Séance 5

Fonctions Caractéristiques (1)

Prof. Mohamed El Merouani

2018/2019

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 1 / 18

Introduction :

Si X est une v.a. quelconque, la fonction

R +∞génératrice
G(s) = E(sX ), nous invite à former : −∞ sx dF (x).
Cette intégrale a un sens auvoisinage de |s| = 1, ce qui conduit à
poser s = eit et á donner à t des valeurs réelles.

R +∞
On obtient finalement la fonction : E eitX = −∞ eitx dF (x)
notée ϕX (t) et dite fonction caractéristique de X
La fonction caractéristique de X a l’énorme avantage d’exister
pout tout nombre réel t et toute v.a. X.
En outre, la correspondance entre loi de probabilité d’une v.a. et
fonction caractéristique est bijective.

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 2 / 18

Fonction caractéristique

Définition
On définit la fonction caractéristique de la v.a. X, par :
 P itX
itX e P (X = x) si X est discrete;
ϕX (t) = E(e ) = R x+∞ itx
−∞ e f (x)dx si X est continue

Comme |eitx | = 1 pour tout réel t, par exemple, si X est une variable
aléatoire absolument continue, l’intégrale
Z +∞ Z +∞
itx
ϕX (t) = e f (x)dx = eitx dF (x)
−∞ −∞

existe pour toute fonction de densité f et la fonction caractéristique

peut être définie pour toute variable aléatoire X.

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 3 / 18

Propriétés :

1 ϕX (0) = 1.
2 |ϕX (t)| ≤ 1, t ∈ R.
3 Si Y = aX + b, a et b étant des constantes, alors

ϕY (t) = ϕX (at)eibt ,

où ϕX et ϕY sont les fonctions caractéristiques des variables

aléatoires X et Y .
4 ϕ(−t) = ϕ(t)

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 4 / 18

Preuves :

1 On montre la propriété pour X absolument continue. En effet :

R +∞
ϕX (0) = −∞ f (x)dx = 1.
2 On montre la propriété pour RX absolument continue.
R +∞ R +∞ En effet :
itx +∞ itx
|ϕ(t)| = | −∞ e f (x)dx| ≤ −∞ |e |f (x)dx = −∞ f (x)dx = 1.
3 ϕY (t) = E(eitY ) = E(eit(aX+b) ) = eitb E(eitaX ) = eitb ϕX (at).
4 ϕ(−t) = E[e−itX ] = E(cos tX) − iE(sin tX) =
E[cos(tx)] + iE[sin(tx)] = E[cos(tx) + i sin(tx)] = E[eitX ] = ϕ(t)

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 5 / 18

Théorème 1 :
Soit X la v.a. de fonction de répartition F (x) et de fonction
caractéristique ϕX (t). Alors ϕX (t) est uniformèment continue sur R

Preuve :
On considère la différence
R +∞ :
ϕX (t + h) − ϕX (t) = −∞ eitx eixh − 1 dF (x)


R +∞
ce qui entraîne |ϕX (t + h) − ϕX (t)| ≤ −∞ |eixh − 1|dF (x)
Soit ε > 0 arbitraire, choisissons A suffisamment grand pour que
ε
R
|x|>A dF (x) < 4 et choisissons h assez petit de manière que pour
|x| < A on ait : |eixh − 1| < 2ε Alors on a :
RA
|ϕX (t + h) − ϕX (t)| ≤ −A |eixh − 1|dF (x) + 2 |x|≥A dF (x) < ε
R

car |eixh − 1| ≤ |eixh | + |1| ≤ 1 + 1 = 2

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 6 / 18

Théorème 2 :
Si le moment d’odre k ≥ 1 de la v.a. X existe, la fonction
caractéristique ϕX (t) admet une dérivée d’odre k continue au voisinage
(k)
de l’origine et ϕX (0) = ik E(X k ).

Preuve : On sait que :

Z +∞
ϕX (t) = eitx dF (x)
−∞

on constate que pour tout nombre réel t, on a :

Z +∞  Z +∞
k itx
|x|k dF (x) < ∞ (par hypothèse)
 

 (ix) e dF (x) ≤
−∞ −∞

On peut donc dériver à l’ordre k sous le signe somme l’intégrale qui

définit ϕ(t) et écrire, pour tout nombre réel t l’expression
Z +∞ k itx Z +∞
(k) d (e ) k
ϕX (t) = dF (x) = i xk eitx dF (x)
−∞ dtk −∞

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 7 / 18

Théorème 2 :

Preuve :(Suite)
Cette dérnière intégrale est donc absolument convergente ; elle est
uniformément convergente en t.
L’intégrale obtenue est la dérivée d’ordre k de ϕ(t) et enfin cette
intégrale est continue en t. On a donc :
Z +∞
(k) k
ϕX (t) = i xk eitx dF (x)
−∞

(k) R +∞
la limite pour t = 0 est ϕX (0) = ik −∞ xk dF (x) = ik E(X k ).

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 8 / 18

Exemples

Exemple 1 :
On considère X une v.a. qui suit une loi binomiale B(n, p). À partir de
sa fonction caractéristique on calculera son espérance mathématique et
sa variance.
On a :
n
X n
X
iuX iuk
ϕ(u) = E(e )= e P (X = k) = eiuk Cnk pk (1 − p)(n−k)
k=0 k=0

n
X
n
= Cnk (peiu )k (1 − p)(n−k) = peiu + (1 − p) .
k=0

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 9 / 18

Exemple 1

La dérivée ϕ0 (u) s’écrit

n−1
ϕ0 (u) = n peiu + (1 − p) ipeiu ;

d’où E(X) = 1i ϕ0 (0) = np.

La dérivée

n−2
ϕ00 (u) = −npeiu peiu + (1 − p) npe−iu + (1 − p) ;

et E(X 2 ) = i12 ϕ00 (0) = − −n(n − 1)p2 − np = n(n − 1)p2 + np.

 

La variance V ar(X) est donc V ar(X) = E(X 2 ) − E(X)2

V ar(X) = n(n − 1)p2 + np − n2 p2

V ar(X) = np(1 − p)

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 10 / 18

Exemples

Exemple 2 :
On considère X une v.a. qui suit une loi de Poisson P(λ). À partir de
sa fonction caractéristique on calculera son espérance mathématique et
sa variance.
On a :
∞ k ∞
X
iuk −λ λ −λ
X (λeiu )k iu
ϕ(u) = E(e iuX
)= e e =e = e−λ eλe
k! k!
k=0 k=0

ϕ(u) = exp λ(eiu − 1)

La dérivée ϕ0 (u) s’écrit ϕ0 (u) = λieiu exp λ(eiu − 1) ;

1
d’où E(X) = ϕ0 (0) = λ.
i

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 11 / 18

Exemple 2 :

La dérivée ϕ00 (u) s’écrit :

ϕ00 (u) = −λieiu exp(λ(eiu − 1)) − λieiu λieiu exp(λ(eiu − 1))

= −λieiu exp(λ(eiu − 1)) − (λieiu )2 exp(λ(eiu − 1));

d’où
1 00
E(X 2 ) =
ϕ (0) = −(−λ − λ2 ) = λ2 + λ
i2
La variance V ar(X) est donc

V ar(X) = λ2 + λ − λ2 = λ

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 12 / 18

Exemples

Exemple 3 :
On considère X une v.a. qui suit une loi normale N (0, 1) et Y une v.a.
qui suit une loi normale N (m, σ). À partir de la fonction caractéristique
de X, on calculera la fonction caractéristique de Y et on en retrouvra
l’espérance mathématique et la variance de Y .

On a : Z +∞
1 x2
ϕX (u) = √ eiux− 2 dx
2π −∞
Comme Z +∞ x2
e− 2 sin uxdx = 0,
−∞
alors : Z +∞
1 x2
ϕX (u) = √ e− 2 cos uxdx
2π −∞

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 13 / 18

Exemple 3 :
et Z +∞
1 x2
ϕ0X (u) = −√ xe− 2 sin uxdx
2π −∞
Une intégration par partie donne
Z +∞  
0 1 − x2
2
ϕX (u) = √ sin uxd e
2π −∞
donc Z +∞
1 x2
ϕ0X (u) = −u √ e− 2 cos uxdx = −uϕX (u)
2π −∞
ϕ0 (u)
X
On en tire ϕX (u) = −u ou [ln ϕX (u)]0 = −u
Ce qui implique
−u2
ln ϕX (u) = + c.
2
−u2
Comme ϕX (0) = 1, on a c = 0 et ϕX (u) = e 2 .
Prof. Mohamed El Merouani () Probabilités 2 2018/2019 14 / 18
Exemple 3 :
Si Y ∼ N (m, σ), on peut représenter Y sous la forme Y = σX + m où
X ∼ N (0, 1) ; d’où
−u2 σ 2
ϕY (u) = ϕσX+m (u) = eium e 2

La dérivée ϕ0X (u) s’écrit

−u2 σ 2
ϕ0Y (u) = (im − uσ 2 )eium e 2

et E(Y ) = 1i ϕ0Y (0) = m.

La dérivée ϕ00Y (u) s’écrit
u2 σ 2 u2 σ 2
ϕ00Y (u) = −σ2eium− 2 + (im − uσ 2 )2 eium− 2

et E(Y 2 ) = i12 ϕ00Y (0) = −(−σ 2 + i2 m2 ) = σ 2 + m2

La variance V ar(Y ) est donc V ar(Y ) = σ 2 + m2 − m2 = σ 2
Prof. Mohamed El Merouani () Probabilités 2 2018/2019 15 / 18
On a vu que, pour la fonction génératrice des moments M (t), on a :
∞
X (t)k
M (t) = mk
k!
k=0

On a un résultat pareil pour la fonction caractéristique ϕ(t) qui découle

du théorème précèdent :
Corollaire :
Si les n premiers moments de X, mk = E[X k ](k = 1, 2, · · · , n) existent,
alors on a pour t → 0,
n
X (it)k
ϕX (t) = mk + o(tn )
k!
k=0

Preuve : Elle résulte immédiatement du théorème précèdent

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 16 / 18

Exemples

Exemple 4 :
Soit X une v.a. uniforme sur ]a, a + b[ de densité :
 1
f (x) = b si a < x < a + b
0 ailleurs

Calculons sa fonction caractéristique et en déduire ses moments.

Z a+b
1 1  i(a+b)t 
ϕ(t) = eitx dx = e − eiat
b a ibt
∞
1 X (it)n
= [(a + b)n − an ]
ibt n!
n=0
∞ ∞
X (it)n−1 (a + b)n − an X (it)n (a + b)n+1 − an+1
= =
n! b n! b(n + 1)
n=1 n=0

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 17 / 18

Exemple 4

En vertu de corollaire, on a :

(a + b)n+1 − an+1
mn = ; n = 0, 1, 2, · · ·
b(n + 1)

Prof. Mohamed El Merouani () Probabilités 2 2018/2019 18 / 18