Bonjour à tous,
Suite à un premier fil qui m'a fait prendre conscience de plusieurs choses, j'en ouvre un second pour plus de clarté (enfin j'espère).
Mon problème est le suivant :
Je suis face à un vecteur aléatoire, X, dont je peux construire un grand nombre de réalisations. Je cherche à évaluer une distance entre la loi du vecteur X et et celle d'un vecteur gaussien de paramètres connus (moyenne et covariance).
Ce type de question trouve un bon nombre de réponse pour le cas 1D, en particulier la distance de Kolmogorov-Smirnov[*] retient mon attention car elle me semble simple à calculer et avoir de plus un bon "comportement numérique". Malheureusement pour moi, tout se complique en n dimensions.
Par exemple pour la distance de K-S, je ne sais pas trop comment calculer la fonction de répartition de mon vecteur gaussien dans le cas général. Par contre, ce calcul est très simple si la matrice de covariance est diagonale, ce qui me donne une première idée : au lieu de calculer la distance de K-S entre X et mon vecteur gaussien (notons le N), je pourrais calculer la distance entre Q.X et Q.N où Q est la matrice orthogonale qui diagonalise la covariance de N (ou plutôt son inverse).
Mais je suis pour l'instant incapable de dire si cette démarche me permet d'estimer de manière valide une distance entre X et N...
Je résume en quelques points mes interrogations :
- serais-je passé à côté d'une distance "magique" qui soit fiable et simple à calculer en n dimensions?
- suis-je assez nul en calcul pour ne pas voir comment calculer cette fichue fonction de répartition?
- est-ce que ma tambouille sur la distance de K-S et la diagonalisation de la covariance est crédible?
- et tant d'autres que vous ne manquerez pas de soulevez
Merci d'avance pour vos réponses.
[*] : pour mémoire, la distance de Kolmogorov-Smirnov entre les lois de 2 variables aléatoires X et Y est donnée par où et sont les fonctions de répartitions de X et Y.
-----