Chapitre 2

Vecteurs Gaussiens

2.1 Vecteurs aléatoires

Dé…nition 2.1 On appelle vecteur aléatoire où variable aléatoire à valeurs dans Rn , une
application mesurable de ( ; T )dans (Rn ; B(Rn )):

2.1.1 Loi d’un vecteur aléatoire

Soit ( ; T; P ) un espace de probabilité, si X est un vecteur aléatoire à valeurs dans Rn , on

appelle loi de X, la probabilité PX dé…nit par :

8B 2 B(Rn ); PX (B ) = P (X 1
(B )) = P (X 2 B ): (2.1)

Dé…nition 2.2 Si X = (X1 ; :::; Xn ) est un vecteur à valeurs dans Rn . La loi de la v:a Xi
(1 i n) est appelée la ième loi marginal.

– La loi PX de X est la loi joint du d-uplet (X1 ; :::; Xn ) probabilité sur Rn :

– La loi PXi de Xi est la ième loi marginale probabilité sur R:

Dé…nition 2.3 La loi de X admet la densité f positive, intégrable sur Rn et d’intégrale 1 si

27
Chapitre [Link] gaussiens

et seulement si
Z x1 Z xn
F (x1 ; :::; xn ) = ::: f (y1 ; :::; yd )dy1 :::dyn : (2.2)
1 1

Remarque 2.1 On a pour tout B 2 B(R)

PXi (B ) = P (Xi 2 B ) = P (X1 2 R; :::; Xi 2 B ; :::; Xn 2 R)

= P (X 2 R :::: B ::::R)

= PX (R ::: B :::R);

dans le cas ou f a pour densité f , on obtiens.

Proposition 2.1 Si le vecteur X = (X1 ; :::; Xn ) admet une densité f , alors Xi (1 i n)

a pour densité la fonction fXi donnée par

Z
fXi (u) = f (x1 ; :::; xi 1 ; u; xi+1 ; :::; xn )dx1 :::dxi 1 dxi+1 :::dxn ; (2.3)
Rn 1

on appelle cette densité la ieme densité marginale.

2.1.2 Moments d’un vecteur aléatoire

Comme pour les v:a:r, on dé…ne pour les vecteurs aléatoires des moments d’ordre 1et 2.

Dé…nition 2.4 Si X = (X1 ; :::; Xn ) un vecteur aléatoire lorsque chaque composante est une
v:a positive ou nulle, on appelle espérance (ou moyenne d’ordre 1) de X, le vecteur de Rd égal
a:
E(X) = (E(X1 ); :::; E(Xn )): (2.4)

Lorsque k X k est intégrables, chaque composante Xi est intégrable et la dé…nition a bien un

sens.
On peut calculer E(Xi ) à l’aide de la loi de Xi où à l’aid de la loi de X

Z Z Z
E(Xi ) = Xi (!)dP (!) = xi dPXi (xi ) = xi dPX (x); (2.5)
R Rn

28
Chapitre [Link] gaussiens

le vecteur E(Xi ) décrit le comportement moyen du vecteur aléatoire X.

Proposition 2.2 Si X1 ; :::; Xn sont des v:a:r de carré intégrable, on a la formule

Xn X
n X
V ar( Xi ) = V ar(Xi ) + 2 Cov(Xi ; Xj ): (2.6)
i=1 i=1 1 i<j n

Dé…nition 2.5 Si X = (X1 ; X2 ; :::; Xn )un vecteur aléatoire à valeurs dans Rn tel que
E(k X k 2 ) < 1: On appelle matrice de dispersion de X ou (matrice de variance covariance)
la matrice n n de terme générale

( X )i;j = Cov(Xi ; Xj ): (2.7)

Cette matrice est bien dé…nie car, si la v:a k X k2 est intégrable, chaque variable Xi
est intégrable.
La matrice de dispersion est une matrice symetrique. Sa daigonale principale est formée des
variance de Xi :

Exemple 2.1 Soit X = (X1 ; X2 )un vecteur aléatoire de densité :

1 x2 2bxy + y 2
f (x; y) = p exp( ):
2 1 b2 2(1 b2 )

avec jbj < 1: Nous avons vu que X1 et X2 suivent une loi gaussinne centrée réduite. Donc
E(X1 ) = E(X2 ) = 0 et V ar(X1 ) = V ar(X2 ) = 1: Nous connaissons donc le vecteur espé-
rance de X et la diagonale principale de la matrice de dispersion de X. Il reste à calculer
Cov(X1 ; X2 ): Comme les moyennes de X1 et X2 sont nulles, on a :

Cov(X1 ; X2 ) = Cov(X2 ; X1 ) = E(X1 X2 )

29
Chapitre [Link] gaussiens

et :

Z
1 x2 2bxy + y 2
E(X1 X2 ) = xy p exp( )dxdy
2 1 b2 2(1 b2 )
Z Z !
1 x2 1 (y bx)2
= p xe 2 p y exp dy dx
2 2 (1 b2 ) 2(1 b2 )

= b:

Car la parenthèse représente la moyenne d’une loi gaussienne de moyenne bx et de variance

1 b2 et vaut donc bx ; en factorisante par b, on reconnaît ensuite la variance d’une loi
gaussienne centrée réduite qui vaut 1. On a donc
0 1 0 1
B 0 C B 1 b C
E(X) = @ A et X =@ A
0 b 1

Si on représente les vecteurs X et E(X) par des matrices colonnes, on peut écrire matriciel-
lement la matrice X sous la forme

X = E((X E(X))(X E(X))t ):

où, étant donné un vecteur (ou un matrice) u:ut désigne sont tranposé.
L’espérance d’un vecteure aléatoire est lineaire alors que la disperion est une quntité quadra-
tique. Cela se voit, entre autre, dans les formules de la proposition suivante.

Proposition 2.3 Si X est un vecteur aléatoire à valeurs dans Rn ; tel que E(k X k2 ) < 1:
Si A est la matrice représentant une application linéaire de Rn dans Rn et si B est un vecteur
de Rn , alors le vecteur aléatoire Y = AX + B a valeur dans Rn est tel que E(k Y k2 ) < 1
et on a :

E(Y ) = AE(X) + B;

DY = ADX At :

30
Chapitre [Link] gaussiens

Preuve. On a

81 i n ; Xi 2 L2 ( ; T; P ) ) 81 i n ; Yi 2 L2 ( ; T; P );
X
n
2
E( k Y k ) = E(Yi 2 );
i=1

est …nie puisque l’intégrale est linéaire alors on a

E(Y ) = AE(X) + B:

Calculons DY :

DY = E[(Y E(Y ))(Y E(Y ))t ]

= E[(AX + B E(AX + B))(AX + B E(AX + B))t ]

= E[A(X E(X))(X E(X))t At ]

= ADX At :

2.1.3 Fonction caractéristique

Dé…nition 2.6 Si Xest un vecteur aléatoire à valeurs dans Rn (n 1), on appelle fonction
caractéristique de X la fonction X de Rn dans C dé…nie par :

X (t) = E(exp(i ht; Xi)): (2.8)

Pn
(ht; Xi désigne le produit scalaire de t et de X dans Rn : ht; Xi = i=1 ti Xi ):

La fonction exp(i ht; Xi) est de norme égale à 1 donc est P-intégrable. Si on note PX la loi
de X, on peut écrire la fonction caractéristique X de la maniére suivente :

Z
X (t) = exp(i ht; Xi)dPX (x):
Rn

31
Chapitre [Link] gaussiens

La fonction caractéristique de X est donc la transformée de Fourier de la loi de X. C’est

une fonction continue bornée par 1.
R
Si X admet une densité f alors X (t) = Rn
exp(i ht; Xi)f (x)dx et la fonction caractéristique
de Xest la transformée de Fourier de la fonction f .[5]

Propriété : Deux vecteurs aléatoires X et Y ont même loi si et seulement si

X = Y:

Propriété : Soit X = (X1 ; :::; Xn )t un vecteur aléatoire de dimension n. Les coordonnées de

X sont indépendantes si et seulement si la fonction caractéristique de X est le produit des
fonctions caractéristiques de ses coordonnées i.e

Y
n
t n
8t = (t1 ; :::; tn ) 2 R ; X (t) = Xk (tk ):
k=1

[2]

2.2 Vecteurs Gaussiens

2
On a déjà rencontré des v:a gaussiennes sur R ce sont les v:a de loi N (m; ):
Dans la suite on considérera également les v:a:r presque surement constantes (donc de
covariance nulle) comme gaussiennes.

2.2.1 Exemple fondamental

Considérons n variables aléatoires X1 ; :::; Xn indépendantes et de loi respectivement

2 2
N (m1 ; 1 ); :::; N (mn ; n ).
Pour i = 1; :::; n, la variable aléatoire Xi est donc de densité
!
2
1 1 x mi
fXi (x) = p exp : (2.9)
2 i 2 i

32
Chapitre [Link] gaussiens

En raison de l’indépendance des v:a:Xi , la densité conjointe du vecteur X1 ; :::; Xn est :

!
1X
n 2
1 1 x mi
fXi ;:::;Xn (x1 ; :::; xn ) = p n n exp : (2.10)
2 Y 2 i=1 i
i
i=1

Le vecteur espérance du vecteur X = (X1 ; :::; Xd ) et sa matrice de covariance sont :

0 1 0 1
2
m 0
B 1 C B 1
C
B C B C
B : C B : C
B C B C
B C B C
B
E(X) = m = B : CC et X =B
B : C:
C
B C B C
B C B C
B : C B : C
@ A @ A
2
mn 0 n

Notons que la matrice X est daigonnale en raison de l’indépendance des v:a:r:(Xi )i=1;:::;n :Comme
toutes les variances i sont strictement positives, on obtient aisément la matrice inverse

0 1
1
2 0
B 1 C
B C
B : C
B C
B C
X
1
=B
B : C:
C
B C
B C
B : C
@ A
1
0 2
n

On peut alors récrire la densité conjointe du vecteur X = (X1 ; :::; Xn ) sous la forme

1 1 1
fXi ;:::;Xn (x1 ; :::; xn ) = p n p exp (x m)t 1
X (x m) ;
2 det( X) 2

33
Chapitre [Link] gaussiens

puisque

0 10 1
1
2 0 x1 m1
B 1 CB C
B CB C
B : CB : C
B CB C
B CB C
(x m)t 1
X (x m) = (x1 m1 ; :::; xn mn ) B
B : CB
CB : C
C
B CB C
B CB C
B : CB : C
@ A@ A
1
0 2 xn mn
n

X
n
(x mi )2
= 2
:
i=1 i

Intéressons-nous maintenant à la fonction caractéristique du vecteur X:

Toujours en raison de l’indépendance, on a, pour tout t = (t1 ; :::; tn ) de Rn :

Y
n

X (t) = X1 ;:::;Xn (t1 ; :::; tn ) = Xj (tj ):

j=1

2
Or, que la fonction caractéristique d’une v:a:r:de loi N (mj ; j ) est :

1 2 2
Xj (tj ) = exp itj mj t
2 j j

d’où on tire :
!
X
n
1X 2
n
2
X1 ;:::;Xn (t) = exp i tj mj t
j=1
2 j=1 j j

1 t
= exp itt m t Xt :
2

34
Chapitre [Link] gaussiens

Remarquons en…n que toute combinaison linéaire des Xj , pour j = 1; :::; n; est de loi normale
dans R. Une combinaison linéaire des Xj s’écrit en e¤et de manière générale sous la forme :

ht;Xi (u) = E eiuht;Xi = E eihut;Xi

= X (ut) = X (ut1 ; :::; utn )

1 2t
= exp iutt m ut Xt :
2

La fonction caractéristique de la v:a:r: ht; Xiest donc de la forme :

1 2
ht;Xi (u) = exp iua ub ;
2

avec a = tt m et b = tt X t: Par caractérisation, la v:a:r: ht; Xiest donc de loi N (tt m; tt X t):[4]

2.2.2 Caractéristique des vecteus gaussiens

Dé…nition 2.7 Un vecteur aléatoire X = (X1 ; :::; Xn ) de Rn est dit vecteur gaussien si, pour
tout t = (t1 ; :::; tn ) de Rn , la v:a:r:

X
n
t
tX= ti Xi ; (2.11)
i=1

est une v:a:r. de loi normale. Autrement dit, si toute combinaison linéaire des composantes
de X = (X1 ; :::; Xn ) est de loi normale.
Si son vecteur des espérances est m et sa matrice de covariance est X, on note
X Nn (m; X ):

Remarquons que l’on peut en particulier en déduire que toutes les composantes du vecteur X
sont des v:a:r. de loi normale. En revanche, la réciproque est fausse. Un vecteur dont toutes
les composantes sont de loi normale, n’est pas nécessairement un vecteur gaussien.
La dé…nition précédente implique également que tout sous vecteur d’un vecteur gaussien est
encore un vecteur gaussien.

35
Chapitre [Link] gaussiens

Propriété : Soit X1 ; :::; Xn des variables aléatoires réelles indépendantes de loi normale cen-
trée réduite. Alors, le vecteur X = (X1 ; :::; Xn )t est un vecteur aléatoire gaussien.[2]

Proposition 2.4 Soit X est vecteur gaussien à valeurs dans Rn ; de moyenne

m = E(X) = (E(X1 ); :::; E(Xn ))t et de matrice de variance-covariance

= (Cov(Xi ; Xj ))i;j2f1;:::;ng = E((X E(X))(X E(X))t ): (2.12)

Soient A 2 Md;n et b 2 Rd : Alors, Y = AX + b est un vecteur gaussien à valeurs dans Rd de

moyenne Am + b et de matrice de variance-covariance A At :

Proposition 2.5 Pour qu’un vecteur X de Rn soit un vecteur gaussien il faut et il su¢ t
qu’il existe un vecteur m de Rn et une matrice symétrique et positif de dimension n n tels
que, pour tout vecteur t de Rn ; on ait :

1 t
X (t1 ; :::; tn ) = exp itt m t t : (2.13)
2

Dans ce cas, on a : E(X) = m et X = :

Preuve. Supposons que X soit un vecteur gaussien. Toute v:a:r:de la forme tt X, pour t dans
Rn , est donc de loi N (tt m; tt t):Ainsi sa fonction caractéristique est :

t 1 2t
tt X (u) = E(eiut X ) = exp iutt m ut t :
2

En posantu = 1 dans cette équation, on obtient :

t 1 t
E(eit X ) = exp itt m t t :
2

36
Chapitre [Link] gaussiens

Ce qui est bien l’expression annoncée pour la fonction caractéristique.

Réciproquement, soit X un vecteur aléatoire dans Rn ayant pour fonction caractéristique.

1 t
X (t) = exp itt m t t = E(eiht;Xi );
2

pour tout t dans Rn . Notons maintenant Y = ht; Xi la variable aléatoire réelle dont la fonction
caractéristique est, pour tout u dans R :

t
Y (u) = E(eiuY ) = E(eiut X ) = E(eihut;Xi )
1 2t
= exp iutt m ut Xt
2
1 2
= exp iua ub ;
2

où a = tt m et b = tt X t. Par caractérisation, la v:a:r:Y est donc de loi N (tt m; tt t). On

a donc démontré que toute combinaison linéaire des composantes du vecteur X est de loi
normale, et par dé…nition il s’agit bien d’un vecteur gaussien.[4]

Remarque 2.2 On constate que la loi d’un vecteur gaussien est entièrement déterminer par
; et on note cette loi
X Nn (m; ):

Une propriété importante des vecteurs gaussiens est que l’indépendance des composantes est
équivalente à la nullité des covariances.

Remarque 2.3 Il faut prendre bien garde d’appliquer cette proposition avec toutes ses hypo-
thèses, deux v:a:r gaussiennes U et V de covariance nulle ne sont pas forcément indépendant
il faut que le couple (U; V ) soit gaussien.
Lorsque la matrice de dispersion d’un vecteur gaussien est inversible, la loi de se vecteur
admet une densité par rapport a la mesure de Lebesgue et on a la formule explicite de cette
densité.

37
Chapitre [Link] gaussiens

2.2.3 Quelques propriétés des vecteurs gaussiens

En général, deux variables aléatoires réelles non corrélées ne sont pas nécessairement indépen-
dantes. Pour des vecteurs gaussiens, indépendance des coordonnées et absence de corrélation
sont deux notions équivalentes.
Propriétés : Soit X un vecteur gaussien dans Rn : Pour que ses composantes X1 ; :::; Xn
soient indépendantes, il faut et il su¢ t que la matrice de covariance soit diagonale.
Preuve. Il su¢ t, bien sûr, de montrer la réciproque. Supposons donc que X soit diagonale,
i.e
0 1
2
1 0 : : 0
B C
B C
B 0 : : : C
B C
B C
X =B
B : : : : : C
C:
B C
B C
B : : : 0 C
@ A
2
0 : : 0 n

Comme X est un vecteur gaussien de loi N (m; X ), chacune de ses composantes Xj , pour
2
j = 1; :::; n, est de loi normale N (mj ; j) et de fonction caractéristique :

1 2
X (t) = exp itj mj j tj ;
2

pour tout tj dans R.

38
Chapitre [Link] gaussiens

Par ailleurs, la fonction caractéristique du vecteur X est, pour tout t dans Rn :

1 t
X (t) = exp itt m t Xt
2
!
X
n
1X
n
2
= exp i tj mj j tj
j=1
2 j=1
!
X
n
1 2
= exp itj mj j tj
j=1
2
Y
n
1 2
= exp itj mj j tj
j=1
2
Yn
= Xj (tj ):
j=1

Propriété : Soit X = (X1 ; ::::; Xn )t un vecteur aléatoire gaussien d’espérance m 2 Rn et

de matrice de covariance X. La loi de X admet une densité si et seulemet sila matrice X

est inversible et dé…nie positive (i.e. de déterminant det( X) > 0 non nul) et dans ce cas la
densité est :

1 1 1
8x 2 Rn ; fX (x) = n p exp (x m)t 1
(x m) : (2.14)
(2 ) 2 det( X) 2

Preuve. Nous démontrons uniquement la condition su¤sante.

La matrice d d symétrique positive D étant de rang d, il existe une matrice d d B telle
que :
D = BB t ;

posons
Y = B 1 (X m);

le vecteur Y est un vecteur gaussien et on a

E(Y ) = B 1 E(X m) = 0;

39
Chapitre [Link] gaussiens

et sa matrice de dispersion est

Y = B 1 E(B 1 )t = Id;

les composantes de Y sont indépendante et sont toute de loi gaussienne centrée réduite

1 1
fY (x) = d exp kxk2 :
(2 ) 2 2

Pour trouver la loi de X on applique le théorème de transfert

E('(X)) = E('(m + By))

Z
= '(m + By)f (y)dy
Rd

par le changement de variable

x = m + By
Z
1
E('(X)) = '(x) exp (x m)t (B t ) 1 B 1 (x m) dx
Rd 2

d’où le résultat

Z
d
1 1
E('(X)) = (2 ) det(B )
2 '(x) exp (x m)t (B t ) 1 B 1 (x m) dx:
Rd 2

Remarque 2.4 analogie avec le cas uni-dimensionel (n = 1). Si X 2 R suit loi normal
2
N (m; ); alors sa densité est :

1 1
(x m 2
) ; x 2 R:
fX (x) = p e 2 (2.15)
2 2

Propriétés :
La transformée d’un vecteur gaussien de Rn par une application linéaire de Rn vers Rp est

40
Chapitre [Link] gaussiens

encore un vecteur gaussien.

Preuve :
Soit X un vecteur gaussien de Rn , de vecteur des espérances m et de matrice de covariance

X. Soit A la matrice associée à une transformation linéaire quelconque de Rn vers Rp . La

matrice A est donc de dimension p n : Calculons la fonction caractéristique du vecteur
aléatoire Y = AX, pour tout t de Rp , on a :

= E eiht;AXi = E eihA t;X i

t
Y (t) = AX (t)

t 1 t
= X (A t) = exp itt Am tA XA
t
t :
2

Par caractérisation, le vecteur Y est donc un vecteur gaussien dans Rp de vecteur des espé-
t
rances Am et de matrice de covariance A XA , i.e

t
Y Np (Am; A X A ):

2.2.4 Le théorème central limite vectoriel

Théorème 2.1 (Le théorème central limite vectoriel) Soit (Xn )n 1 une suite de vec-
teurs aléatoires i:i:d. de Rd appartenant à L2 , d’espérance m 2 Rd et de matrice de covariance

X 2 Md (R). Notons pour tout n 1

Sn = X1 + :::: + Xn :

On a la convergence en loi

Sn nm
loi p !n !1 N (0; X ):
n

Remarque 2.5 On pourra écrire ainsi une sorte de développement limité des moyennes
empiriques de vecteurs i:i:d: sous la forme

41
Chapitre [Link] gaussiens

Sn 1
wm+ p G
n n

où G est vecteur gaussien de loi N (0; ):[1]

2.2.5 Espérance conditionnelle et projection orthogonale

On va maintenant revenir sur la notion d’espérance conditionnelle et montrer qu’elle

se caractérise trés facilement dans le cas gaussien. Soit ( ; T; P ) un espace probabilisé, et
X : ( ; T ) ! (R; BR ) une v:a. réelle. On rappelle que l’on note par L2 ( ; T; P ) l’espace des
v:a:r:X de carré intégrable i:e telles que E(X 2 ) < +1. De plus, l’espace L2 ( ; T; P ) est un
espace de Hilbert lorsqu’il est muni du produit scalaire hX; Y i = E(XY ); et de la norme
p
quadratique associée kXk2 = E(X 2 ):
X
Une remarque trés importante est alors la suivante. Si Y
2 R2 est un vecteur gaussien
d’espérance nulle, alors l’orthogonalité de X et Y dans l’espace L2 ( ; T; P ) i.e.

hX; Y i = E(XY ) = 0;

et l’indépendance de X et Y sont des propriétés équivalentes car

Cov(X; Y ) = E(XY ) E(X)E(Y ) = E(XY ) = hX; Y i : (2.16)

Utilisons donc de nouveau le cadre de la géométrie hilbertienne pour caractériser l’espérance

conditionnelle. Soit Z = (Z1 ; :::; Zn )t 2 Rn un vecteur aléatoire gaussien d’espérance nulle,
i.e.E(Zi ) = 0 pour tout i = 1; :::; n. Introduisons la dé…nition suivante :

Dé…nition 2.8 Soient fi1 ; :::; ip g f1; ::::; ng avec p n: Le sous-espace vectoriel (fermé)
engendré par les v:a:Zi1 ; :::; Zip est

( p )
X
V ect(Zi1 ; :::; Zip ) = k Zik ; k 2R : (2.17)
k=1

On a alors les propriétés suivantes :

42
Chapitre [Link] gaussiens

Propriété : Soit Y 2 L2 ( ; T; P )une v:a:r:telle que (Y; Zi1 ; :::; Zip ) 2 Rp+1 est un vecteur
aléatoire gaussien d’espérance nulle, l’espérance conditionnelle de Y sachant le vecteur
Ze = (Zi1 ; :::; Zip ); notée E(Y nZi1 ; :::; Zip ) ou E(Y nZ),
e est la projection orthogonale de Y sur

l’espace
( p )
X
V ect(Zi1 ; :::; Zip ) = k Z ik ; k 2R ; (2.18)
k=1

et dans le cas p = 1
Cov(Zi1 ; Y )
E(Y nZi1 ) = Zi1 :
V ar(Zi1 )

On peut alors remarquer que E(Y nZi1 ; :::; Zip ) est donc une v:a. gaussienne ce qui montre la
stabilité de la loi gaussienne par conditionnement. De plus on a également la décompo-
sition suivante lors du conditionnement par rapport à deux vecteurs gaussions indépendants.
Propriété : Soit Z 2 Rn et W 2 Rm deux vecteurs aléatoires gaussien indépendants et
d’spérance nulle. Soit Y 2 L2 ( ; T; P )une v:a:r: telle que (Y; Z 0 W 0 ) 2 Rn+m+1 est un vecteur
aléatoire gaussien d’espérance nulle. Alors, l’espérance conditionnelle de Y sachant le vecteur
Z
W
, notée E(Y nZ; W ) est la projection orthogonale de Y sur l’espace

( n )
X X
m
V ect(Z; W ) = k Zk + j Wj ; k; j 2R = V ect(Z) V ect(W ); (2.19)
k=1 j=1

et donc
E(Y nZ; W ) = E(Y nZ) + E(Y nW ):

2.2.6 Lois conditionnelles et prédiction

Etudions maintenant les lois conditionnelles de certaines coordonnées d’un vecteur gaussien
sachant la valeur des autres coordonnées. Soit Z un vecteur aléatoire gaussien de dimension
n divisé en deux blocs de coordonnées X et Y de dimensions nX 1 et nY 1 telles que
X
n = nX + nY , i.e.Z = Y
: L’espérance de Z s’écrit alors sous la forme

E(X)
E(Z) = ;
E(Y )

43
Chapitre [Link] gaussiens

et la matrice de covariance Z de Z peut se décomposer de la façon suivante

0 1
B X 0 C
Z =@ A;
0 Y

où

0 = E (X E(X))(Y E(Y ))t : (2.20)

La notion de densité conditionnelle vue précédemment pour les couples de variables aléatoires
réelles peut être étendue au cas des vecteurs aléatoires. La densité conditionnelle de Y sachant
X = x est alors la fonction
fZ (x; y)
fYX=x (y) = ; (2.21)
fX (x)

et on a le résultat suivant.
X
Propriété : Supposons que Z = Y
soit un vecteur gaussien, et que la matrice de covariance

X de X est dé…nie positive. Soit x 2 RnX La loi contionnelle de Y sachant X = x est alors
une loi gausienne d’espérance

t 1
E(Y nX = x) = E(Y ) + 0 X (x E(X));

et de matrice de covariance
X=x t 1
Y = Y 0 X 0;

et donc

1 1 1 1
8y 2 RnY ; fYX=x (y) = nY p exp (y mX=x
Y )t X=x
Y (y mX=x
Y ) :
(2 ) 2 (det( X=x
Y )) 2
(2.22)
1
avec mX=x
Y = E(Y ) + t
0 X (x E(X)):[2]

44
Bibliographie

[1] Benoit, Mselati et Benaych-Georges, Introduction aux Probabilités et aux Statistiques,

3 octobre 2004.

[2] Bigot, Jérémie. Notes de cours de Probabilités, 18 mars 2014.

[3] Chesneau,Christophe. Probabiliés et variables aléatoies discrètes.

[4] [Link]-Yves Cours de Probabilités. Septembre 2011.

[5] D. Foata-A. Fuchs. Calcul des probabilités. Dunod 2003.

[6] Lecoutre, Jean-Pierre. Statistique et probabilités Cours et exercices corrigés. Dunod,

2016.

[7] Perryt, A. Cours de probabilités et statistiques, 2010.

[8] Popier Alexandre,Wintenberger Olivier. Introduction au calcul des probabilités, 2006,

2007.

[9] Saporta, Gilbert. Probabilités, analyse des données et statistique. Editions Technip, 2006

[10] Saussereau, Bruno. Cours de théorie des probabilités avec exercices corrigés et devoirs,
2013, 2014.

[11] Smolarz, André. Modélisation probabiliste pour l’ingénieur. 2009.

[12] Suquet, Charles. Introduction au Calcul des Probabilités, 2002, 2003.

[13] Ycart,Bernard, Modélées probabilistes simulation de variables aléatoies.

45