Académique Documents
Professionnel Documents
Culture Documents
Fonctions Génératrices
et Fonctions Caractéristiques
2019/2020
Fonctions génératrices
Fonctions génératrices des moments
Fonctions caractéristiques
Applications
Définition :
La fonction définie par G(t) = E(tX ) = ∞ k
P
k=0 pk t qui converge pour
|t| ≤ 1, est dite fonction génératrice de la v.a. X.
Conséquence :
Les moments de la v.a. X s’ils existent peuvent être déterminés par les
dérivées de G(t) au point t = 1.
En effet,
∞
X
G0 (t) = kpk tk−1 ⇒ G0 (1) = E(X) si E|X| < ∞.
k=1
∞
X
G00 (t) = k(k − 1)pk tk−2 ⇒ G00 (1) = E(X(X − 1)) si E(X 2 ) < ∞.
k=2
et ainsi de suite...
On a
∞
X e−λ
G(t) = (tλ)k = e−λ etλ = e−λ(1−t) ; |t| ≤ 1
k!
k=0
Donc,
G0 (t) = λe−λ(1−t)
E(X) = λ;
E(X 2 − X) = λ2 ;
V ar(X) = E(X 2 ) − E(X)2 = λ
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 5 / 63
Fonction génératrice des moments :
Définition :
Soit X une v.a. définie sur (Ω, A, P ).
La fonction génératrice des moments est définie pour toute variable
aléatoire X par :
P tx
tX x e P (X = x) si X est discrete;
M (t) = E(e ) = R +∞ tx
−∞ e f (x)dx si X est continue
Tous les moments d’ordre n peuvent être calculés à l’aide des dérivées
de la fonction génératrice des moments au point t = 0.
En effet,
" #
0 d tX d X tx X d
M (t) = E(e ) = e P (X = x) = etx P (X = x)
dt dt x x
dt
X
= xetx P (X = x) = E(XetX ) si X est dicrete et
x
Z +∞ Z +∞
0 d tX d tx d tx
M (t) = E(e ) = e f (x)dx = e f (x)dx
dt dt −∞ −∞ dt
Z +∞
= xetx f (x)dx = E(XetX ) si X est continue
−∞
Remarque :
La fonction génératrice des moments peut ne pas exister.
Exemple 1 :
Soit X une v.a. discrète définie par :
6 1
P (X = k) = . ; k = 1, 2, · · ·
π2 k2
∞
6 X etk
Donc, on a : M (t) = =∞
π2 k2
k=1
Exemple 2 :
Soit X une v.a. continue de fonction de densité
1 x
f (x) = e− 2 ; x > 0
2
1
Donc M (t) = 1−2t pour t < 21 ,
2 8
M 0 (t) = 2
et M 00 (t) = pour t < 12 ,
(1 − 2t) (1 − 2t)3
On en déduit E(X) = 2, E(X 2 ) = 8 et V ar(X) = 4.
Exemple 3 :
Soit X une v.a. continue de densité de probabilité la fonction
α
f (x) = ce−|x|R , 0 < α < 1, x ∈ R, où c est une constante déterminée par
+∞
la condition −∞ f (x)dx = 1.
Exemple 3 (suite) :
R∞ α R∞ α−1
Pour t > 0,Ron a : 0 etx e−x dx = 0 ex(t−x ) dx et puisque
∞ α
α − 1 < 0, 0 etx e−x dx n’est pas finie pour t > 0 ; car
α−1
ex(t−x ) ∼x→∞ etx .
D’où M (t) n’existe pasR! R∞
+∞ α α
Pourtant E(|X|n ) = c −∞ |X|n e−|x| dx = 2c 0 xn e−x dx.
Par un changement de variable y = xα , on obtient
R ∞ n+1 −1 −y
E(|X|n ) = 2c e dy = 2c n+1
α 0 y
α
αΓ α <∞
On remarque, donc, que même si M (t) est infini, les moments peuvent
être finis.
Rappel :
Γ est la Rfonction gamma d’Euler définie sur ]0, +∞[ par :
∞
Γ(α) = 0 e−t tα−1 dt
Propriétés :
1 Γ(α) = (α − 1)Γ(α − 1)
En effet,R
∞ R∞
Γ(α) = 0 e−t tα−1 dt = (α − 1) 0 e−t tα−2 dt = (α − 1)Γ(α − 1)
2 Γ(1) = 1 R∞
En effet, Γ(1) = 0 e−t dt = 1
3 Γ(n) = (n − 1)!
En effet, Γ(n) = (n − 1)Γ(n − 1) = (n − 1)(n − 2)Γ(n − 2) = · · · =
= (n − 1)!Γ(1) = (n − 1)!
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)
−∞ −∞
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 ,
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
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 ).
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
V ar(X) = np(1 − p)
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
1
d’où E(X) = ϕ0 (0) = λ.
i
V ar(X) = λ2 + λ − λ2 = λ
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 u x dx = 0,
−∞
alors : Z +∞
1 x2
ϕX (u) = √ e− 2 cos u x dx
2π −∞
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
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
En vertu de corollaire, on a :
(a + b)n+1 − an+1
mn = ; n = 0, 1, 2, · · ·
b(n + 1)
de dérivée ϕ0 (t)
= et de dérivée seconde ϕ00 (t) = −a2 eita
iaeita
donc son espérance mathématique est :
1
E(X) = ϕ0 (0) = a
i
2 1 00 2
et E(X ) = i2 ϕ (0) = a , doù sa variance est :
V ar(X) = E(X 2 ) − E(X)2 = a2 − a2 = 0
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 32 / 63
Loi de Bernoulli :
Soit une v.a. X qui suit une loi géométrique de paramètre p avec
∀k ∈ X(Ω) = N∗ ; P (X = k) = Ck+n−2
k−1
pn (1 − p)k−1 ;
E(Xi ) = npi ; (i = 1, 2, · · · , m)
Sa variance est :
V ar(Xi ) = npi (1 − pi ); (i = 1, 2, · · · , m)
Une v.a. continue X suit une loi uniforme sur un intervalle [a, b] et on
note X ∼ U[a, b] si sa densité de probabilité est :
1
f (x) = b−a si a ≤ x ≤ b
0 sinon
Sa fonction caractéristique est :
1 eitb − eita
ϕ(t) =
b−a it
Son espérance mathématique est :
a+b
E(X) =
2
Sa variance est :
(a − b)2
V ar(X) =
12
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 39 / 63
Loi exponentielle :
Une v.a. continue X suit une loi exponentielle de paramètre λ > 0 et on
note X ∼ Exp(λ) si sa densité de probabilité est :
λe−λx si x ≥ 0
f (x) =
0 si x < 0
λ2 eitα
ϕ(t) =
t2 + λ2
Son espérance mathématique est :
E(X) = α
Sa variance est :
2
V ar(X) =
λ2
1 (x−m)2
f (x) = √ e− 2σ2 ; x ∈] − ∞, +∞[
σ 2π
Sa fonction caractéristique est :
t2 σ 2
ϕ(t) = exp imt −
2
E(X) = m
Sa variance est :
V ar(X) = σ 2
Une v.a. X suit une loi normale centrée réduite s’il suit une loi normale
de paramètre m = 0 et σ = 1 et on note X ∼ N (0, 1). Sa fonction de
densité est :
1 (x)2
f (x) = √ e− 2 ; x ∈] − ∞, +∞[
2π
Sa fonction caractéristique est :
t2
ϕ(t) = e− 2
E(X) = 0
Sa variance est :
V ar(X) = 1
0 si x ≤ 0
Sa fonction caractéristique est :
n
ϕ(t) = (1 − 2it)− 2
E(X) = n
Sa variance est :
V ar(X) = 2n
1 1
= [F (b + 0) + F (b − 0)] − [F (a + 0) + F (a − 0)]
2 2
−ita
− e−itb
−ita
− e−itb
e e
ϕ(t) = |ϕ(t)|
≤b−a
it it
Donc, en vertu du théorème de Fubini, on peut permuter les
opérateurs d’intégration et écrire :
∞
T
e−ita − e−itb T
e−ita − e−itb itx
Z Z Z
1 1
IT = ϕ(t)dt = dF (x) e dt
2π −T it 2π −∞ −T it
∞ T
e−it(x−a) − e−it(x−b)
Z Z
1
= dF (x) dt
2π −∞ −T it
e−it(x−a) − e−it(x−b)
T
Z
Or, JT = dt =
−T it
Z T Z T
cos t(x − a) − cos t(x − b) sin t(x − a) − sin t(x − b)
= dt − i dt
−T it −T it
Z T Z T
sin t(x − a) sin t(x − b)
=2 dt − dt
0 t 0 t
"Z #
T (x−a) Z T (x−b)
sin u sin u
=2 du − du
0 u 0 u
Rv
L’intégrale de Dirichlet S(v) = 0 sinu u du est telle que
S(v)−→v→±∞ ± π2
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 50 / 63
Détermination d’une loi de probabilité sur R par sa
fonction caractéristique :
Preuve du Théorème général :
Z ∞
1
D’autre part IT = 2 [S(T (x − a)) − S(T (x − b))] dF (x).
2π −∞
Z a−0 Z a+0 Z b−0
1
IT = JT dF (x) + JT dF (x) + JT dF (x) +
2π −∞ a−0 a+0
Z b+0 Z ∞
+ JT dF (x) + JT dF (x)
b−0 b+0
• Si x < a < b, on a :
π π
S(T (x − a)) −→T →∞ − , S(T (x − b)) −→T →∞ − .
2 2
Donc Z a−0
lim JT dF (x) = 0.
T →∞ −∞
• Si x = a < b, on a :
π
S(T (x − a)) = 0, S(T (x − b)) −→T →∞ − .
2
Donc Z a+0
lim JT dF (x) = π [F (a + 0) − F (a − 0)]
T →∞ a−0
• Si a < x < b, on a :
π π
S(T (x − a)) −→T →∞ , S(T (x − b)) −→T →∞ − .
2 2
Donc Z b−0
lim JT dF (x) = 2π [F (b − 0) − F (a + 0)]
T →∞ a+0
• Si a < x = b, on a :
π
S(T (x − a)) −→T →∞ , S(T (x − b)) = 0.
2
Donc Z b+0
lim JT dF (x) = π [F (b + 0) − F (b − 0)]
T →∞ b−0
• Si a < b < x, on a :
π π
S(T (x − a)) −→T →∞ , S(T (x − b)) −→T →∞ .
2 2
Donc Z ∞
lim JT dF (x) = 0
T →∞ b+0
En résumé :
1
lim IT = [π(F (a + 0) − F (a − 0))+
T →∞ 2π
2π(F (b − 0) − F (a + 0)) + π(F (b + 0) − F (b − 0))] =
1 1
= [F (b + 0) + F (b − 0)] − [F (a + 0) + F (a − 0)]
2 2
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 54 / 63
Détermination d’une loi de probabilité sur R par sa
fonction caractéristique :
Formule d’inversion :
Corollaire 1 :
Si a et b sont deux points de continuité de F . On a :
T
e−ita − e−itb
Z
1
F (b) − F (a) = lim ϕ(t)dt
T →∞ 2π −T it
Corollaire 2 :
Si ϕ est absolument intégrable, la fonction de répartition F est
dérivable dans R et de plus
Z +∞
0 1
F (x) = f (x) = e−itx ϕ(t)dt
2π −∞
Preuve :
F (x + h) − F (x) T
e−itx − e−it(x+h)
Z
0 1
F (x) = lim = lim lim ϕ(t)dt
h→0 h h→0 T →+∞ 2π −T ith
1 − e−ith −itx
Z T
1
F 0 (x) = lim lim e ϕ(t)dt
h→0 T →+∞ 2π −T ith
1 − e−ith −itx
Or, e ϕ(t) ≤ |ϕ(t)|
ith
R∞
et puisque, par hypothèse −∞ |ϕ(t)|dt < ∞, on peut en vertu de
théorème de Lebesgue, passer à la limite sous l’opérateur d’intégration
et on a :
Z ∞
1 − e−ith −itx 1 − e−ith −itx
Z T
1 1
lim e ϕ(t)dt = e ϕ(t)dt
T →+∞ 2π −T ith 2π −∞ ith
∞
1 − e−ith −itx
Z
0 1
F (x) = f (x) = lim e ϕ(t)dt
2π −∞ h→0 ith
Z ∞
1
= e−itx ϕ(t)dt
2π −∞
Cette dernière intégrale est absolument convergente en x : C’est une
fonction continue en x.
Donc, la v.a. correspondante à F (x) est absolument continue, de densité
f.
Exemple
Trouvons la densité de la v.a. dont la fonction caractéristique est
ϕ(t) = e−c|t| .
Théorème :
Si deux fonctions de répartitions correspondent à la même fonction
caractéristique, alors elles sont égales.
i.e. ϕF1 = ϕF2 =⇒ F1 = F2
Preuve :
En effet, ϕX+Y (t) = E(eit(X+Y ) ) = E(eitX eitY ), d’où, puisque X et Y
sont indépendantes, donc aussi eitX et eitY :
ϕX+Y (t) = E(eitX )E(eitY ) = ϕX (t)ϕY (t).
On peut généraliser le théorème précédent de la façon suivante :
Théorème :
Soient X1 , X2 , · · · , Xn des v.a. indépendantes. Alors, pour tout réel t,
on a :
ϕPni=1 Xi (t) = Πni=1 ϕXi (t)
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 62 / 63
Fonction caractéristique et indépendance :
Remarque :
On peut trouver des v.a. X et Y non indépendantes qui vérifient,
quand même, ϕX+Y (t) = ϕX (t)ϕY (t).
Contre-exemple :
Soit X une v.a. de Cauchy C(0, 1) ; sa fonction caractéristique est
donnée par ϕX (t) = e−|t| . Le couple (X, Y ), où Y = X vérifie :
ϕX+Y (t) = ϕ2X (t) = e−2|t| = (e−|t| )2 = ϕX (t)ϕY (t).
Corollaire :
Le produit de deux fonctions caractéristiques est une fonction
caractéristique.