Académique Documents
Professionnel Documents
Culture Documents
Probabilités II
5ème annéeDS
A.U:2021-2022
1 Vecteurs gaussiens
2 Mouvement Brownien
Vecteurs gaussiens
Définition
On dit qu’un vecteur aléatoire X = (X1 , · · · , Xd ) est un vecteur gaussien si, pour
tout a = (a1 , · · · , ad ) ∈ Rd , la variable aléatoire réelle aX est une variable
aléatoire gaussienne.
et
d X
X d
Var [a.X ] = ai aj Cov (Xi , Xj ),
i=1 j=1
Vecteurs gaussiens
1 1 t
E (e iuX ) = exp{iE (u.X ) − Var (u.X )} = e iu.m− 2 u Γu .
2
La fonction caractéristique (et donc la loi) ne dépend que du couple (m, Γ). On dit
dans ce cas que X suit la loi N(m, Γ).
Vecteurs gaussiens
Exemple :
Si X1 , · · · , Xd sont des variables gaussiennes centrées réduites indépendantes alors
X = (X1 , · · · , Xd ) est un vecteur gaussien centré de matrice de variance
covariance égale à la matrice identité de Rd .
Vecteurs gaussiens
Exemple :
Si X1 , · · · , Xd sont des variables gaussiennes centrées réduites indépendantes alors
X = (X1 , · · · , Xd ) est un vecteur gaussien centré de matrice de variance
covariance égale à la matrice identité de Rd .
Donc la variable aléatoire a.X suit la loi gaussienne centrée de variance a.a.
Vecteurs gaussiens
Remarque ! !
Il ne suffit pas que X1 et X2 soient des variables gaussiennes réelles pour que
(X1 , X2 ) soit un vecteur gaussien. Ce résultat est vrai dans le cas particulier où X1
et X2 sont indépendantes.
Proposition
Les coordonnées d’un vecteur gaussien X = (X1 , · · · , Xd ) sont indépendantes si et
seulement si sa matrice de variance covariance Γ est diagonale.
Définition
On dit que (Xn , n ≥ 1) suite de variables aléatoires à valeurs dans Rd converge en
loi vers X variable aléatoire à valeurs dans Rd si, pour toute fonction continue et
bornée f : Rd → R
lim E [f (Xn )] = E [f (X )].
n→+∞
Théorème
Soit (Xn , n ≥ 1) une suite de variables aléatoires à valeurs dans Rd . Cette suite
converge en loi vers X si et seulement si, pour tout u = (u1 , · · · , ud ), on a :
Proposition
Soit (Xn )n une suite de variables gaussiennes réelles qui converge en loi vers X .
Alors X est gaussienne.
Corollaire
Soit (Xn )n une suite de vecteurs gaussiens à valeurs dans Rd qui converge en loi
vers un vecteur X . Alors X est gaussien.
1 Vecteurs gaussiens
2 Mouvement Brownien
Plan
1 Vecteurs gaussiens
2 Mouvement Brownien
Processus Stochastique
Définition
On appelle processus stochastique à temps continu à valeurs dans un espace E
muni d’une tribu E , une famille (Xt , t ≥ 0) de variables aléatoires à valeurs dans
E définies sur un espace de probabilité (Ω, A, P).
Remarque : L’indice t ∈ [0, +∞[ représente le temps. Notons que l’on peut
associer, à chaque ω ∈ Ω, une trajectoire :
t → Xt (ω).
Processus Stochastique
Définition
Un processus (Xt , t ≥ 0) á valeurs réelles est dit :
1 continu si les trajectoires t 7→ Xt (ω) le sont.
2 à accroissements indépendants si ∀n ∈ N∗ et 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn , les
accroissements Xt1 , Xt2 − Xt1 , · · · , Xtn − Xtn−1 sont indépendants.
3 à accroissements stationnaires si ∀t ≥ 0, Xt+s − Xt a même loi que Xs − X0
Mouvement Brownien
Définition
Un processus stochastique (Bt , t ≥ 0) à valeurs réelles est dit un mouvement
brownien (standard) s’il vérifie les quatre propriétés suivantes :
B0 = 0.
Pour tout s ≤ t, l’accroissement Bt − Bs suit la loi gaussienne centrée de
variance t − s (Processus à accroissements stationnaires).
si 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn , les accroissements Bt1 , Bt2 − Bt1 , · · · , Btn − Btn−1
sont indépendants. (Processus à accroissements indépendants).
En dehors d’un ensemble de probabilité nulle, les trajectoires t → Bt (ω) sont
continues.(Processus continu).
Notons que (i) et (ii) implique que Bt = Bt − B0 suit la loi gaussienne centrée de
variance t dont la densité est
1 x2
√ e − 2t .
2πt
Mouvement Brownien
Théorème
Si (Xt , t ≥ 0) est un processus continu à accroissements indépendants et
stationnaires alors il existe deux constantes réelles r et σ t.q. ∀t ≥ 0,
Xt − X0 = rt + σBt
Mouvement Brownien
Exemple
Si on souhaite modéliser le cours (St )t≥0 d’une action par un processus continu
strictement positif à accroisements relatifs
St − Su St
= − 1, u≤t
Su Su
indépendants et stationnaires. Dans ces conditions, d’aprés le théorème précédent,
il existe deux constantes réelles r et σ et un mouvement brownien (Bt )t≥0 t.q.
∀t ≥ 0, St = S0 exp(σBt + rt).
Nous avons vu que si (Bt , t ≥ 0) est un mouvement brownien alors Bt suit une loi
gaussienne. Une propriété plus forte est vérifié par le processus (Bt , t ≥ 0) : c’est
un processus gaussien.
Définition
On dit qu’un processus (Xt , t ≥ 0) est un processus gaussien, si pour tout entier n
et pour tout n−uplet, 0 ≤ t1 < t2 < · · · < tn < +∞, le vecteur (Xt1 , · · · , Xtn ) est
un vecteur gaussien.
Théorème
Un mouvement brownien est un processus gaussien.
Théorème
Soit (Bt , t ≥ 0) un processus gaussien centré continu t.q.