Chapitre I:

Vecteurs gaussiens-Mouvement Brownien

Probabilités II

5ème annéeDS
A.U:2021-2022

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 1 / 22

 Vecteurs gaussiens

1 Vecteurs gaussiens

2 Mouvement Brownien

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 2 / 22

 Vecteurs gaussiens

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.

Autrement dit, toute combinaison linéaire de X est gaussienne.

Par linéarité de l’espérance et par bilinéarité de la variance on a :

E [a.X ] = a1 E [X1 ] + · · · ad E [Xd ] = a.E [X ],

et
d X
X d
Var [a.X ] = ai aj Cov (Xi , Xj ),
i=1 j=1

avec Cov (Y , Z ) = E (YZ ) − E (Y )E (Z ) = E [(Y − E (Y ))(Z − E (Z ))].

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 3 / 22

 Vecteurs gaussiens

Vecteurs gaussiens

Notons par Γ , avec Γij = Cov (Xi , Xj ), la matrice de variance covariance du

vecteur X et m, avec mi = E (Xi ), son vecteur moyenne. La fonction
caractéristique de X est donnée par :

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).

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 4 / 22

 Vecteurs gaussiens

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 .

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 5 / 22

 Vecteurs gaussiens

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 .

En effet : pour a ∈ Rd , par indépendance, la fonction caractéristique de a.X est :

d d (taj )2 t2
Y Y
Φa.X (t) = E [e ita.X
]= E [e itaj .Xj
]= e− 2 = e − 2 a.a
j=1 j=1

Donc la variable aléatoire a.X suit la loi gaussienne centrée de variance a.a.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 5 / 22

 Vecteurs gaussiens

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.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 6 / 22

 Vecteurs gaussiens

Stabilité du caractère gaussien par transformation linéaire

Si X est un vecteur aléatoire à valeurs dans Rd et Y = a + MX avec a ∈ Rn un

vecteur constant et et M une matrice de taille n × d, alors toute combinaison
linéaire des coordonnées de Y est combinaison linéaire des coordonnées de X à
une constante près :

pour b ∈ Rn , b.Y = b.a + (M t .b).X .

Donc si X est gaussien, alors Y est aussi gaussien.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 7 / 22

 Vecteurs gaussiens

Vecteurs gaussiens et indépendance

Proposition
Les coordonnées d’un vecteur gaussien X = (X1 , · · · , Xd ) sont indépendantes si et
seulement si sa matrice de variance covariance Γ est diagonale.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 8 / 22

 Vecteurs gaussiens

Convergence en loi de vecteurs aléatoires

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 :

lim E [e iu.Xn ] = E [e iu.X ].

n→+∞

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 9 / 22

 Vecteurs gaussiens

Convergence en loi de vecteurs aléatoires

Théorème : TCL multidimensionnel

Soit (Xn , n ≥ 1) une suite de variables aléatoires à valeurs dans Rd indépendantes
suivant toutes la même loi que X . On suppose que E [|X |2 ] < ∞. Alors
√ 1 
n (X1 + · · · + Xn ) − m .
n
converge en loi vers un vecteur gaussien centré de matrice de variance-covariance
Γ.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 10 / 22

 Vecteurs gaussiens

Stabilité des vecteurs gaussiens par convergence en loi

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.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 11 / 22

 Mouvement Brownien

1 Vecteurs gaussiens

2 Mouvement Brownien

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 12 / 22

 Mouvement Brownien

Plan

1 Vecteurs gaussiens

2 Mouvement Brownien

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 13 / 22

 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).

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 14 / 22

 Mouvement Brownien

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

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 15 / 22

 Mouvement Brownien

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

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 16 / 22

 Mouvement Brownien

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

avec (Bt , t ≥ 0) un mouvement brownien.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 17 / 22

 Mouvement Brownien

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).

Ce modèle d’actif est appelée modèle de Black-Sholes.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 18 / 22

 Mouvement Brownien

Mouvement Brownien - Régularité des trajectoires

Une propriété importante du mouvement brownien est le manque de régularité des

trajectoires. Nous admettrons le théorème suivant
Théorème
Soit (Bt , t ≥ 0) un mouvement brownien, alors, en dehors d’un ensemble de
probabilité nulle, il n’existe aucun point où la trajectoire est différentiable.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 19 / 22

 Mouvement Brownien

Mouvement Brownien - Régularité des trajectoires

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 20 / 22

 Mouvement Brownien

Caractère gaussien du mouvement brownien

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.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 21 / 22

 Mouvement Brownien

Caractère gaussien du mouvement brownien

Théorème
Soit (Bt , t ≥ 0) un processus gaussien centré continu t.q.

∀s, t ≥ 0, Cov (Bs , Bt ) = min(s, t).

Alors (Bt , t ≥ 0) est un mouvement brownien.

Probabilités II Chapitre I:Vecteurs gaussiens-Mouvement Brownien 22 / 22