Chapitre 5

Vecteurs Gaussiens

5.1 Variables aléatoires Gaussiennes-normales

Définition 5.1.1

Une v.a.r X définie sur un espace probabilisé (Ω, T , P ) à valeurs dans (R, BR ) est
dite gaussienne (ou normale), si sa loi PX a une densité de la forme

1 (x−m)2
fX (x) := √ e− 2σ2 , m ∈ R, σ > 0,
σ 2π

par rapport à la mesure de Lebesgue λ sur BR . On note X ∼ N (m, σ 2 ).

Y
NA
Remarque 5.1.2

Si X ∼ N (m, σ 2 ), alors
1. E(X) = m et V ar(X) = σ 2 .
AZ

2. si m = 0 (resp., σ 2 = 1), on dira que X est centrée (resp., réduite).

3. X admet des moments de tout ordre, et si de plus X est centrée réduite (i.e.
m = 0 et σ 2 = 1), alors
Z.


 (2n)!

n si k est pair et k = 2n
2 n!
E(X k ) = .
0

si k est impair

t2 σ 2
4. sa fonction caractéristique est ϕX (t) = eitm− 2 .
X−m
5. σ
∼ N (0, 1) et aX + b ∼ N (am + b, (|a|σ)2 ) pour tous a 6= 0 et b ∈ R.
6. si X est centrée réduite, alors sa densité fX est paire et donc FX (x) +
FX (−x) = 1, pour tout x ∈ R.

5.2 Vecteurs aléatoires Gaussiens

La définition d’un vecteur gaussien généralise la notion de variable aléatoire réelle gaus-
sienne. Dans la suite du cours, une variable aléatoire réelle égale à une constante a ∈
R presque sûrement sont considérées comme gaussiennes avec une variance nulle et une
moyenne égale à a. Sa loi, représentée par la masse de Dirac δa , est également notée N (a, 0).

55
 5.2. VECTEURS ALÉATOIRES GAUSSIENS

Cette loi ne possède pas de densité, c’est pourquoi on la qualifie parfois de loi normale "dé-
générée".

Définition 5.2.1

Un vecteur aléatoire X := (X1 , . . . , Xd ) à valeurs dans Rd est dit gaussien si toute

combinaison linéaire de ses coordonnées est une variable gaussienne réelle, c’est-
à-dire si pour tout a := (a1 , . . . , ad ) ∈ Rd , la variable aléatoire < a, X >= aT X =
d
X
ai Xi suit une loi normale N (m, σ 2 ), où m ∈ R et σ ≥ 0.
i=1

Exemple 5.2.2

1. X est un vecteur gaussien à valeurs dans R (d = 1) si et seulement si X

est une variable aléatoire réelle normale. En effet, si X ∼ N (m, σ 2 ), où
m ∈ R et σ ≥ 0, alors pour tout a ∈ R, la variable aléatoire aT X = aX ∼

Y
N (am, (|a|σ)2 ). Ainsi X est un vecteur gaussien à valeurs dans R.
NA  
2. Si X = (X1 , . . . , Xd ) suit une loi gaussienne dans Rd , BRd , alors chaque
composante Xj est également une variable aléatoire gaussienne dans (R, BR ).
En effet, il suffit de considérer le vecteur a = (0, . . . , 0, 1, 0, . . . , 0) où 1 est à
la j-ème position, de sorte que aT X = Xj soit une variable aléatoire nor-
AZ

malement distribuée. Cependant, la réciproque n’est pas vraie en générale :

si X ∼ N (0, 1), et ε est une variable aléatoire discrète indépendante de X
telle que P (ε = −1) = P (ε = 1) = 12 , alors la variable aléatoire Z = εX
suit également une loi normale N (0, 1). Pourtant, le couple (X, Z) n’est pas
nécessairement gaussien. En effet, on a
Z.

P (X + Z = 0) = P ((1 + ε)X = 0)
= P ((1 + ε)X = 0, ε = −1) + P ((1 + ε)X = 0, ε = 1)
= P (ε = −1) + P (X = 0, ε = 1)
1
= P (ε = −1) = .
2

Ainsi, X + Z ne suit pas une distribution normale (sinon P (X + Z = 0) = 0).

Par conséquent, (X, Z) n’est pas un couple gaussien.
3. Si X est une variable aléatoire réelle suivant une loi normale N (m, σ 2 ), alors
le vecteur aléatoire X := (X, . . . , X) à valeurs dans Rd est un vecteur gaus-
sien. En effet, pour tout vecteur a := (a1 , . . . , ad ) ∈ Rd , la variable
 aléatoire
d d d d
!2
X X X X
ai X i = X ai suit une loi normale N m ai , σ ai .
i=1 i=1 i=1 i=1

56
 5.2. VECTEURS ALÉATOIRES GAUSSIENS

Remarque 5.2.3

Soit X = (X1 , . . . , Xd ) un vecteur aléatoire gaussien à valeurs dans Rd . Chaque

composante Xi , pour 1 6 i 6 d, est donc une variable aléatoire gaussienne.
En conséquence, chacune d’elles possède des moments d’ordre 2, et par exten-
sion, des moments d’ordre 1. Par conséquent, on peut définir son espérance E(X)
(également appelée vecteur moyenne et notée mX := E(X)) ainsi que sa matrice de
covariance ΓX .

La proposition suivante est hautement pratique car elle offre une méthode pour caractériser
la loi d’un vecteur gaussien en utilisant sa fonction caractéristique. Il convient de noter que
pour tout vecteur u ∈ Rd , hu, M ui = uT M u.

Proposition 5.2.4

X est un vecteur gaussien à valeurs dans Rd si et seulement si sa fonction caracté-

ristique est de la forme

Y
NA
!
d

ihu,Xi
 hu, M ui
∀u ∈ R , ϕX (u) = E e = exp i hu, µi −
2

où µ ∈ Rd et M est une matrice d × d symétrique. Dans ce cas le vecteur µ est le

AZ

vecteur moyenne de X (i.e. µ = mX ), et M = ΓX est sa matrice de covariance, et

est donc semi-définie positive.

Preuve d
X
=⇒ Si X est gaussien, alors la variable aléatoire réelle hu, Xi = ui Xi est gaussienne,
Z.

i=1
pour tout u ∈ Rd . De plus, sa moyenne et sa variance sont respectivement :

d d
!
X X
E(hu, Xi) = E u i Xi = ui E (Xi ) = hu, mX i
i=1 i=1
 
d d d
!
X X X X
Var(hu, Xi) = Var ui Xi = cov  ui Xi , uj Xj  = Cov (ui Xi , uj Xj )
i=1 i=1 j=1 16i,j6d

ui Cov (Xi , Xj ) uj = uT ΓX u = hu, ΓX ui.

X
=
16i,j6d

Par conséquent, la fonction caractéristique de hu, Xi est donnée par :

!
2 hu, ΓX i
 
ithu,Xi
ϕhu,Xi (t) = E e = exp it hu, mX i − t , t ∈ R.
2

En appliquant ce résultat à t = 1, on obtient que pour tout u ∈ Rd ,

!

ihu,Xi
 hu, ΓX i
ϕX (u) = ϕhu,Xi (1) = E e = exp i hu, mX i −
2

57
 5.2. VECTEURS ALÉATOIRES GAUSSIENS

ce qui conclut la démonstration.

⇐= Soit X un vecteur aléatoire tel que sa fonction caractéristique de la forme
!
d

ihu,Xi
 hu, M ui
∀u ∈ R , ϕX (u) = E e = exp i hu, µi −
2

où µ ∈ Rd et M est une matrice n × n symétrique. Soit a ∈ Rd , montrons alors

que la variable aléatoire ha, Xi est gaussienne. Pour

cela,

on va

calculer
sa fonction
itha,Xi ihta,Xi
caractéristique. Soit alors t ∈ R, ϕha,Xi (t) = E e = E e = ϕX (ta) =
     2

exp i hta, µi − hta,M
2
tai
= exp it ha, µi − t2 ha,M
2
ai
= exp itm − t2 σ2 , où m := ha, µi
and σ 2 := ha, M ai. Reconnaissant ainsi la fonction caractéristique de la loi normale
N (m, σ 2 ), nous concluons que la variable aléatoire ha, Xi suit cette loi. Par consé-
quent, X est un vecteur gaussien. En utilisant le théorème de dérivation de la fonction
caractéristique, nous trouvons mX = µ et M = ΓX .

Remarque 5.2.5

Y
Si X est un vecteur gaussien à valeurs dans Rd avec un vecteur moyen mX et une
NA
matrice de covariance ΓX , alors sa fonction caractéristique ϕX est donnée sur Rd
par : !
d

ihu,Xi
 hu, ΓX ui
∀u ∈ R , ϕX (u) = E e = exp i hu, mX i − .
2
AZ

Étant donné que la fonction caractéristique caractérise la loi d’une variable aléatoire,
nous déduisons que la loi d’un vecteur gaussien est entièrement déterminée par
son vecteur moyenne et sa matrice de covariance. Autrement dit, deux vecteurs
gaussiens ont la même loi si et seulement s’ils ont le même vecteur moyenne et la
même matrice de covariance.
Z.

La remarque précédente justifie la définition suivante :

Définition 5.2.6

On note Nd (mX , ΓX ) la loi d’un vecteur gaussien à valeurs dans Rd , de vecteur

moyenne mX et de matrice de covariance ΓX .

58
 5.2. VECTEURS ALÉATOIRES GAUSSIENS

Exemple 5.2.7

Soient X1 , . . . , Xd des variables aléatoires réelles i.i.d. de loi gaussienne centrée

réduite. Alors le vecteur aléatoire X = (X1 , . . . , Xd ) est gaussien de loi Nd (0, Id ). En
effet, la fonction caractéristique de X en t := (t1 , . . . , td ) est donnée par :
h i
ϕX (t1 , . . . , td ) = E ei(t1 X1 +...+td Xd )

Puisque les Xi sont indépendants :

h i h i
ϕX (t1 , . . . , td ) = E eit1 X1 × . . . × E eitd Xd

Et comme chaque Xi suit une loi gaussienne centrée réduite :

h i t2
i
E eiti Xi = e− 2

Donc la fonction caractéristique de X est :

Y t2 2
1 +...+td ht,Id ti
NA
ϕX (t1 , . . . , td ) = e− 2 = eiht,0i− 2 .

Ce qui correspond à la fonction caractéristique de la loi normale Nd (0, Id ).

AZ

Proposition 5.2.8

Soit X = (X1 , . . . , Xd ) un vecteur gaussien de moyenne mX et de matrice de co-

variance ΓX . Soit Y = AX + b, où A est une matrice de taille n × d et b est un
vecteur colonne de Rn . Alors Y est un vecteur gaussien à valeurs dans Rn , de vec-
Z.

teur moyenne mY et de matrice de covariance ΓY donnés par

mY = AmX + b et ΓY = AΓX AT .

Preuve
On a
ha, Y i = ha, AX + bi = ha, AXi + ha, bi = hAT a, Xi + ha, bi,

pour tout a ∈ Rn . Puisque X est un vecteur gaussien sur Rd , alors hAT a, Xi est une variable
aléatoire gaussienne. Ainsi, ha, Y i est également gaussienne. Par conséquent, Y est un vecteur
gaussien sur Rn . Le reste de la preuve a déjà été établi dans la Proposition 3.11.12.

59
 5.2. VECTEURS ALÉATOIRES GAUSSIENS

Proposition 5.2.9

Soient m ∈ Rd et Γ une matrice réelle de taille d × d. Alors il existe un espace de

probabilité (Ω, F, P ) et un vecteur gaussien défini sur (Ω, F, P ) de vecteur moyenne
m et de matrice de covariance Γ si et seulement si la matrice Γ est symétrique semi-
définie positive.

Preuve
- Si il existe un vecteur gaussien de matrice de covariance Γ, alors Γ est symétrique
semi-définie positive.
- Supposons à présent que Γ est symétrique positive et montrons qu’il est possible de
construire un vecteur gaussien de matrice de covariance Γ. Pour cela, on admet l’exis-
tence d’un espace de probabilité (Ω, F, P ) sur lequel sont définies des variables aléa-
toires réelles X1 , . . . , Xd i.i.d. de loi gaussienne centrée réduite. Alors X = (X1 , . . . , Xd )
est un vecteur gaussien centré de matrice de covariance Id . La matrice Γ étant suppo-

Y
sée symétrique positive, soit alors une matrice A de taille d × d telle que Γ = AAT . Le
vecteur Y = m + AX est, d’après la proposition précédente, est un vecteur gaussien
NA
de moyenne mY et de matrice de covariance ΓY donnés par

mY = A0 + m = m et ΓY = AId AT = AAT = Γ,
AZ

ce qui conclue la preuve.

Exemples 1
1. Soit m := (m1 , m2 , m3 ) ∈ R3 . Considérons la matrice réelle symétrique
 
1 0 0
Z.

 
Γ= 0 1 1 

.
0 1 1

La matrice Γ admet les valeurs propres 0,1 et 2, donc il s’agit d’une matrice réelle
symétrique positive. Par conséquent, il existe un vecteur gaussien de vecteur moyenne
m et de matrice de covariance Γ.
2. Soit m := (m1 , m2 ) ∈ R2 . Considérons la matrice réelle symétrique
 
a b 
Γ= , avec a, b, c ∈ R.
b c

La matrice Γ étant carrée de dimension 2, ses valeurs propres sont positives si et seule-
ment si   
 trace(Γ) > 0  a+c>0  a > 0, b > 0
⇐⇒ ⇐⇒ √
 det Γ > 0  ac > b2  |b| 6 ab.

Par conséquent, il existe un vecteur gaussien de vecteur moyenne m ∈ R2 et de matrice

√
de covariance Γ si et seulement si a > 0, d > 0 et |b| 6 ac.

60
 5.3. VECTEURS GAUSSIENS ET INDÉPENDANCE

3. Nous souhaitons montrer qu’il existe un vecteur gaussien X = (X1 , X2 , X3 ) de moyenne

 
2 1 0
 
nulle et de matrice de covariance Γ = 1 3 1. Pour cela, nous allons montrer que


0 1 4
T
la forme quadratique x 7→ x Γx est positive. On a pour tout x := (x1 , x2 , x3 ) ∈ R3 ,
  
 
2 1 0 x1
xT Γx = 2 2 2
 
x1 x2  = 2x1 + 3x2 + 4x3 + 2x1 x2 + 2x2 x3 .
x3 1 3 1  x2 
  

0 1 4 x3

Nous pouvons à présent réduire la forme quadratique :

xT Γx = 2x21 + 3x22 + 4x23 + 2x1 x2 + 2x2 x3

= (x1 + x2 )2 + (x2 + x3 )2 + 2(x21 + x23 ) > 0.

Ainsi, Γ est positive. D’après la proposition 5.2.9, il existe un vecteur gaussien à valeurs
dans R3 de moyenne nulle et de matrice de covariance Γ.

Y
NA
5.3 Vecteurs gaussiens et indépendance
Nous avons vu que, en général, la décorrélation de deux variables aléatoires n’implique
pas leur indépendance. C’est cependant le cas si l’on considère les coordonnées d’un vecteur
AZ

gaussien.

Proposition 5.3.1

Soit X = (X1 , . . . , Xd ) un vecteur gaussien, d ≥ 2. Les assertions suivantes sont

Z.

équivalentes :
1. X1 , . . . et Xd sont mutuellement indépendantes ;
2. X1 , . . . et Xd sont deux à deux indépendantes, c’est-à-dire que Xi et Xj pour
tous 1 ≤ i 6= j ≤ d;
3. X1 , . . . et Xd sont deux à deux décorrélées, c’est-à-dire que cov(Xi , Xj ) = 0
pour tous 1 ≤ i 6= j ≤ d;
4. cov(Xi , Xj ) = 0 pour tous 1 ≤ i < j ≤ d;
5. La matrice de covariance ΓX est diagonale.

Preuve
On va montrer juste l’implication (5) =⇒ (1), les implications (1) =⇒ (2), (2) =⇒ (3),
(3) =⇒ (4), (4) =⇒ (5) sont claires. Supposons alors que la matrice de covariance ΓX
est diagonale. Soit Y1 , . . . , Yd des v.a. réelles mutuellement indépendantes centrées
réduites, alors Y = (Y1 , . . . , Yd ) est un vecteur gaussien de loi N (0, Id ) (ici 0 désigne le
√
vecteur nul de Rd ). Le vecteur aléatoire Z := ΓX Y + E(X) est de moyenne E(Z) =

61
 5.3. VECTEURS GAUSSIENS ET INDÉPENDANCE

√ 
ΓX E(Y ) + E(X) = E(X) et de matrice de covariance

q  q T q q
ΓZ = ΓX ΓY ΓX = ΓX Id ΓX = ΓX .

Plus généralement on a la proposition suivante :

Proposition 5.3.2

Si X := (Y, Z) est un vecteur aléatoire gaussien dans (Rn , BRn ), où Y =

(Y1 , . . . , Yk ) (resp., Z = (Z1 , . . . , Zn−k )) est un vecteur aléatoire dans (Rk , BRk )
(resp., (Rn−k , BRn−k )), alors Y et Z sont également des vecteurs gaussiens. De plus,
les deux assertions suivantes sont équivalentes :
1. Y et Z sont indépendantes.
2. cov(Yi , Zj ) = 0 pour tout 1 ≤ i ≤ k et 1 ≤ j ≤ n − k.

Y
Preuve
=⇒ Trivial.
NA
⇐= Supposons que mX = 0, sinon nous considérons le vecteur aléatoire centré X−mX .
Alors, mY = mZ = 0 et la matrice de covariance de X prend la forme
   
ΓY E YZT
ΓX = E(XXT ) = 
AZ

  .
E ZYT ΓZ
 
Ainsi, si cov(Yi , Zj ) = 0 pour tout 1 ≤ i ≤ k et 1 ≤ j ≤ n − k, alors E ZYT =
 
E YZT = 0. Dans ce cas,
Z.

 
ΓY 0 
ΓX = 
0 ΓZ

Considérons maintenant t = (t1 , . . . , tn ). Alors, tT ΓX t = y T ΓY y + z T ΓZ z, où y =

(t1 , . . . , tk ) et z = (tk+1 , . . . , tn ). Ainsi, t = (y, z) et

tT ΓX t y T ΓY y z T ΓZ z
ϕX (t) = e− 2 = e− 2 e− 2 = ϕY (y)ϕZ (z),

d’où Y et Z sont indépendantes.

62
 5.4. VECTEUR GAUSSIEN ET DENSITÉ

Exemple 5.3.3

1. Soit X un vecteur gaussien dont la matrice de covariance est diagonale. Alors

les coordonnées de X sont mutuellement indépendantes.
2. Soit X = (X1 , X2 , X3 ) un vecteur gaussien de matrice de covariance
 
1 0 −1
 
Γx = 
 0 1 0 .
−1 0 2

On a cov(X1 , X2 ) = cov(X2 , X3 ) = 0 et cov(X1 , X3 ) = −1. Ainsi, X1 est

indépendant de X2 , et X2 est indépendante de X3 . Cependant, X1 et X3 ne
sont pas indépendants.

Proposition 5.3.4

Y
Soit Y un vecteur aléatoire n-dimensionnel et Z un vecteur gaussien m-
NA
dimensionnel, indépendant de Y. Le couple aléatoire (n + m)-dimensionnel X =
(Y, Z) est également gaussien, avec un vecteur moyen mX = (mY , mZ ) et une ma-
trice de covariance  
ΓY 0
ΓX =  
AZ

0 ΓZ

Preuve
La preuve est similaire à celle de la proposition 5.3.2.
Z.

5.4 Vecteur gaussien et densité

La proposition suivante énonce une condition nécessaire et suffisante pour l’existence
d’une fonction de densité associée à la loi d’un vecteur gaussien par rapport à la mesure de
Lebesgue.

63
 5.4. VECTEUR GAUSSIEN ET DENSITÉ

Théorème 5.4.1

Soit X = (X1 , . . . , Xd ) un vecteur aléatoire gaussien à valeurs dans Rd avec un

vecteur moyen mX et une matrice de covariance ΓX .
1. La loi du vecteur X est absolument continue par rapport à la mesure de
Lebesgue si et seulement si sa matrice de covariance ΓX est inversible.
2. Si ΓX est inversible, alors le vecteur aléatoire X possède une densité par
rapport à la mesure de Lebesgue λd , définie par la fonction fX : Rd → R+
donnée par

1 1
 
d
∀x ∈ R , fX (x) = q exp − (x − mX )T Γ−1
X (x − mX ) .
(2π)d/2 det(ΓX ) 2

Définition 5.4.2 (Loi gaussienne dégénérée)

Y
Une loi gaussienne Nd (mX , ΓX ) est dégénérée si sa matrice de covariance ΓX n’est
pas inversible.
NA
Exemple 5.4.3
AZ

Considérons la loi gaussienne Nd (0, Id ). Sa densité est donnée par :

1 x2 2
1 +···+xd
−
f (x1 , . . . , xd ) = d e
2 .
(2π) 2
Z.

64
 5.4. VECTEUR GAUSSIEN ET DENSITÉ

Remarque 5.4.4

1. Dans le cas d = 1, nous retrouvons le fait qu’une variable gausienne réelle

n’admet une densité que si sa variance est non nulle. Dans le cas où sa
variance est nulle, c’est-à-dire dans le cas où la variable est égale à une
constante presque sûrement, la variable gaussienne est dégénérée au sens
de la définition précédente.
2. Dans le cas où d = 2, considérons un vecteur gaussien X = (X1 , X2 ) avec une
moyenne mX et une matrice de covariance ΓX . Ainsi, nous avons :
   
E (X1 )  Var(X1 ) Cov (X1 , X2 ) 
mx =  et ΓX =  .
E (X2 ) Cov (X1 , X2 ) Var(X2 )

Dans la suite, nous noterons :

m1 = E (X1 ) , m2 = E (X2 ) ,
√ √

Y
σX1 = Var X1 , σX2 = Var X2
σX1 X2 = Cov (X1 , X2 ) .
NA
Passons maintenant à quelques remarques :
2
(a) Le déterminant de ΓX est donné par det ΓX = σX 1 X2
2
σ 2 − σX 1 X2
. En vertu
de l’inégalité de Cauchy-Schwarz, on a
AZ

2 2
σX 1 X2
6 σX σ2 ,
1 X2

ce qui confirme la condition établie pour les coefficients a, b, et c dans

l’exemple 1.2 (page 60).
Z.

2 2
(b) Ainsi, si σX 1
= 0 ou σX 2
= 0, alors det ΓX = 0. Dans le cas où une densité
existe par rapport à λ2 pour le vecteur X, nous la définissons maintenant.

Proposition 5.4.5

2 2
1. Si σX 1 X2
= σX σ 2 , alors la loi de X n’est pas absolument continue.
1 X2

2 2
2. Supposons σX 1 X2
6= σX σ 2 . Dans ce cas, le coefficient de corrélation ρ entre
1 X2

X1 et X2 est bien défini. De plus, la loi de X admet une densité par rapport
à λ2 donnée par la fonction fX : R2 −→ R+ définie comme suit :
 
−1 (x1 −m1 )2 ρ(x1 −m1 )(x2 −m2 ) (x −m )2
1 − + 2 2 2
1−ρ2 2σ 2 σ X σX
1 2 2σ
fX (x1 , x2 ) = q e X1 X2
2
2π σX σ 2 (1 − ρ2 )
1 X2

65
 5.4. VECTEUR GAUSSIEN ET DENSITÉ

Preuve
=⇒ La loi de X est absolument continue si et seulement si det ΓX 6= 0, c’est-à-dire si et
2 2
seulement si σX 1 X2
6= σX σ2 .
1 X2

2 2
⇐= Supposons maintenant σX 1 X2
6= σX σ 2 . Dans ce cas, σX1 σX2 6= 0 et le coefficient de
1 X2

corrélation ρ est bien défini. De plus, la matrice de covariance ΓX est inversible et son
inverse est donnée par :
 
1 
1
2
σX
− σX ρσX 
Γ−1
X =
1 1 2

1 − ρ2 − σ ρσ 1
 
2
σX
X X
1 2 2

En utilisant le théorème 5.4.1, nous pouvons en conclure.

Y
NA
AZ
Z.

66