Chapitre I: Vecteurs gaussiens-Mouvement Brownien Probabilités II 5ème annéeDS A.U:2022-2023 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 Var [a.X ] = d X d 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 t 1 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 : Φa.X (t) = E [e ita.X ] = d Y j=1 E [e itaj .Xj ] = d Y e− (taj )2 2 t2 t = e − 2 a .a j=1 Donc la variable aléatoire a.X suit la loi gaussienne centrée de variance at .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 , 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) à valeurs réelles (E = R) est dit : 1 continu si les trajectoires t 7→ Xt (ω) les sont. 2 stationnaire (au sens faible) si ∀h ≥ 0, (Xt+h )t≥0 et (Xt )t≥0 ont la même loi. 3 4 à accroissements indépendants si ∀n ∈ N∗ et 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn , les accroissements Xt1 , Xt2 − Xt1 , · · · , Xtn − Xtn−1 sont des v.a.r indépendantes. à accroissements stationnaires si ∀t, h ≥ 0, Xt+h − Xt a même loi que Xh − 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 x2 1 √ 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 St − Su = − 1, Su Su u≤t indépendants et stationnaires, donc Xt = ln(St ) est un processus continu à accroissements 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