Processus

stochastique
Processus
Gaussien

Walid Elafari

Processus stochastique
Processus Gaussien

Walid Elafari

02/04/2023
 Plan

Processus
stochastique
Processus
Gaussien

Walid Elafari

1 Introduction
 Plan

Processus
stochastique
Processus
Gaussien

Walid Elafari

1 Introduction
2 Processus stochastique
 Plan

Processus
stochastique
Processus
Gaussien

Walid Elafari

1 Introduction
2 Processus stochastique
3 Processus Gaussien
 Plan

Processus
stochastique
Processus
Gaussien

Walid Elafari

1 Introduction
2 Processus stochastique
3 Processus Gaussien
4 Conclusion
 Introduction

Processus
stochastique
Processus
Le concept de processus stochastique est né de la nécessité de
Gaussien modéliser des phénomènes aléatoires qui évoluent dans le
Walid Elafari temps ou dans l’espace. L’histoire du processus stochastique
remonte au début du 20e siècle, lorsque les mathématiciens ont
commencé à explorer les propriétés des séries temporelles et à
développer des modèles probabilistes pour les décrire. dans les
années 1970 et 1980, les processus stochastiques ont été
appliqués à de nombreux domaines, notamment l’économie, la
finance, la biologie, la physique et l’ingénierie. Le processus
gaussien, également connu sous le nom de processus de Wiener
ou de processus de mouvement brownien, est une notion
fondamentale de la théorie des probabilités et de la statistique.
Il tire son nom du célèbre mathématicien allemand Carl
Friedrich Gauss, qui a contribué de manière significative à son
développement au début du 19e siècle.
 Processus stochastique

Processus
stochastique
Processus
Gaussien

Walid Elafari
Définition
Un processus stochastique est une famille de variables
aléatoires indexées par un paramètre ≪t≫ appartenant à un
espace métrique appelé ensemble d’indices Q :

X (t, ω) = {X (t), t ∈ Q}

D’un point de vue théorique , un processus stochastique est un

élément d’un espace probabilisé (Ω, P(Ω), Pr), et ” t ” un
élément de Q
 Processus stochastique

Processus
stochastique
Processus
Gaussien

Walid Elafari

Définition
La réalisation du processus X (t, ω), associée à un événement
ω, est une fonction non aléatoire du paramètre
≪ t ≫: t → X (t, ω). Cette réalisation est appelée la trajectoire
associée à l’événement ω.
La variable aléatoire Xt : ω → X (t, ω) est dite t-section du
processus. Si l’ensemble des indices Q est dénombrable (fini ou
infini), nous dirons à temps continu.
 Processus stochastique
Caractéristiques statistiques du processus stochastique :

Processus
stochastique
Processus
Gaussien

Walid Elafari
Espérance d’un processus stochastique :
L’espérance mathématique d’un processus stochastique X (t, ω)
est la fonction déterministe mX (t) qui, pour chaque valeur t,
est égale à l’espérance mathématique de la variable aléatoire
X (t, ω) , soit :
Z
mX (t) = E{X (t, ω)} = xfX (x, t)dx
ε
 Processus stochastique
Caractéristiques statistiques du processus stochastique :

Processus
stochastique
Processus
Gaussien

Walid Elafari
Fonction d’autocovariance :
La fonction d’autocovariance d’un processus stochastique X (t)
est la fonction non aléatoire CovX (t, s) qui, pour chaque valeur
du couple (t, s), est égale à la covariance du couple aléatoire
(X (t), X (s)), soit :

CovX (t, s) = E {(X (t) − mX (t)) (X (s) − mX (s))∗ }

(.)* signifie le nombre complexe conjugué.

 Processus stochastique
Caractéristiques statistiques du processus stochastique :

Processus
stochastique
Processus
Gaussien

Walid Elafari Fonction d’autocorrélation :

La fonction d’autocorrélation d’un processus stochastique X (t)
est la fonction non aléatoire ΓX (t, s) qui, pour chaque valeur
du couple (t, s), est égale au moment du second ordre du
couple aléatoire (X (t), X (s)), soit :

ΓX (t, s) = E {X (t)X ∗ (s)}

Il est important de bien saisir le sens physique de la fonction

d’autocorrélation qui peut être considérée comme une mesure
de la ressemblance entre deux quantités.
 Processus stochastique
Types de pocesssus stochastique :

Processus
stochastique
Processus
Processus adapté à une filtation :
Gaussien

Walid Elafari Définition

On appelle filtration sur l’espace de probabilité (Ω, A, P) une
famille croissante de tribus Fn contenues dans
A, n ∈ F , F = R+ ou F = N.

Définition
On dit qu’un processus X est adapté à la filtration (Ft , t ∈ F )
si pour tout t ∈ F , Xt est Ft -mesurable.
Si un processus stochastique X est donné, on appelle filtration
naturelle associée à X , notée F X la filtration définie par la
suite croissante de tribus FnX = σ (X0 , · · · , Xn ). Par définition,
le processus X est adapté à sa filtration naturelle.
 Processus stochastique
Types de pocesssus stochastique :

Processus
stochastique
Processus
Gaussien

Walid Elafari

Processus càdlàg :
Définition
Un processus est dit càdlàg (continu à droite, pourvu de limites
à gauche) si ses trajectoires sont continues à droite, pourvues
de limites à gauche. Même définition pour càglàd.
 Processus stochastique
Types de pocesssus stochastique :

Processus
stochastique
Processus
Gaussien

Walid Elafari

Processus prévisible
Définition
On dit qu’un processus stochastique est prévisible si pour tout
t ∈ F , Xt est Fs -mesurable pour tout s ∈ F , s < t. On note
F∞ la plus petite tribu contenant toutes les Fn : F∞ = ∨t∈F Ft
 Processus stochastique
Types de pocesssus stochastique :

Processus
stochastique
Processus
Gaussien

Walid Elafari

Processus croissant :
Définition
Un processus A = (At , t ≥ 0) est un processus croissant si
A0 = 0 et t → At est une fonction croissante, c’est-à-dire

At (ω) ≤ As (ω), ∀t ≤ s, p.s.

 Processus stochastique
Types de pocesssus stochastique :

Processus
stochastique
Processus croissant :
Processus
Gaussien Propriétés
Walid Elafari
1 Un processus V = (Vt , t ≥ 0) est dit à variation bornée
sur [0, t] si X
sup Vti+1 − Vti ≤ K
ti
i

le sup étant pris sur les subdivisions

0 ≤ t0 ≤ . . . ≤ ti ≤ ti+1 ≤ t.
2 Un processus V = (Vt , t ≥ 0) est dit à variation finie sur
[0, t]si X
sup Vti+1 − Vti < ∞,
ti
i

le sup étant pris sur les subdivisions

0 ≤ t0 ≤ . . . ≤ ti ≤ ti+1 ≤ t.
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari
Définition
Un vecteur aléatoire X = (X1P, . . . , Xk ) est gaussien ou normal
si toute combinaison linéaire ki=1 ai Xi (ai ∈ R) de ses
composantes est une variable gaussienne.

theorem
Les composantes d’un vecteur gaussien sont des v.a.
gausiennes.
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique
Processus
Gaussien
Définition
Walid Elafari

1 La matrice de covariance d’un vecteur aléatoire

X = (X1 , . . . , Xn ) est la matrice carrée symétrique,
positive
K = (Cov (Xi , Xj ))1≤i,j≤n
2 L’espérance de X = (X1 , . . . , Xn ) est le vecteur des
espérances de ses marginales

E[X ] = (E [X1 ] , . . . , E [Xn ])

Si E[X ] = 0, le vecteur X est dit centré.

 Processus Gaussien
Vecteur Gaussien

Processus
stochastique Si X = (XP1 , . . . , Xn ) est un vecteur gaussien alors
Processus
Gaussien ⟨a, X ⟩ = ni=1 ai Xi suit une loi normale de paramètres
Walid Elafari
E[⟨a, X ⟩] = E [a1 X1 + · · · + an Xn ] = a1 E [X1 ] + · · · + an E [Xn ]
= ⟨a, E[X ]⟩
n
X
Var(⟨a, X ⟩) = Var (a1 X1 + · · · + an Xn ) = ai aj Cov (Xi , Xj ) =
i,j=1

at Cov(X )a

La v.a. ⟨a, X ⟩ suit donc la loi N (⟨a, E[X ]⟩, at Cov(X )a), sa
fonction caractéristique est donnée par
 
1 t
2
ϕ⟨a,X ⟩ (x) = exp ix⟨a, E[X ]⟩ − a Cov(X )a x .
2
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari

D’après les définitions des fonctions caractéristiques d’une v.a.

et d’un vecteur aléatoire
h i
ϕX (x) = E e i⟨x,X ⟩ = ϕ⟨x,X ⟩ (1)
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari
Proposition
La fonction caractéristique d’un vecteur gaussien
X = (X1 , . . . , Xn ) est donnée par
 
1 t

ϕX (x) = exp i⟨x, E[X ]⟩ − x Cov(X )x
2
 
1
= exp i⟨x, E[X ]⟩ − ⟨x, Cov(X )x⟩
2
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari Proposition

Soit X ≃ N (m, K ) un vecteur gaussien non dégénéré avec
m ∈ Rn et K sa matrice de covariance. Alors
√ −1
K (X − m) ≃ N (0, In )

Proposition
Soient (X , Y ) un couple gaussien. Alors X et Y sont
indépendantes ssi Cov(X , Y ) = 0.
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique Soit X ≃ N (0, In ) un vecteur gaussien standard en dimension
Processus
Gaussien n. Comme Cov(X ) = In , les marginales X1 , . . . , Xn sont toutes
Walid Elafari indépendantes. La loi du vecteur X = (X1 , . . . , Xn ) est donc la
loi produit de ses marginales

PX = PX1 ⊗ · · · ⊗ PXn

En terme de densité, la densité de X est donnée par le produit

tensoriel
fX (x1 , . . . , xn ) = fX1 (x1 ) × . . . fXn (xn )
   
1 −x12 /2 1 −xn2 /2
= √ e × ··· × √ e
2π 2π
1
= √ n exp − x12 + · · · + xn2 /2



2π
 Processus Gaussien
Vecteur Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari

Proposition
La densité d’un vecteur gaussien X ≃ N (m, K ) non dégénéré
est
exp − (x − m), K −1 (x − m) /2
fX (x) =
((2π)n det K )1/2
 Processus Gaussien
Processus Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari

Définition
Un processus est dit gaussien si toutes ses lois fini
dimensionnelles L (Xt1 , . . . , Xtn ) sont gaussiennes
(∀n ∈ N, ∀t1 , . . . , tn ∈ T ).
 Processus Gaussien
Processus Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari
theorem
Soit X un processus gaussien centré (E [Xt ] = 0), de fonction
de covariance r (s, t). On suppose qu’il existe α > 0 tel que
pour tout s, t :

r (t, t) + r (s, s) − 2r (s, t) ≤ c|t − s|α

Alors il existe une version continue X̃ de X . De plus, pour tout

γ < α/2, les trajectoires de X̃ sont ps höldériennes de
coefficient γ.
 Processus Gaussien
Processus Gaussien

Processus
stochastique
Processus
Gaussien

Walid Elafari

Lemme
(2m)!
Soit X ≃ N (0, 1). On a E X 2m = Var(X )m
 
2m m!

Proposition
Un processus gaussien X est stationnaire ssi E [Xt ] est
constante et K (s, t) = K (s − t) (on parle de stationnarité
faible).
 Conclusion

Processus
stochastique
Processus
Gaussien

Walid Elafari

De nos jours, la théorie des processus stochastiques continue de

se développer, avec des applications de plus en plus nombreuses
et diverses. Elle est devenue une discipline mathématique
importante pour la modélisation de phénomènes aléatoires dans
de nombreux domaines scientifiques et techniques.
 Processus
stochastique
Processus
Gaussien

Walid Elafari

Merci pour votre attention