on choisit comme métrique sur E l'inverse de la matrice de covariance
des erreurs. Il s'agit d'une propriété analogue au théorème de Gauss-Markov
pour le modèle de régression linéaire.

Proposition 6.4.1 Eqn est un estimateur consistant de Eq si et seulement

si E est muni du produit scalaire Γ −1 , à une constante strictement positive
multiplicative près.
La démonstration est identique à celle réalisée dans le cadre des modèles à
eets xes.
208 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

6.4.2 Propriétés des estimateurs des paramètres

Nous avons déjà vu que si E est muni de la métrique Γ −1 , alors Enq et P n

sont des estimateurs consistants de Eq et P respectivement. Nous montrons
à présent les propriétés vériées par les prédicteurs des eets aléatoires.

Proposition 6.4.2 Si E est muni de la métrique Γ −1 , alors pour tout i de

IN∗ , la suite (xni )n≥i converge presque sûrement dans E :
1) vers P Xi dans le cas linéaire, et on a : IE(P Xi ) = µ,
2) vers P (Xi − µ) + µ dans le cas ane, et on a : IE(P (Xi − µ) + µ) = µ.

Démonstration. Le résultat découle des propositions précédentes et des re-

marques suivantes : dans le cas linéaire µ appartient à Eq , dans le cas ane
µ appartient à Fq , et P est le projecteur Γ −1 -orthogonal sur Eq .

Proposition 6.4.3 La suite (λn ) converge presque sûrement dans R vers σ 2 .

Démonstration. Dans le cas où E est muni de la métrique Γ −1 , les p − q
dernières valeurs propres de W Γ −1 et V Γ −1 sont égales à σ 2 , on a donc :
λ = σ2 .

6.5 Convergence en loi des estimateurs

On suppose désormais que les v.a.e. xi (resp. ei ) admettent les mêmes mo-
ments jusqu'à l'ordre 8.
Nous étudions dans le paragraphe 6.5.1., pour une métrique √ quelconque puis
−1
lorsque
√ E est muni de la métrique Γ , les lois limites de n(Wn − W ) et de
n(Vn − V ).
Ceci nous permet d'obtenir √ (paragraphe 6.5.2.),
√ dans le cas où la métrique est
Γ −1 , les lois limites de n(P n − P ) et de n(λn − σ 2 ).

6.5.1 Lois asymptotiques des opérateurs d'échantillonnage

√
Proposition 6.5.1 La suite ( n(Wn − W )) converge en loi dans σ2 (E) vers
U, opérateur aléatoire gaussien centré et d'opérateur de covariance :
`
K = Ω1 + σ 2 (I + C) ◦ w ⊗ Γ ◦ (I + C) + (I + C) ◦ ζ + ζ ∗ ◦ (I + C) + Θ.
Dans le cas où le produit scalaire est associé à Γ −1 on remplace Γ par IE .
 Convergence en loi des estimateurs 209

Démonstration. Nous avons vu proposition 8.2.5 que les v.a. (Xi ⊗ Xi )i∈IN∗
sont indépendantes, d'ordre 2, et ont mêmes moments d'ordre 1 et 2,
e (Xi ⊗ Xi )) − W ⊗W
IE(Xi ⊗ Xi ) = W et IE((Xi ⊗ Xi ) ⊗ e = K.

L'existence de mêmes moments jusqu'à l'ordre 8 pour les v.a. xi (resp. ei )

entraîne que les v.a. Xi ⊗ Xi ont les mêmes moments jusqu'à l'ordre 4. Nous
renvoyons la preuve à la n de ce chapitre, Ÿ 6.8.
Ces variables vérient donc les conditions
√ de Liapounov (cf. Annexe 2) pour
la convergence en loi. La suite ( n(Wn − W )) converge en loi dans σ2 (E)
vers U, opérateur aléatoire gaussien centré et d'opérateur de covariance celui
de Xi ⊗ Xi , c'est-à-dire l'opérateur K dont l'expression a été obtenue en
proposition 6.5.1.
√
Proposition 6.5.2 La suite ( n(Vn − V )) converge en loi, dans σ2 (E), vers
U 0 , v.a. de loi gaussienne centrée d'opérateur de covariance :
`
K 0 = Ω10 + σ 2 (I + C) ◦ v ⊗ Γ ◦ (I + C) + Θ

Dans le cas où la métrique sur E est Γ −1 , on remplace Γ par IE .

Démonstration. On pose :
n
1X
Ven = (Xi − µ) ⊗ (Xi − µ).
n i=1

La proposition précédente appliquée aux variables ((Xi − µ) ⊗ (Xi − µ))i∈IN∗

√
permet de conclure que la suite n(Ven − V )) converge en loi dans σ2 (E) vers
U 0 , opérateur aléatoire gaussien centré et d'opérateur de covariance celui de
(Xi − µ) ⊗ (Xi − µ), c'est-à-dire l'opérateur K 0 dont l'expression a été obtenue
en proposition 5 ( ?)
On peut écrire :
√ √ √
n(Vn − V ) = n(Ven − V ) − n(X n − µ) ⊗ (X n − µ).

Comme
√ on sait que la suite (X n ) converge p.s. vers µ dans E et que
√ la suite
( n(X n − µ)) converge en loi dans E, on en déduit que la suite √ ( n(X n −
µ) ⊗ (X n − µ)) converge en probabilité vers 0 et que la suite ( n(Vn − V )) a
√
même limite en loi que la suite ( n(Ven − V )).

6.5.2 Lois asymptotiques des éléments propres

Dans toute la suite, on se place dans le cas où la métrique sur E est Γ −1 .

L'opérateur de covariance des (ei ) s'écrit alors σ 2 IE . On applique la propo-
sition de convergence en loi des éléments propres aux opérateurs Wn et W (
210 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

resp. Vn et V ) et à σ 2 , dernière valeur propre de W ( resp. V ), d'ordre p − q.

On a donc λ = σ 2 . Le projecteur orthogonal sur l'espace propre associé est
IE − P, où P est le projecteur orthogonal sur Eq .

An de simplier les notations, on pose P0 = IE − P et P0n = IE − P n . Les

valeurs propres de W (resp. V ) autres que σ 2 sont de la forme λj + σ 2 où λj
est valeur propre de w (resp. v).

On pose S = (W −σ 2 IE )− = w− dans le cas linéaire (resp. S = (V −σ 2 IE )− =

v − dans le cas ane).

Dans le cas : q = p − 1, alors σ 2 est valeur propre simple de W dans le cas

linéaire ( resp. de V dans le cas ane ). On note h un vecteur propre unitaire
−1
de W ( resp. V ) associé à σ 2 et on pose : hn = kP0n hk P0n h ; le vecteur hn
est, pour n susamment grand, un vecteur propre unitaire de Wn (resp. Vn )
associé à la plus petite valeur propre.

Proposition√6.5.3 Dans le cas linéaire,

(i) la suite ( n(P n − P )) converge en loi dans σ2 (E) vers :

Ψ1 (U ) = P0 U S + SU P0 ,

v.a. gaussienne√ centrée d'opérateur de covariance K1 = Ψ1 KΨ1∗ ;

(ii) la suite ( n(λ − σ 2 )) converge en loi dans R vers
n

Ψ2 (U ) = (p − q)−1 tr(P0 U ),

v.a. gaussienne centrée d'opérateur de √ variance K2 = Ψ2 KΨ2∗ ;

(iii) dans le cas : q = p − 1, la suite ( n(h − h)) converge en loi dans E vers
n

Ψ3 (U ) = SU (h),

v.a. gaussienne centrée d'opérateur de covariance K3 = Ψ3 KΨ3∗ .

Dans le cas ane, on remplace, dans ces résultats, U par U 0 et donc K par
K 0.
√
Démonstration. (i) Comme la suite ( n(Wn −W )) converge en loi√ dans σ2 (E)
vers √U, on déduit de la proposition CVLoi que la suite (− n(P n − P ))
(= ( n(P0n − P0 ))) converge en loi vers :

Ψ1 (U ) = P0 U S + SU P0 .
√
(ii) De même, la suite ( n(λn − σ 2 )) converge en loi dans R vers :

Ψ2 (U ) = (p − q)−1 tr (P0 U ).
√
(iii) Enn, la suite ( n(hn − h)) converge en loi dans E vers :
 Explicitation des opérateurs de covariance asymptotique 211

Ψ3 (U ) = SU (h).

On a vu que les applications Ψ1 , Ψ2 et Ψ3 sont linéaires ; les lois asymptotiques

sont donc gaussiennes, centrées, d'opérateurs de covariances K1 = Ψ1 KΨ1∗ ,
K2 = Ψ2 KΨ2∗ et K3 = Ψ3 KΨ3∗ respectivement.
Dans le paragraphe suivant, on explicitera ces opérateurs de covariance dans
le cas où les xi (resp. les ei ) suivent une loi elliptique ou gaussienne.
La démonstration est identique dans le cas ane.

6.6 Explicitation des opérateurs de covariance

asymptotique

Dans tout ce paragraphe, on suppose que E est muni du produit scalaire Γ −1 ,

ce qui revient à supposer que les variables (ei ), indépendantes et centrées, ont
pour opérateur de covariance σ 2 IE .
On suppose de plus qu'elles suivent une même loi elliptique de coecient
d'aplatissement κ (cf. Ÿ 15.4.1).
On a alors :
Θ = σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)]
où l'on rappelle que C désigne l'opérateur de commutation de σ2 (E) et I
l'identité de σ2 (E).
Dans le cas : κ = 0, la loi elliptique est la loi gaussienne.
On ne fait pas d'hypothèse sur la loi des eets car nous verrons que les résultats
qui nous intéressent ne dépendent pas de Ω1 (resp. Ω10 ).

Proposition 6.6.1 L'opérateur de covariance asymptotique K de Wn s'écrit :

`
K = Ω1 + σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) + σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)],

et l'opérateur de covariance asymptotique K 0 de Vn s'écrit :

`
K 0 = Ω10 + σ 2 (I + C) ◦ (IE ⊗ v) ◦ (I + C) + σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)].

Dans le cas gaussien, on remplace κ par 0.

Démonstration. Comme la loi des ei est elliptique centrée, les moments d'ordre
3 sont nuls, et on a donc :

e i ⊗ µ)] = 0
ζ = IE[(ei ⊗ ei )⊗(e

d'où le résultat.
212 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

Proposition 6.6.2 Dans le cas linéaire ou ane :

(i) l'opérateur de covariance asymptotique K1 de P n s'écrit :
` `
K1 = (I + C) ◦ [σ 2 P0 ⊗ S + (1 + κ)σ 4 P0 ⊗ S 2 ] ◦ (I + C),

(ii) l'opérateur de covariance asymptotique K2 de λn s'écrit :

K2 = [(p − q)−1 2σ 4 (1 + κ) + σ 4 κ]IE ,

(iii) l'opérateur de covariance asymptotique K3 de hn , cas p − q = 1, s'écrit :

K3 = (1 + κ)σ 4 S 2 + σ 2 S.

Dans le cas gaussien, on remplace κ par zéro.

Démonstration. On se place dans le cas linéaire, la démonstration est iden-
tique dans le cas ane en remplaçant w par v et Ω1 par Ω10 . Il sut de vérier
que les résultats ne dépendent pas de Ω1 puis de reprendre la démonstration
faite dans le cadre des modèles linéaires.
Première étape : les résultats ne dépendent pas de Ω1 .
On utilisera les propriétés suivantes :

wP0 = P0 w = 0, P0 S = SP0 = 0, xi ⊗ xi P0 = P0 xi ⊗ xi = 0.

` `
(i) L'opérateur Ψ1 := P0 ⊗ S + S ⊗ P0 est autoadjoint, d'où :
Ω1 Ψ1∗ (T ) = [IE((xi ⊗ xi )⊗(x
e i ⊗ xi )) − w⊗w](ST
e P0 + P0 T S) = 0.
En eet, on a :
e i ⊗xi ))(ST P0 ) = IE[hxi ⊗ xi , ST P0 i2 xi ⊗xi ]= IE(tr(ST P0 (xi ⊗
IE((xi ⊗xi )⊗(x
xi ))xi ⊗ xi ) = 0.
e i ⊗ xi ))(P0 T S) = 0,
De même, IE((xi ⊗ xi )⊗(x
e
w⊗w(ST P0 ) = tr (ST P0 w)w = 0 et w⊗w(P e 0 T S) = 0.
On en déduit :
Ψ1 Ω1 Ψ1∗ = 0.
`
(ii) L'opérateur Ψ2 := P0 ⊗ P0 est autoadjoint, d'où :
Ω1 Ψ2∗ (T ) = [IE((xi ⊗ xi )⊗(x
e i ⊗ xi )) − w⊗w](P
e 0 T P0 ) = 0.

On a donc :
Ψ2 Ω1 Ψ2∗ = 0.
(iii) Enn, on a, pour tout T de σ2 (E), Ψ3 (T ) = ST h et, pour tout x de E,
Ψ3∗ (x) = h ⊗ S(x), donc :

Ω1 Ψ3∗ (x) = [IE((xi ⊗ xi )⊗(x

e i ⊗ xi )) − w⊗w]h
e ⊗ S(x)
= IE(hxi ⊗ xi , h ⊗ S(x)i2 xi ⊗ xi ) − hw, h ⊗ S(x)i2 w
= IE(hxi , hi hxi , S(x)i xi ⊗ xi ) − hwh, S(x)i w = 0
 Explicitation des opérateurs de covariance asymptotique 213

car hxi , hi = 0 et wh = 0 puisque xi ∈ Eq , Im(w) = Eq et h ∈ Eq⊥ .

On en déduit :
Ψ3 Ω1 Ψ3∗ = 0.

Deuxième étape
On reprend textuellement la démonstration faite dans le cadre des modèles à
eets xes.

(i) On a posé :
` `
K1 = Ψ1 KΨ1∗ avec Ψ1 = (P0 ⊗ S) + (S ⊗ P0 ) et
`
K = Ω1 + σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) + σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)],
et déjà explicité, dans le cas de l'A.C.P. :

Ψ1 ΘΨ1∗ = Ψ1 ◦ (σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)]) ◦ Ψ1∗
` `
= (1 + κ)σ 4 (S 2 ⊗ P0 + P0 ⊗ S 2 ) ◦ (I + C).

Pour le second terme, on obtient :

`
Ψ1 ◦ σ 2 (I + C) ◦ (IE ⊗ w) ◦ (I + C) ◦ Ψ1∗
` ` ` ` ` `
= σ 2 [P0 ⊗ S) + (S ⊗ P0 ] ◦ [(IE ⊗ w) + (w ⊗ IE )] ◦ [P0 ⊗ S) + (S ⊗ P0 ] ◦ (I + C)
` `
= σ 2 [P0 ⊗ S) + (S ⊗ P0 ] ◦ (I + C)
`
= σ 2 (I + C) ◦ (P0 ⊗ S) ◦ (I + C),
en utilisant : wP0 = P0 w = 0, SwS = S,
d'où l'on déduit le résultat pour K1 .

(ii) On a posé :
`
K2 = Ψ2 KΨ2∗ avec Ψ2 = P0 ⊗ P0 et
` `
K = Ω1 + σ 2 [(IE ⊗ w) + (w ⊗ IE )] ◦ (I + C) + σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)],
et déjà explicité, dans le cas de l'A.C.P. :

Ψ2 ΘΨ2∗ = Ψ2 ◦ (σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)]) ◦ Ψ2∗
= [(p − q)−1 2σ 4 (1 + κ) + σ 4 κ]IE .

Pour le second terme, on obtient :

` `
Ψ2 ◦ σ 2 [(IE ⊗ w) + (w ⊗ IE )] ◦ (I + C) ◦ Ψ2∗
` ` ` `
= tr ◦ σ 2 [P0 ⊗ P0 ] ◦ [(IE ⊗ w) + (w ⊗ IE )] ◦ [P0 ⊗ P0 ] ◦ (I + C) ◦ tr∗ = 0
en utilisant : wP0 = P0 w = 0, d'où le résultat pour K2 .
En posant : κ = 0, on obtient s2 = (p−q)−1 2σ 4 , résultat obtenu par Malinvaud
(1981) dans le cas d'erreurs ei gaussiennes.
214 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

(iii) Enn, dans le cas : p − q = 1, l'opérateur de covariance asymptotique de

hn est :
K3 = Ψ3 KΨ3∗
avec :

∀T ∈ σ2 (E), Ψ3 (T ) = ST (h), ∀x ∈ E, Ψ3∗ (x) = h ⊗ S(x) et

` `
K = Ω1 + σ 2 [(IE ⊗ w) + (w ⊗ IE )] ◦ (I + C) + σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)].
On a déjà explicité, dans le cas de l'A.C.P. :
Ψ3 ΘΨ3∗ = Ψ3 ◦ (σ 4 [κIE ⊗I
e E + (1 + κ)(I + C)]) ◦ Ψ3∗ = σ 4 (1 + κ)S 2 .
Pour le second terme, on obtient :
` `
Ψ3 ◦ σ 2 [(IE ⊗ w) + (w ⊗ IE )] ◦ (I + C) ◦ Ψ3∗ (x)
` `
= Ψ3 ◦ σ 2 [(IE ⊗ w) + (w ⊗ IE )]((h ⊗ S(x)) + (S(x) ⊗ h))
= σ 2 Ψ3 [(h ⊗ wS(x)) + (S(x) ⊗ wh) + (wh ⊗ wS(x)) + (wS(x) ⊗ wh)] = σ 2 S(x),
car on a : wh = 0, hh, S(x)i = 0, hh, wSxi = 0, d'où le résultat pour K3 .

6.7 Conclusion
Il est maintenant possible d'envisager des applications inférentielles : estima-
tion par intervalle de conance, tests d'hypothèses. Nous ne le ferons pas ici.
Les résultats que nous avons obtenus dans le cadre des modèles à eets aléa-
toires sont très proches de ceux obtenus dans le cadre des modèles à eets
xes.
Les hypothèses faites sur les eets xes paraissaient diciles à contrôler. À ce
titre, les modèles à eets aléatoires semblent plus naturels.
Néanmoins, l'introduction des modèles à eets xes a permis de justier
l'étude des structures pouvant exister dans la représentation des individus
en A.C.P.. Le fait que les eets aléatoires aient les mêmes moments jusqu'à
l'ordre 8, ou aient même loi, ne répond plus à cet objectif.
Nous proposons dans le chapitre suivant une modication des hypothèses
du modèle à eets xes. Plutôt que d'avoir autant de moyennes distinctes
que d'observations, nous allons supposer qu'il y a un nombre ni de sous-
populations sous-jacentes.

6.8 Sur l'existence de mêmes moments

Il s'agit ici de montrer l'existence de mêmes moments jusqu'à l'ordre 4
pour les v.a.e. Xi ⊗ Xi .
Soit X une v.a. dénie sur (Ω, A, P ) et à valeurs dans un espace euclidien
(E, BE ).
 Sur l'existence de mêmes moments 215

On dénit le moment d'ordre k de X, k ∈ IN∗ , comme la forme k -linéaire

symétrique :
∀(u1 , ..., uk ) ∈ E k , MkX (u1 , ..., uk ) = IE(hX, u1 i ... hX, uk i)
La v.a. X ⊗ X est dénie sur (Ω, A, P ), à valeurs dans (σ2 (E), Bσ2 (E) ) et son
moment d'ordre k vérie :
∀((u1 ⊗ u2 ), ..., (u2k−1 ⊗ u2k )) ∈ [σ2 (E)]k ,
MkX⊗X (u1 ⊗ u2 , ..., u2k−1 ⊗ u2k ) = M2k
X
(u1 , u2 , ..., u2k ).
En eet, on a :
MkX⊗X (u1 ⊗ u2 , ..., u2k−1 ⊗ u2k ) = IE(hX ⊗ X, u1 ⊗ u2 i2 ... hX ⊗ X, u2k−1 ⊗ u2k i2 )
= IE(hX, u1 i hX, u2 i ... hX, u2k−1 i hX, u2k i)
X
= M2k (u1 , u2 , ..., u2k ).
On en déduit que si (Xi )i∈IN∗ est une suite de v.a.e. ayant mêmes moments
jusqu'à l'ordre 2k, alors (Xi ⊗ Xi )i∈IN∗ est une suite de v.a.e. ayant mêmes
moments jusqu'à l'ordre k.
Soit, pour i ∈ IN∗ , Xi = xi + ei où (xi )i∈IN∗ et (ei )i∈IN∗ sont deux familles de
v.a.e. indépendantes entre elles et où (xi )i∈IN∗ (resp. (ei )i∈IN∗ ) est une suite
de v.a.e. indépendantes et ayant mêmes moments jusqu'à l'ordre 8, notés Mkx ,
k = 1, ..., 8, (resp. Mke , k = 1, ..., 8).
Montrons que (Xi ⊗Xi )i∈IN∗ est une suite de v.a.e. indépendantes ayant mêmes
moments jusqu'à l'ordre 4.
L'indépendance est évidente. D'après le résultat précédent, il sut de montrer
que les v.a. Xi , i ∈ IN∗ , ont mêmes moments d'ordre 2, 4, 6 et 8.
On a :
M2Xi (u1 , u2 ) = IE(hXi , u1 i hXi , u2 i)
= M2x (u1 , u2 ) + M1x (u1 )M1e (u2 ) + M1e (u1 )M1x (u2 ) + M2e (u1 , u2 ),
expression indépendante de i.

M4Xi (u1 , u2 , u3 , u4 ) = E(hXi , u1 i hXi , u2 i hXi , u3 i hXi , u4 i)

= M4x (u1 , u2 , u3 , u4 )
+ M3x (u1 , u2 , u3 )M1e (u4 ) + M3x (u1 , u2 , u4 )M1e (u3 )
+ M3x (u1 , u3 , u4 )M1e (u2 ) + M3x (u2 , u3 , u4 )M1e (u1 )
+ M2x (u1 , u2 )M2e (u3 , u4 ) + M2x (u1 , u3 )M2e (u2 , u4 )
+ M2x (u2 , u3 )M2e (u1 , u4 ) + M2x (u1 , u4 )M2e (u2 , u3 )
+ M2x (u2 , u4 )M2e (u1 , u3 ) + M2x (u3 , u4 )M2e (u1 , u2 )
+ M1x (u1 )M3e (u2 , u3 , u4 ) + M1x (u2 )M3e (u1 , u3 , u4 )
+ M1x (u3 )M3e (u1 , u2 , u4 ) + M1x (u4 )M3e (u1 , u2 , u3 )
+ M4e (u1 , u2 , u3 , u4 ),
216 Chap. 6 - Modèles à eets aléatoires et A.C.P. optimale

expression indépendante de i.

M6Xi (u1 , u2 , u3 , u4 , u5 , u6 ) = IE(hXi , u1 i hXi , u2 i hXi , u3 i hXi , u4 i hXi , u5 i hXi , u6 i).

On procède comme précédemment sans détailler les calculs.
L'expression est une somme de 64 termes (= 26 ) :
- le terme M6x (u1 , u2 , u3 , u4 , u5 , u6 ),
- six termes de la forme M5x (u1 , u2 , u3 , u4 , u5 )M1e (u6 ) obtenus à partir de
celui-ci en permutant {u6 } avec chacun des cinq autres singletons de
{u1 , u2 , u3 , u4 , u5 , u6 },
- quinze termes de la forme M4x (u1 , u2 , u3 , u4 )M2e (u5 , u6 ) obtenus à partir
de celui-ci en permutant {u5 , u6 } avec chacune des autres paires d'élé-
ments de {u1 , u2 , u3 , u4 , u5 , u6 },
- vingt termes de la forme M3x (u1 , u2 , u3 )M3e (u4 , u5 , u6 ) obtenus à partir
de celui-ci en permutant {u4 , u5 , u6 } avec chacune des combinaisons de
trois éléments de {u1 , u2 , u3 , u4 , u5 , u6 },
- quinze termes de la forme M2x (u1 , u2 )M4e (u3 , u4 , u5 , u6 ) obtenus à partir
de celui-ci en permutant {u1 , u2 } avec chacune des autres paires d'élé-
ments de {u1 , u2 , u3 , u4 , u5 , u6 },
- six termes de la forme M1x (u1 )M5e (u2 , u3 , u4 , u5 , u6 ) obtenus à partir de
celui-ci en permutant {u1 } avec chacun des cinq autres singletons de
{u1 , u2 , u3 , u4 , u5 , u6 },
- le terme M6e (u1 , u2 , u3 , u4 , u5 , u6 ).
L'expression est donc indépendante de i.

Enn, on procède de façon analogue pour M8Xi (u1 , ..., u8 ), somme de 256
termes (= 28 ).

On a en fait le résultat général suivant :

si (xi )i∈IN∗ (resp. (ei )i∈IN∗ ) sont des v.a. indépendantes ayant les mêmes mo-
ments jusqu'à l'ordre 2k, k ∈ IN∗ , et si les deux familles (xi )i∈IN∗ et (ei )i∈IN∗
sont indépendantes entre elles, alors les v.a. Xi , Xi = xi + ei , i ∈ IN∗ , sont
indépendantes et ont mêmes moments jusqu'à l'ordre 2k et les v.a. Xi ⊗ Xi ,
i ∈ IN∗ , sont indépendantes et ont mêmes moments jusqu'à l'ordre k.
7
Modèles mixtes. Retour sur l'A.F.D.

Contenu : Modèles mixtes. L'échantillonnage. Estimation par les moindres car-

rés. Étude asymptotique des modèles mixtes. Ecacité et choix de métriques. Cas
gaussien. Estimation MV. Retour sur l'A.F.D.

7.1 Introduction
C'est parce que le modèle d'échantillonnage i.i.d. était inadapté pour
rendre compte de certaines situations dans la pratique de l'A.C.P. que nous
avons introduit le modèle à eets xes.
Les variables aléatoires euclidiennes représentant les individus sont alors
supposées avoir des espérances mathématiques propres à chaque individu ; ceci
revient à envisager autant de sous-populations que d'individus, ce qui conduit
à des hypothèses impossibles à vérier pour mener l'étude asymptotique d'un
tel modèle.
À ce titre, le modèle à eets aléatoires traduit mieux une telle situation et
nous avons vu que nous obtenions des résultats analogues en ce qui concerne
un choix optimal de métrique pour l'A.C.P.
Nous considérons ici un modèle à eets xes (cas linéaire et cas ane) pour
lequel nous disposons d'un nombre ni K de sous-populations (ou classes) et
de plusieurs observations pour chacune d'elles (réplications d'observations).
Nous appelons ces modèles  modèles mixtes  car nous verrons (Ÿ 7.2.3) que
les eets peuvent être considérés comme xes ou aléatoires.
Dans les articles concernant ces modèles (par exemple Dolby (1976), Nuss-
baum (1977), Healy (1980)), le modèle d'échantillonnage implicitement utilisé
est un échantillon stratié proportionnel. En eet, tout d'abord, le nombre nk
d'observations pour la k -ème classe est supposé xe, ce qui revient donc à
considérer un échantillon stratié, c'est-à-dire K échantillons (un par classe)
PK
indépendants et de tailles xes n1 , · · · , nk (de somme k=1 nk valant n).
218 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.

En utilisant la terminologie de la théorie des sondages, notant Y la variable

de stratication, variable catégorielle à valeurs dans {1, · · · , K} qui engendre
la partition de la population en K sous-populations, cet échantillonnage né-
cessite de connaître Y sur toute la sous-population et donc aussi les nombres
pk , où pk est la proportion d'unités statistiques de la k -ème sous-population,
k = 1, · · · , K.
Soit X la variable aléatoire d'intérêt à valeurs dans un espace euclidien
E d'espérance mathématique µ et d'opérateur de covariance V sur la popu-
lation, X̄ n et V n respectivement la moyenne d'échantillonnage et l'opérateur
de covariance d'échantillonnage sur l'échantillon global, de taille n. Si X̄kn
n
et VRk sont les moyennes et les opérateurs de covariance de X sur le k -ème
échantillon et si on pose :
K K
1 X 1 X
VEn = nk (X̄kn − X̄ n ) ⊗ (X̄kn − X̄ n ) et VRn = n
nk VRk ,
n n
k=1 k=1

les décompositions de la moyenne et de l'opérateur de covariance sont alors

suivantes :
K
1 X
X̄ n = nk X̄kn et V n = VEn + VRn .
n
k=1

L'opérateur VEn est l'opérateur de covariance expliqué par la partition en-

gendrée par Y et VRn est l'opérateur de covariance résiduel, ce qui explique
l'indexation par E et R utilisés.
Par ailleurs, dans les articles sur ces modèles, les variables aléatoires X̄ n
et V n sont les estimateurs utilisés pour respectivement µ et V. Ce sont les
estimateurs de stratication si, et seulement si,
nk
= pk ,
n
c'est-à-dire si l'échantillon est stratié proportionnel.
Aussi choisir K échantillons de tailles xes et les estimateurs X̄ n et V n ci-
dessus revient à choisir un échantillon stratié proportionnel, hypothèse qui,
nous l'avons vu, nécessite de connaître la variable de stratication sur toute
la population.
Comme les estimateurs X̄ n et V n sont aussi les estimateurs utilisés ha-
bituellement dans le cas d'un échantillon aléatoire simple de taille xe n, il
nous semble plus adapté dans le cadre de l'Analyse Exploratoire des Don-
nées de considérer cet échantillonnage. Les nombres nk d'observations dans
les diérentes classes sont alors des variables aléatoires dont la loi conjointe
est multinomiale de paramètres (n, p1 , · · · , pk . Bien sûr, on ne connaît ni la
variable Y sur la population, ni les nombres pk qui sont donc des paramètres
à estimer.
Il est aisé de vérier que, pour tout k de {1, · · · , K}, le rapport nnk
converge presque sûrement vers pk . Nous estimons les autres paramètres par
 Les modèles. L'échantillonnage 219

les moindres carrés dans E. Dans le cas ane, l'espace ane Fq est estimé par
Fqn = X̄ n + Eqn , où Eqn est l'espace vectoriel engendré par q vecteurs propres
associés aux q plus grandes valeurs propres de VEn ; la moyenne µk de X sur
la k -ème sous-population est estimée par la projection orthogonale de X̄kn sur
Fqn .
Dans le cadre ainsi précisé, nous montrons que ces estimateurs sont consis-
tants quelle que soit la métrique utilisée sur E.
√ En nécrivant explicitement l'opérateur de covariance asymptotique L de
n (P − P ), où P n (resp. P ) est le projecteur orthogonal sur Eqn (resp. Eq ),
nous montrons que le minimum de la trace de L, opérateur qui dépend de la
métrique sur E, sur l'ensemble des métriques sur E vériant tr(Γ ) = p, est
atteint lorsque la métrique est Γ −1 , et que, pour ce choix de métrique, on a
ainsi une propriété de type ecacité asymptotique.
Dans le cas où Γ est inconnue, nous l'estimons par VRn , ce qui nous conduit,
dans le cas ane, à la diagonalisation de VEn (VRn )−1 ou encore VEn (V n )−1
puisque ces opérateurs ont les mêmes vecteurs propres correspondant à des
valeurs propres rangées dans le même ordre.
Le modèle ane correspond donc à une Analyse Factorielle Discriminante
pour laquelle l'opérateur VE de covariance de la population expliquée par la
partition est de rang q. Nous sommes ainsi ramenés à l'étude asymptotique
de l'Analyse Factorielle Discriminante.

7.2 Les modèles. L'échantillonnage

7.2.1 Présentation des modèles
Pour prendre en compte un échantillonnage aléatoire simple pour les mo-
dèles fonctionnels avec réplication d'observations, nous adoptons la formalisa-
tion suivante. La variable qualitative de stratication Y est considérée comme
variable quantitative (Y 1 , · · · , Y k , · · · , Y K ) à valeurs dans IRK , où Y k est l'in-
dicatrice de la k -ème sous-population.
On pose, pour chaque k de {1, · · · , K},
¡£ ¤¢
P Y k = 1 = pk
PK
et on suppose que tous les pk sont strictement positifs ; on a donc k=1 pk = 1.
Soit X une variable aléatoire à valeurs dans E admettant des moments d'ordre
4. On pose :

µ = IE(X), W = IE(X ⊗ X) et V = IE((X − µ) ⊗ (X − µ)).

Notant Z le couple (X, Y ), on considère une suite (Zi )i∈{1,··· ,n} , formée
de v.a. Zi = (Xi , Yi ) indépendantes et de même loi que Z. On suppose que,
pour tout i de {1, · · · , n} et tout k de {1, · · · , K}, l'espérance mathématique
220 Chapitre 10 Modèles mixtes. Retour sur l'A.F.D.

de Xi conditionnellement à [Yik = 1] ne dépend pas de i et dépend seulement

de k. On pose :

IE(Xi | [Yik = 1]) = µk , xi = IEYi (Xi ), ei = Xi − xi et Γ = IE(ei ⊗ ei )

et on suppose que l'opérateur Γ est inversible.

Le modèle linéaire (resp. ane) correspondant est alors déni par l'hypo-
thèse suivante :
il existe un sous-espace vectoriel Eq (resp. ane Fq ) de dimension q
(avec q < K) de E contenant les µk .

7.2.2 Propriétés élémentaires

Remarquons tout d'abord que l'on a les égalités :
K
X K
X
k
xi = IEYi (Xi ) = IE[Yi =1]
(Xi ) 11[Yik =1] = µk 11[Yik =1] ,
k=1 k=1

dont on déduit les propriétés suivantes dont les quatre premières sont évi-
dentes :
1. Les xi sont des variables aléatoires indépendantes,
PK
2. IE(xi ) = k=1 pk µk = µ (= IE(Xi )) et IE(ei ) = 0,
PK
3. IE(xi ⊗ xi ) = k=1 pk µk ⊗ µk , noté WE ,
PK
4. IE((xi − µ) ⊗ (xi − µ)) = k=1 pk (µk − µ) ⊗ (µk − µ), noté VE ,
5. IE(xi ⊗ ei ) = 0,
6. W = WE + Γ et V = VE + Γ.
La cinquième propriété provient de ce que l'on a :
K
X
IE(xi ⊗ Xi ) = µk ⊗ IE(11[Yik =1] Xi )
k=1
K
X
= pk µk ⊗ IE(Xi | [Yik = 1])
k=1
K
X
= pk µk ⊗ µk = IE(xi ⊗ xi ).
k=1

et :

IE(xi ⊗ ei ) = IE(xi ⊗ (Xi − xi )) = IE(xi ⊗ Xi ) − IE(xi ⊗ xi ) = 0.

Enn, la dernière propriété provient des égalités :

 Les modèles. L'échantillonnage 221

Γ = IE(ei ⊗ ei ) = IE((Xi − µ) ⊗ (Xi − µ)) − IE(xi − µ) ⊗ (xi − µ) = V − VE .

L'opérateur VE est celui de covariance expliquée par la partition associée à

Y et Γ est donc l'opérateur de covariance résiduelle notée VR . Les opérateurs
WE et VE sont de rang inférieur ou égal à q. On a alors :

Eq = Im (WE ) et Fq = µ + Im (VE ).

7.2.3 Remarque sur les modèles

Pour k = 1, · · · , K , on pose :

Ck = {i ∈ IN∗ | Yik = 1}.

Pour i appartenant à Ck , on a :

Xi = µk + ei avec µk xe.

Le modèle est donc fonctionnel avec plusieurs observationsPpour chaque

n
moyenne µk . Pour n xé, les nombres d'observations nk , nk = i=1 11[Yik =1] ,
sont des v.a. dont la loi conjointe est multinomiale de paramètres (n, p1 , · · · ,
pk ). Il convient de remarquer que, puisque l'on a :
K
X
xi = IEYi (Xi ) = µk 11[Yik =1] ,
k=1

on a aussi, pour tout i de IN∗ :

Xi = xi + ei avec xi aléatoire.

Les xi sont des variables aléatoires de même loi et non corrélées avec les
ei . On obtient ainsi un modèle à eets aléatoires pour lesquels, contrairement
aux modèles à eets aléatoires habituels (cf. par exemple Anderson (1984)),
les eets xi sont des variables aléatoires discrètes.

7.2.4 Variables d'échantillonnage

Pour tout n de IN∗ , on pose :
n n n
1 X 1 X 1 X
X̄ n = Xi Wn = Xi ⊗Xi , Vn = (Xi − X̄ n )⊗(Xi − X̄ n ),
n i=1 n i=1 n i=1

et, pour tout k de {, · · · , K} :

n
X
Ckn = {i ∈ {1, · · · , n} | [Yik = 1]} et nk = |Ckn | = 11[Y k =1] .
i
i=1
222 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.

D'après la loi forte des grands nombres, nnk converge presque sûrement vers
pk ; aussi, à partir d'un certain rang n0 , l'entier nk est presque sûrement
strictement positif, pour tout k de {1, · · · , K}. On se place désormais dans ce
cas ; pour tout n ≥ n0 et sur l'ensemble de convergence de probabilité 1 de
nk
n vers pk , on pose :

K
1 X X nk
X̄kn = Xi , WEn = X̄kn ⊗ X̄kn .
nk n
n
i∈Ck k=1

On peut décomposer l'opérateur de covariance V n en la somme de VEn ,

opérateur de covariance expliquée par la partition et de l'opérateur de cova-
riance résiduelle VRn ; , On a donc :

V n = VEn + VRn

et, de façon analogue :

W n = WEn + VRn .

7.3 Estimation par les moindres carrés

Les paramètres du modèle linéaire (resp. ane) à estimer sont Eq (resp.
Fq ) et les µk (k = 1, · · · , K). L'estimation par les moindres carrés dans E
de Eq (resp. Fq ) et des µk faite en recherchant le sous-espace vectoriel Eqn
(resp. ane Fqn ) de dimension q de E et des µk appartenant à ce sous-espace
minimisant :
K
1 XX
F= kXi − µk k2 .
n kk=1 i∈Cn

Comme on a :

Xi − µk = (Xi − X̄kn ) + (X̄kn − µk ),

il vient :
K
1 XX
F = tr ( (Xi − µk ) ⊗ (Xi − µk ))
n
k=1 i∈Cn
k

K
X nk
= tr (VRn ) + tr ( (X̄kn − µk ) ⊗ (X̄kn − µk )).
n
k=1

Cas linéaire
L'égalité
 Estimation par les moindres carrés 223
K
X nk
tr ( (X̄kn − µk ) ⊗ (X̄kn − µk )) = tr (WEn (I − P ))
n
k=1
K
X nk
+ tr ( (P X̄kn − µk ) ⊗ (P X̄kn − µk ),
n
k=1

montre que l'on a :

K
X nk
F = tr (VRn ) + tr (WEn (I − P )) + kP X̄kn − µk k2
n
k=1
K
X nk
= tr (W n ) + tr (WEn P ) + kP X̄kn − µk k2 .
n
k=1

Dans cette dernière égalité, le premier terme est xe, le deuxième est négatif
et le dernier positif. Le minimum sur P et µk sera atteint si l'on peut rendre
le dernier terme nul et tr (WEn P ) maximum, ce qui est le cas lorsque P est
le projecteur orthogonal P n sur l'espace vectoriel Eqn engendré par q vecteurs
propres associés aux q plus grandes valeurs propres de WEn et pour µnk =
P n X̄kn .

Cas ane
PK nk
Posant µ̄n = k=1 n µk , il vient :
PK nk
tr ( k=1 n (X̄kn − µk ) ⊗ (X̄kn − µk )) = tr (VEn (IE − P ))
+tr ((X̄ n − µ̄n ) ⊗ (X̄ n − µ̄n ) (IE − P )) ,
PK
+tr ( k=1 nnk (Π X̄kn − µk ) ⊗ (Π X̄kn − µk )),

d'où l'on déduit :

F = tr (VRn ) − tr (VEn P )
K
X nk
+ tr ((X̄ n − µ̄n ) ⊗ (X̄ n − µ̄n )(IE − P ) + kΠ X̄kn − µk k2 .
n
k=1

Le premier terme est xe, le deuxième est négatif et les deux derniers sont
positifs. Le minimum sur P, µk et µ̄n sera atteint si l'on peut rendre les deux
derniers termes nuls et tr (VEn P ) maximum. C'est le cas pour le projecteur
orthogonal P n sur l'espace vectoriel Eqn engendré par q vecteurs propres as-
sociés aux q plus grandes valeurs propres de VEn , pour Fqn = X̄ n + Eqn et, si
Π n est le projecteur orthogonal sur l'espace vectoriel Fqn , pour µnk = Π n X̄kn .
PK
L'estimateur µ̄nn de µ̄n est alors k=1 nnk µnk et vérie bien µ̄nn = X̄n .
224 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.

7.4 Convergence presque sûre des estimateurs

7.4.1 Convergence presque sûre des opérateurs de covariance
Proposition 7.4.1 (i) L'estimateur W n (resp. V n ) converge presque sûre-
ment vers W (resp. V ) dans σ2 (E).
(ii) L'opérateur d'échantillonnage de covariance expliqué WEn (resp. VEn )
converge presque sûrement vers WE (resp. VE ) dans σ2 (E).
(iii) L'opérateur d'échantillonnage de covariance résiduelle VRn converge pres-
que sûrement vers Γ dans σ2 (E).

Démonstration. Puisque (Xi )i∈IN∗ (resp. ((Xi ⊗ Xi )i∈IN∗ )) est une suite de
variables aléatoires à valeurs dans E (resp. σ2 (E)) indépendantes, de même
loi, admettant des moments d'ordre 2 et d'espérance µ (resp. W ), la loi forte
des grands nombres donne P la convergence presque sûre de (X̄ n )n∈IN∗ vers µ
n 1 n
dans E (resp. de W = n i=1 Xi ⊗ Xi vers W dans σ2 (E)). On en déduit
que la suite de terme général :
n
1 X
Vn = (Xi − X̄ n ) ⊗ (Xi − X̄ n ) = W n − X̄ n ⊗ X̄ n ,
n i=1

converge presque sûrement vers V (= W − µ ⊗ µ) dans σ2 (E).

Pour chaque k et chaque i, on a :

IE(Xi 11[Yik =1] ) = IE(IEYi (Xi 11[Yik =1] )) = IE(µk 11[Yik =1] ) = µk pk .

En utilisant la loi forte des grands nombres pour la suite des variables in-
dépendantes (Xi 11[Yik =1] )i∈IN∗ , on on obtient, pour chaque k, la convergence
Pn nk
presque sûre de n1 i=1 Xi 11[Yik =1] vers µk pk et, puisque n converge presque
P n
sûrement vers pk (6= 0), celle de n1k i=1 Xi 11[Yik =1] vers µk .

On en déduit alors immédiatement la convergence presque sûre de WEn

PK nk n n
PK
(= k=1 n X̄k ⊗ X̄k ) vers k=1 pk µk ⊗ µk (= WE ) dans σ2 (E) et, par
conséquent, de VEn (= WEn − X̄ n ⊗ X̄ n ) vers VE (= WE − µ ⊗ µ) dans σ2 (E).

Le dernier résultat de la proposition résulte alors trivialement des égalités

VRn = V n − VEn = W n − WEn et Γ = V − VE = W − WE .

7.4.2 Convergence presque sûre des valeurs propres et des

projecteurs propres
Rappelons que P n et P sont les projecteurs orthogonaux sur les sous-
espaces propres associés aux q plus grandes valeurs propres de WEn et WE
dans le cas linéaire (resp. de VEn et VE dans le cas ane) ; P est aussi la
 Lois asymptotiques des opérateurs de covariance 225

somme des projecteurs orthogonaux sur les espaces propres associés aux va-
leurs propres non nulles de WE (resp. VE ; ) l'opérateur Q = I − P est le
projecteur orthogonal sur l'espace propre associé à la valeur propre nulle de
WE (resp. VE ).

Comme la convergence presque sûre de la suite (P n ) vers P ne dépend pas

de la métrique sur E, on traduit cette propriété de convergence en disant que
la suite des espaces Eqn converge presque sûrement vers Eq .

On pose :
Xp
1
λn = λn ,
p − q j=q+1 j

moyenne des (p − q) dernières valeurs propres de WEn dans le cas linéaire, de

VEn dans le cas ane.
Proposition 7.4.2 Les propriétés suivantes sont vériéees :
(i) La suite (P n )n converge presque sûrement vers P dans σ 2 (E) (resp. la
suite (Eqn )n converge presque sûrement vers Eq ).
(ii) Pour tout k de {1, · · · , K}, la suite (µnk )n converge presque sûrement vers
µk dans E.
(iii) La suite (λn )n converge presque sûrement vers 0 dans IR.

Démonstration. (i) Le résultat s'obtient immédiatement en appliquant la pro-

position de convergence presque sûre d'éléments propres (annexe 3) aux opé-
rateurs WEn et WE dans le cas linéaire (resp. à VEn et VE dans le cas ane).

(ii) Le résultat provient des convergences presque sûres de (X̄kn ), (X̄ n ) et (P n )

vers µk , µ et P respectivement et des égalités :

µnk = P n X̄kn et P µk = µk dans le cas linéaire,

µnk = X̄ n + P n (X̄kn − X̄ n ) et P (µk − µ) = µk − µ dans le cas ane.

(iii) Puisque chacune des (p − q) dernières valeurs propres de WEn (resp. VEn )
converge presque sûrement vers 0, il en est de même pour λn , d'où le troisième
résultat
.
Les estimateurs sont donc consistants quelle que soit la métrique sur E.

7.5 Lois asymptotiques des opérateurs de covariance

7.5.1 Notations et propriétés
An de déterminer la loi limite de WEn (resp. VEn ) et de ses éléments
propres, il est nécessaire d'obtenir la loi limite conjointe de l'opérateur de
226 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.

covariance d'échantillonnage des Zi = (Xi , Yi ).

Soit {e1 , · · · , ep } (resp. {f1 , · · · , fK }) une base orthonormée de E (resp.

la base canonique de IRK ).

Les familles :
{ej ⊗ ei ; i = 1, · · · , p, j = 1, · · · , p} {ej ⊗ fi ; i = 1, · · · , K, j = 1, · · · , p}
{fj ⊗ ei , ; i = 1, · · · , p, j = 1, · · · , K} {fj ⊗ fi ; i = 1, · · · , K, j = 1, · · · , K}
sont respectivement une base des espaces σ2 (E), σ2 (E, IRK ), σ2 (IRK , E) et
σ2 (IRK , IRK ).

Il est commode d'identier E × IRK à la somme hilbertienne H = E ⊕ IRK .

Désignant par Πe p (resp. Π
e K ) le projecteur orthogonal de H sur E (resp. IRK ),
on a, pour tout opérateur T de σ2 (H) :
P4
T = i=1 ui (T ) avec
ep ◦ T ◦ Π
u1 (T ) = Π ep, eK ◦ T ◦ Π
u2 (T ) = Π ep,
ep ◦ T ◦ Π
u3 (T ) = Π e K et u4 (T ) = Π
eK ◦ T ◦ Π
eK .

Dans cette identication la variable aléatoire Z = (X, Y ) est identiée à la

variable aléatoire Z = X + Y.

Notant sans distinction, puisqu'il n'y a pas d'ambiguïté possible, les pro-
duits tensoriels associés aux produits scalaires de H, E et IRK , et posant :
X4
W = IE((X + Y ) ⊗ (X + Y )) (= ui (W)),
i=1
∗
on peut identier W1 = IE(X ⊗ X) à u1 (W) (resp. W21 = W12 = IE(X ⊗ Y ) à
u2 (W), resp. W2 = IE(Y ⊗ Y ) à u4 (W)). L'opérateur W1 n'est autre bien sûr
que l'opérateur W considéré ci-dessus.

De même, si on pose :
4
X
V = IE((X − µ + Y ) ⊗ (X − µ + Y )) (= ui (V)).
i=1

le réel u1 (V) (resp. u2 (V), u3 (V), u4 (V)) est identié à V1 = IE((X −µ)⊗(X −
∗
µ)) (resp. V21 = IE((X −µ)⊗Y ), V12 = IE(Y ⊗(X −µ)) = V21 , V2 = IE(Y ⊗Y )
et on a :
V1 = V et V2 = W2 .
On a par ailleurs :
K
X K
X K
X
Y = 11[Y k =1] fk , IE(Y ) = pk fk et W2 = IE(Y ⊗ Y ) = pk fk ⊗ fk .
k=1 k=1 k=1
 Lois asymptotiques des opérateurs de covariance 227

Si X j (resp. µjk ) est la j -ème composante de X (resp. µk ), il vient :

PK Pp
Y ⊗ X = k=1 j=1 X j 11[Y k =1] fk ⊗ ej
et IE(X j 11[Y k =1] ) = IE(IEY (X j 11[Y k =1] )) = IE(µjk 11[Y k =1] ) = µjk pk .

On en déduit que l'on a :

p
K X
X
W12 = IE(Y ⊗ X) = µjk pk ⊗ ej ,
k=1 j=1

d'où l'on tire :

p X
X p X
K
W12 W2−1 W21 = pk µjk µik ej ⊗ ei .
j=1 i=1 k=1

Il en résulte, la démonstration étant analogue pour VE , que l'on a :

W12 W2−1 W21 = WE et V12 V2−1 V21 = VE .

7.5.2 Convergence presque sûre

On considère un échantillon (Yi )i∈IN∗ de variables aléatoires indépendantes
et de même loi que Y et on pose :
Pn Pn
W n = n1 Zi ⊗ Zi = n1
i=1P i=1 (Xi + Yi ) ⊗ (Xi + Yi ),
0n 1 n
V = nP i=1 (Xi − µ + Yi ) ⊗ (Xi − µ + Yi )
n
et V n = n1 n n
i=1 (Xi − X̄ + Yi ) ⊗ (Xi − X̄ + Yi ).

La loi forte des grands nombres dans σ2 (H), montre que la suite (W n )
(resp. (V 0n )) converge presque-sûrement vers W (resp. V) et, comme on a :

V n = V 0n − (X̄ n − µ) ⊗ Ȳn − Ȳn ⊗ (X̄ n − µ) − (X̄ n − µ) ⊗ (X̄ n − µ)

et que les trois derniers termes convergent presque-sûrement vers zéro, la suite
(V n ) converge aussi presque sûrement vers V.

Ce résultat entraîne, puisque les applications ui sont linéaires, donc conti-

nues, que, pour tout i de {1, 2, 3, 4}, (ui (W n )) (resp. (ui (V n ))) converge
presque sûrement vers ui (W) (resp. ui V)).

Posant :

W1n = u1 (W n ), W21
n
= u2 (W n ), W12
n
= u3 (W n ) et W2n = u4 (W n )

et utilisant des notations sont analogues pour V n , on obtient les égalités :

WEn = W12
n
(W2n )−1 W21
n
et VEn = V12
n
(V2n )−1 V21
n
.
228 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.
PK
Comme on a : W2 = V2 = k=1 pk fk ⊗ fk avec pk > 0, pour k = 1, · · · , K,
l'opérateur W2n (= V2n ) est inversible à partir d'un certain rang et la suite
((W2n )−1 ) converge presque sûrement vers W2−1 . On retrouve ainsi les résultats
établis précédemment :
les suites (W n ) et (WEn ) (resp. (V n ) et (VEn )) convergent presque sû-
rement respectivement vers W et WE (resp. V et VE ).

7.5.3 Convergence en loi

√
Proposition 7.5.1 (i) La suite ( n (W n − W))n converge en loi vers une
variable gaussienne HW centrée dont l'opérateur de covariance est celui de :

(X + Y ) ⊗ (X + Y ).
√
(ii) La suite ( n (V 0n − V))n converge en loi vers une variable gaussienne G
centrée dont l'opérateur de covariance est celui de :

(X − µ + Y ) ⊗ (X − µ + Y ).
√
(iii) La suite ( n (V n − V)) converge en loi vers une variable gaussienne HV
centrée dont l'opérateur de covariance est celui de

(X − µ + Y ) ⊗ (X − µ + Y ) − (X − µ) ⊗ µ − µ ⊗ (X − µ).

Démonstration. Posant :
n
√ √ √
HW = n (W n − W), Gn = n (V 0n − V) et HVn = n (V n − V),
n
le théorème de la limite centrale dans σ2 (H) implique que (HW ) (resp. (Gn ))
converge en loi vers une variable gaussienne centrée HW (resp. G) dont
l'opérateur de covariance est celui de (X + Y ) ⊗ (X + Y ) (resp. celui de
(X − µ + Y ) ⊗ (X − µ + Y )).

On vérie aisément que l'on a :

V n = V 0n − (X̄ n − µ) ⊗ Ȳn − Ȳn ⊗ (X̄ n − µ) − (X̄ n − µ) ⊗ (X̄ n − µ),

ce que peut encore écrire, en notant y = IE(Y ) :

V n = V 0n − (X̄ n − µ) ⊗ y − y ⊗ (X̄ n − µ) − (X̄ n − µ) ⊗ (Ȳn − y)

−(Ȳn − y) ⊗ (X̄ n − µ) − (X̄ n − µ) ⊗ (X̄ n − µ).

L'espérance mathématique de V n est V et HVn est par conséquent une variable

aléatoire centrée.

Comme on a par ailleurs :

 Lois asymptotiques des opérateurs de covariance 229
√
HVn = n (Vn − V)
√ √
= Gn − n (X̄ n − µ) ⊗ y − y ⊗ n (X̄ n − µ)
√
− n (Ȳn − y) ⊗ (X̄ n − µ)
√ √
− n (X̄ n − µ) ⊗ (Ȳn − y) − n (X̄ n − µ) ⊗ (X̄ n − µ),

et que les trois derniers termes de cette

√ égalité convergent en√probabilité vers
zéro, HVn a même loi limite que Gn − n (X̄ n − µ) ⊗ y − y ⊗ n (X̄ n − µ), qui
s'écrit encore :

n
√ 1 X
n( [(Xi − µ + Yi ) ⊗ (Xi − µ + Yi ) − (Xi − µ) ⊗ y − y ⊗ (Xi − µ)] − V)
n i=1

On pose : Ui = (Xi − µ + Yi ) ⊗ (Xi − µ + Yi ) − (Xi − µ) ⊗ y − y ⊗ (Xi − µ).

noindent Le théorème de la limite centrale, appliqué à la suite (Ui )i∈IN∗ de
variables aléatoires indépendantes et de même loi ayant un moment d'ordre 2,
et d'espérance mathématique V permet de conclure que la loi limite de (HVn )
est celle d'une variable aléatoire gaussienne centrée ayant pour opérateur de
covariance celui de la variable aléatoire :

(X − µ + Y ) ⊗ (X − µ + Y ) − (X − µ) ⊗ y − y ⊗ (X − µ).

Proposition√7.5.2
(i) La suite ( n (WEn − WE ))n converge en loi vers la variable aléatoire gaus-
sienne centrée UW admettant pour opérateur de covariance celui de

ŨW := X ⊗ (W1 2 W2−1 Y ) + (W1 2 W2−1 Y ) ⊗ X − (W1 2 W2−1 Y ) ⊗ (W1 2 W2−1 Y ).

√
(i) La suite ( n (VEn − VE )) converge en loi vers la variable aléatoire gaus-
sienne centrée UV dont l'opérateur de covariance est celui de la v.a. ŨV dénie
par :

(X − µ) ⊗ (V1 2 V2−1 Y ) + (V1 2 V2−1 Y ) ⊗ (X − µ) − (V1 2 V2−1 Y ) ⊗ (V1 2 V2−1 Y ).

Démonstration. (i) On a, pour n susamment grand :

WEn − WE = W1n2 (W2n )−1 W2n1 − W1 2 W2 −1 W2 1

= (W1n2 − W1 2 ) (W2n )−1 W2n1 − W1 2 (W2n )−1 (W2n − W2 ) W2−1 W2n1
+W1 2 W2−1 (W2n1 − W2 1 ).

Introduisant les applications linéaires :

230 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.
¡ ¢ ¡ ¢
An2 : σ2 E, IRK → σ2 (E) A2 : σ2 E, IRK → σ2 (E)
−1 −1
T 7→
¡ W 1 2W¢2 T T 7→
¡ W 1 2W¢2 T
n K K
A3 : σ2 IR , E → σ2 (E) A3 : σ2 IR , E → σ2 (E)
n −1 n −1
T 7→
¡ T (W
¢ 2 ) W21 T 7→
¡ TW¢ 2 W2 1
K K
An4 : σ2 IR → σ2 (E) A4 : σ2 IR → σ2 (E)
−1
T 7→ −W1 2 (W2n ) T W2−1 W2n1 T 7→ −W1 2 W2−1 T W2−1 W2 1
on peut écrire :
4
X
n
√
UW = n (WEn − WE ) = Ani ◦ ui (HW
n
).
i=2

Le théorème de transport de convergence en loi (cf. Annexe 2) donne, en

raison de la convergence p.s. de la suite (Ani ) vers Ai et de la convergence en
n n
loi de la suite (HW ) vers HW , la convergence en loi de la suite (UW ) vers :
4
X
UW := Ai ◦ ui (HW ) ;
i=2

Puisque HW est gaussienne centrée et a pour opérateur de covariance celui

de (X + Y ) ⊗ (X + Y ) et que les applications ui et Ai sont linéaires, UW est
gaussienne centrée et admet pour opérateur de covariance celui de :
4
X
ŨW := Ai ◦ ui ((X + Y ) ⊗ (X + Y )).
i=2

On obtient alors :

ŨW = W1 2 W2−1 (X ⊗ Y ) + (Y ⊗ X) W2−1 W2 1 − W1 2 W2−1 (Y ⊗ Y )W2−1 W2 1

et le résultat.
(ii) Si, pour i = 2, 3, 4, on dénit les applications Bin et Bi comme ci-dessus
en remplaçant W par V, on a alors :
4
X
√
UVn = n (VEn − VE ) = Bin ◦ ui (HVn )
i=2

et les mêmes argument que précédemment entraînent que (UVn ) converge en

loi vers :
X4
UV := Bi ◦ ui (HV ).
i=2

La variable G (resp. HV ) est gaussienne centrée et a pour opérateur de cova-

riance celui de (X − µ + Y ) ⊗ (X − µ + Y ) (resp. celui de (X − µ + Y ) ⊗ (X −
µ + Y ) − (X − µ) ⊗ y − y ⊗ (X − µ).
 Lois asymptotiques des opérateurs de covariance 231

Nous pouvons ainsi écrire :

cov
HV = G − (X − µ) ⊗ y − y ⊗ (X − µ),
cov
où = désigne l'égalité des opérateurs de covariance de deux lois centrées ; on
la nommera "égalité en covariance".
Nous obtenons donc les égalités en covariance :
cov
u1 (HV ) = u1 ((X − µ + Y ) ⊗ (X − µ + Y ) − (X − µ) ⊗ y − y ⊗ (X − µ))
cov cov
= u1 ((X − µ) ⊗ (X − µ) = u1 (G),
cov cov
u2 (HV ) = (X − µ) ⊗ Y − (X − µ) ⊗ y = (X − µ) ⊗ (Y − y),
cov cov
u3 (HV ) = Y ⊗ (X − µ) − y ⊗ (X − µ) = (Y − y) ⊗ (X − µ), et
cov cov
u4 (HV ) = Y ⊗ Y = u4 (G).

On note 11 le vecteur de IRK ayant toutes ses composantes égales à 1. Les

résultats établis précédemment conduisent à :
K
X K
X K X
X K K
X
V2−1 y = p−1
j fj ⊗ fj ( pk fk ) = p−1
j pk fj ⊗ fj (fk ) = fj = 11,
j=1 k=1 j=1 k=1 j=1

et donc, puisque que l'e.m. de X − µ est nulle, il vient :

B2 ((X − µ) ⊗ y) = V1 2 V2−1 ((X − µ) ⊗ y) = (X − µ) ⊗ (V1 2 V2−1 y)

= (X − µ) ⊗ (V1 2 11) = (X − µ) ⊗ IE(hY, 11i(X − µ))
= 0.

Il s'ensuit que l'on a :

cov
B2 ◦ u2 (HV ) = B2 ((X − µ) ⊗ (Y − y))
cov
= B2 ((X − µ) ⊗ Y ) − B2 ((X − µ) ⊗ y)
cov
= B2 ◦ u2 (G) − B2 ((X − µ) ⊗ y)
cov
= B2 ((X − µ) ⊗ Y )
cov
= B2 ◦ u2 (G),

et, de façon analogue :

cov
B3 ◦ u3 (HV ) = B3 ◦ u3 (Y ⊗ (X − µ)) − B3 (y ⊗ (X − µ))
cov
= B3 ◦ u3 (Y ⊗ (X − µ)) − (y ⊗ (X − µ)) V2−1 V2 1
cov
= B3 ◦ u3 (Y ⊗ (X − µ)) − V1 2 V2−1 (y ⊗ (X − µ))
cov
= B3 ◦ u3 (Y ⊗ (X − µ))
cov
= B3 ◦ u3 (G),

ce qui entraîne l'égalité :

232 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.
4
X
L
UV = Bi ◦ ui (G),
i=2

qui prouve que UV est une v.a. gaussienne centrée et qu'elle admet le même
opérateur de covariance que celui de la v.a. ŨV dénie par :
4
X
ŨV = Bi ◦ ui ((X − µ + Y ) ⊗ (X − µ + Y ))
i=2
= V12 V2−1 ((X − µ) ⊗ Y ) + (Y ⊗ (X − µ)) V2−1 V21
−V12 V2 −1 (Y ⊗ Y ) V2−1 V21 ,

d'où le résultat.

7.6 Loi asymptotique des projecteurs sur l'espace des

paramètres
Dans tout ce paragraphe on se limite au cas linéaire ; on obtient les mêmes
résultats dans le cas ane en remplaçant W par V et X par X −µ. Pour alléger
les écritures on omet l'indice W.

7.6.1 Loi asymptotique des projecteurs

Soit P n et P les projecteurs orthogonaux sur Eqn et Eq et Qn = IE − P n ,
Q = IE − P. On pose :
X1
S= Pλ ,
λ
λ6=0

où Pλ est le projecteur orthogonal sur l'espace propre associé à la valeur propre

non nulle λ de WE .
√
Proposition 7.6.1 Dans le cas linéaire, la suite ( n (P n − P )) converge en
loi vers une variable aléatoire gaussienne centrée ayant même opérateur de
covariance que :
e = (QX) ⊗ (S W1 2 W −1 Y ) + (S W1 2 W −1 Y ) ⊗ QX.
U lab
2 2

Démonstration. L'utilisation de la proposition√CVloi pour la valeur propre

nulle de WE assure la convergence en loi de n (P n − P )) vers la variable
gaussienne centrée U = S U Q + Q U S. Comme l'application Ψ qui à T associe
S T Q + Q T S est linéaire et comme U a pour opérateur de covariance celui
de Ũ , la variable aléatoire U admet pour opérateur de covariance IL celui de
e = Ψ (Ũ ).
U
Comme Q W1 2 est l'opérateur nul, on a lab et, comme U e est centrée, U et
e
U ont bien même loi.
 Loi asymptotique des projecteurs sur l'espace des paramètres 233

7.6.2 Explicitation de l'opérateur de covariance asymptotique des

projecteurs et de sa trace
√
Proposition 7.6.2 L'opérateur de covariance asymptotique IL de n (P n −
P ) est l'opérateur de σ2 (E) dans lui-même qui à T associe :

ILT = S (T + T ∗ ) Q Γ Q + Q Γ Q (T + T ∗ ) S

et sa trace vérie :
tr (IL) = 2 tr (Q Γ ) tr (S).
¡ ¢
Démonstration. Posant : A = (QX)⊗ SW1 2 W2−1 Y , on a, d'après le résultat
précédent : ³ ´ ¡ ¢
IL = E Ue⊗˜Ue = E (A + A∗ ) ⊗ ˜ (A + A∗ ) .

Pour tout u ⊗ v de σ2 (E), on pose :

˜ (u ⊗ v) = hAu, viA
ϕ (X, Y ) = A⊗A
= hQX, ui hSW1 2 W2−1 Y, vi QX ⊗ SW1 2 W2−1 Y.

On a : ¡ ¢
IE (ϕ (X, Y )) = IE IEY (ϕ (X, Y )) .
L'opérateur :
¡ ¢
IE[Y =ξ] (ϕ (X, Y )) = hSW1 2 W2−1 ξ, vi IE[Y =ξ] hQX, ui QX ⊗ SW1 2 W2−1 ξ

associe à chaque x de E :

hSW1 2 W2−1 ξ, vi IE[Y =ξ] hQX, ui (QX, x) SW1 2 W2−1 ξ

D E
= hSW1 2 W2−1 ξ, vi IE[Y =ξ] (QX ⊗ QX) u, x SW1 2 W2−1 ξ.

Comme pour chaque k de 1, · · · , K , on a :

IE[Y =1] (X ⊗ X) = µk ⊗ µk + Γ et Qµk = 0,

k

il vient :

IE[Y =1] (QX ⊗ QX) = Qµk ⊗ Qµk + QΓ Q = QΓ Q,

k

et donc :
IE[Y =1] (QX ⊗ QX) = QΓ Q.
k

Il en résulte :
­ ®
IEY (ϕ (X, Y )) = SW1 2 W2−1 Y, v QΓ Qu ⊗ SW1 2 W2−1 Y,

et l'opérateur IE (ϕ (X, Y )) associe à tout x de E l'élément :

234 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.
©­ ® ª
IESW1 2 W2−1 Y, v hQΓ M Qu, xi SW1 2 W2−1 Y
¡ ¢
= hQΓ Qu, xi E SW1 2 W2−1 Y ⊗ SW1 2 W2−1 Y (v)
= hQΓ Qu, xi SW1 2 W2−1 E (Y ⊗ Y ) W1 2 W2−1 S (v)
= hQΓ Qu, xi SW E S (v)
= hQΓ Qu, xi S (v) .
On obtient ainsi, pour chaque (u, v) de E 2 :
¡ ¢
IE A⊗A ˜ (u ⊗ v) = QΓ Qu ⊗ Sv = S (u ⊗ v) QΓ Q,
et donc, par linéarité, pour chaque T de σ 2 (E) :
¡ ¢
˜
IE A⊗A (T ) = ST QΓ Q.
On peut remarquer que, si A et B sont des opérateurs aléatoires de σ 2 (E) et
si on pose, pour tout T de σ 2 (E) :
¡ ¢
IE A⊗A˜ (T ) = f (T ) ,
alors on a :
¡ ¢
IE A⊗B ˜ ∗ (T ) = IE (hA, T i2 B ∗ ) = [IE (hA, T i2 B)]∗ = [f (T )]∗
¡ ¢
IE A∗ ⊗B˜ (T ) = IE (hA∗ , T i2 B) = IE (hA, T ∗ i2 B) = [f (T ∗ )]
¡ ∗ ¢
IE A ⊗B ˜ ∗ (T ) = IE (hA∗ , T i2 B ∗ ) = [IE (hA, T ∗ i2 B)]∗ = [f (T ∗ )]∗ .

On en déduit :
ILT = S T Q Γ Q + Q Γ Q T ∗ S + S T ∗ Q Γ Q + Q Γ Q T S,
et le résultat.
Montrons que l'on a :
tr (IL) = 2 tr (Q Γ ) tr (S).
En eet, ce résultat provient des égalités
p X
X p
tr (IL) = hILei ⊗ ej , ei ⊗ ej i
i=1 j=1
Xp X p
= {hQ Γ Qei , ei i hSej , ej i + hQΓ Qej , ej i hSei , ei i
i=1 j=1
+2 hQ Γ Qei , ej ihSej , ei i}
Xp Xp
= 2 tr (Q Γ Q) tr (S) + 2 hS( ei ⊗ ej ) Q Γ Q, ( ei ⊗ ei )i,
i=1 i=1
Pp
du fait que l'opérateur i=1 ei ⊗ ei est l'identité et de ce que Q S est l'opé-
rateur nul.
 Ecacité et choix de métrique sur l'espace euclidien 235

7.7 Ecacité et choix de métrique sur l'espace euclidien

Nous avons vu que les estimateurs des paramètres du modèle sont consis-
tants pour tout métrique sur E . Cependant, des arguments (cf. 7.7.1 et 7.7.2)
nous permettent de conjecturer que les estimateurs seront meilleurs si l'on
choisit la métrique Γ −1 ou kΓ −1 (k > 0) (dans le cas où Γ est connu).

7.7.1 Espérances des opérateurs d'échantillonnage

Proposition 7.7.1 On a :
µ ¶
1 K
IE (W n ) = W, IE (V n ) = 1− V, IE (WEn ) = WE +
Γ,
n n
µ ¶ µ ¶
n 1 K −1 n 1
IE (VE ) = 1 − VE + Γ et IE (VR ) = 1 − Γ.
n n n
Démonstration. On a :
n n
1X 1 X¡ ¢ ¡ ¢
Wn = Xi ⊗ Xi , Vn = Xi − X̄ n ⊗ Xi − X̄ n ,
n i=1 n i=1
K
X nk
WEn = X̄ n ⊗ X̄kn , VRn = Wn − VEn et VEn = V n − VRn .
n
k=1

Puisque les v.a. Xi ⊗ Xi ont même loi et ont pour espérance W , il vient :

IE (W n ) = IE (Xi ⊗ Xi ) = W et
µ ¶
n n
¡¡ n ¢ ¡ n ¢¢ 1
IE (V ) = IE (W ) − IE X̄ − µ ⊗ X̄ − µ = 1 − V.
n

On a par ailleurs :
ÃK !
¡ Y ¢ X nk ¡ n ¢
Y
IE (WEn ) n
= IE E (WE ) = IE n
IE X̄k ⊗ X̄k .
n
k=1

On peut vérier que l'on a :

¡ ¢ 1
IE X̄kn ⊗ X̄kn = µk ⊗ µk + Γ,
nk
d'où l'on déduit :
K
X K K
IE (WEn ) = pk µk ⊗ µk + Γ = WE + Γ.
n n
k=1
236 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.

On a enn :
µ ¶
K
IE (VRn ) = IE (W n ) − IE (WEn ) = 1− Γ
n
et µ ¶
1 K −1
IE (VEn ) n
= IE (V ) − IE (VRn ) = 1− VE + Γ.
n n
Remarque

Dans le cas linéaire (resp. ane) on a :

Eq = Im (WE ) (resp. Im (VE )).

On peut aussi remarquer, à partir de l'expression ci-dessus, que Eq est aussi

l'espace engendré par les vecteurs propres associés aux q plus grandes valeurs
propres de IE (WEn ) Γ −1 (resp. IE (VEn ) Γ −1 ). Puisque Eqn est engendré par les
vecteurs propres associés aux q plus grandes valeurs propres de WEn (resp.
VEn ), on peut donc conjecturer que Eqn sera un meilleur estimateur de Eq si
l'on choisit Γ −1 pour métrique sur E .

7.7.2 Cas gaussien, estimateur de maximum de vraisemblance

Proposition 7.7.2 Dans le cas où Γ est connu et les lois conditionnelles des
variables aléatoires gaussiennes, l'estimateur de maximum de vraisemblance
de Eq est l'espace vectoriel Eqn engendré par les vecteurs propres associés aux
q plus grandes valeurs propres de WEn Γ −1 dans le cas linéaire, de VEn Γ −1
dans le cas ane.

Démonstration. Nous considérons le cas où la loi conditionnelle à [Yik = 1] de

Xi est gaussienne de moyenne µk et de matrice de covariance Γ .
La densité conjointe pour une observation de la k -ème classe s'écrit :
· ¸
−p − 12 1
f(Xi ,Yi ) (xi , yi ) = pk (2π) |Γ | exp − hxi − µk , xi − µk iΓ −1 .
2
2

Le logarithme de la vraisemblance de l'échantillon est alors :

K
X K
nk p nk 1X X
L= nk ln pk − ln 2π − ln |Γ | − hxi − µk , xi − µk iΓ −1 .
2 2 2 n
k=1 k=1 i∈Ck

Le maximum de vraisemblance de pk est de façon évidente :

nk
p̂k = .
n
 Ecacité et choix de métrique sur l'espace euclidien 237

Si on pose :
K
1X X
T = (xi − µk ) ⊗Γ −1 (xi − µk ) ,
n n
k=1 i∈Ck

lorsque Γ est connu, il reste alors à minimiser, sur Eq (resp. Fq ) et les µk ,

l'expression :
K
¡ ¢ 1XX 2
tr T Γ −1 = kxi − µk kΓ −1 .
n
k=1 i∈Ck

C'est exactement le critère des moindres carrés avec la métrique Γ −1 sur E

d'où le résultat.

Remarque

Dans le cas où l'opérateur Γ est inconnu, l'expression qui reste à minimiser

sur Eq (resp. Fq ) et les µk est :
¡ ¢
ln (Γ ) + tr T Γ −1 .

C'est la même expression que, lorsque les nk sont xes. La solution est la
suivante (cf. Anderson, 1951, Healy, 1980) : dans le cas linéaire (resp. ane)
Eqn est engendré par les vecteurs propres associés aux q plus grandes valeurs
propres de WEn (VRn )−1 (resp. VEn (VRn )−1 ).

7.7.3 Ecacité des estimateurs

Nous montrons dans ce paragraphe que les estimateurs sont de variance
asymptotique minimale lorsque la métrique sur E est Γ −1 .
On se place dans le cas linéaire et on omet l'indice W (la démonstration
est analogue dans le cas ane).
√
Rappelons que la suite ( n (P n − P )) converge en loi vers une gaussienne
centrée d'opérateur de covariance IL dont la trace vaut 2 tr(Q Γ ) tr(S).

Proposition 7.7.3 Parmi les métriques sur E vériant tr(Γ ) = p celle ren-
dant minimum tr(IL) est Γ −1 .

Démonstration. Les opérateurs Q, S, Γ, et IL dépendent de la métrique sur

E.
Lorsque la métrique est Γ −1 , on l'indiquera en indice. On a ainsi :

tr (IL) = 2tr (QΓ ) tr (S) et tr (ILΓ −1 ) = 2 (p − q) tr (SΓ −1 ) .

On considère l'ensemble des métriques sur E vériant tr (Γ ) = p (ceci pour

normaliser la métrique).
238 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.

Comme tr (IL) dépend de WE (et donc de Eq = Im (WE )) qui est inconnu,

nous allons montrer qu'il n'existe pas de métrique distincte de Γ −1 telle que
l'on ait pour tout WE (c'est-à-dire pour tout opérateur symétrique positif de
rang q) :)
tr (Q Γ ) tr (S) ≤ (p − q) tr (SΓ −1 ).
Supposons donc qu'une telle métrique existe ; notons m1 , · · · , mp les valeurs
propres de Γ rangées dans l'ordre décroissant, et M1 (resp. M2 ) la matrice
diagonale d'ordre (p − q) (resp. q ) dont les éléments sont m1 , · · · , mp−q (resp.
mp−q+1 , · · · , mp ).

Dans une base de vecteurs propres de Γ rangés dans l'ordre décroissant

des valeurs propres correspondantes,
µ si on choisit WE tel que la matrice de
¶
0 0
WE Γ −1 dans cette base soit , les matrices de WE et QΓ dans cette
0 M2−1
base sont alors respectivement :
µ ¶ µ ¶
0 0 M1 0
et
0 Iq 0 0

et on a :
 
p
X
(p − q) tr (SΓ −1 ) = (p − q)  mk  et
k=p−q+1
 
p−q
X
tr (QΓ ) tr (S) =  mj  q.
j=1

Comme tr (Γ ) = p et Γ 6= IE , on a :
p−q
X p
X
mj > p − q, mk < q et (p − q) tr (SΓ −1 ) < tr (QΓ ) tr (S)
j=1 k=p−q+1

et le résultat.

7.7.4 Remarques
Lorsque l'opérateur Γ est inconnu nous l'estimons par VRn , Eqn est alors
dans le cas linéaire (resp. ane), l'espace engendré par les vecteurs propres
−1 −1
associés aux q plus grandes valeurs propres de VEn (VRn ) (resp. VEn (VRn ) ).

Nous pouvons remarquer que Eqn est aussi l'espace engendré par les vec-
teurs propres associés aux q plus grandes valeurs propres de WEn Wn−1 (resp.
VEn (V n )−1 ) ; en eet, par exemple dans le cas ane, soit λ et u une valeur
−1
propre et un vecteur propre associé de VEn (VRn ) ; on a :
 Cas de l'A.F.D. avec opérateur de covariance expliquée de rang réduit 239

V n = VEn + VRn , donc

n −1
V (VRn )u = (λ + 1) u,
µ ¶
1
VRn (V n )−1 u = u et
λ+1
µ ¶
λ
VEn (V n )−1 u = u.
λ+1

Il s'ensuit que, pour tout j de {1, · · · , p}, le vecteur propre associé à la j -ème
plus grande valeur propre de VEn (V n )−1 est aussi un vecteur propre associé
à la j -ème plus grande valeur propre de VEn (VRn )−1 . La démonstration est
analogue dans le cas linéaire.

Nous sommes alors, dans le cas ane, dans la cadre de l'Analyse Facto-
rielle Discriminante, cadre dans lequel l'opérateur VEn est supposé de rang q .
Nous nous proposons d'étudier maintenant les propriétés asymptotiques des
estimateurs dans ce cadre. Comme précédemment nous omettrons l'indice V .

7.8 Cas de l'A.F.D. avec opérateur de covariance

expliquée de rang réduit
Soit Eqn l'espace vectoriel engendré par les vecteurs propres associés aux q plus
grandes valeurs propres de VEn (V n )−1 , Fqn = X̄ n + Eqn , P n le projecteur
¡ ¢
(V n )−1 -orthogonal sur Eqn et µnk = X̄ n + P n X̄kn − X̄ n , k = 1, · · · , K .
Proposition 7.8.1√La¡ suite (VEn (V n )−1 ) converge
¢ presque sûrement vers
VE V −1 et la suite ( n VEn (V n )−1 − VE V −1 ) converge en loi vers la variable
aléatoire gaussienne centrée d'opérateur de covariance celui de la variable :

Ũ = −V1 2 V2−1 V2 1 V1−1 ((X − µ) ⊗ (X − µ))V1−1 + V1 2 V2−1 ((X − µ) ⊗ Y )V1−1

+(Y ⊗ (X − µ))V2−1 V2 1 V1−1 − V1 2 V2−1 (Y ⊗ Y )V2−1 V2 1 V1−1 .

Démonstration. Reprenant les notations introduites, on rappelle que l'on a en

particulier :
V = V1 et VE = V1 2 V2−1 V2 1 .
On a montré que (VEn ) (resp. (V n )) converge presque sûrement vers VE (resp.
V ) ; Γ (= VR ) étant supposé inversible et VE semi-déni positif, l'opérateur
V (= VE + Γ ) est aussi inversible, il en résulte que V n est inversible à partir
d'un certain rang et que la suite (VEn (V n )−1 ) converge presque sûrement vers
VE V −1 .

On peut écrire :
−1 −1
VEn (V n )−1 − VE V −1 = V1n2 (V2n ) V2n1 (V1n ) − V1 2 V2−1 V1−1
240 Chap. 7 - Modèles mixtes. Retour sur l'A.F.D.
−1 −1 −1 −1
= (V1n2 − V1 2 ) (V2n ) V2n1 (V1n ) − V1 2 (V2n ) (V2n − V2 ) V2−1 V2n1 (V1n )
−1 −1
+V1 2 V2−1 (V2n1 − V2 1 ) (V1n ) − V1 2 V2−1 V2 1 (V1n ) (V1n − V1 ) V1−1 .
Introduisant les applications linéaires suivantes :
C1n : σ2 (E) → σ2 (E) C1 : σ2 (E) → σ2 (E)
−1 n −1 −1 −1 −1 −1
¡ −V1K2¢V2 V2 1 (V1 ) T V1
T 7→ ¡ −V1K2¢V2 V2 1 V1 T V1
T 7→
n
C2 : σ2 E, IR → σ2 (E) C2 : σ2 E, IR → σ2 (E)
−1 n −1 −1 −1
T 7→
¡ V 1 2 2¢ T (V1 )
V T 7→
¡ K1 2 2¢ T V1
V V
C3n : σ2 IRK , E → σ2 (E) C3 : σ2 IR , E → σ2 (E)
n −1 n n −1 −1 −1
T 7→
¡ TK(V¢ 2 ) V2 1 (V1 ) T 7→
¡ TKV¢2 V2 1 V1
n
C4 : σ2 IR → σ2 (E) C4 : σ2 IR → σ2 (E)
−1 −1
T 7→ −V1 2 (V2n ) T V2−1 V2n1 (V1n ) T 7→ −V1 2 V2−1 T V2−1 V2 1 V1−1
on obtient :
4
√ ¡ n n −1 ¢ X
Un = n VE (V ) − VE V −1 = Cin ◦ ui (H n ) .
i=1

(Cin ◦ui ) n
converge p.s. vers Ci ◦ui et (H ) converge en loi vers H, la proposition
de transport de convergence en loi permet de conclure que (Un ) converge en
loi vers :
X4 X4
U := Ci ◦ ui (H) = Ci ◦ ui (G) ,
i=1 i=1
variable aléatoire gaussienne centrée d'opérateur de covariance L égal à celui
de la variable centrée :
4
X
Ũ = Ci ◦ ui (X − µ + Y ) ⊗ (X − µ + Y ) ,
i=1

d'où le résultat.
Remarque

Boutayeb (1983) a étudié les propriétés asymptotiques de l'Analyse Factorielle

Discriminante ; on renvoie donc le lecteur à ce travail pour l'explicitation de
l'opérateur de covariance de la loi limite de
√
n (VEn (V n )−1 − VE V −1 ).
.
√
Proposition 7.8.2 La suite (P n )n converge p.s. vers P et la suite ( n (P n −
P ))n converge en loi vers une variable gaussienne centrée admettant pour
opérateur de covariance celui de :
e = −P V −1 ((X − µ) ⊗ (X − µ))V −1 Q + S V1 2 V −1 ((X − µ) ⊗ Y ) V −1 Q
U 1 1 2 1
+Q (Y ⊗ (X − µ))V2−1 V2 1 V1−1 .
 Cas de l'A.F.D. avec opérateur de covariance expliquée de rang réduit 241

Démonstration. Du résultat √ précédent, on déduit que (P n ) converge presque

n
sûrement vers P et que ( n (P − P )) converge en loi vers S U Q + Q U S
(= U).
Reprenant les notations déjà introduites et notant toujours Φ l'application
linéaire qui à T associe S T Q + Q T S , U = Φ(U ), donc U a pour opérateur
e
de covariance celui de Φ(Ũ ) (= U).
Comme on a :

Q V1 2 = V2 1 Q = 0, S VE = VE S = P, V1−1 Q = Q V1−1 et V1−1 P = P V1−1 ,

on obtient bien le résultat indiqué.

Remarques
1) On déduit de la convergence presque sûre de (X̄kn ), (X̄ n ) et (P n ) respecti-
vement vers µk , µ et P et des égalités :

µnk = P n (X̄kn − X̄ n ) + X̄ n et µk = P (µk − µ) + µ

la convergence presque sûre de (µnk ) vers µk .

2) Il faut noter que, si l'on pose :
√
δn = n (µnk − µk )
√ √ √
= P n n (X̄kn − µk ) + n (P n − P )(µk − µ) + (IE − P n ) n (X̄ n − µ)
√
δn ne s'explicite pas aisément en fonction de H n := n (V n − V), ce qui ne
nous permet pas d'obtenir simplement la loi de δn .
8
Analyse en Facteurs (A.F.) et A.C.P. optimale

Contenu : Modèle de l'Analyse en Facteurs. Problème de rotation des facteurs

communs. Problème d'identication. Problème d'indétermination. Comparaison
de l'Analyse en Facteurs et de l'A.C.P.

8.1 Introduction
Nous terminons cet ouvrage par une présentation succincte de l'Analyse
en Facteurs et une comparaison de l'Analyse en Facteurs et de l'A.C.P.,
deux méthodes couramment employées pour le traitement statistique de p
variables réelles observées sur n individus : l'Analyse en Composantes Princi-
pales (A.C.P.) et l'Analyse en Facteurs (A.F.).

En résumé, l'A.C.P. consiste à chercher la variable, combinaison linéaire

des variables observables, de variance maximale, puis la variable, non corrélée
à la première, de variance maximale, ... procédure résumée sous l'expression
et itération sous contrainte d'orthogonalité. Ces nouvelles variables sont ap-
pelées composantes principales.

Les diérents éléments de l'analyse sont obtenus à partir de la diagonali-

sation de la matrice de covariance des p variables réelles. Lorsque les variables
sont mesurées dans des unités diérentes, elles sont centrées et réduites avant
analyse ; les diérents éléments de l'analyse sont alors obtenus à partir de la
diagonalisation de la matrice de corrélation des p variables réelles.

Nous avons vu, dans les chapitres 5, 6 et 7, que, lorsque l'on place l'A.C.P.
dans le cadre d'un modèle à eets xes ou aléatoires, le meilleur choix de
métrique sur l'espace des individus est l'inverse de la matrice de covariance
des erreurs, et nous avons nommé A.C.P. optimale l'A.C.P. ainsi réalisée.
244 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

L'Analyse en Facteurs (Communs et Spéciques) est introduite par Spear-

man en 1904 pour un seul facteur commun et généralisée par Garnett en 1919
pour plusieurs facteurs communs. À partir de 1935, Thurstone, qui semble
ignorer les travaux des anglais qui l'ont précédé, popularise l'analyse en fac-
teurs communs multiples grâce à la revue Psychometrika. Cf. aussi Thurstone,
1935, 1947.

Dans le cas d'un seul facteur commun, l'A.F. consiste à chercher la variable,
appelée facteur commun, combinaison linéaire des variables observables, qui
explique au mieux les corrélations entre les variables initiales, c'est-à-dire,
telle que conditionnellement à ce facteur, les variables initiales soient le moins
corrélées possibles.

L'A.F. repose sur un modèle que nous présentons dans le paragraphe 8.2.
Ce modèle présente des problèmes d'identication et d'indétermination qui
ont fait couler beaucoup d'encre et que nous présentons dans les paragraphes
8.3, 8.4 et 8.5.

Nous présentons dans le paragraphe 8.6 les approximations usuelles des fac-
teurs.

Enn, au paragraphe 8.7 nous comparons l'A.F. et l'A.C.P. optimale.

Dans ce chapitre, nous restons volontairement dans le cadre matriciel puisque

c'est sous cette forme que l'A.F. est présentée et utilisée.

8.2 Le modèle de l'analyse en facteurs

Soit y = (y 1 , · · · y p )0 un vecteur aléatoire de IRp . On confond le vecteur et
la matrice colonne de ses coordonnées dans la base canonique. Le modèle de
l'A.F. est alors le suivant :

Dénition 8.2.1 Il existe une matrice Λ, p × q, un vecteur µ, p × 1, un

vecteur aléatoire centré de IRq , f = (f 1 , · · · f q )0 , un vecteur aléatoire centré
de IRp , e = (e1 , · · · ep )0 , non corrélé avec f et de matrice de covariance IE(ee0 )
une matrice diagonale régulière, tels que :

y = Λf + µ + e. (8.1)

On a alors :
IE(y) = µ.
On pose :

x = y − µ, Σ = IE(xx0 ), Φ = IE(f f 0 ) et Ψ = IE(ee0 ).

 Le modèle de l'analyse en facteurs 245

On déduit du modèle de l'analyse en facteurs (equa) la relation suivante entre

les matrices de covariance, appelée dans la suite modèle de structure de cova-
riance :
Σ = ΛΦΛ0 + Ψ. (8.2)
Avec des notations évidentes, on a, pour tout j de 1, · · · , p :
q
X
j
x = λkj f k + ej .
k=1

Les éléments f 1 , · · · , f q de f sont appelés les facteurs communs aux p variables

observables et les éléments e1 , · · · , ep sont appelés les facteurs spéciques. Ils
sont parfois appelés facteurs uniques et chacun d'eux est supposé décompo-
sable en la somme d'un facteur spécique et d'une erreur. Nous ne ferons pas
cette distinction et préférons utiliser le terme spécique plutôt qu'unique.

La matrice Λ est appelée en anglais factor loadings matrix ou pattern ma-

trix. Lorsque l'on suppose Φ = I, la matrice Λ est la matrice des covariances
entre les variables observables et les facteurs communs : Λ = IE(xf 0 ).

On remarque que l'on a :

diag(Σ) = diag(ΛΦΛ0 ) + Ψ et

Σ − diag(Σ) = ΛΦΛ0 − diag(ΛΦΛ0 ).

Les covariances des variables observables sont complètement reconstituées à
partir des facteurs communs. En revanche, les variances se décomposent en
une part due aux facteurs communs, appelée communalité, et une part due
aux facteurs spéciques, appelée spécicité (ou unicité).

Sans perte de généralité, on suppose que Φ est de rang q, sinon, on se ramène

à des facteurs communs linéairement indépendants pour une valeur inférieure
à q.

Si on pose :

z = Λf + µ et Θ = IE((z − µ)(z − µ)0 ) = ΛΦΛ0 ,

on a un modèle à eets aléatoires : y = z + e, où z est un eet aléatoire

appartenant presque sûrement à un sous-espace ane de dimension q, Fq , de
IRp et e est une erreur aléatoire centrée, non corrélée avec z et de matrice de
covariance diagonale et régulière.

Les diérences essentielles entre le modèle de l'analyse en facteurs présenté

ici et le modèle ane à eets aléatoires présenté dans le chapitre 7.3. sont
l'hypothèse de non corrélation des erreurs (Ψ diagonale) et l'introduction des
246 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

facteurs communs.

Si A est une matrice carrée d'ordre p diagonalisable, on note [A]q le sous-espace

vectoriel de dimension q de IRp engendré par les vecteurs propres associés aux
q plus grandes valeurs propres de A (q < p) et on l'appelle q -espace principal
de A.

Comme on a :
Σ = Θ + Ψ,
et donc aussi :
ΣΨ −1 = ΘΨ −1 + I,
il est aisé de voir que l'on a :
£ ¤
Fq = µ + Eq avecEq = Im(Θ) = ΣΨ −1 q .

L'existence d'une solution (Λ, Φ, Ψ ) du modèle (8.2) est une condition néces-
saire de l'existence d'une solution (Λ, f, e) du modèle (equa), aussi, la dé-
marche consiste-t-elle à étudier d'abord le modèle (8.2) puis le modèle (8.1).

Il est important de diérencier les deux aspects de l'A.F. :

1) l'estimation de Λ (factor loadings), an d'étudier les relations entre les

variables observables et les facteurs communs,

2) l'estimation de f (factor scores), an de prédire les valeurs de f sur les

individus à partir des valeurs observées sur les variables observables.

L'A.F. a une propriété souvent mise en avant pour la préférer à l'A.C.P. : son
invariance par changement d'échelle des variables.

En eet, soit D une matrice diagonale, on déduit du modèle (8.2) que l'on a :

DΣD = (DΛ)Φ(Λ0 D) + DΨ D, avec DΨ D diagonale.

La solution (Λ, Φ, Ψ ) pour Σ fournit donc la solution (DΛ, Φ, DΨ D) pour

DΣD. En particulier, il est indiérent de faire l'analyse sur la matrice de
covariance ou sur la matrice de corrélation.

Le modèle d'analyse en facteurs présente plusieurs niveaux d'indétermination

que nous allons présenter dans les paragraphes suivants :

1) le problème d'identication de Λ appelé encore problème de rotation des

facteurs communs,
 Problème de rotation des facteurs communs 247

2) le problème d'identication du modèle de structure de covariance (8.2),

3) le problème d'indétermination des facteurs (factor score indetermination)

dans le modèle (8.1).

8.3 Problème de rotation des facteurs communs

On peut remarquer que, si (Λ, f, e) est solution de (8.1) alors, pour tout
A matrice q × q régulière, (ΛA, A−1 f, e) est solution de (8.1). De même, si
(Λ, Φ, Ψ ) est solution de (8.2) alors (ΛA, A−1 ΦA0−1 , Ψ ) est solution de (8.2).

Cette indétermination correspond au choix d'une base (λ1 , · · · , λq ) du sous-

espace Eq de IRp dans lequel appartiennent p.s. les eets aléatoires centrés,
ou encore de façon duale, au choix d'une base (f 1 , · · · , f q ) du sous-espace des
facteurs communs dans L2 .

Il est possible, à partir d'une solution f, en utilisant une transformation ré-

gulière A dans l'espace des facteurs communs, d'obtenir des facteurs plus
facilement interprétables.

Les éléments de Λ étant les coordonnées des variables observables sur les fac-
teurs communs, si Λ contient de nombreux éléments nuls (structure simple
pour Λ), l'interprétation des facteurs communs devient plus facile.

La transformation A a pour objectif d'obtenir une structure approximative-

ment simple pour Λ, c'est-à-dire, avec le plus grand nombre possible d'élé-
ments proches de zéro.

Si la solution initiale f est composée de facteurs orthogonaux et que l'on désire

conserver cette propriété, on utilisera des rotations (transformations orthogo-
nales).

La recherche d'une structure approximativement simple pour Λ repose sur des

méthodes procrustes (Mosier 1939, Green 1952, Schönemann 1966, Browne
1967).

Des algorithmes sont implémentés sur les logiciels usuels de statistique tels
que bmdp, spss, sas. Les plus connus sont varimax (Kaiser 1958) ou quarti-
max pour les transformations orthogonales, quartimin, oblimin (Caroll 1953,
1957), oblimax (Saunders 1961), promax (Hendrickson et White, 1964), direct
oblimin(Jennrich et Sampson, 1966) pour les autres transformations, dites
obliques. Cf. Clarkson et Jennrich, 1988, pour une revue.
248 Chap. 8 Analyse en Facteurs et A.C.P. optimale

Ce problème de rotation des facteurs n'aecte en rien l'intérêt et les fonde-

ments de l'A.F.

Pourtant, certains défenseurs de l'A.F. ne semblent connaître que ce pro-

blème et trouvent injustiées les méances de certains statisticiens à l'égard
de l'A.F. qu'ils pensent être dues à ce problème (cf. Everitt et Dunn, 1991).
Cf aussi Jackson, 1991, p. 396 : Furthermore, factor analysis methodology
usually includes a rotation to simple structure... Therefore, even if a solution
is determinate, it is only up to a rotation...there has been considerable furor
about this practically since the beginning of FA and, even at this point in time
there is some controversy about the properties of this condition. Rather than
dwell on this any further here, the reader may consult Steiger (1979) for more
details of this problem. A pair of papers by Heermann (1964, 1966) are also
of interest because they discuss both the geometric and algebraic concepts of
indeterminacy.

Il faut noter que les trois références citées concernent le problème d'indéter-
mination des facteurs qui sera étudié au Ÿ 8.5. et non le problème de rotation
des facteurs communs.

Dans la mesure où, pour Ψ xé, à partir d'une solution (Λ, f ) de (8.1), on
peut, grâce à des transformations A, obtenir toutes les solutions (ΛA, A−1 f ),
on choisit dans la suite, sans perte de généralité, de chercher une solution
(Λ, f ) de (8.1) vériant :

IE(f f 0 ) = I, (8.3)
0 −1
ΛΨ Λ diagonale (:= Γ ). (8.4)
Ceci peut encore être traduit de la façon suivante.

Si l'on pose :

S = {(Λ, f, e) ; (Λ, f, e) solution de (8.1)}

alors, on a :

S = {(ΛA, A−1 f, e) ; (Λ, f, e) solution de (8.1), (8.2) et (8.3),

A, q × q, réguliere}

L'hypothèse (8.4) est souvent mal acceptée, considérée comme une facilité
d'ordre mathématique. Elle est pourtant du même type que l'hypothèse (8.1).
L'hypothèse (8.1) revient à choisir, dans l'espace des facteur communs, une
base orthonormée pour le produit scalaire de L2 , l'hypothèse (8.4) revient à
choisir dans Eq une base orthogonale pour la métrique Ψ −1 de Rp .
 Problème d'identication du modèle de structure de covariance 249

Il aurait été équivalent de choisir l'hypothèse  Λ0 Λ diagonale car il existe

une matrice A, q × q, régulière faisant passer d'une solution Λ vériant  Λ0 Λ
diagonale à un solution Λ vériant (8.4).

On considère donc le modèle :

Σ = ΛΛ0 + Ψ, Ψ diagonale, Λ0 Ψ −1 Λ (:= Γ ) diagonale.

Remarque

On a : ΣΨ −1 = ΛΛ0 Ψ −1 +I et les q valeurs propres de ΛΛ0 Ψ −1 sont strictement

positives, aussi la matrice ΣΨ −1 a q valeurs propres strictement supérieures
à 1 et la valeur propre 1 d'ordre de multiplicité p − q.

On a de plus : ΣΨ −1 Λ = Λ(Γ + I). La matrice Γ + I est donc la matrice

diagonale des valeurs propres strictement supérieures à 1 de ΣΨ −1 et la ma-
trice Λ est la matrice des vecteurs propres associés vériant la condition de
normalisation Λ0 Ψ −1 Λ = Γ.

Pour Ψ xé, la matrice Λ peut donc être obtenue de façon unique à partir de
la diagonalisation de ΣΨ −1 , à l'orientation des vecteurs propres près et sous
réserve que les valeurs propres diérentes de 1 soient distinctes.

Il faut noter que l'hypothèse  Ψ diagonale n'intervient pas dans cette re-
marque.

8.4 Problème d'identication du modèle de structure de

covariance
On considère le modèle :

Σ = ΛΛ0 + Ψ, Ψ diagonale, Λ0 Ψ −1 Λ (:= Γ ) diagonale.

Soit r la diérence entre le nombre de paramètres de Σ sans contraintes, c'est-

à-dire, le nombre d'équations (= p(p + 1)/2) et le nombre de paramètres libres
du modèle de l'A.F. (= pq + p − q(q − 1)/2).

On a :
r = [(p − q)2 − (p + q)]/2.
On suppose qu'il n'existe pas de relation entre les paramètres ni entre les
équations.
250 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

Si r < 0, il y a plus de paramètres que d'équations. Il existe donc une innité

de solutions. Le modèle est surparamétré.
√
Si r = 0, c'est-à-dire si q = [2p + 1 − 8p + 1]/2, il existe une solution unique.

Si r > 0, il y a plus d'équations que de paramètres, il n'existe pas de solution

(cf. Anderson et Rubin, 1956, pour une discussion sur ce sujet.)

Il n'y a actuellement aucune méthode permettant de savoir s'il y a des relations

entre les paramètres ou entre les équations et donc de connaître la valeur de r.

On renvoie à Hakim et al (1976) et Bekker et de Leeuw (1987) pour la re-

cherche de la dimension q minimum telle que Σ − Ψ soit semi-dénie positive
de rang q.

Le premier cas étant évidemment à éviter, le deuxième étant impossible à

réaliser de façon pratique, on se place généralement dans le troisième cas.

De plus, pour des raisons de parcimonie, il est conseillé d'utiliser peu de pa-
ramètres et donc de se placer dans cette situation. Il est alors nécessaire de
chercher des solutions approchées.

Soit F une fonction de divergence (discrepancy function, Browne, 1974,

1982), c'est-à-dire, une fonction qui pour Σi , i = 1, 2, matrices p × p sy-
métriques positives, vérie :

F (Σ1 , Σ2 ) ≥ 0,

F (Σ1 , Σ2 ) = 0 si, et seulement si, Σ1 = Σ2

F (Σ1 , Σ2 ) deux fois continûment diérentiable par rapport à Σ1 et Σ2 .

Les exemples les plus utiles sont des fonctions construites à partir de critères
d'estimation.

Par exemple, si S désigne la matrice de covariance empirique obtenue à partir

d'un échantillon (yi )i=1,··· ,n composé de variables aléatoires indépendantes et
de même distribution que y, on pourra choisir :
F (S, Σ) = ln |Σ| − ln |S| + tr (SΣ −1 ) − p,
critère du maximum de vraisemblance gaussien, ou :
F (S, Σ) = tr [(S − Σ)Σ −1 ]2 ,
critère des moindres carrés généralisés.
 Problème d'indétermination des facteurs 251

Soit F une fonction de divergence et (ΛF , ΨF ) la solution qui minimise

F (Σ, ΛΛ0 + Ψ ), solution supposée unique.

Le modèle dépend à présent de la fonction de divergence utilisée, fonction

qu'il est souhaitable ensuite d'utiliser dans la phase d'estimation.

En eet, soit (ΛbF , ΨbF ) la solution minimisant F (S, ΛΛ0 + Ψ ). Browne (1984)
montre, sous certaines conditions de régularité, que c'est un estimateur consis-
tant. L'ecacité asymptotique est étudiée dans des articles ultérieurs (cf. par
exemple, Browne, 1987).

Dans cet ouvrage, nous ne considérons que le modèle de l'A.F.

Aussi, les problèmes d'estimation, qui ne font que rendre plus obscures les
dicultés inhérentes au modèle lui-même ne sont pas exposés. De plus, la
distinction entre modèle et estimation n'est pas toujours clairement faite.

8.5 Problème d'indétermination des facteurs

An d'aborder le problème d'indétermination des facteurs, il est d'usage de
supposer le modèle de structure de covariance identié, c'est-à-dire, (Λ, Ψ )
déni de façon unique.

En fait, on peut aussi envisager le cas r > 0 du paragraphe précédent, choisir

une fonction de divergence F et supposer (ΛF , ΨF ) déni de façon unique.

Les développements qui suivent peuvent alors être appliqués à condition d'ad-
mettre que la diérence entre Σ et ΛF Λ0F + ΨF est négligeable.

Bien que (Λ, Ψ ) soit déni de façon unique, le modèle de l'A.F. (10.2.1.) admet
une innité de solutions.

En eet, soit P une matrice q × q telle que P P 0 = I − Λ0 Σ −1 Λ.

L'ensemble des solutions du modèle (2.1.) est :

f = Λ0 Σ −1 x + P s et e = Ψ Σ −1 x − ΛP s,
pour tout q -vecteur aléatoire s vériant IE(s) = 0, IE(xs0 ) = 0 et IE(ss0 ) = I.
(Kestelman, 1952, Guttman, 1955).

Le vecteur f des facteurs communs est donc déni comme la somme d'un vec-
teur de composantes (i.e. de combinaisons linéaires de variables observables)
252 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

Λ0 Σ −1 x, noté Cf dans la suite, et d'une part arbitraire non nulle, P s.

L'ensemble des solutions est sur un cône multidimensionnel dont l'axe (mul-
tidimensionnel aussi !) est le support du vecteur de composantes Cf . Pour
q = 1, cf. gure 1.

Ce problème d'indétermination des facteurs vient du fait que, vu les hypo-

thèses du modèle, l'espace des facteurs communs et spéciques est de dimen-
sion p + q alors que l'espace des variables observables est de dimension p.

L'eet z étant supposé aléatoire, on peut dire aussi qu'il n'est pas possible, vu
les hypothèses du modèle, de le distinguer totalement du vecteur aléatoire e
des facteurs spéciques. En eet, le problème d'indétermination n'existe pas
dans le cadre du modèle à eets xes.

On ne connaît de façon unique que la part composante des facteurs, c'est-à-

dire, Cf pour f et Ψ Σ −1 x pour e.

La part composante, Cf , est aussi appelée part de régression de f, mais on

préfère réserver ce terme pour les composantes de régression proposées par
Schönemann et Steiger, 1976, (cf. Ÿ 8.6.).

Historique

Le problème de l'indétermination des facteurs a une longue histoire.

 Problème d'indétermination des facteurs 253

En 1927, Spearman présente un livre qui reprend 20 ans de travaux. À partir

de nombreux tests psychologiques soumis à des individus, il espère trouver,
grâce à l'Analyse en Facteurs qu'il propose (un seul facteur commun), le fac-
teur commun à tous ces tests qui serait interprété comme le facteur général
d'intelligence (facteur g).

Hart et Spearman (1912), présentant le modèle, envisagent même une société

dans laquelle chaque citoyen aurait son facteur g mesuré et enregistré par le
gouvernement. Les décisions concernant le droit de vote pourraient être prises
à partir de cet indice !

En 1928, Wilson, ayant eu à reviewer le livre, montre par des exemples que le
modèle n'admet pas une solution unique pour le facteur commun g.

Il s'ensuit, de 1928 à 1938, de nombreux articles et débats sur le sujet.

Spearman (1933, 1934) caractérise le problème d'indétermination des fac-

teurs comme étant un problème d'échantillonnage de variables. L'erreur, selon
Spearman, peut être réduite autant que l'on veut en ajoutant de plus en plus
de variables de la même façon que l'erreur d'échantillonnage des individus est
réduite en augmentant la taille de l'échantillon.

En plus des articles cités, on peut indiquer aussi Wilson 1929, Piaggio 1931,
1933, Camp 1932, 1934, Thompson 1934, 1935, Lederman 1938.

À partir de 1936 et grâce à la revue Psychometrika, l'Analyse en Facteurs,

généralisée à plusieurs facteurs communs, est popularisée par Thurstone et
son équipe, qui occultent complètement le problème d'indétermination.

À tel point que Wolfe en 1940, dans le cadre d'une revue historique, présente
de nombreux développements de l'A.F. incluant les limitations de l'analyse
sans mentionner l'existence de l'indétermination des facteurs.

Malgré la parution de quelques articles, Kestelman 1952, Guttman 1955, Heer-

man 1964, 1966, le débat sur l'indétermination des facteurs n'est relancé que
depuis 1971 par Schönemann.

Pourtant, après Kestelman (1952) et par une autre approche, Guttman en

1955 donne explicitement l'ensemble des solutions du modèle de l'A.F. ainsi
que de nombreux développements encore d'actualité.

Sa conclusion, the Spearman-Thurstone approach may have to be discarded

for lack of determinacy of its factor scores, pouvait laisser penser que le débat
allait être relancé. Il n'en a rien été.
254 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

Depuis 1971, des articles paraissent régulièrement sur le sujet. Schönemann

et Wang 1972, Mulaik 1972, 1976, 1981, Meyer 1973, Green 1976, McDo-
nald 1974, 1977, 1978, Mulaik et McDonald 1978, Schönemann et Steiger
1978, Steiger 1979a, Williams 1978, Rozeboom 1982, 1988, Kano 1984, Haa-
gen 1986, 1991, Schönemann et Haagen 1987, Bentler et Kano 1990. Il s'agit
essentiellement de mesurer l'indétermination (cf. Ÿ suivant) et de construire
des variables supplémentaires pour réduire l'indétermination (on sort alors du
cadre de l'A.F. dénie pour p xé).

Pour des éléments historiques, on pourra consulter Steiger et Schönemann

1978, Steiger 1979a et Mulaik 1986.

Le sujet est aussi débattu dans les articles récents opposant les avantages et
les inconvénients de l'A.C.P. et de l'A.F. : Borgotta, Kercher et Stull 1986,
Hubbard et Allenn 1987, Snook et Gorsuch 1989, Wilkinson 1989, Velicer et
Jackson 1990, Schönemann 1990.

Bien plus nombreux sont les articles et les livres, mêmes récents, ne mention-
nant pas le problème.

Parmi les livres, on peut évidemment citer Thurstone 1935, 1947, mais aussi
Mardia et al (1979), Srivastava et Carter (1983), Anderson (1984b), Krza-
nowski (1988), Everitt et Dunn (1991).

An de contourner le problème d'indétermination des facteurs, certains au-

teurs proposent des solutions alternatives au modèle de l'A.F.

En 1962, Jöreskog propose de remplacer l'A.F. par un modèle qu'il appelle

Image Factor Analysis, modèle s'inspirant de la théorie des images de Gutt-
man (1953).

En 1976, Schönemann et Steiger proposent de remplacer l'A.F. par une ana-

lyse en composantes de régression (cf. Ÿ suivant).

Bartholomew (1984, 1985a, 1987) développe une étude intitulée les fonde-
ments de l'A.F.. Cf. aussi les commentaires d'Aitkin 1985, Bentler 1985,
Browne 1985, McDonald 1985b et la réponse de l'auteur Bartholomew 1985b.

La solution la plus communément adoptée, pour contourner le problème d'in-

détermination des facteurs est de ne s'intéresser qu'au modèle de structure de
covariance et d'abandonner l'idée d'estimer les facteurs.

À partir de là, se sont développés les modèles de structure de covariance, Bock

et Bargmann 1966, Jöreskog 1970, 1978, 1981, McDonald 1978, 1980, 1985a,
 Équivalence des approximations usuelles des facteurs 255

McArdle et McDonald 1984, Jöreskog et Sorbom 1984.

Le modèle en facteurs présenté ici est le modèle en facteurs de l'analyse dite

exploratoire.

Lorsque certains éléments de la matrice Ψ sont supposés nuls, le modèle est

dit de régression avec erreurs sur les variables (Anderson, 1984a). C'est un
modèle statistique de nature diérente, les p variables ne jouent pas des rôles
symétriques, et les problèmes mathématiques qu'il soulève sont plus simples.

Lorsque certains éléments de Λ sont supposés nuls, hypothèse reposant sur

des connaissances a priori sur les variables, on parle d'analyse en facteurs
conrmatoire.

Seule, la phase d'estimation des paramètres (Λ, Ψ ) du modèle de structure

de covariance (2.2.) dière de l'analyse en facteurs exploratoire. Le problème
d'indétermination des facteurs demeure, contrairement à ce qui est souvent
écrit en référence à McDonald et Mulaik, 1979.

Quelque soit la structure de covariance (cf. le logiciel Lisrel, Jöreskog et Sor-

bom 1984), dès lors que les hypothèses du modèle dénissent les variables
aléatoires latentes en dehors de l'espace engendré par les variables observables,
le problème d'indétermination des facteurs apparaît lorsque l'on veut prédire
ces variables latentes (cf. Vittadini 1989).

8.6 Équivalence des approximations usuelles des facteurs

Ce paragraphe pourrait s'intituler estimation des facteurs (en anglais, fac-
tor score estimates) mais cette terminologie est source d'erreur.

Tout d'abord, les facteurs étant aléatoires, il serait plus correct de parler de
prédicteurs que d'estimateurs. Mais là n'est pas le principal reproche fait à
l'usage de cette expression.

Il réside dans le fait que cette expression sous-tend qu'il est possible d'estimer
(ou de prédire) les facteurs. Or, on a vu qu'il y a une innité de solutions. Il
faudrait donc proposer une innité d'estimateurs (ou de prédicteurs), un pour
chaque solution. De fait, il est proposé un seul estimateur pour l'ensemble des
solutions.

De nombreux auteurs écrivent qu'il n'est pas possible d'écrire la solution f,

qu'elle ne peut être qu'estimée. En fait, nous avons vu dans le paragraphe
précédent qu'il est tout à fait possible d'écrire l'ensemble des solutions.
256 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

Évidemment, on peut arguer que le modèle postule l'existence d'une seule so-
lution. Le problème d'indétermination réside alors dans le fait que la position
de cette unique solution sur le cône est inconnue.

En tout état de cause, la critique essentielle faite à l'A.F. repose sur l'innité
de solutions du modèle (ou sur l'innité de positions de la solution du mo-
dèle) et donc sur un arbitraire de la part de l'utilisateur quant au choix de la
solution (ou de la position sur le cône de la solution).

Ce problème d'indétermination est de nature très diérente du problème de

rotation des facteurs communs. Il faut noter que, dans le cas d'un seul facteur
commun, le problème de rotation n'existe plus alors que le problème d'indé-
termination des facteurs demeure.

La plupart des ouvrages déjà cités, réservant au moins un chapitre à l'A.F. et

ne parlant pas du problème d'indétermination des facteurs traite cependant
de l'estimation du vecteur des facteurs communs (factor score estimates).

Nous verrons plus loin que l'arbitraire est, en pratique, considérablement ré-
duit car tous les auteurs s'accordent à penser qu'on ne peut estimer les facteurs
qu'à partir d'un vecteur de composantes.

D'après McDonald et Burr (1967), un bon prédicteur fb de f est une fonction

des variables d'échantillonnage qui devrait vérier les propriétés suivantes :

a) être assez proche de f, par exemple minimiser IE((fb − f )(fb − f )0 ) ;

b) avoir des composantes orthogonales comme f : IE(fbfb0 ) diagonale ;

c) avoir la propriété d'univocalité dénie par Guilford et Michael (1948) :

IE(fbf 0 ) diagonale ;

d) être conditionnellement à f sans biais : IE(fb / f ) = f.

An de rester dans le cadre du modèle, on parlera d'approximations plutôt

que de prédicteurs.

Une bonne approximation fb de f est un vecteur aléatoire, ne dépendant que

du modèle, qui devrait vérier les propriétés décrites ci-dessus.

Tous les prédicteurs proposés dans la littérature sont de bons prédicteurs de

vecteurs aléatoires qui sont en fait des composantes (i.e. de la forme C = Bx).
Ces composantes sont donc des approximations de f dont on se propose d'étu-
dier les propriétés.
 Équivalence des approximations usuelles des facteurs 257

Les approximations usuelles de f

1) La première approximation proposée (Thurstone 1935) est évidemment la

part composante de f, c'est-à-dire :

Cf = Λ0 Σ −1 x.

Il est possible de montrer que Cf est la composante C qui minimise l'erreur

quadratique moyenne : IE((C − f )(C − f )0 ).

2) Si l'on considère f xe et si l'on suppose x gaussienne, alors x est gaussienne

d'espérance Λf et de matrice de covariance Ψ. L'estimateur par maximum de
vraisemblance de f est alors (Bartlett 1937, 1938) :

CB = Bx = (Λ0 Ψ −1 Λ)−1 Λ0 Ψ −1 x.

Ici, B minimise tr (Ψ − 2 (x − ΛBx)(x − ΛBx)0 Ψ − 2 ) et donc Λfb est la projec-

1 1

tion Ψ −1 -orthogonale de x sur vec (Λ).

3) Dans une approche bayésienne, en supposant que la densité a priori de

f est gaussienne, d'espérance nulle et de matrice de covariance l'identité, on
peut montrer que la densité a posteriori est proportionnelle à
1 1
exp[− (x − Λf )0 Ψ −1 (x − Λf ) − f 0 f ]
2 2
et donc f est gaussienne d'espérance :

CT = (I + Λ0 Ψ −1 Λ)−1 Λ0 Ψ −1 x.

(Thompson 1939, Dolby 1976, Bartholomew 1981).

4) En 1956, Anderson et Rubin proposent CA = Bx avec B minimisant le

0
critère de Bartlett sous la contrainte IE(CA CA ) = I.
On a alors :
1
CA = (Λ0 Ψ −1 ΣΨ −1 Λ)− 2 Λ0 Ψ −1 x.
5) Schönemann et Steiger (1976) propose ce qu'ils appellent des composantes
de régression :
CS = (Λ0 Σ −1 Λ)−1 Λ0 Σ −1 x.
Ces composantes, qui auraient de meilleures propriétés que Cf , sont dénies
comme projection Σ −1 -orthogonale de x sur vec(Λ).

6) Dans son étude sur les fondements de l'A.F., Bartholomew (1984, 1985a,
1987) utilise également une approche bayésienne et aboutit, pour approcher
f, à :
CW = Λ0 Ψ −1 x.
258 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

7) Enn, nous proposons le vecteur des q premières composantes principales

de l'A.C.P. centrée du vecteur aléatoire x dans (IRp , Ψ −1 ), que nous notons
CP :
CP = (Λ0 Ψ −1 Λ)−1 Λ0 Ψ −1 x.
Propriétés

On considère le modèle :

Σ = ΛΛ0 + Ψ, Λ p × q de rang q, Ψ reguliere.

On pose :
Γ = Λ0 Ψ −1 Λ.
Dans tout ce paragraphe, Ψ et Γ ne sont pas supposées diagonales.

On vérie aisément les propriétés suivantes (Guttman, 1955) :

(i) ΣΨ −1 = ΛΛ0 Ψ −1 + I

(ii) ΣΨ −1 Λ = Λ(Γ + I)

(iii) Λ0 Ψ −1 = (Γ + I)Λ0 Σ −1 et donc aussi Λ0 Σ −1 = (Γ + I)−1 Λ0 Ψ −1

(iv) Λ0 Ψ −1 ΣΨ −1 Λ = Γ (Γ + I)

(v) (Γ + I)(I − Λ0 Σ −1 Λ) = I

(vi) Λ0 Σ −1 Λ = Γ (Γ + I)−1

(vii) Σ −1 = Ψ −1 − Ψ −1 Λ(Γ + I)−1 Λ0 Ψ −1 .

Les approximations 1) à 7) dénies précédemment vérient les propriétés sui-

vantes. À part celles concernant CP , ces propriétés sont bien connues. Elles
se déduisent aisément des propriétés (i) à (vii) ci-dessus :
CT = Cf , CW = (Γ + I)Cf , CB = CS = Γ −1 (Γ + I)Cf ,
1 1 1
CA = Γ − 2 (Γ + I) 2 Cf , CP = Γ 2 (Γ + I)Cf .
Propriétés de Cf et donc de CT :

IE(Cf f 0 ) = Γ (Γ + I)−1 ,

IE(Cf / f ) = Γ (Γ + I)−1 f,
IE(Cf Cf0 ) = Γ (Γ + I)−1 ,
IE((Cf − f )(Cf − f )0 ) = (Γ + I)−1 .
 Équivalence des approximations usuelles des facteurs 259

Propriétés de CW :
IE(CW f 0 ) = Γ,
IE(CW / f ) = Γ f,
0
IE(CW CW ) = Γ (Γ + I),
IE((CW − f )(CW − f )0 ) = Γ 2 − Γ + I.
Propriétés de CB et donc de CS :

IE(CB f 0 ) = I,

IE(CB / f ) = f,
0
IE(CB CB ) = Γ −1 (Γ + I),
IE((CB − f )(CB − f )0 ) = Γ −1 .
Propriétés de CA :
1 1
IE(CA f 0 ) = Γ 2 (Γ + I)− 2 ,
1 1
IE(CA / f ) = Γ 2 (Γ + I)− 2 f,
0
IE(CA CA ) = I,
1 1
IE((CA − f )(CA − f )0 ) = 2I − 2Γ 2 (Γ + I)− 2 .
Propriétés de CP :
1
IE(CP f 0 ) = Γ 2 ,
1
IE(CP / f ) = Γ 2 f,
IE(CP CP0 ) = Γ + I,
1
IE((CP − f )(CP − f )0 ) = Γ − 2Γ 2 + 2I.
Équivalence des approximations

On a vu dans le paragraphe 8.3. (Problème de rotation des facteurs com-

muns), qu'à partir d'une solution f telle que IE(f f 0 ) = I, on obtenait les
autres solutions en transformant f par A, matrice q × q régulière.

À partir d'un prédicteur C de f, on obtient donc les prédicteurs des autres

solutions en transformant C par A.

À ce titre, toutes les approximations dénies précédemment sont équivalentes

puisque l'on passe d'une approximation C à une autre par un tel type de
transformation.

Toutes les approximations usuelles vérient les propriétés b) et c) de McDo-

nald et Burr si, et seulement si, Γ est diagonale. De plus, si Γ est diagonale,
ces approximations sont toutes proportionnelles et ont donc même vecteur
260 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

de composantes réduites, c'est-à-dire, CA , qui est aussi le vecteur des compo-

santes principales réduites.

Si l'on considère que la variance des facteurs communs (ou de leurs prédic-
teurs) est arbitraire, elle peut donc être posée égale à un et toutes les approxi-
mations sont équivalentes dans ce sens.

Bien que toutes les approximations soient équivalentes, elles sont toutes mau-
vaises. En eet, rappelons que le modèle s'écrit : y = Λf + e, avec IE(e) = 0
et IE(ee0 ) diagonale régulière.

On peut alors considérer une cinquième propriété proposée par Guttman

(1955), que devrait vérier une bonne approximation fe de f (ou un bon pré-
dicteur fb de f ) :

si ee = x − Λfe, la matrice IE(e

eee0 ) devrait être diagonale régulière.

Pour toutes les approximations 1) à 7), cette matrice n'est ni diagonale, ni

régulière puisqu'elle est de rang p − q.

Mesure de l'indétermination des facteurs

Si l'on revient à l'objectif de l'estimation des facteurs, il s'agit de prédire les

valeurs de f sur les individus à partir des valeurs observées sur les variables
initiales, ceci, an de classer les individus.

Si l'on considère la gure 1, Cf donnera à peu près le même classement qu'un

facteur f pris arbitrairement sur le cône si l'angle θ est assez petit.

Il est donc important, avant d'utiliser une composante pour approcher f, de

mesurer l'indétermination, c'est-à-dire, le cosinus de l'angle que fait chaque
facteur avec son approximation.

La matrice de corrélation de n'importe quelle composante 1) à 7) avec f est :

1 1
IE(CA f 0 ) = Γ 2 (Γ + I)− 2 .

Si Γ est diagonale, on a donc, pour tout k de {1, · · · , q} et pour toute com-

posante C,
γk 1
ρ(C k , f k ) = ( ) 2 = cos(θk ).
γk + 1
La contrainte Λ0 Ψ −1 Λ (= Γ ) diagonale, en supposant les éléments diagonaux
rangés dans l'ordre décroissant, permet de classer les facteurs communs dans
l'ordre décroissant de leur mesure d'indétermination puisque cos(θk ) diminue
lorsque k augmente. De plus, cette contrainte Γ diagonale permet, à q xé,
 Équivalence des approximations usuelles des facteurs 261

de trouver les approximations les moins indéterminées.

Si l'on veut réduire l'indétermination des facteurs, il faut choisir q assez pe-
tit. Ce choix est malheureusement contradictoire avec la nécessité d'obtenir
un bon ajustement du modèle ; l'ajustement est d'autant meilleur que q aug-
mente.

Choix du nombre de facteurs communs

Nous ne présenterons pas les nombreuses propositions qui sont faites dans la
littérature sur le sujet.

Notons seulement qu'une condition naturelle découle du modèle : γq > 1.

√
En eet, si cos(θk ) ≤ 2/2 (i.e. γk ≤ 1) deux solutions distinctes corres-
pondant au même facteur f k peuvent être corrélées négativement ou non
corrélées !

On peut se référer à la gure 1 pour q = 1 et à cette même gure pour chaque

composante f k dans le cas général.

Représentation des individus

Se poser la question de la représentation des individus, c'est revenir à la ques-

tion de la variance des approximations.

En eet, considérons le cas q = 2 et Γ diagonale. On peut représenter les in-

dividus par rapport aux composantes dénies précédemment, qui ne dièrent
des composantes réduites que par le choix des variances.

Implicitement, la pratique de la rotation des facteurs amène à choisir de re-

présenter les individus par rapport aux composantes réduites.

Pratique de l'A.F.

En résumé, la pratique de l'A.F. consiste dans une première étape à estimer

les paramètres (Λ, Ψ ) du modèle de structure de covariance (8.2).

Dans une seconde étape, si on note (Λ,b Ψb) cette estimation, l'estimation des
facteurs du modèle (8.2) est alors donnée par les q premières composantes
principales réduites de l'A.C.P. centrée de Y dans l'espace IRp muni de la
métrique Ψb−1 .
262 Chap. 8 - Analyse en Facteurs et A.C.P. optimale

8.7 Comparaison de l'A.C.P. et de l'A.F.

Les deux méthodes, A.F. et A.C.P. ont pour objectifs communs la recherche
d'un nombre réduit de variables latentes et le positionnement des individus
sur ces variables.

Ces objectifs sont clairement exprimés pour l'A.C.P. lorsque l'on fait ressortir
la dualité entre les individus et les variables.

Pour l'A.F., certains considèrent que son objectif est uniquement la reconsti-
tution des corrélations entre les variables (Kruskal, 1978 par exemple).

C'est en fait le premier objectif de l'A.F. Ceux qui considèrent qu'un objec-
tif important est aussi d'estimer les facteurs s'intéressent de fait aux individus.

Les deux méthodes ont donc a priori des objectifs assez comparablables.

Cependant, l'A.C.P. consiste à chercher q variables latentes (les composantes

principales) reconstituant au mieux la somme des éléments diagonaux de la
matrice de covariance (ou de corrélation). L'A.F. consiste à chercher q va-
riables latentes (les facteurs communs) reconstituant aux mieux les éléments
non diagonaux de la matrice de covariance (ou de corrélation).

L'A.F. est invariante par changement d'échelle de mesure des variables. Ce

n'est pas le cas de l'A.C.P., du moins sous sa forme usuelle (avec métrique
identité sur l'espace des individus). En revanche, si l'on utilise l'A.C.P. sur
des variables transformées linéairement, ou, ce qui est équivalent, si on dénit
l'A.C.P. avec une métrique de matrice M sur l'espace des individus diérente
de l'identité, certains choix de M conduisent à une A.C.P. invariante par chan-
gement de l'échelle de mesure, par exemple M = diag(Σ −1 ).

Les solutions de l'A.C.P. sont emboîtées. En eet, pour passer de k compo-

santes principales à k + 1 composantes principales, il sut de rajouter aux k
premières composantes principales la composante de variance maximale qui
soit orthogonale aux k premières composantes principales. Les solutions de
l'A.F. ne sont pas emboîtées.

L'A.F. révèle plusieurs problèmes d'indétermination, le plus sévère étant l'in-

détermination des facteurs, c'est-à-dire que, quelles que soient les contraintes
utilisées, le modèle de l'A.F. liant les variables aléatoires observables aux va-
riables aléatoires latentes a une innité de solutions. Quelle est la bonne so-
lution ?

De plus, nous n'avons pas abordé ici les problèmes d'estimation des para-
mètres du modèle de l'A.F., les nombreuses méthodes existant, les nombreux
 Comparaison de l'A.C.P. et de l'A.F. 263

algorithmes, les diérents choix pour la solution initiale, les problèmes de so-
lutions impropres (Heywood cases). En particulier, les estimations vériant
la contrainte Λ0 Ψ −1 Λ diagonale sont diérentes des estimations vériant la
contrainte Λ0 Λ diagonale.

En revanche, la solution de l'A.C.P. est obtenue par une procédure directe.

L'A.F. repose sur un modèle ce qui n'est pas le cas de l'A.C.P.

Cependant, nous avons vu que le modèle à eets xes (ou à eets aléa-
toires) permet d'apporter des réponses à certaines questions qui se posent dans
la pratique de l'A.C.P. Nous avons déni l'A.C.P. optimale comme l'A.C.P.
avec métrique Ψ −1 sur IRp et cette analyse fournit les estimateurs des para-
mètres du modèle. Dans ce modèle, n'apparaît pas de problème d'indétermi-
nation ; c'est un modèle plus léger que le modèle à eets aléatoires de l'A.F.
qui suppose Ψ diagonale.

En conclusion, si l'objectif est de chercher des variables latentes telles que,

conditionnellement à ces variables, les variables initiales soient non corrélées,
on utilisera évidemment l'Analyse en Facteurs, mais seulement sous son pre-
mier aspect (estimation de Λ). Si l'objectif est une réduction de dimensionalité,
on utilisera l'A.C.P., et même l'A.C.P. optimale si l'on a des informations sur
la matrice Ψ de covariance des erreurs du modèle à eets xes (ou aléatoires).
A
Annexes

Liste des annexes :

A.1. Opérateurs, espaces euclidiens, décomposition spectrale, ...
A.2. Produits tensoriels et opérateur de commutation.
A.3. Variable aléatoire euclidienne, espérance mathématique, opérateur de covariance.
A.4. Indépendance de v.a.e. et opérateurs.
A.5. Théorèmes limites dans un espace euclidien.
A.6. Perturbation en Statistique asymptotique.
A.7. Dénition et résultats asymptotiques de l'A.C.P.
A.8. Dénition et résultats asymptotiques de l'A.C.

A.1 Opérateurs, espaces euclidiens, décomposition

spectrale, ...
Nous présentons dans cette annexe le cadre de travail de ce Tome 2. Les
propriétés sont données sans les démonstrations qui pourront être consultées
dans le Tome I.

A.1.1 Opérateurs, opérateurs continus, opérateurs de rang ni

Soient X et Y deux espaces vectoriels réels normés, une application li-
néaire A de X vers Y (c'est-à-dire, un homomorphisme d'espaces vectoriels)
est appellé opérateur (linéaire).

On montre que l'opérateur A est continu (pour les topologies associées aux
normes) si, et seulement si, ∃α ∈ IR+ , kA(x)kY ≤ αkxkX , c'est-à-dire, si, et
seulement si, l'application A est bornée sur la sphère unité de X . Un opéra-
teur continu est aussi appelé opérateur borné bien qu'il ne soit évidemment
pas borné sur tout l'espace.
266 Annexe

On munit l'espace vectoriel sur IR des opérateurs continus de X vers Y , noté

L(X , Y), de la norme (subordonnée aux normes de X et Y ) dénie par :
∀A ∈ L(X , Y), kAk∞ = sup{kA(x)kY ; x ∈ X , kxkX ≤ 1}.
Soit A appartenant à L(X , Y), on a :
∀x ∈ X , kA(x)kY ≤ kAk∞ kxkX .
Un opérateur A de X vers Y, espaces vectoriels réels normés, est dit de
rang ni si ImA, image de X par A, est un sous-espace vectoriel de Y de
dimension nie.

Tout opérateur de rang ni est continu. Comme on a dim(ImA)) ≤ dim(X ),

on en déduit que si X ou Y est de dimension nie, tout opérateur de X vers
Y est de rang ni donc continu. C'est dans ce cadre que nous nous plaçons
dans ce Tome II.

A.1.2 Espaces de Hilbert, espaces euclidiens

Un espace préhilbertien réel X est un espace vectoriel sur IR muni d'un pro-
duit scalaire (c'est-à-dire, d'une forme bilinéaire symétrique dénie positive),
notée h., .iX .

La norme associée au produit scalaire, notée k.|X , est alors dénie par :
p
∀x ∈ X , kxkX = hx, xiX
et la distance associée dX par :
∀(x, x0 ) ∈ X 2 , dX (x, x0 ) = kx − x0 kX .
Le produit scalaire permet de dénir la notion d'orthogonalité. Deux vecteurs
x et x0 sont dits orthogonaux si leur produit scalaire est nul. Deux sous en-
sembles E et F de X sont orthogonaux si, pour tout x de E et tout x0 de F ,
x et x0 sont orthogonaux.

Un espace de Hilbert est un espace préhilbertien réel complet (pour la to-

pologie associée à la norme).

Tout espace préhilbertien réel de dimension nie est un espace de Hilbert,

appelé espace euclidien.

L'espace vectoriel des variables aléatoires réelles (v.a.r.) dénies sur un espace
probabilisé (Ω, A, P ) et admettant un moment d'ordre 2 est (après identi-
cation des v.a.r. presque sûrement égales) un espace de Hilbert, noté L2 (P ),
pour le produit scalaire :
Z
2 2
∀(f, g) ∈ (L (P )) , hf, giL2 (P ) = f gdP.
Ω
 267

A.1.3 Théorème de Riesz et adjoint d'un opérateur

Théorème de Riesz

Pour toute forme linéaire f sur un espace de Hilbert X il existe un unique

élément xf de X tel que f = h., xf iX .

Adjoint d'un opérateur

Soit A un opérateur continu de X vers Y, espaces de Hilbert. Il existe un

unique opérateur de Y vers X , noté A∗ et appelé adjoint de A, vériant :

∀(x, y) ∈ X × Y, hA(x), yiY = hx, A∗ (y)iX .

Il est continu et vérie :

kA∗ k∞ = kAk∞ .
Un opérateur A de X dans lui-même est dit symétrique (ou autoadjoint ) si :

A∗ = A.

Un opérateur A de X dans lui-même est dit positif si :

∀x ∈ X , hA(x), xiX ≥ 0.

A.1.4 Bases orthonormales, produit tensoriel de vecteurs, trace

Écriture d'un opérateur par rapport à des bases orthonormales

Soit X un espace euclidien, de dimension p.

Soit (ej )j=1,...,p une base orthonormale de X , c'est-à-dire, un base de vecteurs
deux à deux orthogonaux et unitaires (de norme 1), ce qui peut s'écrire :
∀(j, `) ∈ {1, ..., p}2 , hej , e` iX = δj,` .
On a :
p
X
∀x ∈ X , x = hx, ej iX ej .
j=1

Soit Y un autre espace euclidien, de dimension q, (fi )i=1,...,q une base ortho-
normale de Y, et A un opérateur de X vers Y ; on a :
p X
X q
∀x ∈ X , A(x) = hA(ej ), fi iY hx, ej iX fi . (∗)
j=1 i=1

Les réels aij := hA(ej ), fi iY , j = 1, ..., p, i = 1, ..., q, dénissent complètement

l'opérateur A.
268 Annexe

Trace d'un opérateur

Bien qu'elle puisse être dénie sans référence à une base (cf. Tome I), on
appelle trace d'un opérateur A d'un espace euclidien X de dimension p dans
lui-même le réel :
Xp
tr(A) = hA(ej ), ej iX
j=1

où (ej )j=1,...,p est une base orthonormale de X . Bien sûr, ce nombre ne dépend
pas de la base orthonormale choisie.

Espace euclidien σ2 (X , Y)

Soient X et Y deux espaces euclidiens. On peut munir l'espace vectoriel

L(X , Y) (déjà normé pour k.k∞ ) d'un produit scalaire (et de la norme et
distance associées), noté h., .i2 et déni par :

∀(A, B) ∈ (L(X , Y))2 , hA, Bi2 = tr(AB ∗ ) (= tr(BA∗ ).

L'espace euclidien ainsi déni est alors noté σ2 (X , Y). La notation précise
seulement la norme utilisée car, en dimension nie, les normes sont équiva-
lentes (c'est-à-dire, si une suite converge (resp. diverge) pour une norme, alors
elle converge (resp. diverge) pour tout autre norme.)

Produit tensoriel de vecteurs

Pour tout (x, y) de X × Y , l'application, notée x ⊗ y (lire x tensoriel y )

dénie par :
∀u ∈ X , x ⊗ y(u) = hu, xiX y ∈ Y
est un opérateur de rang 1, d'image le sous-espace vectoriel de Y engendré
par y ; son adjoint vérie :

(x ⊗ y)∗ = y ⊗ x.

Base orthonormale de σ2 (X , Y).

En utilisant les produits tensoriels de vecteurs, on peut réécrire (*) :

p X
X q
∀x ∈ X , A(x) = aij ej ⊗ fi (x),
j=1 i=1

c'est-à-dire encore,
p X
X q
A= aij ej ⊗ fi .
j=1 i=1
 269

La famille B2 := (ej ⊗ fi )j=1,...,p i=1,...,q constitue une base de l'espace eu-

clidien σ2 (X , Y), de dimension p q.

On vérie :

∀(x, x0 ) ∈ (X )2 , ∀(y, y 0 ) ∈ (Y)2 , hx ⊗ y, x0 ⊗ y 0 i2 = hx, x0 iX hy, y 0 iY .

On en déduit :

∀(j, `) ∈ {1, ..., p}2 , ∀(i, k) ∈ {1, ..., q}2 , hej ⊗fi , e` ×fk i2 = hej , e` iX hfi , fk iY = δj,` δi,k .

La base B2 de σ2 (X , Y) est donc une base orthonormale.

A.1.5 Décomposition spectrale d'un opérateur

Dans ce paragraphe, X (resp. Y ) désigne un espace euclidien de dimension
p (resp. q). On note σ2 (X ) l'espace des opérateurs de X dans lui-même.

Dénitions. Un opérateur V de σ2 (X ) admet une décomposition spectrale

s'il existe une base (vj )j=1,...,p de X et p réels (λj )j=1,...,p tels que l'on ait :
p
X
V = λj vj ⊗ vj .
j=1

Ces réels sont appelés valeurs propres de V et les vecteurs, vecteurs propres
associés.

Proposition 1. Tout opérateur V de σ2 (X ) symétrique positif, admet une

décomposition spectrale (est "diagonalisable"). L'opérateur étant positif, les
valeurs propres (simples ou multiples) sont positives ou nulles. L'opérateur
étant symétrique, les espaces propres associés à deux valeurs propres dis-
tinctes sont orthogonaux.

On pose J = {1, ..., p}. Soit (λ0j )j∈J la suite pleine décroissante des valeurs
propres de V (c'est-à-dire répétée autant de fois que leur ordre de multiplicité
l'indique) et (vj )j∈J une suite de vecteurs propres unitaires associés, formant
une base orthonormale de X . On a la décomposition spectrale suivante (ap-
pelée aussi décomposition de Hilbert-Schmidt ou diagonalisation) :
X
V = λ0j vj ⊗ vj
j∈J

mais cette décomposition spectrale n'est pas unique.

Si V admet s valeurs propres distinctes non nulles, on pose I = {1, ..., s}

et on note (λi )i∈I la suite strictement décroissante des valeurs propres non
270 Annexe

nulles de V. Si 0 est valeur propre, on pose λs+1 = 0 et I+ = I ∪ {s + 1}. Pour

i ∈ I+ , on note Ji = {jP∈ J; λj = λi }, de cardinal mi (ordre de multiplicité
de λi ) et on pose Pi = j∈Ji vj ⊗ vj ; il s'agit du projecteur propre associé à
la valeur propre λi (c'est-à-dire, du projecteur orthogonal sur le sous-espace
propre associé à λi .) On a alors la décomposition spectrale unique suivante :
X
V = λi P i .
i∈I

On appelle éléments propres d'un opérateur les valeurs propres, vecteurs

propres, projecteurs propres.

Proposition 2. Soit A un opérateur de σ2 (X , Y) Les opérateurs A∗ A et AA∗

sont des opérateurs symétriques positifs de σ2 (X ) et σ2 (Y) respectivement. Ils
admettent les mêmes valeurs propres non nulles avec les mêmes ordres de mul-
tiplicité. Soit r leur rang commun, (λ0j )j∈{1,...,r} la suite pleine décroissante de
leurs valeurs propres non nulles communes, (vj )j=1,...,r (resp. (fj )j=1,...,r ) une
famille orthogonale de vecteurs propres unitaires de A∗ A (resp. AA∗ ) associés,
alors, on a la décomposition en valeurs singulières (SVD) (ou décomposition
de Schmidt ) de A suivante :
r q
X
A= λ0j vj ⊗ fj .
j=1
q
Les nombres ( λ0j )j=1,...,r sont appelés valeurs singulières de l'opérateur A.

A.1.6 Changement de métrique

Soit X un espace euclidien de dimension p et B := (ej )j=1,...,p une base
orthonormale de cet espace. Le produit scalaire usuel relativement à cette
base, noté I, est déni par :

∀(j, `) ∈ {1, ...p}2 , hej , e` iI = δi,j

ce qui justie la notation I. On a alors :

p
X
2
∀(x, y) ∈ (X ) , hx, yiI = xj yj
j=1

où (xj )j=1,...,p (resp. (yj )j=1,...,p ) sont les coordonnées de x (resp. y ) sur la
base B.

Soit M un opérateur symétrique déni positif. Si on pose :

hx, yiM = hM x, yiI = hx, M yiI

 271

alors M dénit un nouveau produit scalaire sur X et donc une nouvelle norme
et distance associée.

Une métrique est associée à la notion de distance. Ici, les distances consi-
dérées sont euclidiennes, c'est-à-dire, associées à des produits scalaires. Aussi,
on appelle métrique tout opérateur symétrique déni positif.

A.1.7 Produit tensoriel d'opérateurs

Soient X et Y deux espaces euclidiens, de dimension p et q et de bases
orthonormales (ej )j=1,...,p et (fi )i=1,...,q respectivement. On a vu que l'espace
euclidien σ2 (X , Y) est alors de dimension p q et que (ej ⊗ fi )j=1,...,p, i=1,...,q en
est une base orthonormale.

Considérons deux autres espaces euclidiens Z et T , de dimension r

et s et de bases orthonormales (g` )`=1,...,r et (hk )k=1,...,s respectivement ;
(g` ⊗ hk )`=1,...,r, k=1,...,s est une base orthonormale de σ2 (Z, T ).

Nous avons déni le produit tensoriel de deux vecteurs, nous dénissons

de façon analogue le produit tensoriel (noté ⊗) e de deux opérateurs.
Soit A ∈ σ2 (X , Y) et B ∈ σ2 (Z, T ) ; l'application :

e : T ∈ σ2 (X , Y) −→ hT, Ai2 B
A⊗B ∈ σ2 (Z, T )

est un opérateur, élément de l'espace G := σ2 (σ2 (X , Y), σ2 (Z, T )), euclidien

pour le produit scalaire déni par :

∀(K, L) ∈ G × G, hK, LiG = tr (K L∗ ).

L'espace G est de dimension p q r s et une base orthonormale est donnée par :

e ` ⊗ hk ))j=1,...,p, i=1,...,q, `=1,...,r, k=1,...,s .

((ej ⊗ fi )⊗(g

D'autres produits tensoriels seront introduits pour alléger la rédaction des

développements asymptotiques. Ils sont dénis dans l'annexe 2 et quelques
propriétés sont données.

A.1.8 Sommes hilbertiennes

An d'éviter d'introduire plusieurs espaces euclidiens et d'avoir à bien dé-
nir l'espace de départ et l'espace d'arrivée de chacun des opérateurs en jeu,
il peut être commode de plonger les espaces euclidiens dans un même espace
272 Annexe

en utilisant la notion de somme hilbertienne.

Soient X et Y deux espaces euclidiens, de dimension p et q et de bases or-

thonormales (ej )j=1,...,p et (fi )i=1,...,q respectivement. Alors l'espace vectoriel
produit Z = X × Y est un espace euclidien pour le produit scalaire :

∀ z = (x, y) ∈ X × Y, ∀ z 0 = (x0 , y 0 ) ∈ X × Y hz, z 0 iZ = hx, x0 iX + hy, y 0 iY ,

et l'ensemble des vecteurs {(ej , 0), j = 1, ..., p, (0, fi ), i = 1, ..., q} forme une
base de Z de dimension p + q.

On pose : X 0 = X × {0} et Y 0 = {0} × Y ; ces espaces sont orthogonaux

dans l'espace euclidien Z et l'on peut écrire : Z = X 0 ⊕ Y 0 , la somme directe
étant de plus orthogonale.

On identie X et X 0 d'une part, Y et Y 0 en posant (somme hilbertienne ) :

Z := X ⊕ Y.

Le produit scalaire est déni comme ci-dessus. Les projecteurs orthogonaux

PX sur X et PY sur Y sont à présent des opérateurs autoadjoints de σ2 (Z) et
on a :
IZ = PX + PY .
L'espace σ2 (Z) s'identie à la somme hilbertienne :

σ2 (Z) = σ2 (X ) ⊕ σ2 (Y, X ) ⊕ σ2 (X , Y) ⊕ σ2 (Y),

les espaces σ2 (X ), σ2 (Y, X ), σ2 (X , Y), et σ2 (Y) étant alors considérés comme

des sous-espaces orthogonaux de σ2 (Z).

On a, pour tout T de σ2 (Z) :

T = PX ◦ T ◦ PX + PX ◦ T ◦ PY + PY ◦ T ◦ PX + PY ◦ T ◦ PY ,

résultat qui pourra s'écrire plus simplement de la façon suivante, grâce au

`
produit tensoriel ⊗ de deux opérateurs déni à l'annexe 2 :
` ` ` `
Iσ2 (Z) = PX ⊗ PX + PY ⊗ PX + PX ⊗ PY + PY ⊗ PY .
 273

A.2 Produits tensoriels et opérateur de commutation

Le produit scalaire d'un espace euclidien X est noté h·, ·iX .

Les dénitions et propriétés sont données dans un cadre général, mais elles
sont souvent utilisées dans ce livre dans le cas particulier où tous les espaces
euclidiens envisagés X , Y , Z , T , X 0 , Y 0 , Z 0 et T 0 sont le même espace euclidien
(noté alors E ).
On note F l'espace σ2 (X , Y), espace euclidien dont le produit scalaire est
déni par :

∀ (A, B) ∈ F × F, hA, Bi2 = tr (A B ∗ ).

On note G l'espace σ2 (σ2 (X , Y), σ2 (Z, T )), espace euclidien dont le produit
scalaire est déni par :

∀ (K, L) ∈ G × G, hK, LiG = tr (K L∗ ).

An d'alléger les écritures, lorsqu'il n'y a aucune ambiguïté, le produit de
composition des opérateurs ◦ est omis.

A.2.1 Produits tensoriels. Dénitions

1. Produit tensoriel ⊗ de vecteurs
Notations : x ∈ X et y ∈ Y,
x ⊗ y : u ∈ X → x ⊗ y(u) = hu, xiX y ∈ Y

L'opérateur x ⊗ y est un élément de σ2 (X , Y) de rang 1.

˜ d'opérateurs
2. Produit tensoriel ⊗
Notations : A ∈ σ2 (X , Y) et B ∈ σ2 (Z, T ),
e : T ∈ σ2 (X , Y) → hT, Ai2 B = [tr (T A∗ )] B ∈ σ2 (Z, T )
A⊗B
`
3. Produit tensoriel ⊗ d'opérateurs
Notations : A ∈ σ2 (X , Y) et B ∈ σ2 (Z, T ),
`
A ⊗ B : T ∈ σ2 (X , Z) → B T A∗ ∈ σ2 (Y, T )

`˜
4. Produit tensoriel ⊗ d'opérateurs
Notations : K ∈ σ2 (σ2 (X , Y), σ2 (X 0 , Y 0 )) et L ∈ σ2 (σ2 (Z, T ), σ2 (Z 0 , T 0 )),

`˜
K ⊗ L : M ∈ σ2 (σ2 (X , Y), σ2 (Z, T )) → L M K ∗ ∈ σ2 (σ2 (X 0 , Y 0 ), σ2 (Z 0 , T 0 ))
274 Annexe

A.2.2 Produits tensoriels. Propriétés.

Notations :
(x, y, z, t) ∈ X × Y × Z × T ,
A ∈ σ2 (X , Y), B ∈ σ2 (Z, T ), U ∈ σ2 (X 0 , Y 0 ), V ∈ σ2 (Z 0 , T 0 ),
X ∈ σ2 (X , X 0 ), Y ∈ σ2 (Y, Y 0 ), Z ∈ σ2 (Z, Z 0 ), T ∈ σ2 (T , T 0 ),
K ∈ σ2 (σ2 (X , Y), σ2 (X 0 , Y 0 )) et L ∈ σ2 (σ2 (Z, T ), σ2 (Z 0 , T 0 )).

Dans le cas simplié où tous les espaces X , Y, Z, T , X 0 , Y 0 , Z 0 , T 0 sont le

même espace E, alors :
x, y, z, t sont éléments de E,
A, B, U, V, X, Y, Z, T éléments de F := σ2 (E),
K et L éléments de G := σ2 (F ).

1. Produits tensoriels et adjoint

` `
e ∗ = B ⊗A
(x ⊗ y)∗ = y ⊗ x, (A⊗B) e et (A ⊗ B)∗ = A∗ ⊗ B ∗
2. Produits tensoriels et trace
tr (x ⊗ y) = hy, xiX , si X = Y
e
tr (A⊗B) = hB, Ai2 = tr (A B ∗ ), si X = Z et Y = T
`
tr (A ⊗ B) = tr (A) tr (B), si X = Y et Z = T

3. Produits tensoriels et loi de composition

(x ⊗ y) ◦ (z ⊗ t) = ht, xiX z ⊗ y, si X = T
˜
(A⊗B) ˜ )
◦ (U ⊗V ˜
= hV, Ai2 U ⊗B, si X = Z 0 et Y = T 0
` ` `
(U ⊗ V ) ◦ (X ⊗ Y ) = (U X) ⊗ (V Z)
`
(A ⊗ B)(x ⊗ z) = B ◦ (x ⊗ z) ◦ A∗ = A(x) ⊗ B(z)
`˜
e
(K ⊗ L)(A⊗B) e
= L ◦ (A⊗B) ◦ K∗ e
= K(A)⊗L(B)
` ` ` `
e
(T ⊗ Z) ◦ (A⊗B) e
◦ (X ⊗ Y )∗ = [(X ⊗ Y )(A)]⊗[(T e
⊗ Z)(B)] = (Y AX ∗ )⊗(ZBT ∗
)

4. Produits tensoriels et produit scalaire

Notations : G = σ2 (σ2 (X , Y), σ2 (Z, T )) et H = σ2 (σ2 (X , Z), σ2 (Y, T ))

hA, x ⊗ yi2 = hA(x), yi = tr (y ⊗ A(x))

e G
hK, A⊗Bi = hK(A), Bi2 = tr (K(A) B ∗ ), si X 0 = Z etY 0 = T
hx ⊗ y, z ⊗ ti2 = hx, ziX hy, tiY , si X = Z et Y = T
` `
e U ⊗V
hA⊗B, e iG = hA ⊗ B, U ⊗ V iH si X = X 0 , Y = Y 0 , Z = Z 0
= hA, U i2 hB, V i2 , et si T = T 0
 275

5. Produits tensoriels et norme

Notations : G = σ2 (σ2 (X , Y), σ2 (Z, T )) et H = σ2 (σ2 (X , Z), σ2 (Y, T ))

kx ⊗ yk2 = kxkkyk
`
e G = kA ⊗ BkH = kAk2 kBk2
kA⊗Bk
`
e et ⊗
[Link] entre ⊗
`
e ⊗ t)
(x ⊗ y) ⊗ (z ⊗ t) = (x ⊗ z)⊗(y

A.2.3 Opérateur de commutation et produit tensoriel

Cas simplié : tous les espaces euclidiens sont identiques à E. On note I
l'opérateur identique de σ2 (E).

Dénition
C : T ∈ σ2 (E) → T ∗ ∈ σ2 (E)

Propriétés

1. C 2 = I et C ∗ = C
` ` ` `
2. C ◦ (A ⊗ B) = (B ⊗ A) ◦ C et C ◦ (A ⊗ B) ◦ C = (B ⊗ A)
` `
3. (I + C) ◦ (A ⊗ A) = (A ⊗ A) ◦ (I + C)
` ` ` `
4. (I + C) ◦ ((A ⊗ B) + (B ⊗ A)) = ((A ⊗ B) + (B ⊗ A)) ◦ (I + C)
`
= (I + C) ◦ (A ⊗ B) ◦ (I + C)
e
5. C ◦ (A⊗B) = A⊗Be ∗ et (A⊗B)
e e
◦ C = A∗ ⊗B
e
6. (I + C) ◦ (A⊗B) e
= A⊗(B e
+ B ∗ ) et (A⊗B) e
◦ (I + C) = (A + A∗ )⊗B
e ∗ e
7. (I + C) ◦ (A⊗B) ◦ (I + C) = (A + A )⊗(B + B ) ∗
276 Annexe

A.3 Variable aléatoire euclidienne (v.a.e.), espérance

mathématique, opérateur de covariance
Étant donné un espace probabilisé (Ω, A, P ), l'espace des variables aléa-
toires réelles (v.a.r.) dénies sur (Ω, A, P ) et ayant une espérance mathéma-
tique (e.m.) (resp. un moment d'ordre 2) est noté L1 (P ) (resp. L2 (P )) ; lorsque
les v.a.r. égales presque sûrement (p.s) sont identiées, il est noté L1 (P ) (resp.
L2 (P )). L'espace L2 (P ) est un espace de Hilbert lorsqu'il est muni du produit
scalaire qui à (f, g) associe l'espérance mathématique IE(f g) de f g.

A.3.1 Variable aléatoire euclidienne (v.a.e.)

On appelle variable aléatoire euclidienne (v.a.e.) dénie sur (Ω, A, P ) et
à valeurs dans (E, BE ), espace euclidien muni de la tribu de ses boréliens,
toute application X de Ω vers E telle que, pour tout u de E l'application
hu, Xi : ω ∈ Ω 7→ hu, X(ω)i soit une v.a.r.

Un opérateur aléatoire est une variable aléatoire à valeurs dans un es-

pace euclidien d'opérateurs. Par exemple, l'espace vectoriel des opérateurs
de E dans E muni du produit scalaire ∀(A, B), hA, Bi2 = tr(AB ∗ ) est
un espace euclidien, noté σ2 (E). Si (uj )j=1,...,p , est une base de E, alors
(uj ⊗ vk )j=1,...,p, k=1,...,p est une base de σ2 (E).

A.3.2 Espérance mathématique d'une v.a.e.

La dénition de l'espérance mathématique et de l'opérateur de covariance
d'une v.a.e. repose sur le théorème de Riesz : pour toute forme linéaire f sur
E (i.e. application linéaire de E dans IR), il existe un unique élément vf de E
vériant : ∀u ∈ E, f (u) = hu, vf i.

On dit que la v.a.e. X admet une espérance mathématique lorsque, pour

tout u de E la v.a.r. hX, ui admet une espérance mathématique. Alors, d'après
le théorème de Riesz, il existe un unique élément de E , dit espérance mathé-
matique de X et noté IE(X), tel que :

∀u ∈ E, hIE(X), ui = IE(hX, ui.

L'application "espérance mathématique" est linéaire et on a :

kIE(X)k ≤ IE(kXk).

On en déduit que si IE(kXk) est ni, alors X admet une espérance mathé-
matique et on montre aisément, en se rapportant à une base et à la dénition
de l'espérance mathématique d'une v.a.e., que la réciproque est vraie.
 277

L'espérance mathématique d'une v.a.e. constante est la constante elle-

même. Une v.a.e. X d'espérance mathématique nulle est dite centrée. La v.a.e.
X c := X − IE(X) est la v.a.e. centrée associée à X.

Lorsque E est muni d'une base (uj )j=1,...,p , les composantes Xj = hX, uj i
de la v.a. X sont des v.a.r. ayant une espérance mathématique. Inversement,
si toutes les composantes Xj de la v.a.e. X ont une espérance mathématique,
alors X admet une espérance mathématique et la j ème composante de IE(X)
n'est autre que IE(Xj ).

A.3.3 Espérance mathématique d'un opérateur aléatoire euclidien

L'espace euclidien σ2 (E) étant engendré par des opérateurs de la forme
u ⊗ v , l'opérateur aléatoire U de σ2 (E) admet une espérance mathématique
si, et seulement si, pour tout (u, v) de E 2 , la v.a.r. hU, u ⊗ vi2 admet une
espérance mathématique. L'espérance mathématique de U est alors l'unique
élément de σ2 (E), noté IE(U ), vériant :

∀(u, v) ∈ E 2 , hIE(U ), u ⊗ vi2 = IE(hU, u ⊗ vi2 ).

On vérie que, si A est un opérateur non aléatoire de E dans un autre

espace euclidien F , alors, si U est un opérateur aléatoire à valeurs dans E
admettant une espérance mathématique, A(U ) est un opérateur aléatoire à
valeurs dans F admettant une espérance mathématique et on a :

IE(A(U )) = A(IE(U )).

On a :
IE(tr(U )) = tr(IE(U )) et IE(U )∗ = (IE(U ))∗ .

A.3.4 Opérateur de covariance d'une v.a.e.

Comme on a, pour tout (u, v) de E 2 , ku ⊗ vk2 = kukkvk, une v.a.e. X
admet un moment d'ordre 2 (i.e. IE(kXk)2 ni), si et seulement si, l'opérateur
aléatoire X ⊗ X admet une espérance mathématique. Si cette condition est
vériée, l'espérance mathématique de X c ⊗ X c existe aussi et est appelée opé-
rateur de covariance de X . L'espérance mathématique de X ⊗ X est appelée
opérateur de Gram de X.

On vérie :

∀u ∈ E, IE(u ⊗ X) = u ⊗ IE(X), IE(X ⊗ u) = IE(X) ⊗ u

278 Annexe

d'où l'égalité : X c = X − µ) :

IE(X c ⊗ X c ) = IE(X ⊗ X) − µ ⊗ µ.

Lorsque E est muni d'une base orthonormale et σ2 (E) de la base ortho-

normale associée, alors la matrice de l'opérateur de covariance V dans cette
base n'est autre que la matrice des covariances des composantes dans la base
orthonormale considérée.

e est déni par :

Le produit tensoriel d'opérateurs, noté ⊗,

∀(A, B) ∈ (σ2 (E))2 , A⊗B

e : U ∈ σ2 (E) −→ hU, Ai2 B ∈ σ2 (E).

L'espace G := σ2 (σ2 (E)) est lui-même un espace euclidien pour le produit

scalaire :
∀(K, L) ∈ σ2 (σ2 (E)), hK, LiG = tr(KL∗ ).
On vérie :

∀(A, B) ∈ (σ2 (E))2 , A⊗B

e ∈ G et kA⊗Bk
e G = kAk2 kBk2 .

L'opérateur aléatoire X ⊗X admet un opérateur de covariance, si et seule-

ment si, la v.a.e. X admet un moment d'ordre 4. Si c'est le cas, on note V
l'opérateur de covariance de X , V = IE(X c ⊗ X c ). L'opérateur de covariance
K de X ⊗ X est alors déni par :

K = IE([X c ⊗ X c − V ]⊗[X
e c ⊗ X c − V ])

et il vérie :
K = IE((X c ⊗ X c )⊗(X
e c ⊗ X c ) − V ⊗V.
e

A.3.5 L'espace des variables aléatoires euclidiennes

Une v.a.e X dénie sur (Ω, A, P ) à valeurs dans (E, BE ) admet un mo-
ment d'ordre 2 si et seulement si kXk2E appartient à L2 (P ).

On note L2E (P ) l'espace des variables aléatoires (après identication des

variables aléatoires presque sûrement égales) dénies sur (Ω, A, P ) à valeurs
dans l'espace euclidien E admettant un momentR d'ordre 2. C'est un espace de
Hilbert pour le produit scalaire hX, Y iL2E (P ) = Ω hX(ω), Y (ω)iE dP (ω).

Soit X un v.a.e appartenant à L2E (P ). L'opérateur ΦX de E dans L2 (P )

qui à u associe hu, Xi, joue un rôle essentiel dans le passage du cadre matriciel
au cadre opératoriel.
 279

A.4 Indépendance de variables aléatoires euclidiennes

Soit X et Y deux v.a.e. dénies sur un même espace probabilisé (Ω, A, P ),

à valeurs dans X et Y respectivement. Les v.a.e. X et Y sont indépendantes
si, par dénition, pour tout (x, y) de X × Y, les v.a.r. hX, xiX et hY, yiY sont
indépendantes.
Soit U (resp. V ) un opérateur certain de σ2 (X , X 0 ) (resp. σ2 (Y, Y 0 )). On
vérie aisément que, si X et Y sont indépendantes, alors U (X) et V (Y ) sont
indépendantes.
Lorsque X et Y sont indépendantes et admettent une espérance mathé-
matique, alors X ⊗ Y admet une espérance et on a :

IE(X ⊗ Y ) = IE(X) ⊗ IE(Y ). (A.4.1)

La preuve repose sur la dénition de l'indépendance de v.a.e. et sur la

propriété ∀(x, y ∈ X × Y, hX ⊗ Y, x ⊗ yi2 = hX, xiX hY, yiY .
˜ .)
Cette propriété se généralise au produit tensoriel d'opérateurs (noté ⊗
Soit U et V deux opérateurs aléatoires dénis sur un même espace probabilisé,
à valeurs dans σ2 (X , Y) et σ2 (X 0 , Y 0 ) respectivement.
Lorsque U et V sont indépendants et admettent une espérance mathéma-
tique, on a alors :
˜ ) = IE(U )⊗IE(V
IE(U ⊗V ˜ ). (A.4.2)

Rassemblons maintenant dans un même résultat les propriétés de l'indé-

pendance que nous utilisons souvent dans cet ouvrage.
Proposition A.4.1 Soit X, Y, U, V des v.a.e. dénies sur le même espace
probabilisé ; X et Y sont à valeurs dans X , U et V sont à valeurs dans σ2 (X ).
Lorsque les v.a.e. admettent une espérance mathématique et sont deux à deux
indépendantes, les propriétés suivantes sont vériées :
1. IE(hX, Y i) = hIE(X), IE(Y )i,
2. IE(hU, V i2 ) = hIE(U ), IE(V )i2 ,
3. IE(U (X)) = IE(U ) (IE(X)),
4. ∀x ∈ X , IE(U (x)) = IE(U )(x),
5. IE(U ◦ V ) = IE(U ) ◦ IE(V ),
6. ∀L ∈ σ2 (X ), IE(U ◦ L) = IE(U ) ◦ L et IE(L ◦ V ) = L ◦ IE(V ),
` `
7. IE(U ⊗ V ) = IE(U ) ⊗ IE(V ),
˜
8. IE((X ⊗ Y )⊗(X ˜
⊗ X)) = IE((X ⊗ IE(Y ))⊗(X ⊗ X)),
` `
9. IE((X ⊗ Y ) ⊗ (X ⊗ X)) = IE((X ⊗ IE(Y )) ⊗ (X ⊗ X)).
280 Annexe

Démonstration. 1. On a en eet :
IE(hX, Y i) = IE(tr X ⊗Y ) = tr IE(X ⊗Y ) = tr IE(X)⊗IE(Y ) = hIE(X), IE(Y )i.

2. Il s'agit de la propriété 1 dans σ2 (X ).

3. Soit t un élément de X . On a :

hIE(U (X)), ti = IE(hU (X), ti) = IE(hU, X ⊗ ti2 ) = hIE(U ), IE(X ⊗ t)i2
= hIE(U ), IE(X) ⊗ ti2 = hIE(U )(IE(X)), ti.

4. C'est un cas particulier de la propriété 3.

5. En utilisant la propriété 4, puis la propriété 1, on peut écrire, pour tout

(y, t) de X 2 :

hIE(U ◦ V )(y), ti = IE(h(U ◦ V )(y), ti) = IE(hV (y), U ∗ (t)i) = hIE(V )(y), IE(U ∗ )(t)i
= hIE(V )(y), [IE(U )]∗ (t)i = hIE(U ) ◦ IE(V )(y), ti.

6. Les égalités sont des cas particuliers de la propriété 5.

`
7. On revient à la dénition du produit tensoriel ⊗ et on utilise les propriétés
précédentes.

8. Remarquons que l'indépendance de X et Y entraîne, pour tout (x, y) de X 2 ,

celle de hX, xiX ⊗ X, et hY c , yi, où Y c est la v.a. centrée Y c − IE(Y ).
En eet, pour tout (u, v) de X 2 , la v.a.e. hhX, xiX⊗X, u⊗vi2 = hX, xihX, uihX, vi
est indépendante de la v.a.e. hY c , yi.
Il vient, pour tout (x, y) de X 2 :

IE[(X⊗Y c )⊗(X⊗X)(x⊗y)]
˜ = IE(hY c , yihX, xiX⊗X) = IE(hY c , yi) IE(hX, xiX⊗X) = 0,

d'où le résultat en utilisant la propriété 4.

On montre de façon similaire chacun des résultats suivants :

˜
IE((Y ⊗ X)⊗(X ˜
⊗ X)) = IE((IE(Y ) ⊗ X)⊗(X ⊗ X)),
˜
IE((X ⊗ X)⊗(Y ˜
⊗ X)) = IE((X ⊗ X)⊗(IE(Y ) ⊗ X)),
˜
IE((X ⊗ X)⊗(X ˜
⊗ Y )) = IE((X ⊗ X)⊗(X ⊗ IE(Y ))).
`
˜ et ⊗ (cf.
9. La preuve vient directement du lien entre les produits tensoriels ⊗
Annexe 2, propriété 6) et de la propriété précédente.
u
t
C'est par simplication que nous nous sommes placés dans σ2 (X ) ; certaines
propriétés peuvent être généralisées à des espaces d'opérateurs d'un espace
euclidien dans un autre.
 281

A.5 Théorèmes limites dans un espace euclidien

Nous présentons tout d'abord (A.5.1 à A.5.3) les théorèmes limites utili-
sés dans la première partie pour un échantillon de v.a.e. i.i.d. (indépendantes
et identiquement distribuées) puis (A.5.4.) un théorème limite utilisé dans la
deuxième partie pour un échantillon de v.a.e. indépendantes mais non identi-
quement distribuées.

A.5.1 Théorèmes limites pour suites de v.a.e. i.i.d.

Soit X , Xn et Yn , n ∈ IN∗ des v.a.e. dénies sur le même espace probabilisé
et à valeurs dans le même espace euclidien E.
Proposition A.5.1 Si la suite (kXn − Yn k) converge en probabilité vers 0 et
si (Xn ) converge en loi vers X , alors (Yn ) converge en loi vers X.

On suppose que (Xn ) est une suite de v.a.e. indépendantes

Pn et identique-
ment distribuées (i.i.d.) comme X. On pose X̄n = n1 i=1 Xi .
Proposition A.5.2 Si X admet un moment d'ordre 1, on pose µ = IE(X),
alors (loi forte des grands nombres) la suite X̄n ) converge p.s. vers µ dans E.
Si X admet un moment d'ordre 2, on note Γ son opérateur de√covariance,
alors (théorème central limite) la suite de terme général Yn = n(X̄n − µ)
converge en loi dans E vers la loi normale centrée d'opérateur de covariance
Γ et (loi du logarithme itéré) :
kYn k 1
lim sup √ = kΓ k∞
2
.
n→∞ 2 ln ln n
Remarques

Si λ désigne la plus grande valeur propre de l'opérateur de covariance Γ ,

1 √
symétrique et positif, alors : kΓ k∞
2
= λ.
1
Dans le cas E = IR, si σ désigne l'écart-type de X1 , on a kΓ k∞
2
= σ.
On utilisera un corollaire de ce théorème sous la forme :
( √2 ln1 ln n Yn ) est presque sûrement bornée,
ce que l'on écrira, en utilisant les notations de Landau :
√
Yn = O( 2 ln ln n) p.s..
Évidemment, sous cette forme, le coecient 2 n'a pas beaucoup de sens.

De plus,√on peut remarquer que la croissance de la fonction

√ qui à n (n > 3)
associe 2 ln ln n est très lente : pour n = 10100 on a 2 ln ln n = 3.3.

Aussi, il est important de connaître la limite supérieure de la suite ( √2 ln1 ln n kYn kE ).

282 Annexe

Le résultat dans IR est connu depuis longtemps (Kolmogorov, 1929). Ce ré-

sultat est en fait vérié sous ces hypothèses dans les espaces de Hilbert réels
séparables (cf. Goodman, Kuelbs et Zinn, 1981).

A.5.2 Les trois théorèmes pour une suite d'opérateurs de

covariance
Les trois théorèmes (loi forte des grands nombres, théorème central limite
et loi du logarithme itéré) seront en fait utilisés pour des suites d'opérateurs
de covariance d'échantillonnage. Nous précisons ici les résultats.
Soit X une v.a. dénie sur un espace probabilisé (Ω, A, P ) et à valeurs dans un
espace euclidien (E, BE ) admettant un moment d'ordre 4 : E(kX1 k4E ) < ∞.
On pose :
E(X) = µ, X c = X − µ, E(X c ⊗ X c ) = V (opérateur de covariance de X) et
e c ⊗ X c ]) − V ⊗V
E([X c ⊗ X c ]⊗[X e = K (opérateur de covariance de X c ⊗ X c ).
∗
Soit (Xi )i∈N∗ une suite de v.a. dénies sur (Ω, A, P )IN à valeurs dans
(E, BE ) indépendantes et de même loi de probabilité que X (i.i.d. comme X ).
∗
On dénit alors sur (Ω, A, P )IN les v.a. d'échantillonnage :

1
Pn
Xn = n i=1 Xi , moyenne d'échantillonnage à valeurs dans E
Pn
Vn = n1 i=1 (Xi − X n ) ⊗ (Xi − X n ), opérateur de covariance d'échan-
tillonnage à valeurs dans σ2 (E) et
√
Un = n(Vn − V ) à valeurs dans σ2 (E).
On a alors le corollaire :
Corollaire A.5.3 Les trois théorèmes suivants sont vériés :
p.s. p.s.
(1) (X n ) −→ µ dans E et (Vn ) −→ V dans σ2 (E)
L
(2) (Un ) −→ N (0, K) dans σ2 (E),
1
kU k
(3) lim sup √ n 2 = kKk∞
2
p.s.
n→∞ 2 ln ln n

Pn
Démonstration. On pose : Yi = (Xi − µ) ⊗ (Xi − µ), Ven = 1
n i=1 (Xi − µ) ⊗
en = √n(Ven − V ).
(Xi − µ) et U
∗
Les v.a. Yi , i ∈ N∗ , sont dénies sur (Ω, A, P )IN , à valeurs dans σ2 (E) et sont
de norme carré intégrable car :

E(k(Xi − µ) ⊗ (Xi − µ)k22 ) = E(kXi − µk4E ).

 283

On en déduit :
p.s. p.s.
(1) (X n )n −→ µ dans E et (Ven )n −→ V dans σ2 (E)
L
en )n −→ N (0, K) dans σ2 (E),
(2) (U
e k 1
kU
(3) lim sup √ n 2
2 ln ln n
= kKk∞
2
p.s.
n→∞

Il est aisé de vérier que l'on a :

√
Vn = Ven − (X n − µ) ⊗ (X n − µ) et en −
Un = U n(X n − µ) ⊗ (X n − µ).
√
La suite (X n − µ) converge p.s. vers 0 et la suite ( n(X n − µ)) converge en
loi vers une gaussienne√centrée. La suite ((X n − µ) ⊗ (X n − µ) converge donc
p.s. vers 0 et la suite ( n(X n − µ) ⊗ (X n − µ)) converge en probabilité vers
0. On en déduit les deux premiers résultats.

Comme on a :

√ √
en k2 +k n(X n −µ)kk(X n −µ)k et kU
kUn k2 ≤ kU en k2 ≤ kUn k2 +k n(X n −µ)kk(X n −µ)k,

et les limites :
√
n(X n − µ) 1
lim sup √ = kV k∞
2
et lim kX n − µk = 0 p.s.
n→∞ 2 ln ln n n→∞

on en déduit :

kUn k2 kUen k2 1
lim sup √ = lim sup √ = kKk∞
2
.
n→∞ 2 ln ln n n→∞ 2 ln ln n

Remarque : Si (λi )i=1,...,s+1 est la suite strictement décroissante des

v.p. de V (avec le cas échéant λs+1 = 0), µ la plus grande v.p. de K,
√
rλi = 2−1 d(λi , sp V \ {λi }) et β = (2 µ)−1 min{rλi ; i = 1, ..., s + 1}, alors
tous les développements des perturbations desqéléments propres sont justiés
2 ln ln n
presque sûrement pour les entiers n vériant n < β.

La borne β dépend donc de kKk∞ et du spectre de V .

A.5.3 Théorème de transport de convergence en loi

Pour toutes les études asymptotiques, nous ferons référence au théorème
suivant, dit de transport de convergence en loi.
284 Annexe

Soit X une v.a. dénie sur (Ω, A, P ) à valeurs dans (E, BE ), Xn et

∗
Φn , n ∈ N∗ des v.a.e. dénies sur (Ω, A, P )IN à valeurs dans (E, BE ) et
(σ2 (E, E 0 ), Bσ2 (E,E 0 ) ) et Φ un élément non aléatoire de σ2 (E, E 0 ).
L P
Proposition A.5.4 Si (Xn ) −→ X dans E et (Φn ) −→ Φ dans σ2 (E, E 0 ),
L
alors (Φn (Xn )) −→ Φ(X) dans E 0 .

Démonstration. On a :

kΦn (Xn ) − Φ(Xn )k ≤ kΦn − Φk∞ kXn k,

la suite (kΦn −Φk∞ ) converge en probabilité vers 0 et la suite (kXn k) converge

en loi vers kXk donc Φn (Xn ) et Φ(Xn ) ont même loi limite. Comme (Xn )
converge en loi vers X on en déduit que (Φn (Xn ) converge en loi vers Φ(X).

Remarque

Nous avons bien longtemps utilisé et cité cette proposition comme étant
un résultat de Rubin mentionné par Billingsley dans son ouvrage de 1968 (cf.
p. 34). Ce n'est qu'en 2001 que nous avons réalisé que le résultat de Rubin se
référait à une suite d'applications (Φn ) non aléatoires.

Ici, Φn et Φ sont des opérateurs linéaires. Ce théorème de transport de

convergence en loi est une généralisation dans un espace euclidien du théorème
dans IR :
L P L
Si (Xn ) −→ X et (Yn ) −→ a alors (Xn Yn ) −→ aX .

A.5.4 Théorème limite pour suites de v.a.e. i. non i.d.

Le théorème suivant est utilisé dans la deuxième partie de l'ouvrage et
concerne des échantillons de v.a.e. indépendantes mais non identiquement
distribuées.

Proposition A.5.5 Théorème de type Liapounov. Soit (Yi ) une suite de

v.a.e. à valeurs dans E indépendantes centrées, admettant des moments
`
d'ordre 4. On pose : IE(Yi ⊗PYi ) = Ki et IE((Y P i ⊗ Yi ) ⊗ (Yi ⊗ Yi )) = Hi .
On suppose que les suites ( n1 ni=1 Ki ) et ( n1 ni=1 Hi ) convergent dans σ2 (E)
et σ2P(σ2 (E)) respectivement. On note K et H les limites. Alors la suite
n
( √1n i=1 Yi ) converge en loi dans σ2 (E) vers une loi gaussienne centrée
d'opérateur de covariance K.
La version de ce théorème en dimension 1 est en fait un corollaire du
théorème de Liapounov dont les hypothèses sont plus faibles. Cf. Rényi (1966)
par exemple.
 285

A.6 Perturbation en Statistique asymptotique

A.6.1 Hypothèses
∗
Soit E un espace euclidien, V et, pour tout
√ n de IN , Vn , un opérateur
symétrique positif de σ2 (E). On pose : Un = n(Vn − V ) et on suppose les
trois propriétés suivantes vériées :
p.s.
(H1) (Vn ) −→ V dans σ2 (E)
L
(H2) (Un ) −→ U ∼ N (0, K) dans σ2 (E),
1
(H3) lim sup √kU n k2
2 ln ln n
= kKk∞
2
p.s.
n→∞

A.6.2 Décomposition spectrale de l'opérateur théorique et de

l'opérateur d'échantillonnage
La décomposition spectrale de V s'écrit :
X X
V = λ0j vj ⊗ vj ou V = λi Pi
j∈J i∈I

Dans la première décomposition, (λ0j )j∈J (avec J = {1, ..., p}) est la suite
pleine décroissante des valeurs propres de V et (vj )j∈J une suite de vecteurs
propres unitaires associés.

Dans la deuxième écriture, (λi )i∈I (avec I = {1, ..., s}) est la suite stricte-
ment décroissante des valeurs propres non nulle de V et (Pi )i∈I la suite des
projecteurs propres associés.

Si 0 est valeur propre de V, on pose λs+1 = 0 et I+ = I ∪ {s + 1}.

L'opérateur Ps+1 est alors le projecteur orthogonal sur le noyau de V.
Pour i ∈ I+ , on pose :
X 1
Si = (V − λi Pi )− = Pk .
λk − λi
k∈I\{i}

Pour tout ω de l'ensemble de probabilité 1 sur lequel on a les trois pro-

priétés H1, H2, H3 sont vériées, la décomposition spectrale de Vn (ω) s'écrit :
X
Vn (ω) = λ0n n n
j (ω)vj (ω) ⊗ vj (ω)
j∈J

où (λ0nj (ω))j∈J est la suite pleine décroissante des valeurs propres de Vn (ω) et
(vjn (ω))j∈J une suite de vecteurs propres unitaires associés formant une base
de E et vériant hvjn (ω), vj i > 0 à partir d'un certain rang.
P q
Pour i ∈ I on pose : Pin (ω) = j∈Ji vjn (ω) ⊗ vjn (ω), et ε(n) = 2 lnnln n .
286 Annexe

A.6.3 Développements des éléments propres

On peut donner les développements des éléments propres non aléatoires
pour un ω xé ; on peut présenter ces mêmes résultats comme des développe-
ments presque sûrs des éléments propres aléatoires.
On a, pour tout i ∈ I , presque sûrement et à partir d'un certain rang, les
développements suivants :

Pin = Pi − √1n (Pi Un Si + Si Un Pi ) + n1 (Pi Un Si Un Si + Si Un Pi Un Si +

Si Un Si Un Pi ) − Pi Un Si2 Un Pi − Pi Un Pi Un Si2 − Si2 Un Pi Un Pi ) + O(ε3 (n)) dans
σ2 (E),

λ0n √1 n 2 n ème
j = λi + n µj +O(ε (n)) où µj (ω) est la j valeur propre dans l'ordre
décroissant de l'opérateur Pi Un Pi de rang mi ,

si λi est simple et si on note vi un vecteur propre unitaire associé, on note

λni la valeur propre de Vn correspondant :

λni = λi + √1 tr(Pi Un ) − n1 tr(Pi Un Si Un Pi ) + O(ε3 (n)) dans IR et

n

vin = vi − √1n Si Un vi + n1 (Si Un Si Un vi − Pi Un Si2 Un vi − Si2 Un Pi Un vi +

1 2 3
2 kSi Un vi k vi ) + O(ε (n)) dans E.

A.6.4 Résultats limites des éléments propres

On déduit des développements précédents les résultats limites suivants :

n
la suite
√ (Pi n) converge p.s. vers Pi dans σ2 (E) et
la suite ( n(Pi − Pi )) converge en loi vers (Pi U Si + Si U Pi ), v.a. de σ2 (E)
gaussienne centrée,

la suite (λnj ) converge p.s. vers λi dans IR et

√
la suite ( n(λnj − λi )) converge en loi vers µj ou µj est la j ème valeur propre
dans l'ordre décroissant de l'opérateur Pi U Pi de rang mi , v.a. gaussienne cen-
trée de σ2 (E).

Si λi est simple et si on note vi un vecteur propre unitaire associé :

n
la suite
√ (λin) converge p.s. vers λi dans IR et
la suite ( n(λj − λi )) converge en loi vers tr(Pi U ) v.a.r. gaussienne centrée et

n
la suite
√ (vin) converge p.s. vers vi dans E et
la suite ( n(vi −vi )) converge en loi vers Si U vi , v.a. gaussienne centrée de E.
 287

A.7 A.C.P. linéaire centrée : dénition et résultats

asymptotiques

A.C.P. linéaire d'une v.a.e. centrée

Soit E un espace euclidien de dimension p et X une v.a.e. dénie sur
(Ω, A, P ) à valeurs dans (E, BE ), d'ordre 4 et centrée.
On note (L2 (P ), E) l'espace des v.a.r. dénies sur (Ω, A, P ), muni du pro-
duit scalaire :

∀(f, g) ∈ L2 (P ) × L2 (P ), hf, gi = E(f g).

L'A.C.P. linéaire de la v.a.e. X est par dénition l'A.C.P. de l'opérateur Φ et

elle est associée au schéma de dualité suivant :
E ←−− − (L2 (P ), E)
Φ∗
x x
 
 
I

V W  I

y y

E −−−→ (L2 (P ), E)
Φ

avec : Φ = h., Xi , Φ∗ = E(.X), V = Φ∗ ◦Φ = E(X⊗X) et W = Φ◦Φ∗ = hE(.X), Xi .

Elle est obtenue à partir de la diagonalisation de l'opérateur V.
Soit (λ0j )j=1,...,p la suite pleine décroissante des valeurs propres de V, appe-
lées valeurs principales, et (uj )j=1,...,p une suite de vecteurs propres unitaires
associés formant une base orthonormale de E, appelés vecteurs principaux.
Soit r le rang de V. On pose, pour j ≤ r :
0− 12
cj = Φuj = huj , Xi et fj = λj cj ;

cj (resp. fj ) est vecteur propre (resp. vecteur propre unitaire) de W associé à

la valeur propre λ0j .
Les (cj )j=1,..,r sont les composantes principales et les (fj )j=1,..,r les compo-
santes principales réduites.
L'A.C.P. fournit les décompositions suivantes dans σ2 (E), σ2 (L2 (P )) et
L2E (P ) respectivement :
X r Xr Xr q
V = λ0j uj ⊗ uj , W = λ0j fj ⊗ fj , X = λ0j fj uj .
j=1 j=1 j=1
288 Annexe

Soit (λi )i∈{1,...,s} la suite strictement décroissante des valeurs propres non
nulles de V (et W ). Si V admet une valeur propre nulle, on pose λs+1 = 0 et on
a λ0j = 0 pour j > r. On pose I = {1, ..., s} (le cas échéant I+ = {1, ..., s + 1}).
© ª
Pour i ∈ I+ , le cardinal mi de Ji := j ∈ {1, ..., p} ; λ0j = λi est l'ordre de
multiplicité de λi .
On note Pi le projecteur orthogonal sur Ei , appelé projecteur principal associé
à λi .
On a donc aussi les décompositions :
s
X X
V = λi Pi , avec Pi = uj ⊗ uj et
i=1 j∈Ji

s
X X
W = λi Πi , avec Πi = fj ⊗ fj .
i=1 j∈Ji

Lorsque λi est simple, on note ui un vecteur propre

P unitaire associé.
Pour i ∈ I+ , on pose : Si = (V − λi I)− = k∈I+ \{i} (λk − λi )−1 Pk .

A.C.P. linéaire centrée d'échantillonnage

∗
∀k ∈ N∗ , πk est la projection de Ω N dans Ω qui à ω = (ωj )j∈N∗ associe ωk .
On pose : Xk = X ◦ πk et ∀(f, g) ∈ L2 (P ) × L2 (P ), fk = f ◦ πk , gk = g ◦ πk ,
∗
alors (Xk , fk , gk )k∈N ∗ est une suite de v.a., dénies sur (Ω, A, P )⊗N à valeurs
dans (E × R × R, BE × BR × BR ) indépendantes et de même loi que (X, f, g).
∗
∀ω ∈ Ω N et ∀n ∈ N∗ , on note (L2 (P ), Eνnω ) l'espace des v.a.r. d'ordre 2 muni
du produit scalaire :
n
1X
∀(f, g) ∈ L2 (P ) × L2 (P ), hf, gin = fk gk := Eνnω (f g).
n
k=1
1
Pn n
On a alors : hX, 1in = Eνnω (X) = n k=1 Xk = X .

L'A.C.P. linéaire centrée d'échantillonnage d'ordre n de X est par dénition

l'A.C.P. de l'opérateur Φcn et elle est associée au schéma de dualité suivant :
 289

E ←−−−− (L2 (P ), Eν ω )
Φc∗
n
n

 x x
  
  
I

 Vn
 Wn  
 I
y  y

E −−−− → (L2 (P ), Eν ω )
Φcn n

avec
D n
E n 1X
n
n
Φcn = ., X − X , ∀f ∈ L2 (P ), Φc∗
n (f ) = E ω
νn (f (X−X )) = fk (Xk −X ),
n
k=1

n
1X n n
Vnc = Φc∗ c
n ◦ Φn = (Xk − X ) ⊗ (Xk − X ) et Wnc = Φcn ◦ Φc∗
n .
n
k=1

Elle est obtenue par la décomposition spectrale de l'opérateur Vnc .

Soit (λ0nj )j=1,...,p la suite pleine décroissante des valeurs propres de Vn .

c
n c
Pour tout i de I, on note Pi la somme des projecteurs propres P de Vn associés
1
aux valeurs propres λ0n n
j pour j ∈ Ji et on pose λi := mi
0n
j∈Ji λj .
Si λi est simple et ui un vecteur propre unitaire associé, on pose uni =
−1
kPin ui k Pin ui , alors uni est vecteur propreDunitaire de VEnc associé à λni .
n 1
Si λi est simple et non nulle, on pose cni = uni , X − X et fin = (λni )− 2 cni .

Résultats asymptotiques
Nous présentons de façon condensée les résultats des convergences p. s. et
en loi des diérents éléments de l'A.C.P., opérateurs de covariance, projecteurs
principaux, valeurs principales, vecteurs principaux associés à une valeur prin-
cipale simple, mais aussi composantes principales, composantes principales ré-
duites et projecteurs aléatoires de l'A.C.P. Nous explicitons les opérateurs de
covariance asymptotiques dans le cas général puis dans le cas où la v.a.e. X
dont on étudie l'A.C.P. est elliptique, en utilisant une écriture formelle puis
en utilisant les décompositions par rapport aux bases construites à partir de
la base de vecteurs principaux de l'espace euclidien.

1. Opérateurs de l'A.C.P

p. s.
(Vnc ) −→ V dans σ2 (E).
290 Annexe
√ L
( n(Vnc − V )) −→ U ∼ N (0, K) dans σ2 (E) avec :

e
K = E((X ⊗ X − V )⊗(X ⊗ X − V ))
XXXXq 0 0 0 0
r r r r
= e j ⊗ ul ).
λi λj λk λl [E(fi fj fk fl ) − δik δjl ](ui ⊗ uk )⊗(u
i=1 j=1 k=1 l=1

Cas elliptique :
`
K = (1 + κ)(V ⊗ V ) ◦ (I + C) + κ(V ⊗Ve )
Xr X r
1
= λ0j λ0k [ (1 + κ)(uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk + uk ⊗ uj ) + κ(uj ⊗ uj )⊗(u
e k ⊗ uk )].
j=1
2
k=1

2. Projecteurs principaux

Pour tout i et i0 distincts de I, on a :

p. s.
(Pin ) −→ Pi dans σ2 (E)
√ L
( n(Pin − Pi )) −→ Ui1 := Pi U Si + Si U Pi gaussienne centrée dans σ2 (E)
avec :
` `
∗
e i1 ) = Ψi1 ◦ K ◦ Ψi1
Ki1 := E(Ui1 ⊗U et Ψi1 = Si ⊗ Pi + Pi ⊗ Si .
e i1 ) = Ψi1 ◦ K ◦ Ψi∗0 1 .
Kii0 1 := E(Ui0 1 ⊗U
Cas elliptique :
`
Ki1 = (1 + κ)λi (I + C) ◦ (V Si2 ⊗ Pi ) ◦ (I + C)
X X
= (1 + κ) λi λ0j (λ0j − λi )−2 (uj ⊗ uk + uk ⊗ uj )⊗(u
e j ⊗ uk + uk ⊗ uj )
/ i k∈Ji
j ∈J

`
Kii0 1 = −(1 + κ)λi λi0 (λi − λi0 )−2 (I + C) ◦ (Pi ⊗ Pi0 ) ◦ (I + C)
X X
= −(1 + κ)λi λi0 (λi − λi0 )−2 e j ⊗ uk + uk ⊗ uj ).
(uj ⊗ uk + uk ⊗ uj )⊗(u
j∈Ji0 k∈Ji

3. Valeurs principales

Pour tout i et i0 distincts de I, on a :

p. s.
(λ0n
j )j∈Ji −→ λi Imi dans Rmi
p . s.
(λni ) −→ λi dans R,
 291
√ 0 L
( n(λjn − λi ))j∈Ji −→ ∆(Ui2 ) dans Rmi où Ui2 := Pi U Pi est une gaussienne
centrée dans σ2 (E) avec :
`
∗
e i2 ) = Ψi2 ◦ K ◦ Ψi2
Ki2 := E(Ui2 ⊗U et Ψi2 = Pi ⊗ Pi ,

e i2 ) = Ψi2 ◦ K ◦ Ψi∗0 2 .
Kii0 2 := E(Ui0 2 ⊗U
√ L
( n(λni − λi )) −→ ui2 := m−1i tr (Pi U Pi ) gaussienne centrée dans R avec :
ki2 := E(u2i2 ) = m−2 ∗ ∗
i tr ◦ Ψi2 ◦ K ◦ Ψi2 ◦ tr ,

kii0 2 := E(ui2 ui0 2 ) = m−1 −1 ∗ ∗

i mi0 tr ◦ Ψi2 ◦ K ◦ Ψi0 2 ◦ tr .

Cas elliptique :
`
Ki2 = λ2i [(1 + κ)(Pi ⊗ Pi ) ◦ (I + C) + κPi ⊗P
e i ],
X X 1
Ki2 = λ2i [ (1+κ)(uj ⊗uk +uk ⊗uj )⊗(u e j ⊗uk +uk ⊗uj )+κ(uj ⊗uj )⊗(u
e k ⊗uk )],
2
j∈Ji k∈Ji

ki2 = λ2i [(2 + 2κ)m−1

i + κ],

kii0 2 = κλi λi0 .

4. Vecteurs principaux associés à une valeur principale simple non

nulle

On rappelle que, pour tout u de E, on note ξu l'opérateur linéaire de

σ2 (E) dans E qui à T associe T (u) ; l'adjoint ξu∗ est alors l'opérateur de E
dans σ2 (E) qui à x associe u ⊗ x.
Pour tout i et i0 distincts de I tels que λi et λi0 soient simples et non
nulles, on a :
p. s.
(uni ) −→ ui dans E.
√ L
( n(uni − ui )) −→ Ui3 := Si U ui gaussienne centrée dans E avec :
∗
Ki3 := E(Ui3 ⊗ Ui3 ) = Ψi3 ◦ K ◦ Ψi3 et Ψi3 = ξui ◦ Ψi1 .
Kii0 3 := E(Ui0 3 ⊗ Ui3 ) = Ψi3 ◦ K ◦ Ψi∗0 3 .
Cas elliptique :

Ki3 = (1 + κ)λi V Si2

X
= (1 + κ) λi λ0j (λ0j − λi )−2 uj ⊗ uj
j ∈J
/ i

Kii0 3 = −(1 + κ)λi λi0 (λi0 − λi )−2 ui ⊗ ui0 .

292 Annexe

5. Composantes principales associées à une valeur principale

simple non nulle

Pour tout i et i0 distincts de I tels que λi et λi0 soient simples et non

nulles, on a :
p. s.
(cni ) −→ ci dans L2 (P ).
√ n L
( n(ci − ci )) −→ Ui4 := hSi ◦ U ui , Xi gaussienne centrée dans L2 (P ) avec :
2 ∗
Ki4 := E(Ui4 ) = Ψi4 ◦ K ◦ Ψi4 et Ψi4 = Φ ◦ Ψi3
Kii0 4 := E(Ui0 4 Ui4 ) = Ψi4 ◦ K ◦ Ψi∗0 4 .
Cas elliptique :
­ ®
Ki4 = (1 + κ)λi V Si2 E(.X), X
X
= (1 + κ) λi λ02 0
j (λj − λi )
−2
fj ⊗ fj
j ∈J
/ i
3 3
Kii0 4 = −(1 + κ)λi2 λi20 (λi − λi0 )−2 fi ⊗ fi0 .

6. Composantes principales réduites associées à une valeur

principale simple non nulle

Pour tout i et i0 distincts de I tels que λi et λi0 soient simples et non

nulles, on a :
p. s.
(fin ) −→ fi dans L2 (P ).
√ L −1
( n(fin − fi )) −→ Ui5 := λi 2 hSi ◦ U ui , Xi + 21 λ−1 i tr(Pi U )fi gaussienne cen-
trée dans L2 (P ) avec :
2 ∗ −1 ` 1 −3
Ki5 := E(Ui5 ) = Ψi5 ◦K◦Ψi5 e i)
et Ψi5 = λi 2 Φ◦ξui ◦(Pi ⊗ Si )+ λi 2 Φ◦ξui ◦(Pi ⊗P
2
Kii0 5 := E(Ui0 5 Ui5 ) = Ψi5 ◦ K ◦ Ψi∗0 5 .
Cas elliptique :
1
Ki5 = (2 + 3κ)fi ⊗ fi + (1 + κ)hV Si2 E(.X), Xi
4
1 X
= (2 + 3κ)fi ⊗ fi + (1 + κ) λ02 0
j (λj − λi )
−2
fj ⊗ fj
4
j ∈J
/ i

−2 1
Kii0 5 = −(1 + κ)λi λi0 (λi − λi0 ) fi ⊗ fi0 + κfi0 ⊗ fi .
4
 293

7. Opérateurs aléatoires

p. s.
(Φcn ) −→ Φ dans L(E, L2 (P )),
√ L
( n(Φcn − Φ) −→ h., GX i dans L(E, L2 (P )) où GX ∼ N (0, K).

Pour tout f de L2 (P ),
p. s. ∗
(Φc∗
n (f )) −→Φ (f ) dans E,
√ L
( n(Φc∗ ∗
n (f ) − Φ (f ))) −→ Gf X dans E où Gf X ∼ N (0, E(f X ⊗ f X) −
E(f X) ⊗ E(f X)).

Pour tout f de L2 (P ),
p. s.
(Wnc (f )) −→ W (f ) dans L2 (P ),
√ L
( n(Wnc (f ) − W (f ))) −→ hGf X , Xi + hE(f X), GX i dans L2 (P ).
294 Annexe

A.8 A.C. linéaire centrée : dénition et résultats

asymptotiques

A.C. linéaire d'un couple de v.a.e. centrées

Soit (X , h., .iX ) (resp. (Y, h., .iY )) un espace euclidien de dimension p (resp.
q ) et X (resp. Y ) une v.a.e. dénie sur (Ω, A, P ) à valeurs dans (X , BX ) (resp.
(Y, BY )) admettant des moments d'ordre 4 et centrée.
L'A.C. linéaire du couple de v.a.e. Z = (X, Y ) est l'A.C. du couple de sous-
espaces (HX , HY ) de (L2 (P ), E), avec © ª
HX = vect {hx, XiX ; x ∈ X } et HY = vect hy, Y iY ; y ∈ Y .
L'opérateur de covariance VX = E(X ⊗ X) (resp. VY = E(Y ⊗ Y )) de X (resp.
de Y ) est supposé inversible, on munit alors X (resp. Y) du produit scalaire
VX−1 (resp. VY−1 ) ce qui revient encore à supposer VX = IX (resp. VY = IY ).
L'A.C. est alors associée au schéma de dualité suivant :
X ←−−−− (L2 (P ), E) −−−∗−→ Y
Φ∗X ΦY
x x x
  
  
IX  
  IX
 I
 IY  
  IY
y y y

X −−−−→ (L2 (P ), E) ←−−−− Y

ΦX ΦY

avec ΦX = h., XiX , Φ∗X = E(. X), VX = Φ∗X ΦX = E(X ⊗ X) = IX , et, de

façon analogue, ΦY , Φ∗Y , VY .
Le projecteur orthogonal sur HX (resp. HY ) est ΠX = ΦX Φ∗X , (resp. ΠY =
ΦY Φ∗Y ).
On pose :
VXY = Φ∗X ΦY = E(Y ⊗ X) (resp. VY X = Φ∗Y ΦX = E(X ⊗ Y )) et
RX = VXY VY X (resp. RY = VY X VXY ).
L'A.C. linéaire de (X, Y ) est obtenue à partir de la décomposition spectrale
de RX et RY .
Soit r le rang commun de RX et de RY , (λ0j )j=1,...,r la suite pleine décrois-
sante des valeurs propres non nulles de RX et de RY et (xj )j=1,...,r (resp.
(yj )j=1,...,r ) une suite de vecteurs propres unitaires associés de RX (resp.
RY ).
La partie principale de l'A.C. est alors

((ρ0j )j=1,...,r , (fj )j=1,...,r , (gj )j=1,...,r )

 295
q
avec ρ0j = λ0j , hxj , XiX = fj et hyj , Y iY = gj .
Soit (λi )i=1,...,s la suite strictement
P décroissante des valeurs
P propres non
nulles de RX et RY , PXi (= x
j∈Ji j ⊗ xj ) et PYi (= j ⊗ yj ) les
j∈Ji yP
projecteurs propres associés. On pose H
P Xi = Im (Π Xi ) avec Π Xi = j∈Ji fj ⊗
fj et HY i = Im(ΠY i ) avec ΠY i = j∈Ji gj ⊗ gj , la partie principale de l'A.C.
est alors aussi :
s s
((ρi )i=1,...,s , ⊕ HXi , ⊕ HY i ).
i=1 i=1

A.C. linéaire centrée d'échantillonnage

Soit Z = (X, Y ) le couple de v.a.e. centrées dont on vient de dénir l'A.C.
linéaire.
On reprend les notations de l'A.C.P. linéaire centrée d'échantillonnage dénies
dans la partie précédente.
L'A.C. linéaire centrée d'échantillonnage est associée au schéma de dualité
suivant :

X ←−−−− (L2 (P ), Eν ω ) −−−n∗

−→ Y
Φn∗
X
n
ΦY
x x x
  
 n  
(VXn )−1  
  VX
 I
 (V n −1   n
Y )   VY
y y y

X −−−n−→ (L2 (P ), Eν ω ) ←−− −− Y

ΦX n ΦnY

avec :
D n
E n 1X
n
ΦnX = ., X − X et X = Xk ,
X n
k=1
n
X
1 n
∀f ∈ L2 (P ), Φn∗
X (f ) = fk (Xk − X ),
n
k=1
n
X
1 n n
VXn = Φn∗ n
X ◦ ΦX = (Xk − X ) ⊗ (Xk − X ),
n
k=1

et, de façon analogue ΦnY , Φn∗ n

Y et VY .
n n
On note HX (resp. HY ) le sous-espace vectoriel HX (resp. HY ) de L2 (P ),
considéré comme sous-espace euclidien de (L2 (P ), Eνnω ).
n
Les opérateurs ΠX = ΦnX (VXn )−1 Φn∗
X et ΠYn = ΦnY (VYn )−1 Φn∗
Y sont les pro-
ω n n
jecteurs νn −orthogonal sur HX et HY respectivement.
On pose :
296 Annexe
n
n 1X n n
VXY = Φn∗ n
X ΦY = (Yk − Y ) ⊗ (Xk − X ),
n
k=1
n
1X n n
VYnX = Φn∗ n
Y ΦX = (Xk − X ) ⊗ (Yk − Y ),
n
k=1
1 1
n
RX = (VXn )− 2 VXY
n
(VYn )−1 VYnX (VXn )− 2 et
1 1
RYn = (VYn )− 2 VYnX (VXn )−1 VXY
n
(VYn )− 2 .
n
L'A.C. est obtenue à partir de la décomposition spectrale de RX et de RYn .
0n
Soit (λj )j=1,...,r la suite pleine décroissante des r premières valeurs propres de
n
RX (et donc aussi de RYn ), soit (unj )j=1,...,r un système orthonormé de vecteurs
1 1
n
propres associés de RX et (vjn )j=1,...,r (avec vjn := (ρ0n
j )
−1
(VYn )− 2 VYnX (VXn )− 2 unj )
un système orthonormé de vecteurs propres associés de RYn .
Pour i ∈ {1, ..., s} , on pose :
X X
n
PXi := unj ⊗ unj et PYni := vjn ⊗ vjn ,
j∈Ji j∈Ji
1 1
xnj := (VXn )− 2 unj yjn
:= (VYn )− 2 vjn ),
et
X 1 1
X 1 1
QnXi := xnj ⊗n xnj = (VXn )− 2 PXi
n
(VXn ) 2 et QnY i := yjn ⊗n yjn = (VYn )− 2 PYni (VYn ) 2 ,
VX VY
j∈Ji j∈Ji
fjn := ΦnX (xnj ) et gjn := ΦY (yjn ),
n

1 1 1 1
n
ΠXi := ΦnX (VXn )− 2 PXi
n
(VXn )− 2 Φn∗ n n n −2 n
X et ΠY i := ΦY (VY ) PY i (VYn )− 2 Φn∗
Y .

La partie principale de l'A.C. d'échantillonnage est

0
((ρjn )j=1,...,r , (fjn )j=1,...,r , (gjn )j=1,...,r )
q
avec ρ0n
j := λ0n
j .

Résultats asymptotiques
Nous présentons de façon condensée les résultats des convergences p. s. et
en loi des diérents éléments de l'A.C., opérateurs de l'A.C., valeurs propres,
projecteurs propres, vecteurs propres associés à une valeur propre simple, puis
coecients canoniques, projecteurs canoniques, projecteurs canoniques aléa-
toires, enn, facteurs canoniques et variables canoniques associés à une valeur
propre simple. Nous explicitons les opérateurs de covariance asymptotiques
dans le cas général puis dans le cas où le couple de v.a.e. Z = (X, Y ) dont on
étudie l'A.C. est elliptique, en utilisant une écriture formelle puis en utilisant
les décompositions par rapport aux bases construites à partir des bases de
facteurs canoniques des espaces euclidiens.
 297

Les v.a.e. X et Y sont centrées et d'opérateurs de covariance IX et IY

respectivement.
L'opérateur de covariance VZ de Z est donc E(Z ⊗ Z) et l'opérateur de
covariance KZ de Z ⊗ Z est
KZ = E((Z ⊗ Z − VZ )⊗(Z e ⊗ Z − VZ )) = E((Z ⊗ Z)⊗(Z e ⊗ Z)) − VZ ⊗Ve Z.
Dans le cas où Z est d'ordre 4 et elliptique, les v.a.e. X et Y sont d'ordre 4
et elliptiques et l'opérateur de covariance KZ de Z s'écrit
`
e
P+ κVZ ⊗VZ , où I désigne l'identité de σ2 (Z).
KZ = (1 + κ)(VZ ⊗ VZ )(I + C)
On peut écrire aussi KZ = (α,β,γ,δ)∈{X,Y }4 Kαβ,γδ avec Kαβ,γδ = (1 +
` `
κ)(Vβδ ⊗ Vαγ + Vβγ ⊗ Vαδ ◦ C) + κVγδ ⊗V e αβ .
Dans toute la suite, les indices i et i0 appartiennent à {1, ..., s} (on s'in-
téresse donc à la partie principale de l'A.C.) et on rappelle que l'on a posé :
SXi = (RX − λi IX )− et SY i = (RY − λi IY )− .
De même, on a noté ∆ l'application qui à un opérateur autoadjoint positif
associe le vecteur de ses valeurs propres rangées dans l'ordre décroissant.

1. Opérateurs de l'A.C

n
√ n n
√
On pose : UX √= n(R X − RX ) et UY = n(RYn − RY ) et on note WZ la
n
limite en loi de ( n(VZ − VZ )).
n p. s.
(RX , RYn ) −→ (RX , RY ) dans σ2 (X ) × σ2 (Y).
n L
(UX , UYn ) −→ (UX , UY ), couple gaussien centré dans σ2 (X ) × σ2 (Y)
avec
1
UX = − (WX RX + RX WX ) + WXY VY X + VXY WY X − VXY WY VY X ,
2
et UY analogue à UX en échangeant les rôles de X et Y.

r XX
X r X
e X) =
LXX := E(UX ⊗U e j ⊗ xh + xh ⊗ xj )
E(Fik Fjh )(xi ⊗ xk + xk ⊗ xi )⊗(x
i=1 k j=1 h
Xr XX r X
e X) =
LXY := E(UY ⊗U e j ⊗ yh + yh ⊗ yj ) avec
E(Fik Gjh )(xi ⊗ xk + xk ⊗ xi )⊗(y
i=1 k j=1 h
1 1 0 0
Fik = − ρ02 fi fk + ρ0i gi fk − ρ ρ gi gk et
2 i 2 i k
1 1 0 0
Gik = − ρ02 gi gk + ρ0i fi gk − ρ ρ fi fk .
2 i 2 i k
Cas elliptique :
298 Annexe

3 2 ` 2
` ` 5 `
LXX = (1 + κ)(I + C)[− RX ⊗ IX + RX ⊗ RX + RX ⊗ IX − RX ⊗ RX ](I + C),
4 4
Xp Xp
1 0 02 3 3 5 0 0
= (1 + κ) (λj λk + λ0k λ02 02 02 0 0
j − λj − λk + λj + λk − λj λk )
j=1
2 4 4 2
k=1
e j ⊗ xk + xk ⊗ xj ), et
(xj ⊗ xk + xk ⊗ xj )⊗(x
1 2 ` `
LXY = (1 + κ)(I + C)[ RX VXY ⊗ VXY − 2RX VXY ⊗ VXY
4
` 3 `
+ VXY ⊗ VXY + RX VXY ⊗ RX VXY ](I + C),
4
Xr Xr
1 0 12 0 12 1 02 1 02 3
= (1 + κ) λj λk ( λj + λk − 2λ0j − 2λ0k + 2 + λ0j λ0k )
j=1
2 4 4 2
k=1
e j ⊗ xk + xk ⊗ xj ).
(yj ⊗ yk + yk ⊗ yj )⊗(x

2. Valeurs propres

p. s.
(λ0n
j )j∈Ji −→ λi Imi dans R
mi
.
√ L
( n(λj − λi ))j∈Ji −→ ∆(UXi1 ) dans Rmi avec UXi1 := PXi UX PXi , gaus-
0n

sienne centrée dans σ2 (X ).

√ L
Si λi est simple, ( n(λni − λi )) −→ tr (PXi UX PXi ), gaussienne centrée dans
R.
∗
e Xi1 ) = ΨZi1 KZ ΨZi1
LXi1 := E(UXi1 ⊗U = ΨXi1 LXX ΨXi1 avec
`
∗
ΨXi1 = PXi ⊗ PXi (= ΨXi1 ) et ΨZi1 = ΨXi1 ◦ ΨX .
Si λi est simple, LXi1 = tr ◦ LZi1 ◦ tr∗ .
Cas elliptique :
`
LXi1 = (1 + κ)λi (1 − λi )2 (I + C)(PXi ⊗ PXi )(I + C),
X X
= (1 + κ)λi (1 − λi )2 e j ⊗ xk + xk ⊗ xj ).
(xj ⊗ xk + xk ⊗ xj )⊗(x
j∈Ji k∈Ji

Si λi est simple, LXi1 = (1 + κ)4λi (1 − λi )2 .

3. Projecteurs propres

n p. s .
((PXi , PYni )) −→ (PXi , PY i ) dans σ2 (X ) × σ2 (Y).
√ n
√ L
(( n(PXi − PXi ), n(PYni − PY i ))) −→ (UXi2 , UY i2 ), gaussien centré dans
σ2 (X ) × σ2 (Y) avec
 299

UXi2 := PXi UX SXi + SXi UX PXi

et l'analogue pour UY i2 en remplaçant X par Y

LXXi2 := E(UXi2 ⊗Ue Xi2 ) = ΨXi2 ◦ LXX ◦ ΨXi2 et

e Xi2 ) = ΨXi2 ◦ LXY ◦ ΨY i2 , avec
LXY i2 := E(UY i2 ⊗U
` `
∗
ΨXi2 = SXi ⊗ PXi + PXi ⊗ SXi (= ΨXi2 )
et l'analogue pour ΨY i2 en changeant X en Y.
Cas elliptique, on pose :
3 2 5 3
RXXi = (λi − )RX + (λ2i − λi + 1)RX + (− λ2i + λi )IX et
4 2 4
1 2 3 1
RXY i = R + ( λi − 2)RX + ( λ2i − 2λi + 2)IX .
4 X 2 4

`
LXXi2 = (1 + κ)(I + C)(RXXi SXi2
⊗ PXi )(I + C)
X X 3 2 3 02 5
= (1 + κ) (λi λ02 0 2 0 0 0
j + λj λi − λi − λj + λi + λj − λi λj )(λj − λi )
−2
4 4 2
/ k∈Ji
j ∈Ji
e j ⊗ xk + xk ⊗ xj )
(xj ⊗ xk + xk ⊗ xj )⊗(x

`
LXY i2 = (1 + κ)(I + C)(RXY i VXY SY2 i ⊗ VXY PY i )(I + C)
X X 01 1 1 1 3
= (1 + κ) λj2 λi2 ( λ2i + λ02 0 0 0
j − 2λi − 2λj + 2 + λi λj )(λj − λi )
−2
4 4 2
/ k∈Ji
j ∈Ji
e j ⊗ xk + xk ⊗ xj ).
(yj ⊗ yk + yk ⊗ yj )⊗(x

4. Vecteurs propres associés à une valeur propre simple

p. s.
((uni , vin )) −→ (xi , yi ) dans X × Y .
√ √ L
(( n(uni − xi ), n(vin − yi ))) −→ (UXi3 , UY i3 ), couple gaussien centré dans
X ×Y avec
UXi3 := SXi UX xi
et l'analogue pour UY i3 en remplaçant X par Y.

∗
LXXi3 := E(UXi3 ⊗ UXi3 ) = ΨXi3 ◦ LXX ◦ ΨXi3 et
LXY i3 := E(UY i3 ⊗ UXi3 ) = ΨXi3 ◦ LXY ◦ ΨY∗ i3 , avec
300 Annexe

ΨXi3 = ξxi ◦ ΨXi2 et ΨY i3 = ξyi ◦ ΨY i2 ,

et où pour z0 ∈ Z, on note ξz0 l'application de σ2 (Z) dans Z qui à T associe
T (z0 ).
Cas elliptique :
3 2 5 3
LXXi3 = (1 + κ)RXXi SXi
2
avec RXXi = (λi − )RX + (λ2i − λi + 1)RX + (− λ2i + λi )IX
4 2 4
X 3 2 3 02 5
= (1 + κ) (λi λ02 0 2 0 0 0
j + λj λi − λi − λj + λi + λj − λi λj )(λj − λi )
−2
xj ⊗ xj et
4 4 2
j ∈Ji
/
1 1 2 3 1
LXY i3 = (1 + κ)λi2 RXY i VXY SY2 i avec RXY i = RX + ( λi − 2)RX + ( λ2i − 2λi + 2)IX
4 2 4
X 01 1 1 1 02 3
= (1 + κ) λj λi ( λi + λj − 2λi − 2λj + 2 + λi λj )(λj − λi )−2 yj ⊗ xj .
2 2 2 0 0 0
4 4 2
j ∈Ji
/

5. Coecients canoniques

p. s.
(ρ0n
j )j∈Ji −→ ρi Imi dans R
mi
.
√ L −1
( n(ρ0nj − ρi ))j∈Ji −→ ∆(UXi4 ) dans R
mi
avec UXi4 := 21 λi 2 PXi UX PXi ,
gaussienne centrée.
√ L −1
Si λi est simple, ( n(ρni − ρi )) −→ 12 λi 2 tr (PXi UX PXi ), gaussienne centrée
dans R.
1
e Xi4 ) = λ−1
LXi4 := E(UXi4 ⊗U LXi1 .
4 i
∗
Si λi est simple, LXi4 = tr ◦ LXi4 ◦ tr .
Cas elliptique :
1 `
LXi4 = (1 + κ)(1 − λi )2 (I + C)(PXi ⊗ PXi )(I + C)
4
1 X X
= (1 + κ)(1 − λi )2 e j ⊗ xk + xk ⊗ xj ).
(xj ⊗ xk + xk ⊗ xj )⊗(x
4
j∈Ji k∈Ji

Si λi est simple, LXi4 = (1 + κ)(1 − λi )2 .

6. Projecteurs canoniques

p. s.
((QnXi , QnY i )) −→ (PXi , PY i ) dans σ2 (X ) × σ2 (Y).
√ √ L
(( n(QnXi − PXi ), n(QnXi − PXi ))) −→ (UXi5 , UY i5 ), couple gaussien centré
dans σ2 (X ) × σ2 (Y) avec :
1 1
UXi5 := WX PXi − PXi WX + PXi UX SXi + SXi UX PXi ,
2 2
et l'analogue pour UY i5 en remplaçant X par Y.
 301

7. Projecteurs canoniques aléatoires

∀(f, g) ∈ L2 (P ) × L2 (P ),
n p. s.
((ΠXi f, ΠYn i g)) −→ (ΠXi f, ΠY i g) dans L2 (P ) × L2 (P ).
√ √ L f
(( n(ΠXi n
f − ΠXi f ), n(ΠYn i g − ΠY i g))) −→ (UXi6 , UYf i6 ), couple gaus-
2 2
sien centré dans L (P ) × L (P ) avec

f
UXi6 := hPXi E(f X), GX iX + hPXi Gf X , XiX
¿ À
1 1
− ( WX PXi + PXi WX + PXi UX SXi + SXi UX PXi )E(f X), X ,
2 2 X

et l'analogue pour UYf i6 en remplaçant X par Y et f par g et où pour

tout f de L2 (P ), Gf X (resp. Gf Y ) est une v.a. à valeurs dans X (resp. Y ),
de loi gaussienne centrée et d'opérateur de covariance celui de f X (resp. f Y )
et donc pour f égale à 1, GX (resp. GY ) est une v.a.e. gaussienne centrée
d'opérateur de covariance IX (resp. IY ).

8. Facteurs canoniques associés à une valeur propre simple

p. s.
((xni , yin )) −→ (xi , yi ) dans X × Y.
√ √ L
(( n(xni − xi ), n(yin − yi ))) −→ (UXi7 , UY i7 ), couple gaussien centré dans
X ×Y avec :
1
UXi7 := WX xi + SXi UX xi
2
et l'analogue pour UY i7 en remplaçant X par Y.

1 ∗ 1 `
LXXi7 := E(UXi7 ⊗ UXi7 ) = ξxi KXX,XX ξxi + ξxi AXX PXi ⊗ SXi ξxi
∗
4 2
1 `
+ ξxi PXi ⊗ SXi (AXX )∗ ξxi
∗
+ LXXi3
2

1 ∗ 1 `
LXY i7 := E(UY i7 ⊗ UXi7 ) = ξxi KXX,Y Y ξyi + ξxi AXY PY i ⊗ SY i ξyi
∗
4 2
1 `
+ ξxi PXi ⊗ SXi (AY X )∗ ξyi
∗
+ LXY i3 ,
2
` `
avec ΨXi7 = 12 ξxi ◦ PX ⊗ PX + ξxi ◦ PXi ⊗ SXi ◦ ΨX , une expression analogue
pour ΨY i7 pour changeant X en Y et xi en yi .
302 Annexe

Cas elliptique :
1
LXXi7 = (1 + 2κ)xi ⊗ xi
4
1 1 1
+ (1 + κ)[RXXi SXi
2
+ ((−λi + )RX + λi IX )SXi + IX ]
2 2 4
1
= (2 + 3κ)xi ⊗ xi
4 X
+ (1 + κ) (1 − λi )(λi + λ0j − 2λi λ0j )(λ0j − λi )−2 xj ⊗ xj et
j ∈Ji
/
1
LXY i7 = ((1 + κ)λi + κ)yi ⊗ xi
4
1 1 1 1
+ (1 + κ)λi2 [RXY i VXY SY2 i + (− RX + (− λi + 1)IX )VXY SY i + VXY ]
2 2 4
1
= (κ + 2(1 + κ)λi )yi ⊗ xi
4
X 1 01
− (1 + κ) λi2 λj2 (1 − λi )(λi + λ0j − 2)(λ0j − λi )−2 yj ⊗ xj .
j ∈Ji
/

1 1
LXi47 := E(UXi7 ⊗ UXi4 ) = − (1 + κ)λi2 (1 − λi )h., xi i.
2
1
LXXik7 := E(UXk7 ⊗UXi7 ) = κxk ⊗xi −(1+κ)(1−λi )(1−λk )(λi +λk )(λi −λk )−2 xi ⊗xk .
4
1 1 1
LXY ik7 := E(UY k7 ⊗UXi7 ) = κyk ⊗xi −2(1+κ)λi2 λk2 (1−λi )(1−λk )(λi −λk )−2 yi ⊗xk .
4

9. Variables canoniques associées à une valeur propre simple

p. s.
((fin , gin )) −→ (fi , gi ) dans L2 (P ) × L2 (P ).
√ √ L
(( n(fin − fi ), n(gin − gi ))) −→
¿ À ¿ À
1 1
(UXi8 , UY i8 ) = ( WX xi + SXi UX xi , X , WY yi + SY i UY yi , Y ),
2 X 2 Y

couple gaussien centré dans L2 (P ) × L2 (P ).

2
LXXi8 := E(UXi8 ) = ΦX LXXi7 Φ∗X = hLXXi7 (E(.X)), XiX , et
LXY i8 := E(UY i8 UXi8 ) = ΦX LXY i7 Φ∗Y = hLXY i7 (E(.Y )), XiX .
Cas elliptique :
 303
1
LXXi8 = (1 + 2κ)fi ⊗ fi + (1 + κ)h[RXXi SXi
2
4
1 1 1
+((−λi + )RX + λi )SXi + ]E(.X), XiX
2 2 4
1 X
= (2 + 3κ)fi ⊗ fi + (1 + κ) (1 − λi )(λi + λ0j − 2λi λ0j )(λ0j − λi )−2 fj ⊗ fj
4
j ∈Ji
/

1 1
LXY i8 = ((1 + κ)λi + κ)gi ⊗ fi + (1 + κ)λi2 h[RXY i VXY SY2 i
4
1 1 1
+(− RX + (− λi + 1)IX )VXY SY i + VXY ]E(.Y ), XiX
2 2 4
1 X 1 01
= (κ + 2(1 + κ)λi )gi ⊗ fi − (1 + κ) λi2 λj2 (1 − λi )(λi + λ0j − 2)(λ0j − λi )−2 gj ⊗ fj .
4
j ∈Ji
/

1
LXXik8 := E(UXk8 ⊗UXi8 ) = κfk ⊗fi −(1+κ)(1−λi )(1−λk )(λi +λk )(λi −λk )−2 fi ⊗fk
4
1 1 1
LXY ik8 := E(UY k8 ⊗UXi8 ) = κyk ⊗xi −2(1+κ)λi2 λk2 (1−λi )(1−λk )(λi −λk )−2 fi ⊗fk .
4
Bibliographie

Aitkin, M. A. (1969). Some tests for correlation matrices. Biometrika, 56 443-446.

Aitkin, M. (1985). Comments on D. J. Bartholomew, Fondations of Factor Analysis : some
practical implications, Brit. J. Math. Statist. Psych., 38 127-128.
Aitkin, M. A., Nelson, W. C. et Reinfurt, K. H. (1968). Tests for correlation matrices.
Biometrika, 55 327-334.
Aitkinson, A. C. (1981). Robustness, transformation et two graphical displays for outlying et
inuential observations in regression. Biometrika, 68 13-20.
Akaike, H. (1987). Factor analysis and AIC. Psychometrika , 52 317-332.
Allaire, J. et Lepage, Y. (1990). Tests de l'absence de liaison entre plusieurs vecteurs
aléatoires pour les distributions elliptiques. Statist. Anal. Données, 15 21-46.
Allaire, J. et Lepage, Y. (1991). On a likehood ratio test for independence. Statist. probab.
lett., 11 449-452.
Allaire, J. et Lepage, Y. (1992). A procedure for assessing vector correlations. Ann. Inst.
Statist. Math., 44 755-768.
Amemiya, Y. et Fuller, W. A. (1984). Estimation for the multivariate errors-in-variables
model with estimated error covariance matrix. Ann. Statist., 12 497-509.
Amemiya, Y., Fuller, W. A. et Pantula, S. G. (1987). The asymptotic distributions of
some estimators for a Factor Analysis Model. J. Multivariate Anal., 22 51-64.
Amemiya, Y. et Anderson, T. W. (1990). Asymptotic chi-square tests for a large class of
factor analysis models. Ann. Statist., 18 1453-1463.
Anderson, G. A. (1965). An asymptotic expansion for the distribution of the latent roots of
the estimated covariance matrix. Ann. Math. Statist., 36 1153-1173.
Anderson, T. W. (1946). The non-central Wishart distribution and certain problems of
multivariate analysis. Ann. Math. Statist., 17 409-431.
Anderson, T. W. (1951a). The asymptotic distribution of certain characteristic roots and
vectors. In Proceedings of the Second Berkeley Symposium on Mathematical Statistic and
Probability, 103-130. University of California Press.
Anderson, T. W. (1951b). Estimating linear restrictions on regression coecients
formultivariate normal distributions. Ann. Math. Statist. 22 327-351. (Correction, Ann. Math.
Statist . (1980), 8 1400).
Anderson, T. W. (1958, 1984). An Introduction to Multivariate Statistical Analysis. Wiley,
New-York.
Anderson, T. W. (1963). Asymptotic theory for principal component analysis. Ann. Math.
Statist. , 34 122-148.
Anderson, T. W.(1984). Estimating Linear Statistical Relationships. The Annals of
Statistics , 12 1-45.
Anderson, T. W. (1987). Multivariate linear relations. Proc. Second International Tampere
Conference in Statistics , 9-36.
Anderson, T. W. (1989). The asymptotic distribution of the likelihood ratio criterion for
testing rank in multivariate components of variance. J. Multivariate Anal., 30 72-79.
Anderson, T. W. (1993). Nonnormal multivariate distributions. Inference based on elliptically
contoured distributions. In Multivariate Analysis : Future Directions (C.R. Rao, Ed). Elsevier,
Science Publishers, 1-24.
Anderson, T. W. (1999) Asymptotic theory for canonical correlation analysis. J.
Multivariate Anal., 70 1-29.
306 Bibliographie

Anderson, T. W. et Amemiya, T. (1988). The asymptotic normal distribution of estimators

in factor analysis under general conditions. Ann. Statist., 16 759-771.
Anderson, T. W. et Rubin, L. (1956). Statistical inference in factor analysis. In Proceedings
of the third Berkeley Symposium (Neyman, Ed.), 111-150.
Andersson, S. A, Brons, H. K. et Jensen, S. T. (1983). Distribution of eigenvalues in
multivariate statistical analysis. Ann. Statist., 11 392-415.
Antoniadis, A. et Beder, J. H. (1989). Joint Estimation of the Mean and the Covariance of a
Banach Valued Gaussian Vector. Statistics, 20 77-93.
Aragon, Y. et Caussinus, H. (1980). Une analyse en composantes principales pour des unités
statistiques corrélées. In Data Analysis and Informatics (Diday et al, Eds.), 121-131.
North-Holland, Amsterdam.
Arconte, A. (1980). Étude asymptotique de l'analyse en composantes principales et de
l'analyse canonique. Thèse de troisième cycle, Université de Pau et des Pays de l'Adour.
Arconte, A., Dauxois, J. et Pousse, A. (1978). Utilisation de propriétés de convergence
pour l'approximation d'analyses factorielles, C.R.A.S., 286 A 423-425.
Arconte, A., Dauxois, J., Pousse, A. et Romain, Y. (1980). Étude asymptotique de
l'analyse en composantes principales linéaire d'une fonction aléatoire à valeurs dans un espace
de Hilbert. C. R. Acad. Paris Sér. A Math., 291 319-322.
Baccini, A. (1975). Aspect synthétique de la segmentation et traitement des variables
qualitatives à modalités ordonnées. Thèse de troisième cycle, Université Paul Sabatier, Toulouse.
Baccini, A., Caussinus. H. et Falguerolles, A. (1993). Analysis dependence in large
contingency tables : Dimensionality and patterns in scatter plots. In Multivariate Analysis :
Future Directions (Cuadras et al, Eds.), 2 245-263. North-Holland, Amsterdam.
Baccini, A., Fekri, M. et Fine, J. (2000). Generalized least squares estimation in
contengency tables analysis : asymptotic properties and applications. Statistics , 34 267-300.
Baccini, A. et Pousse, A. (1975a). Segmentation aux moindres carrés : un aspect synthétique.
Rev. Statist. Appl., 23 17-35.
Baccini, A. et Pousse, A. (1975b). Point de vue unitaire de la segmentation. Quelques
conséquences. C. R. Acad. Sci. Paris Sér. A , 280 241-243.
Bartholomew, D. J. (1981). Posterior analysis of Factor Model, Brit. J. Math. Statist.
Psych ., 34 92-99.
Bartholomew, D. J. (1984). The foundations of factor analysis. Biometrika, 71 221-232.
Bartholomew, D. J. (1985a). Foundations of factor analysis : some practical implications.
British J . Math . Statist . Pschych., 38 1-10.
Bartholomew, D. J.(1985b). Reply to discussion on Foundations of Factor Analysis, Brit. J.
Math. Statist. Psych., 38 138-140.
Bartholomew, D. J. (1987). Latent Variable Models and Factor Analysis. Grin, London.
Bartlett, M. S. (1937). The statistical conception of mental factors, Brit. J. Psych., 28
97-104.
Bartlett, M. S. (1938). Methods of estimating mental factors. Nature , 141 609-610.
Bartlett, M. S. (1947a). Multivariate analysis. J. R. Statist. Soc. Supp., 9.
Bartlett, M. S. (1947b). The general canonical correlation distribution. Ann. Math. Statist.,
18 1-17.
Becker, M. P. (1990). Maximum likelihood of the RC(M) association model. Applied
Statistics, 39 152-167.
Becker, M. P. et Clogg, C. C. (1989). Analysis of sets of two-way contingency table using
association model. J. Amer. Statist. Assoc., 84 142-151.
Bekker, P. A. et de Leeuw, J. (1987). The rank of reduced dispersion matrices.
Psychometrika, 52 125-135.
Bendel R. et Mickey, R. (1978). Population correlation matrices for sampling experiments.
Comm. Statist.-Simul. Comput. Ser. B, 7 163-182.
Benasseni, J. (1986). Stabilité en ACP par rapport aux incertitudes de mesures. In Data
Analysis and Informatics IV. (Diday et al , Eds.), 523-533. North-Holland, Amsterdam.
Benasseni, J. (1990). Sensitivity coecients for subspaces spanned by principal components.
Comm. Statist., A19 2021-2034.
Bentler, P. M. (1985). On the implications of Bartholomew's approach to Factor Analysis,
Brit. J. Math. Statist. Psych., 38 129-131.
Bentler, P. M. (1986). Structural modeling and Psychometrika : an historical perspective on
growth and achievements. Psychometrika, 51 1 35-51.
Bentler, P. M. et Kano, Y. (1990). On the equivalence of Factors and Components, Mult.
Behav. Research, 25 67-74.
Bentler, P. M. et Weeks, D. G. (1982). Multivariate analysis with latent variables. In
Handbook of Statistics 2 (Krishnaiah et al , Eds.), 742-771. North-Holland, Amsterdam.
Benzécri, J. P. (1973). L'Analyse des Données. Dunod, Paris.
Benzécri, J. P. (1992). Correspondence Analysis Handbook. M. Dekker, New-York.
Besse, Ph. (1979). Étude descriptive d'un processus ; approximation, interpolation. Thèse de
troisième cycle, Université Paul Sabatier, Toulouse.
 Bibliographie 307

Besse, Ph. (1987). Choix de la métrique pour l'ACP d'événements discrets. Statist. Anal.
Données, 12 1-16.
Besse, Ph. (1988a). Spline functions and optimal metric in linear principal components
analysis. In Components and Correspondence Analysis (Van Ricjkvorsel et al, Eds.). Wiley,
London.
Besse, Ph. (1988b). Optimal metric in principal components analysis. In Data Analysis and
Informatics V. (Diday et al, Eds.). North-Holland, Amsterdam.
Besse, Ph. (1989). Approximation spline et optimalité en analyse en composantes principales.
Thèse de Doctorat d' État, Université Paul Sabatier, Toulouse.
Besse, Ph. (1991). Approximation spline de l'analyse en composantes principales d'une
variable aléatoire hilbertienne. Annales de la Facultés des Sciences de Toulouse, 12 329-346.
Besse, Ph. (1992). PCA stability and choice of dimensionality. Statist. Probab. Let., 13
405-410.
Besse, Ph., Caussinus, H., Ferré, L. et Fine, J. (1986). Some Guideliness for Principal
Component Analysis. COMPSTAT 1986, Physica Verlag, Heidelberg, 23-30.
Besse, Ph., Caussinus, H., Ferré, L. et Fine, J. (1987). Sur l'utilisation optimale de
l'analyse en composantes principales. C. R. Acad. Sci. Paris Ser. A, 304 319-322.
Besse, Ph., Caussinus, H., Ferré, L. et Fine, J. (1988). Principal component analysis and
optimization of graphical displays. Statistics, 19 301-312.
Besse, Ph. et Cardot, H. (1996). Approximation spline de la prévision d'un processus
autorégressif d'ordre 1. Revue Canadienne de Statistique / Canadian Journal of statistics, 24
467-487.
Besse, Ph. et Ramsay, J. O. (1986). Principal component analysis of sampled functions.
Psychometrika, 51 285-311.
Besse, Ph. et Thomas-Agnan, C. (1989). Le lissage par fonctions splines en statistique :
revue bibliographique. Statist. Anal. Données, 14 55-83.
Bhattacharya, R. et Ghosh, J. K. (1978). On the validity of the t formal Edgeworth
expansion. Ann. Statist., 6 434-451.
Billingsley, P. (1968). Convergence of Probability Measures. Wiley, New-York.
Bishop, Y. M. (1969). Full contingency tables, logits and split contingency tables. Biometrics,
25 19-28.
Blum, J. R., Kieer, J. et Rosenblatt, M. (1961). Distribution-free tests of independence
based on the sample distribution function. Ann. Math. Statist., 32 485-492.
Bock, R. D. et Bargmann, R. E. (1966). Analysis of covariance structures, Psychometrika,
31 507-534.
Böckenholt, I. et Böckenholt, U. (1990). Canonical analysis of contingency tables with
linear constraints. Psychometrika ,55 633-639.
Boente, G. (1987). Asymptotic theory for robust principal components. J. Multivariate Anal.,
21 67-78.
Boik, R.J. (1990). Inference of covariance matrices under rank restrictions. J. Multivariate.
Anal., 33 230-246.
Bolfanine, H., Rodrigues, J. et Zacks, S. (1993). Some asymptotic results in nite
population. Statistics, 24 359-370.
Borgotta, E. F., Kercher, K. et Stull, D. E. (1986). A cautionary note on the use of PCA.
Sociol. Meth. Research, 15 160-168.
Boumaza, R. (1980). Contribution à l'étude descriptive d'une fonction aléatoire qualitative.
Thèse de troisième cycle, Université Paul Sabatier, Toulouse.
Boutayeb, A. (1983). Échantillonnage en analyse discriminante (aspect descriptif et
décisionnel. Étude asymptotique et applications). Thèse de troisième cycle, Université de Pau et
des Pays de l'Adour.
Bowman, M. O. et Shenton, L. R. (1986). The dark side of asymptotics and moments series.
Sankhya Ser. A, 48 219-231.
Browne, M. W. (1967). On oblique procrustes rotation, Psychometrika , 32 375-394.
Browne, M. W. (1968). A comparison of factor analytic techniques. Psychometrika , 33, 3
267-334.
Browne, M. W. (1974). Generalized least squares estimators in the analysis of covariance
structures, South Afric. J. 8 1-24.
Browne, M. W. (1982). Covariance structures, in Topics in Applied Multivariate Analysis, D.
M. Hawkins ed., Cambridge Univ. Press, 72-141.
Browne, M. W. (1984). Asymptotically distribution-free methods for the analysis of
covariances structures. British J . Math . Statist . Pschych., 37 62-83.
Browne, M. W. (1985). Comments on D. J. Bartholomew, Foundations of Factor Analysis :
some practical implications, Brit. J. Math. Statist. Psych., 38 132-133.
Browne, M. W. (1987). Robustness of statistical inference in factor analysis and related
models. Biometrika , 74, 2 375-384.
Bru, M.F. (1989). Diusions of perturbed principal component analysis. J . Multivariata
Anal., 29 127-136.
308 Bibliographie

Caillièz, F. (1984). Analyse des Données. Les Presses de l'Université de Montréal, Montréal.
Cailliez,F. et Pagès, J.,P. (1976). Introduction à l'Analyse des Données. SMASH, Paris.
Camp, B. H. (1932). The converse of Pearson's two factor theorem, Biometrika , 24 418-427.
Camp, B. H.(1934). Spearman's factor again, Biometrika, 26 260-261.
Cardot, H. (1997). Contribution à l'estimation et à la prévision de données fonctionnelles.
Thèse de doctorat de l'Université Paul Sabatier, Toulouse.
Cardot, H. Ferraty, F. Sarda, P.
Carroll, J. B. (1953). An analytic solution for approximating simple structure in factor
analysis. Psychometrika, 18 23-38.
Caussinus, H. (1986a). Models and uses of principal component analysis (with discussion). In
Multidimensional Data Analysis (De Leeuw et al, Eds.), 149-187. DSWO Press, Leiden.
Caussinus, H. (1986b). Quelques réexions sur la part des modèles probabilistes en analyse
des données. In Data Analysis and Informatics (Diday et al , Eds.), 4 151-165. North-Holland,
Amsterdam.
Caussinus, H. (1992). Modèles fonctionnels : quelques développements et applications. In
Modèles pour l'Analyse des Données Multidimensionnelles (Droesbecke et al, Eds.). Economica,
Paris.
Caussinus, H. et Ferré, L. (1989). Analyse en composantes principales d'individus dénis par
les paramètres d'un modèle. Statist. Anal. Données, 14 19-28.
Caussinus, H. et Ferré, L. (1990). Comparing parameters of a model for several units by
means of principal component analysis. In Proc. of the 5th Workshop on statistical modelling,
Toulouse.
Caussinus, H. et Ruiz, A. (1990). Interesting projections on multidimensional data by means
of generalized principal component analysis. In Compstat 90, 121-126. Physica-Verlag,
Heidelberg.
Chakak, A. (1983). Analyse en composantes principales de fonctions aléatoires complexes.
Stabilité et étude asymptotique. Thèse de troisième cycle, Université de Pau et des Pays de
l'Adour.
Chakak, A., Dossou-Gbete, S. et Pousse, A. (1986). Une formalisation de l'analyse en
composantes principales de variables aléatoires complexes. Statist. Anal. Données , 11 1-18.
Chambers, J. M. (1967). On methods of asymptotic approximation for multivariate
distributions. Biometrika, 54 367-383.
Chan, N. et Li, K. (1983). Diagonal elements and eigenvalues of a real symmetric matrix. J.
Math. Anal. Appl., 91 562-566.
Chan, Y. M. et Srivastava, M. S. (1994). Comparison of powers for the sphericity tests using
both the asymptotic distribution and the bootstrap method. Commun. Statist., 17 661-690.
Chattopadhyay, A. K. et Pillai, K. C. S. (1973). Asymptotic expansions for the
distributions of characteristic roots when the parameter matrix has several multiple roots. In
Multivariate Analysis III. (Krishnaiah, Ed.), 117-127. Academic Press, New-York.
Chattopadhyay, A. K., Pillai, K. C. S. et Li, H.C. (1976). Maximization of an integral of
a matrix function and asymptotic expansions of distributions of latent roots of two matrices.
Ann. Statist., 4 796-806.
Chikuse, Y. (1976). Asymptotic distributions of latent roots of the covariance matrix with
multiple populations roots. J. Multivariate Anal. 6 237-249.
Chmielewski, M. A. (1981). Elliptically symmetric distributions : a review and bibliography.
Int. Statist. Rev., 49 67-74.
Chobanjan, S. A. et Tarielzade, V. I. (1977). Gaussian characterizations of certain Banach
spaces, J. Multivariate Anal., 7 183-203.
Constantine, A. G. et Muirhead, R. J. (1976). Asymptotic expansions for distributions of
latent roots in multivariate analysis. J. Multivariate Anal., 6 369-391.
Cox, D. R. (1988). Some aspects of conditional and asymptotic inference : a review. Sankhya,
The Indian J. of Statist ., 50, A, 3 314-337.
Cox, D. R. et Small, J. H. (1978). Testing multivariate normality. Biometrika , 65, 2
263-272.
Critchley, F. (1985). Inuence in principal component analysis. Biometrika, 72 627-636.
Daudin, J. J., Duby, C. et Trécourt, P. (1988). Stability of principal component analysis
studied by the bootstrap method. Statistics, 19 241-258.
Daudin, J. J., Duby, C. et Trécourt, P. (1989). PCA stability studied by the bootstrap and
the innitesimal jackknife methods. Statistics, 20 255-270.
Dauxois, J., Fine, J. et Pousse, A. (1979a). Échantillonnage en segmentation, étude de la
convergence. Statist. Anal. Données, 3 45-53.
Dauxois, J., Fine, J. et Pousse, A. (1979b). Stabilité de la méthode de segmentation. C. ,R.
Acad. Sci. Paris Ser. A. 288 299-301.
Dauxois, J. et Nkiet, G. M. (1994). Mesures d'association entre sous-espaces hilbertiens.
[Link]. Statist. Probab. , 12-94. Université Paul Sabatier, Toulouse.
Dauxois, J. et Nkiet, G. M. (1997a). Canonical Analysis of Two Euclidean Subspaces and its
Applications. Linear Algebra Appl., 264 355-388.
 Bibliographie 309

Dauxois, J. et Nkiet, G. M. (1997b). Testing for the lack of a linear [Link],

30, 1-23.
Dauxois, J. et Nkiet, G. M. (1998). Nonlinear canonical analysis and independance tests.
Ann. Statist., 26, 4, 1254-1278.
Dauxois, J. et Nkiet, G. M. (2000). Lois asymptotiques de fonctions de valeurs propres d'une
suite d'opérateurs aléatoires auto-adjoints. C.R. Acad. Sci. Paris , t. 330, série I, 1-4.
Dauxois, J., et Nkiet, G. M. (2002). Measures of association for Hilbertian subspaces and
some applications. J. Multivariate Anal., 82, 263-298.
Dauxois, J., Nkiet, G. M. et Romain, Y. (2003). Canonical analysis relative to a closed
subspace. Lin. Algebra Appl., Special issue in Statistics, à paraître.
Dauxois, J., Nkiet, G. M. et Romain, Y. (2002). On invariance in birelative canonical analysis
and an application to covariate discriminant analysis. Soumis.
Dauxois, J., Nkiet, G. M. et Romain, Y. (2002). Linear relative canonical analysis of Eucli-
dean random variables, asymptotic study and some applications. Soumis.
Dauxois, J., Nkiet, G. M. et Romain, Y. (2001). Projecteurs orthogonaux, opérateurs
associés et statistique multidimensionnelle. Pub. Inst. Stat. Univ. Paris, XXXXV, fasc. 1, 31-54.
Dauxois, J. et Pousse, A. (1974a). Sur l'analyse canonique de deux tribus.C.,R. Acad.,Sci.
Sér. A Paris, 278 625-628.
Dauxois, J. et Pousse, A. (1974b). Image d'une analyse canonique. C.,R. Acad. Sci. Sér. A
Paris, 279 471-474.
Dauxois, J. et Pousse, A. (1975a). Analyses factorielles linéaires et non linéaires. C.,R. Acad.
Sci. Sér. A Paris, 281 771-774
Dauxois, J. et Pousse, A. (1975b). Une extension de l'analyse canonique. Quelques
Applications. Ann. Inst. Henri Poincaré, XI. 355-379.
Dauxois, J. et Pousse, A. (1976a). Échantillonnage et discrétisation en analyses factorielles.
C.,[Link]. Sci. Sér. A Paris, 282 723-726.
Dauxois, J. et Pousse, A. (1976b). Essai de synthèse sur quelques problèmes mathématiques
de l'analyses des données. Statist. Anal. Données, 1 1-20.
Dauxois, J. et Pousse, A. (1976c). Les Analyses factorielles en calcul des Probabilités et en
Statistique : Essai d'étude synthétique. Thèse de Doctorat d'État, Université Paul Sabatier,
Toulouse.
Dauxois, J. et Pousse, A. (1977). Some convergence problems in factor analyses. In Recent
Developments in Statistics (Barra et al., Eds), 387-402. North-Holland, Amsterdam.
Dauxois, J., Pousse, A. et Romain, Y. (1982). Asymptotic theory for the principal
component analysis of a vector random function : Some applications to statistical inference. J.
Multivariate Anal.,12, 1 136-154.
Dauxois, J., Pousse, A. et Téchené, J. J. (1979). Quelques propriétés d'optimisation sous
contraintes. Application à l'Analyse Factorielle d'une fonction aléatoire. Publ . Lab. Statist.
Probab. 01-79. Université Paul Sabatier, Toulouse.
Dauxois, J., Romain, Y. et Viguier, S. (1993). Comparison of two factor subspaces. J.
Multivariate Anal. 44 160-178.
Dauxois, J., Romain, Y. et Viguier, S. (1994). Tensor products and statistics. Linear
Algebra appl., 210 59-88.
Davis, A. W. (1977). Asymptotic theory for principal component analysis : Non normal case.
Austral. J. Statist., 19 206-212.
Deville, J. C. (1974). Méthodes statistiques et numériques de l'analyse harmonique. Ann.
Insee, 15 3-101.
Deville, J. C. (1977). Un exemple catastrophique d'analyse factorielle et son explication.
Premières Journées Internationales, Analyse des Données et Informatique , Ed. Diday E.,
INRIA, Versailles, 557-565.
Deville, J. C. (1981). Décompositions des processus aléatoires. Une comparaison entre les
méthodes factorielles et l'analyse spectrale. Statist. Anal. Données, 3 5-33.
Deville, J.C. (1982). Analyse des données chronologiques qualitatives, comment analyser les
calendriers ? Ann. de l'INSEE , 45 45-104.
Deville, J. C. et Saporta, G. (1980). Analyse harmonique qualitative. Data analysis and
Informatics , Diday et al Eds. North Holland Publish. Comp. 375-389.
Deville, J. C. et Saporta, G. (1983). Correspondence analysis, with an extension towards
nominal time series. J. Econometrics 22, n 1-2, 169-189.
Dossou-Gbete, S. et Pousse, A. (1991). Asymptotic study of eigenelements of a sequence of
random self adjoint operators. Statistics , 22 479-491.
Eaton, M. L. (1983). Multivariate Statistics. A Vector Space Approach. Wiley, New-York.
Eaton, M. L. et Tyler, D. E. (1991). On Wielandt's inequality and its application to the
asymptotic distribution of the eigenvalues of a random symmetric matrix. Ann. Statist., 19
260-271.
Eaton, M. L. et Tyler, D. E. (1994). The asymptotic distribution of singular values with
applications to canonical correlations and correspondance analysis. J. Multivariate Anal. ,50
238-264.
310 Bibliographie

Einmahl, U. (1991). On the almost sure behavior of sums of iid random variables in Hilbert
spaces. Ann. Statist. , 19 1227-1263.
Eisenstat S.C. et Ipsen I.C.F. (1998). Relative perturbation results for eigenvalues and
eigenvectors of diagonalisable matrices. BIT 38, 001-003.
Elden, L. (1980). Perturbation theory for the least squares problems with linear equality
constraints. SIAM J. Numer. Anal., 17 338-350.
Escoer, B. (1979). Stabilité et approximation en analyse factorielle. Thèse de Doctorat
d'État, Université de Paris 6.
Escoer, B. et Leroux, B. (1976). Trois problèmes de stabilité en analyse factorielle. Rev.
ISUP, 21 1-48.
Everitt, B. S. (1984). An Introduction to Latent Variables Models. Chapman et Hall, London.
Everitt, B. S. (1987).Introduction to Optimization Methods and their Applications in
Statistics. Chapman et Hall, London.
Everitt, B. S. et Dunn, G. (1991). Applied Multivariate Data Analysis.E. Arnold ed.,
London.
Fang, C. et Krishnaiah, P. R. (1981a). Asymptotic distributions of functions of the
eigenvalues of the real and complex non central Wishart matrices. In Statistics and Related
Topics (Csörgo et al, Eds). North-Holland, Amsterdam.
Fang, C. et Krishnaiah, P. R. (1981b). Asymptotic joint distributions of functions of the
eigenvalues of some real and complex non central Wishart matrices. In Statistics and
Probability : Essays in honour of C.,R. Rao (Kallianpur et al, Eds). North-Holland,
Amsterdam.
Fang, C. et Krishnaiah, P. R. (1982). Asymptotic distributions of functions of the
eigenvalues of some random matrices for nonnormal populations. J. Multivariate. Anal. , 12
39-63.
Fang, C., Krishnaiah, P. R. et Nagasenker, B. (1982). Asymptotic distributions of the
likelihood ratio test statistics for covariance structure of the complex multivariate normal
distribution. J. Multivariate. Anal., 12
Fang, K. T. et Anderson, T. W. Eds. (1990). Statistical inference in elliptically contoured
and related distributions . Allerton Press Inc., New York.
Fang, K. T., Kotz, S. et Ng, K. W. (1989).Symmetric Multivariate and Related
Distributions. Chapman et Hall, London.
Fang, K. T. et Zhang, Y. T. (1990). Generalized Multivariate Analysis. Springer-Verlag,
Berlin.
Fekri, M. et Fine, J. (1995). Matrice aléatoire dont l'espérance est de rang réduit. Propriétés
asymptotiques des estimateurs moindres carrés et choix de métriques. Pub. Inst. Stat. Univ.
Paris , 39, 1 67-88.
Fekri, M. et Fine, J.(1999). Distribution asymptotique de fonctions de la moyenne et de la
covariance d'échantillonnage. Pub. Inst. Stat. Univ. Paris , 43, 1 3-19.
Ferré, L.(1989). Choix de la dimension optimale pour certains types d'A.C.P.. C.R.A.S.
Paris, 309 959-964.
Ferré, L. (1990). Problème de représentation optimale pour l'A.C.P.. Thèse, Université Paul
Sabatier, Toulouse
Ferré, L. (1994). Selection of components in Principal Component Analysis : a comparison of
methods. Comput. Statist. Data Anal., 19 669-682.
Ferré, L. (1995a). Improvement of some dimensional estimates by reduction of dimensionality.
J. Multivariate Anal. , 54 147-162.
Ferré, L. (1995b). Selection of components in Principal Component Analysis : a comparaison
of methods. Computational Statistics and Data Ana l., 19 669-682.
Fine, J. (1981). Analyse en composantes principales réduite à l'aide de la théorie des
perturbations et de représentions matricielles. Thèse de troisième cycle, Université Paul
Sabatier, Toulouse.
Fine, J. (1987). On the validity of the perturbation method in asymptotic theory. Statistics,
18 401-414.
Fine, J. (1989). Contribution à l'analyse en composantes principales. Développements sur les
modèles fonctionnels et propriétés asymptotiques. Thèse de Doctorat d'État. Université Paul
Sabatier, Toulouse
Fine, J.(1990). Models for multivariate data analyses based on french approach. Proceed. of
Fifth Intern. Workshop on Statistical Modelling , 67-76.
Fine, J. (1992a). Modèles fonctionnels et structurels, in Modèles pour l'analyse des données
multidimensionnelles , Droesbeke, J.J., Fichet, B. et Tassi, P. Eds, Economica, Paris, 21-60.
Fine, J. (1992b). Modèles graphiques d'associations, in Modèles pour l'analyse des données
multidimensionnelles , Droesbeke, J.J., Fichet, B. et Tassi, P. Eds, Economica, Paris, 267-313.
Fine, J. (1993). Problèmes d'indétermination en analyse en facteurs et en composantes
principales optimales. Rev. Statist. Appl.,41 45-72.
Fine, J. (1994). Asymptotic study of the multivariate functional model in the case of a random
number of observations for each mean. Statistics, 25 285-306.
 Bibliographie 311

Fine, J.(2000). Étude asymptotique de l'analyse canonique, Pub. Inst. Stat. Univ. Paris , 44,
2-3, 21-72.
Fine, J. et Fotso, S. (1989). Contribution à l'étude du modèle âge, période, cohorte, Rev.
Stat. Appl. 37, 3 39-56.
Fine, J. et Pousse, A. (1992). Asymptotic study of the multivariate functional model.
Appplication to the metric choice in principal component analysis. Statistics, 23 62-83.
Fine, J. et Romain, Y. (1981). Analyses en Composantes Principales Réduites. Publ. Lab.
Statist. et Prob. 2, Univ. Paul Sabatier, Toulouse.
Fine, J. et Romain, Y. (1984). Reduced principal component analysis. Statistics, 15 493-512.
Friedman, J. (1987). Exploratory projection pursuit. J. Amer. Statist. Assoc., 82 249-266.
Friedman, J. et Stuetzle, W. (1981). Projection pursuit regression. J. Amer. Statist. Assoc.,
76 817-823.
Fujikoshi, Y. (1970). Asymptotic expansions of the distribution of test statistics in
multivariate analysis. J. Sci. Hiroshima Univ. Ser. A, 34 73-144.
Fujikoshi, Y. (1976). Asymptotic expansions for the distribution of some multivariate tests. In
Multivariate Analysis (Krishnaiah, Ed.) IV. 55-71. North-Holland, Amsterdam.
Fujikoshi, Y. (1977a). Asymptotic expansions of the distribution of the latent roots in
MANOVA and the canonical correlations. J. Multivariate. Anal. , 7 386-396.
Fujikoshi, Y. (1977b). An asymptotic expansion for the distributions of the latent roots of the
Wishart matrix with multiple population. Ann. Inst. Statist. Math., 29 379-387.
Fujikoshi, Y. (1977c). Asymptotic expansions for the distribution of some multivariate tests.
In Multivariate Analysis IV. (Krishnaiah, Ed.), 55-71. North-Holland, Amsterdam.
Fujikoshi, Y. (1978). Asymptotic expansions for the distribution of some functions of the
latent roots of matrices in three situations. J. Multivariate Anal. , 8 63-72.
Fujikoshi, Y. (1980a). Asymptotic expansions for the distribution of some multivariate tests.
In Multivariate Analysis IV. (Krishnaiah, Ed). North-Holland, Amsterdam.
Fujikoshi, Y. (1980b). Asymptotic expansions for the distribution of the sample roots under
nonnormality. Biometrika, 67 45-51.
Fujikoshi, Y. (1982). A test for additional information in canonical correlation analysis. Ann.
Inst. Statist. Math, 34 523-530.
Fujikoshi, Y., Kanda, T. et Tanimura, M. (1990). The growth curve model with an
autoregressive covariance structure. Ann. Inst. Statist. Math., 42 532-542.
Fujikoshi, Y. et Khatri, C. G. (1990). A study of redundancy of some variables in covariate
discriminant analysis. Ann. Inst. Statist. Math. , 42 769-782.
Fujikoshi, Y., Krishnaiah, P. R. et Schmidhammer, J. (1987). Eect of additional
variables in principal component analysis, discriminant analysis and canonical correlation
analysis. In Advances in Multivariate Statistical Analysis (Gupta, Ed.), 45-61. Reidel
Publishing Company, Boston.
Fuller, W. A. (1987). Measurement error models . Wiley, New York.
Gabriel, K. R. (1971). The biplot graphic display of matrices with application to principal
component analysis. Biometrika, 58 453-467.
Gedler, G. (1986). Modèles de régression sur variables entâchées d'erreurs ; Étude
asymptotique. Thèse de troisième cycle, Université de Pau et des Pays de l'Adour.
Ghomari, A. (1983). Analyse canonique d'une table de contingence. Étude asymptotique par
échantillonnage. Thèse de troisième cycle, Université de Pau et des Pays de l'Adour.
Gi, A. (1981). Nonlinear multivariate analysis. Dept. Data Theory, University of Leiden, The
Netherlands.
Gleason, T. C. (1976). On redundancy in canonical analysis. Psychological Bulletin, 83
1004-1006.
Gleser, L. J. (1968). On testing a set of correlation coecient for equality : Some asymptotic
results. Biometrika, 55 513-517.
Gleser, L. J. (1981). Estimations in a multivariate errors-in-variables regression model ; large
sample results. Ann. Statist., 9 24-44.
Glynn, W. et Muirhead, R. J. (1978). Inference in canonical correlation analysis. J.
Multivariate. Anal., 8 468-478.
Green, B. F. (1952). The orthogonal approximation of an oblique structure in factor analysis,
Psychometrika , 27 429-440.
Green, B. F. (1976). On the factor score controversy. Psychometrika, 41 263-266.
Greenacre, M. (1984). Theory and Applications of Correspondence Analysis. Academic,
London.
Guilford, J. P. et Michael, W. B. (1948). Approaches to univocal factor scores.
Psychometrika , 13 1-22.
Guttman, L.(1953). Image theory for the structure of quantitative variates, Psychometrika,
18 277-296.
Guttman, L. (1955). The determinacy of factor score matrices with implications for ve other
basic problems of common factor theory, Brit. J. Statist. Psych., 8 65-81.
312 Bibliographie

Haagen, K. (1986). The indeterminacy problem in factor analysis and its consequences for
prediction. Osterr. Zeit. Statist. Inform., 15 197-205.
Haagen, K. (1991). Necessary and sucient conditions for vanishing the arbitrariness in a
common-factor model. The Statist., 40 401-408.
Hakim, M., Lochard, E. Q., Olivier, J. P. et Terouanne, E. (1976). Sur les traces de
Spearman. I. Le problème des communautés. II. Le problème des rangs. Cahiers du BURO, 25.
Hart, B. et Spearman, C. (1912). General ability, its existence and nature, Brit. J. Psych.,
51-84.
Healy, J.(1980). Maximum Likehood Estimators of a Multivariate Linear Functional
Realtionship. J. Multivariate Anal ., 10 243-251.
Heerman, E. F. (1964). The geometry of factorial indeterminacy. Psychometrika, 29
371-381.
Heerman, E. F. (1966). The algebra of factorial indeterminacy. Psychometrika, 31 531-543.
Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components.
J. Educ. Psychol ., 24 417-441.
Hotelling, H. (1936). Relations between two sets of variables. Biometrika, 28 321-377.
Hotelling, H. (1940). The selection of variates for use in prediction with some comments on
the general problem of nuisance parameters. Ann. Math. Statist., 11 271-283.
Hubbard, R. et Allenn, S. J. (1987). A cautionary note on the use of PCA ; supportive
empirical evidence, Sociol. Meth. Research, 16 301-308.
Huber, P. J.(1981). Robust statistics . Wiley, New York.
Huber, P. J. (1985). Projection pursuit (with discussion). Ann. Statist., 13 435-525.
Ibazizen, M. (1986). Contribution à l'étude d'une analyse en composantes principales robuste.
Thèse de troisième cycle, Université Paul Sabatier, Toulouse.
Ibazizen, M. et Dauxois, J. (2003). A robust principal component analysis. Statistics , Vol.
37 (1), 73-83.
Isogai, T. (1983). On measures of multivariate skewness and kurtosis. Math. Japonica , 28, 2
251-261.
Jackson, J. E. (1991). A User's Guide to Principal Components. Wiley, New-York.
Jennrich, R. I. et Sampson, P. F. (1966). Rotation for simple loadings, Psychometrika. 31
313-323.
Jöreskog, K. G. (1962). On the statistical treatment of residuals in Factor Analysis.
Psychometrika, 27 335-345.
Jöreskog, K. G. (1970). A general method for the analysis of covariance structures.
Biometrika, 57 239-251.
Jöreskog, K. G. (1978). Structural analysis of covariance and correlation matrices.
Psychometrika, 43 443-477.
Jöreskog, K. G. (1981). Analysis of covariance structures. Scand. J. Statist., 8 65-92.
Jöreskog, K. G. et Sorbom, D. (1984). LISREL VI. A user's guide, 3rd ed., Scientic
Software Inc, Mooresville.
Kaiser, H. F. (1958). The varimax criterion for analytic rotation in Factor Analysis.
Psychometrika, 23 187-200.
Kano, Y. (1984). Construction of additional variables conforming to a common factor model.
Statist. Prob. Letters , 2 241-244.
Kato,T. (1966, 1980). Perturbation Theory for Linear Operators. Springer-Verlag, New-York.
Kestelman, H. (1952). The fundamental equation of factor analysis. Brit. J. Psych. Statist.,
5 1-6.
Kollo, T. (1987).Asymptotic distributions of functions of sample means and covariances . In
Proc. Second International Tampere Conference in Statistics (Puntanen et al, Eds), 499-510.
Kollo, T. et Neudecker, H. (1993). Asymptotic of eingenvalues and unit-length eingenvectors
of sample variance and correlation matrices. J. Multivariate Anal., 47 283-300.
Kollo, T. et Neudecker, H. (1997). The derivative of an orthogonal matrix of eigenvectors of
a symmetric [Link] Algebra and its applications , 264 489-493.
Konishi,S. (1977). Asymptotic expansions for the distributions of a function of latent roots of
covariance matrix. Ann. Inst. Statist. Math. J., 29 389-396.
Konishi,S. (1978a). Asymptotic expansions for the distributions of statistics based on a
correlation matrix. Canad. J. Statist., 6 49-56.
Konishi,S. (1978b). An approximation to the distributions of the sample correlation coecient.
Biometrika, 65 654-656.
Konishi,S. (1979a). Asymptotic expansions for the distributions of a correlation matrix. J.
Multivariate Anal., 9 259-266.
Konishi,S. (1979b). Asymptotic expansions for the distributions of statistics based on the
sample correlation matrix in principal component analysis. Hiroshima Math. J., 9 647-700.
Konishi,S. (1981). Normalizing transformations of some statistics in multivariate
[Link], 68 647-651.
Konishi,S. et Gupta, A. K. (1989). Testing the equality of several intraclass correlations
coecients. J. Statist. Plann. Inference,21 93-105.
 Bibliographie 313

Konishi,S. et Khatri, P. A. (1990). Inference on interclass and intraclass correlations in

multivariate familial data. Ann. Inst. Statist. Math.,42 561-580.
Konishi,S., Khati, P. A. et Rao, C. R. (1991).Inference on multivariate measures of
interclass and intraclass correlations in familial data. J. Roy. Statist. Soc. Ser. B,53 649-659.
Konishi,S. et Rao, C. R. (1992). Principal component analysis for multivariate familial data.
Biometrika, 79 631-641.
Krishnayah, P. R. (1978). Some recent developments on real multivariate distributions. In
Developments in statistics (Krishnaiah, Ed.), I.135-169. Academic Press, New-York.
Krishnayah, P. R. et Chang, T. C. (1971). On the exact distributions of extreme roots of
the Wishart and MANOVA matrices. J. Multivariate Anal., 1 108-117.
Krishnayah, P. R. et Chang, T. C. (1972). On the exact distributions of the trace of
S1 (S1 + S2 )−1 and S1 S2−1 . Sankhya Ser. A, 34 153-169.
Krishnayah, P. R., Lin, J. et Wang, L. (1985). Inference on the ranks of the canonical
correlation matrices for ellipticaly symmetric population. Tech. report n. 8514, Center for
Multivatiate Analysis. Université of Pittsburg, Pittsburg.
Krishnayah, P. R. et Lee, J. C. (1977). Inference on the eigenvalues of the covariance
matrices of real and complex multivariate populations. In Multivariate Analysis IV.
(Krishnaiah, Ed.), 95-103. North-Holland, New-York.
Krishnayah, P. R. et Lee, J. C. (1979).On the asymptotic joint distribution of certain
functions of eigenvalues of some random matrices. J. Multivariate Anal., 9248-258.
Krishnayah,P. R. et Rao,C. R. (1988). Sampling Handbook ofStatistics 6. North-Holland,
Amsterdam.
Krishnayah,P. R. et Waikar, V. B. (1971).Simultaneous tests for equality of latent roots
against certain alternatives- I.. Ann. Inst. Statist. Math., 23 451-468.
Krishnayah, P. R. et Waikar, V. B. (1972).Simultaneous tests for equality of latent roots
against certain alternatives- II.. Ann. Inst. Statist. Math., 24 81-85.
Kruskal, J. B. (1978). Factor Analysis and Principal Components : bilinear [Link].
Ency. Statist. W.H. Kruskal and J. M. Tanur eds., The Free Press, Mc Millan, London.
Krzanowski, W. J. (1984a). Principal component analysis in the presence of group structure.
Appl. Statist. 33 164-168.
Krzanowski, W. J. (1984b). Sensitivity of principal component analysis. J. Roy. Statist. Soc.,
B46 558-569.
Krzanowski, W. J. (1988). Principles of multivariate [Link] Press, Oxford.
Kuelbs, J. (1975). The law of the iterated logarithm for Banach space valued random
variables. Lect. Notes in Math ., 526.
Larrère, G. (1994). Contribution à l'étude asymptotique en analyse statistique multivariée.
Thèse de Doctorat de l'Université de Pau et des Pays de l'Adour.
Lauritzen, S. L. (1982). Lectures on Contingency Tables. University of Aalborg Press,
Aalborg.
Lebart, L., Morineau, A. et Fénelon, J. P. (1979). Traitement des Données Statistiques.
Dunod, Paris.
Lebart, L., Morineau, A. et Piron, M. (1995). Statistique exploratoire
multidimensionnelle . Dunod.
Lebart, L., Morineau, A. et Warwick, K. M. (1984). Multivariate Descriptive Statistical
Analysis. Wiley, New-York.
Ledermann, W.(1938). The orthogonal transformation of a factorial matrix into itself,
Psychometrika , 3 181-187.
Ledoux, M. et Tallagrand, M. (1991). Probability in Banach Spaces. Springer-Verlag, Berlin.
Loehlin, J. C. (1987). Latent Variables Models. Lawrence Erlbaum Associates, Publishers,
London.
Magnus, J. R. et Neudecker, H. (1979). The commutation matrix : Some properties and
applications. Ann. Statist. 7 381-394 .
Magnus, J. R. et Neudecker, H. (1988). Matrix Dierential Calculus with Applications in
Statistics and Econometrics. Wiley, New-York.
Mardia, K. V.(1970). Measures of multivarite skewness and kurtosis with applications.
Biometrika, 59 519-530.
Mardia, K. V.(1974). Applications of some measures of multivariate skewness and kurtosis in
testing normality and robustness studies. Sankya Ser. B, 36 115-128.
Mc Donald, R. P. (1974). The measurement of factor indeterminacy. Psychometrika, 39
203-222.
Mc Donald, R. P. (1977). The indeterminacy of components and the denition of common
factors. Brit. J. Math. Psych., 30165-176.
Mc Donald, R. P. (1978). A simple comprehensive model for the analysis of covariance
structures. Brit. J. Math. Psych., 31 59-72.
Mc Donald, R. P. (1980a). A simple comprehensive model for the analysis of covariance
structures ; some remarks and applications. Brit. J. Math. Psych., 33 161-183.
314 Bibliographie

Mc Donald, R. P. (1980b). Factor Analysis and Related Methods. Lawrence Erlbaum

Associates, Publishers, London.
Mc Donald, R. P. (1985a). Factor Analysis and related [Link] Erlbaum Ass.
Publ., London.
Mc Donald, R. P. (1985b). Comments on D. J. Bartholomew, Foundations of Factor
Analysis : some practical implications. Brit. J. Math. Psych., 38 134-137.
Mc Donald, R. P. et Burr, E. J. (1967). A comparaison of four methods of constructing
factor scores. Psychometrika, 32 381-401.
Mc Donald, R. P. et Mulaik, S. A. (1979). Determinacy of common factors : a non
technical review. Psych. Bull., 86 297-306.
Meyer, E. P. (1973). On the relationship between ratio of number of variables to number of
factors and factorial indeterminacy. Psychometrika, 38 375-378.
Meyer, C. et Stewart, G. W. (1988). Derivatives and perturbations of eigenvectors. SIAM J.
Numer. Anal., 25 676-679.
Muirhead, R. J. (1970). Asymptotic distribution of some multivariate tests. Ann. Math.
Statist.,41 1002-1010.
Muirhead, R. J. (1972). The asymptotic non central distribution of Hotelling's generalized
T02 . Ann. Math. Statist., 43 1671-1677.
Muirhead, R. J. (1978). Latent roots and matrix variates : A review of some asymptotic
results. Ann. Statist., 6 5-33.
Muirhead, R. J. (1982). Aspects of Multivariate Statistical Theory. Wiley, New-York.
Muirhead, R. J. (1985). Estimating a particular function of the multiple correlation
coecient. J. Amer. Statist. Assoc., 80 923-925.
Muirhead, R. J. et Chikuse, Y. (1975). Asymptotic expansions for the joint and marginal
distributions of the latent roots of the covariance matrix. Ann. Statist. ,
3 1011-1017.
Muirhead, R. J. et Verthaworn, T. (1985). On estimating the latent roots of Σ1 Σ2−1 . In
Multivariate Analysis, VI. (Krisnaiah, Ed) 431-447. North-Holland, Amsterdam.
Muirhead, R. J. et Waternaux, C. M. (1980). Asymptotic distributions in canonical
correlation analysis and other multivariate procedures for non-normal populations. Biometrika,
67 31-43.
Mulaik, S. A. (1972). The foundations of factor [Link] Graw-Hill, New-York.
Mulaik, S. A. (1976). Comments on The measurement of factorial indeterminacy.
Psychometrika, 41 249-262.
Mulaik, S. A. (1981). A note on sucient conditions that common factor will be determine in
an innite domain of variables. Psychometrika, 46 105-107.
Mulaik, S. A. (1986). Factor Analysis and Psychometrika : major developments.
Psychometrika, 51 23-33.
Mulaik, S. A. et Mc Donald, R. P. (1978). The eect of additional variables on factor
indeterminacy in models with a single common factor. Psychometrika, 43 177-192.
Nel, D. G. (1978). On the symmetric multivariate normal distribution and the asymptotic
expansion of a Wishart matrix. South African Statist. J ., 12 145-159.
Nel, D. G. (1980).On matrix dierentiation in statistics. South-Af. Statist. J., 14 137-193.
Nel, D. G. (1985). A matrix derivation of the asymptotic covariance matrix of sample
correlation coecients. Linear Algebra and its applic., 67 137-145.
Neudecker,H. (1969).Some theorems on matrix dierentiation with special references to
Kronecker matrix products. J. Amer. Statist. assoc., 64 953-963.
Neudecker,H. et Wansbeek,T. (1987).Fourth-order properties of normally distributed
random matrices. Linear Algebra Appl., 97 13-22.
Neudecker,H. et Wesselman, A. M. (1990).The asymptotic variance matrix of the sample
correlation matrix. Linear Algebra Appl. , 127 589-599.
Olkin, I. et Siotani, M. (1976). Asymptotic distribution of function of a correlation matrix. In
Essays in Probability and Statistics in Honor of Prof. Ogawa, 235-251. Shiko Tsusko Co Ltd,
Tokyo.
Okamoto, M. (1963).An asymptotic expansion for the distribution of linear discriminant
analysis. Ann. Math. Statist., 34 892-898.
Okamoto, M. (1969). Optimality of principal components. In Multivariate Analysis II.,
Krisnaiah Ed, 673-688.
O'Neill, M. E. (1973). Distinctness of the eigenvalues of a quadratic form in multivariate
normal sample. Ann. Statist., 1 763-765.
O'Neill, M. E. (1978a). Asymptotic distributions of the canonical correlations from
contingency tables. Austral. J. Statist., 20 75-82.
O'Neill, M. E. (1978b). Distributional expansions for canonical correlations from contingency
tables. J. Roy. Statist. Soc. Ser. B, 40 303-312.
O'Neill, M. E. (1981). A note on the canonical correlations from contingency tables. Austral.
J. Statis., 23 58-66
 Bibliographie 315

Pearson, K. (1901).On lines and planes of closest t to systems of points in space.

Philosophical Magazine Ser. 6, 2 559-572.
Piaggio, H. T. H. (1931). The general factor in Spearman's theory of intelligence. Nature,
127 56-57.
Piaggio, H. T. H. (1933). Approximate general and specic factors without indeterminate
parts. Brit. J. Psych., 25 485-489.
Pontier, J., Dufour, A. B. et Normand, M. (1990). Le Modèle Euclidien pour l'Analyse des
Données Multidimensionnelles.Éditions de l'Université de Bruxelles, Bruxelles.
Pousse, A. (1973).Sur l'Analyse Canonique considérée comme analyse en composantes
principales. C. R. Acad. Sci. Paris Ser. A, 236 321-326.
Pousse, A. (1992). Études asymptotiques, In Modèles pour l' Analyse des Données
Multidimensionnelles (Droesbecke et al , Eds). Économica, Paris.
Pousse, A. et Besse, P. (1992). Extensions des analyses factorielles. In Modèles pour
l'analyse des données multidimensionnelles , Droesbeke, J.J., Fichet, B. et Tassi, P. Eds,
Economica, Paris, 121-164.
Qannari, E. M. (1983).Analyses factorielles de mesures. Applications. Thèse de troisième
cycle, Université Paul Sabatier, Toulouse.
Ramsay, J. O. (1982). When the data are functions. Psychometrika, 47 379-396.
Ramsay, J. O. et Dalzell, C. J. (1991).Some tools for functional data analysis. J. Roy.
Statist. Soc. Ser. B, 53 539-572.
Ramsay, J. et Silverman,B. (1997). Functional Data Analysis. Springer-Verlag, New-York.
Ramsay, J. O., Ten Berge, J. M. F. et Styan, G. P. H. (1984).Matrix correlation.
Psychometrika, 49 403423
Rao, C. R. (1964). The use and the interpretation of principal component analysis in applied
research. Sankhya Ser .A, 26 329-358.
Rao, C. R. (1973). Linear Statistical Inference and its Applications . Wiley, New-York.
Rao, C. R. (Ed.) (1993). Multivariate Analysis : Future Directions. Vds. North-Holland,
Elsevier, Amsterdam.
Rao, C. R. et Yanai,H. (1979).General denition and decomposition of projectors and some
applications to statistical problems. J. Statist. Plann. Inference, 3 1-17.
Rao, M. M. (1993).An appraoach to stochastic integration (a generalized unied treatment).
In Multivariate Analysis : Future Directions , 347-374 (Rao, Ed.).Vds. North-Holland, Elsevier,
Amsterdam.
Rényi, A. (1966). Calcul des Probabilités. Dunod, Paris.
Romain,Y. (1979).Étude asymptotique des approximations par échantillonnage de l'analyse en
composantes principales d'une fonction aléatoire. Quelques applications. Thèse de troisième
cycle, Université Paul Sabatier, Toulouse.
Romain,Y. (2000).Contribution à la Statistique multidimensionnelle opératorielle. Habilitation
à Diriger des Recherches, Université Paul Sabatier, Toulouse.
Romain,Y. et Viguier,S. (1989). COMPCOV :un outil de comparaison de plusieurs matrices
de covariances. Statist. Anal. Données, 14 37-52.
Rozeboom, W. W. (1982). The determinacy of common factors in large item domains.
Psychometrika, 47 281-295.
Rozeboom, W. W. (1988). Factor indeterminacy : the saga continues. Brit. J. Math. Psych.,
41 209-226.
Saunders, D. R. (1961). The rationale for an oblimax method of transformation in factor
analysis. Psychometrika, 26 317-324.
Schönemann, P. H. (1990). Facts, ctions and common sense about Factors and
[Link]. Behav. Research , 25 47-51.
Schönemann, P. H. et Haagen, K. (1987). On the use of factors scores for prediction.
Biometrical J., 29 835-847.
Schönemann, P. H. et Steiger, J. H. (1976). Regression Component [Link]. J. Math.
Psych., 29 175-189.
Schönemann, P. H. et Steiger, J. H. (1978). On the validity of indeterminate factor scores.
Bull. Psych. Society, 12 287-290.
Schönemann, P. H. et Wang, M. M. (1972). Some new results on factor indeterminacy.
Psychometrika, 37 61-91.
Schott, J. R. (1988a). Testing the equality of the smallest latent roots of a correlation matrix.
Biometrika, 75 794-796.
Schott, J. R. (1988b). An improved chi-squared test for a principal component. Statist. Prob.
Let t., 5 361-365.
Schott, J. R. (1991a).A test for a specic principal component of a correlation matrix. J.
Amer. Statist. Assoc., 86 747-751.
Schott, J. R. (1991b).Some tests for common principal component subspaces in several
groups. Biometrika, 78 771-777.
Schott, J. R. (1997). Asymptotics of eigenprojections of correlation matrices with some
applications in principal components anlaysis. Biometrika , 84 2 327-337.
316 Bibliographie

Snook, S. C. et Gorsuch, R. L. (1989). Principal Component Analysis versus Factor

Analysis, a Monte Carlo study. Psych. Bull., 106 148-154.
Spearman, C. (1904). General intelligence, objectively determined and measured, Amer. J.
Psych., 15 201-293.
Spearman, C. (1927). The abilities of man ; their nature and [Link] Millan,
New-York.
Spearman, C.(1933). The uniqueness of g. J. Educ. Psych., 24 106-108.
Spearman, C. (1934). The factor theory and its trouble. IV Uniqueness of g. J. Educ.
Psych., 25 142-153.
Steiger, B. W. et Browne, M. W. (1984). The comparison of interdependent correlations
between linear composites. Psychometrika, 49, 1 11-24.
Steiger, B. W. et Hakstian, A. R. (1982). The asymptotic distribution of elements of a
correlation matrix. Theory and applications. British J. Math. Statist Psych., 35 208-215.
Steiger, B. W. et Hakstian, A. R. (1983). A historical note on the asymptotic distribution
of correlation. British J. Math. Statist .Psych., 36 157.
Steiger, J. H.(1979a). The relationships between external variables and indeterminate factors.
Psychometrika, 44 93-97.
Steiger, J. H. (1979b). Factor indeterminacy in the 1930's and the 1970's. Some interesting
parallels. Psychometrika, 44 157-167.
Steiger, J. H. et Schönemann, P. H. (1978). A history of factor score [Link]
Theory Construction and Data Analysis in the Behavioural Sciences, Skye ed., San Francisco,
Jossey-Bass.
Tamoudi,A. (1987).Analyse canonique de données aléatoires. Thèse de troisième cycle,
Université Paul Sabatier, Toulouse.
Tanaka,Y. (1988).Sensitivity analysis in principal component analysis. Inuence on the
subspace spanned by principal components. Comm. Statist. A, 17 3153-3175.
Tanaka,Y. (1989).Inuence functions related to eigenvalues problems which appear in
multivariate analysis. Comm. Statist. A, 18 3991-4010.
Téchené,J. J. (1994).Logique des moindres-carrés et inférence statistique. Thèse de Doctorat
d'État, Université de Pau et des Pays de l'Adour.
Thompson, G. H.(1934). On measuring g and s by tests which break the g-hierarchy. J.
Educ. Psych ., 25 204-210.
Thompson, G. H. (1935). The meaning of i in the measurement of g (general intelligence).
J. Educ. Psych., 26 241-262.
Thompson, G. H. (1931, 1939 5th ed). The factorial analysis of human [Link]
Miin, Boston.
Thurstone, L. L. (1935). The vectors of mind : multiple factor analysis for the isolation of
primary [Link]. Chicago Press, Chicago.
Thurstone, L. L. (1947). Multiple-Factor Analysis. Univ. of Chicago Pres, Chicago.
Tiago de Oliveira, J. (1982). The delta-method for obtention of asymptotic distributions ;
applications. Public. de l'I.S.U.P., 27 1, 49-70.
Tracy, D. S. et Dwyer,P. S. (1969).Multivariate maxima and minima with matrix
derivatives. J. Amer. Statist. J., 64 1576-1594.
Tuckey,J. W. (1962). The future of data analysis. AMS, 33 1-67.
Tuckey,J. W. (1977). Exploratory Data Analysis. Readind, Addison-Wesley.
Tuckey,J. W. (1980).We need both exploratory and conrmatory. Amer. Statist., 34 23-25.
Tyler,D. E. (1981). Asymptotic inference for eigenvectors. Ann. Statist. , 9 725-736.
Tyler,D. E. (1982). Radial estimates and the test for sphericity. Biometrika, 69 425-436.
Tyler,D. E. (1983a). The asymptotic distribution of principal components roots under local
alternatives to multiple roots. Ann. Statist., 11 1232-1242.
Tyler,D. E. (1983b).A class of asymptotic tests for principal component vectors. Ann. Statist.,
11 1243-1250.
Tyler,D. E. (1983c).Robustness and eciency properties of scatter matrices. Biometrika, 70
411-420.
Velicer, W. F. et Jackson, D. N. (1990). Component Analysis versus Common Factor
Analysis : some issues in selecting an appropriate procedure. Mult. Behav. Research , 25 1-28.
Viguier-Pla, S. (1991). Comparaisons de sous-espaces factoriels. Approches théorique et
pratique. Thèse de Doctorat de l'Université Paul Sabatier, Toulouse.
Vittadini, G. (1989). Indetermination problems in the LISREL model. Mult. Behav.
Research , 24 4 397-414.
Wang, S. G. et Liski, E. P. (1993). Eects of observations on the eigensystem of a sample
covariance matrix. J. Statist. Plann. Inference, 36 215-226.
Waternaux,C. M. (1976). Asymptotic distribution of the sample roots for a non normal
population. Biometrika, 63 639-646.
Wilkinson, L. (1989). A cautionary note on the use of F.A. ; a response to Borgotta, Kercher
and Stull and Hubbard and Allen. Sociol. Meth. Research , 17 449-459.
 Bibliographie 317

Williams, J. S. (1978). A denition for the common factor model and the elimination of
problems of factor score indeterminacy. Psychometrika, 43 293-306.
Wilson, E. B. (1928). Review of The abilities of man, their nature and measurement by C.
Spearman, Science , 67 244-248.
Wilson, E. B. (1929). Comments on Professor Spearman's note. J. Educ. Psych., 20 217-223.
Zhang,Y. T. (1978). Generalized correlation coecients and their applications. Acta Math. A.
Sinica,1, 312-320.
Abréviations

A.C.P. pour Analyse en Composantes Principales

A.C. pour Analyse Canonique
A.F. pour Analyse en Facteurs (Communs et Spéciques)
A.F.C. pour Analyse Factorielle des Correspondances
A.F.D. pour Analyse Factorielle Discriminante
i.i.d. pour indépendantes et identiquement distribuées
p.s. pour presque sûre ou presque sûrement
v.a. pour variable aléatoire
v.a.e. pour variable aléatoire euclidienne
v.a.h. pour vecteur aléatoire hilbertien
v.a.r. pour variable aléatoire réelle
Index

Eet, 10 de covariance
Erreur, 10 expliqué, 218
Espace résiduel, 218
principal, 173
Pouvoir discriminant, 141
Modèle
à eets xes, 172
Rapport
fonctionnel, 10
de corrélation d'échantillonnage, 144
linéaire, 10
structurel, 10
Modèle ane, 10 Variable
discriminantes
Opérateur d'échantillonnage, 144
d'échantillonnage latente, 10
inter-classes, 144 observable, 10