Calcul de l’espérance d’un vecteur gaussien
Calculez instantanément l’espérance d’un vecteur gaussien multivarié, ainsi que l’espérance d’une transformation affine de la forme Y = AX + b. L’outil permet aussi de visualiser les composantes moyennes et les variances.
Calculateur interactif
Résultats
Renseignez les paramètres puis cliquez sur Calculer.
Guide expert du calcul de l’espérance d’un vecteur gaussien
Le calcul de l’espérance d’un vecteur gaussien est un sujet central en probabilités, en statistiques multivariées, en économétrie, en finance quantitative, en apprentissage automatique et dans la théorie du signal. Derrière une apparente simplicité, la notion d’espérance structure une immense partie de l’analyse statistique moderne. Dès que l’on manipule des variables aléatoires corrélées, il devient naturel de passer du cadre scalaire au cadre vectoriel. C’est précisément dans ce contexte que le vecteur gaussien intervient.
Un vecteur aléatoire X de dimension n est dit gaussien s’il suit une loi normale multivariée, souvent notée X ~ N(μ, Σ), où μ est le vecteur moyen et Σ la matrice de covariance. La propriété fondamentale à retenir est la suivante : l’espérance du vecteur gaussien est exactement le vecteur moyen μ. Autrement dit, si X = (X1, …, Xn)T, alors E[X] = (E[X1], …, E[Xn])T = μ.
Définition intuitive
L’espérance représente le centre théorique de gravité de la distribution. Dans le cas unidimensionnel, il s’agit du point autour duquel la variable fluctue en moyenne. Dans le cas multivarié, ce centre devient un vecteur. Chaque composante du vecteur moyen donne la valeur moyenne attendue de la variable correspondante. Si vous modélisez par exemple le rendement de plusieurs actifs financiers, les erreurs de mesure de plusieurs capteurs ou les scores normalisés de plusieurs variables explicatives, le vecteur moyen résume l’emplacement global du nuage de points.
Formule fondamentale
Pour un vecteur gaussien multivarié X ~ N(μ, Σ), la formule de base est :
Cette égalité ne dépend pas des corrélations entre les composantes, ni de la forme exacte de la matrice de covariance, à condition que l’espérance soit bien définie, ce qui est toujours le cas pour une loi gaussienne. La matrice Σ joue un rôle essentiel pour la dispersion, les corrélations, les ellipsoïdes de confiance et les distances de Mahalanobis, mais elle ne modifie pas la valeur du vecteur d’espérance lui-même.
Écriture composante par composante
Si X = (X1, X2, …, Xn)T, alors :
- E[X1] = μ1
- E[X2] = μ2
- …
- E[Xn] = μn
Ainsi, calculer l’espérance d’un vecteur gaussien revient souvent, en pratique, à identifier correctement le vecteur moyen dans la paramétrisation du modèle.
Pourquoi la matrice de covariance n’intervient pas dans E[X]
C’est une question fréquente. La matrice Σ décrit l’étalement et la dépendance entre les dimensions : variances sur la diagonale, covariances hors diagonale. Cependant, l’espérance est une mesure de position, pas de dispersion. Deux vecteurs gaussiens peuvent partager exactement la même espérance tout en ayant des matrices de covariance très différentes. Dans ce cas, ils sont centrés au même endroit mais leurs nuages de points n’ont pas la même forme.
| Objet | Notation | Rôle | Impact sur E[X] |
|---|---|---|---|
| Vecteur moyen | μ | Centre de la distribution | Direct et total |
| Matrice de covariance | Σ | Dispersion et dépendances | Aucun impact direct |
| Variances | σi2 | Dispersion de chaque composante | Aucun impact direct |
| Covariances | σij | Lien entre dimensions | Aucun impact direct |
Transformation affine d’un vecteur gaussien
L’une des propriétés les plus importantes de la loi gaussienne est sa stabilité par transformation affine. Si X ~ N(μ, Σ) et que l’on définit Y = AX + b, où A est une matrice et b un vecteur constant, alors Y est encore gaussien et son espérance vaut :
Cette formule est capitale en régression linéaire, en filtrage de Kalman, en optimisation quadratique, en théorie du portefeuille et dans tous les modèles linéaires gaussiens. Elle découle directement de la linéarité de l’espérance.
Exemple simple en dimension 2
Supposons que X ~ N(μ, Σ) avec μ = (2, -1)T. Alors :
- E[X] = (2, -1)T
- Si A = [[3, 0], [1, 2]] et b = (1, 4)T
- Alors E[AX+b] = Aμ+b
Calcul : Aμ = (6, 0)T, puis Aμ + b = (7, 4)T. L’espérance du vecteur transformé vaut donc (7, 4)T.
Lien avec la densité normale multivariée
La densité d’un vecteur gaussien en dimension n s’écrit :
f(x) = (2π)-n/2 |Σ|-1/2 exp(-1/2 (x-μ)T Σ-1 (x-μ))
Cette formule montre clairement que le vecteur μ centre la distribution. Le terme quadratique (x-μ)T Σ-1 (x-μ) mesure la distance entre x et le centre en tenant compte de la structure de covariance. Cela explique pourquoi l’espérance et le centre géométrique coïncident dans le cas gaussien.
Interprétation statistique pratique
Dans les applications réelles, l’espérance d’un vecteur gaussien est rarement observée directement. On l’estime à partir d’un échantillon au moyen de la moyenne empirique :
\bar{X} = (1/m) Σ X(k)
où m est le nombre d’observations vectorielles. Sous des hypothèses standard, cette moyenne empirique est un estimateur sans biais de μ. Plus l’échantillon grandit, plus l’estimation se stabilise autour de la vraie espérance.
Statistiques de référence utiles
Même si le sujet porte sur l’espérance, les praticiens utilisent souvent des repères numériques liés à la loi normale pour interpréter les écarts autour du vecteur moyen. Le tableau ci-dessous rappelle des masses de probabilité très connues dans le cas univarié, qui servent de base à de nombreuses généralisations multivariées.
| Intervalle autour de la moyenne | Probabilité théorique | Valeur approchée | Usage fréquent |
|---|---|---|---|
| μ ± 1σ | 0.682689 | 68.27 % | Dispersion usuelle |
| μ ± 1.96σ | 0.950000 | 95.00 % | Intervalle de confiance classique |
| μ ± 2σ | 0.954500 | 95.45 % | Approximation rapide |
| μ ± 3σ | 0.997300 | 99.73 % | Détection d’anomalies |
Dans le cadre multivarié : pourquoi le centre reste essentiel
En dimension supérieure, on ne raisonne plus en intervalles simples mais en régions ellipsoïdales. Pourtant, la logique reste identique : ces régions sont construites autour du vecteur moyen μ. Dans le contrôle qualité, en vision par ordinateur, en traitement radar ou en scoring de crédit, le centre théorique sert de référence pour mesurer les déviations, établir des règles de décision et détecter les observations atypiques.
Cas particulier du vecteur gaussien centré
Si μ = 0, on parle de vecteur gaussien centré. Alors : E[X] = 0. Ce cas est extrêmement fréquent, notamment lorsqu’on travaille sur les résidus, les innovations, les erreurs de mesure ou les perturbations d’un modèle linéaire. Le centrage simplifie l’algèbre et les démonstrations, mais ne change rien au principe général.
Étapes de calcul recommandées
- Identifier la dimension du vecteur aléatoire.
- Repérer le vecteur moyen μ dans l’énoncé ou dans la notation du modèle.
- Conclure directement que E[X] = μ.
- En cas de transformation affine Y = AX + b, calculer Aμ + b.
- Distinguer clairement l’espérance de la covariance, qui répond à une autre question.
Erreurs fréquentes à éviter
- Confondre espérance et variance.
- Penser que des covariances fortes modifient le vecteur moyen.
- Oublier le terme constant b dans une transformation affine.
- Utiliser la matrice de covariance à la place du vecteur moyen.
- Supposer que l’indépendance est nécessaire pour calculer l’espérance. Ce n’est pas le cas ici.
Applications concrètes
En finance, le vecteur moyen peut représenter le rendement espéré de plusieurs actifs. En traitement du signal, il peut modéliser le niveau moyen de bruit ou de signal sur plusieurs canaux. En machine learning, il intervient dans les modèles gaussiens, l’analyse discriminante, les mélanges gaussiens et les méthodes bayésiennes. En robotique, il est présent dans les filtres de Kalman, où l’état estimé est caractérisé par une moyenne et une covariance. Dans chacun de ces contextes, le calcul correct de l’espérance permet de prendre des décisions cohérentes, d’ajuster les modèles et d’interpréter les résultats avec rigueur.
Références fiables pour approfondir
Pour aller plus loin, vous pouvez consulter des sources académiques et institutionnelles reconnues :
- NIST Engineering Statistics Handbook
- Penn State University – Applied Multivariate Statistical Analysis
- Carnegie Mellon University – Department of Statistics
Conclusion
Le calcul de l’espérance d’un vecteur gaussien est l’un des résultats les plus élégants de la théorie des probabilités : si X ~ N(μ, Σ), alors E[X] = μ. Cette propriété simple constitue le socle de nombreux outils avancés. Elle reste vraie quelle que soit la structure de covariance, et elle se prolonge naturellement aux transformations affines via la formule E[AX+b] = Aμ+b. Maîtriser cette idée permet de naviguer avec beaucoup plus de sérénité dans les modèles multivariés et dans leurs applications professionnelles.