Chapitre 5 - Fonctions Caracéristiques Et Indépendance - Toufik Chaayra

Probabilités
Chapitre 5 : Fonctions caractéristiques & Indépendance

des variables aléatoires
Toufik Chaayra
Département : Mathématiques
Filière : SMA - S6
Module : M33
Année universitaire : 2021/2022
Toufik Chaayra 12 Mai, 2022

Faculté pluridiscilinaire, Nador SMA S6 1 / 68
Fonctions caractéristiques
Introduction
Si X est une v.a. quelconque, la fonction

Z génératrice
+∞
G(s) = E sX , nous invite à former : sx dF (x).
−∞
Cette intégrale a un sens au voisinage de |s| = 1, ce qui conduit à
poser s = eit et donner à t des valeurs réelles.
Z +∞
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
pour 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.
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 2 / 68

Définition
On définit la fonction caractéristique de la v.a. X, par :
 X
itX

 e P(X = x) si X est discrete

φX (t) = E eitX = Zx +∞
eitx 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 +∞
φX (t) = eitx 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.

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)

Preuve :
1 On montre la propriété pour X absolument continue.
Z +∞
En effet: φX (0) = f (x)dx = 1
−∞
2 On montre la propriété pour X absolument continue.
Z +∞ Z +∞
itx
En effet : |φ(t)| = e f (x)dx ≤ eitx f (x)dx =
Z +∞ −∞ −∞
f (x)dx = 1.
−∞
3 φY (t) = E eitY =E eit(aX+b) = eitb E eitaX = eitb φX (at).
4
h i
−itX
φ(−t) = E e = E(cos tX) − iE(sin tX)
= E[cos(tX)] + iE[sin(tX)]
= E[cos(tX) + i sin(tX)]
= E [eitX ] = φ(t)
Théorème 1
Soit X la v.a. de mesure de probabilité µ sur R et de fonction
caractéristique φX (t). Alors φX (t) est uniformèment continue sur R
Preuve :
Soient ε > 0 et t, s ∈ R. On a
Z
|φX (t) − φX (s)| ≤ eitx − eisx dµ(x).
R
Soit A > 0 tel que µ(R\[−A, A]) ≤ ε. Alors, on découpe R en
[−A, A] ∪ (R\[−A, A]). Majorant eitx − eisx par 2 sur R\[−A, A], on
trouve
Z A
|φX (t) − φX (s)| ≤ 2ε + eitx − eisx dµ(x)
−A
Z A
≤ 2ε + |t − s||x|dµ(x) par l’inégalité des accrois. finis
−A
≤ 2ε + |t − s|A2 .
Preuve : (Suite)
On pose η = ε/A2 . Si |t − s| < η, alors
|φX (t) − φX (s)| < ε,
ce qui prouve l’uniforme continuité de φX sur R.

Théorème 2
Si le moment d’ordre k ≥ 1 de la v.a. X existe, la fonction
caractéristique φX (t) admet une dérivée
d’ordre
k continue au
(k)
voisinage 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 +∞
(ix)k eitx dF (x) ≤ |x|k dF (x) < ∞ (par hypothèse)
−∞ −∞
On peut donc dériver à l’ordre k la fonction φX (t) et écrire, pour tout
nombre réel t l’expression
Z +∞ k itx Z +∞
(k) d e
φX (t) = dF (x) = ik xk eitx dF (x)
−∞ dtk −∞
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)
−∞
la limite pour t = 0 est
Z +∞
(k) k k k k
φX (0) =i x dF (x) = i E X
−∞

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 k n
= Cnk pe iu
(1 − p) (n−k) iu
= pe + (1 − p)
k=0

La dérivée φ′ (u) s’écrit
n−1
′ iu
φ (u) = n pe + (1 − p) ipeiu
D’où
1
E(X) = φ′ (0) = np.
i
La dérivée seconde est
n−2
′′ iu iu −iu
φ (u) = −npe pe + (1 − p) npe + (1 − p)
1 ′′
et E X 2 = 2 − np = n(n − 1)p2 + np.

φ (0) = − −n(n − 1)p
i2
La variance Var(X) est donc Var(X) = E X 2 − E(X)2

Var(X) = n(n − 1)p2 + np − n2 p2

= 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 ∞ k

iuk −λ λ −λ λeiu iu
= e−λ eλe
X X
φ(u) = E eiuX = e e =e
k=0
k! k=0
k!

iu
= exp λ e − 1
La dérivée φ′ (u) s’écrit

′ iu iu
φ (u) = λie exp λ e − 1
d’où
1
E(X) = φ′ (0) = λ.
i
La dérivée φ′′ (u) s’écrit :

′′ iu iu iu iu iu
φ (u) = −λie exp λ e − 1 − λie λie exp λ e − 1
2
iu iu iu iu
= −λie exp λ e − 1 − λie exp λ e − 1
d’où
1 ′′

2
E X = 2 φ (0) = − −λ − λ = λ2 + λ
2
i
La variance Var(X) est donc
Var(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 (µ, 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 iux− x2
2
φX (u) = √ e dx
2π −∞
Comme Z +∞ 2
− x2
e sin uxdx = 0
−∞
alors : Z +∞
1 2
− x2
φX (u) = √ e cos uxdx
2π −∞

et Z +∞
1 2
− x2
φ′X (u) = −√ xe sin uxdx
2π −∞
Une intégration par partie donne

Z +∞
1
2

− x2
φ′X (u) = √ sin uxd e
2π −∞
donc Z +∞
1 − x2
2
φ′X (u) = −u √ e cos uxdx = −uφX (u)
2π −∞
φ′X (u)
On en tire = −u ou [ln φX (u)]′ = −u Ce qui implique
φX (u)
−u2
ln φX (u) = + c.
2
−u2
Comme φX (0) = 1, on a c = 0 et φX (u) = e 2 .

Si Y ∼ N (µ, σ), on peut représenter Y sous la forme Y = σX + µ où
X ∼ N (0, 1); d’où
−u2 σ 2

iuµ iuσX iuµ iuµ
φY (u) = φσX+µ (u) = e E e =e φX (uσ) = e e 2
La dérivée φ′X (u) s’écrit

−u2 σ 2

φ′Y (u) = iµ − uσ 2 iuµ
e e 2
1
et E(Y ) = φ′Y (0) = µ.
′′
i
La dérivée φY (u) s’écrit
2 2 2 2 2
iuµ− u 2σ iuµ− u 2σ

φ′′Y (u) = −σ2e + iµ − uσ 2
e
et
2
1 ′′
E Y = 2 φY (0) = − −σ + i µ = σ 2 + µ2
2 2 2
i
La variance Var(Y ) est donc Var(Y ) = σ 2 + µ2 − µ2 = σ 2
On a vu que, pour la fonction génératrice des moments M (t), on a :
∞
X (t)k
M (t) = mk
k=0
k!
On a un résultat pareil pour la fonction caractéristique φ(t) qui

découle du théorème précèdent:
Corollaire
h i
Si les n premiers moments de X, mk = E Xk (k = 1, 2, · · · , n)
existent, alors on a pour t → 0,
n
X (it)k
φX (t) = mk + o (tn )
k=0
k!
Preuve : Elle résulte immédiatement du théorème précèdent

Exemple 4
Soit X une v.a. uniforme sur ]a, a + b[ de densité :
(
1
b si a < x < a + b
f (x) =
0 ailleurs
Calculons sa fonction caractéristique et en déduire ses moments.
1 a+b itx 1 i(a+b)t

Z
iat
φ(t) = e dx = e −e
b a ibt
∞
1 X (it)n
= [(a + b)n − an ]
ibt n=0 n!
∞ ∞
X (it)n−1 (a + b)n − an X (it)n (a + b)n+1 − an+1
= =
n=1
n! b n=0
n! b(n + 1)
(a + b)n+1 − an+1
En vertu de corollaire, on a : mn = ; n = 0, 1, 2, · · ·
b(n + 1)

Calculs des moments des lois usuelles
Pour calculer l’espérance, la variance et les moments d’ordre

supérieurs, on peut utiliser :
la méthode directe (définition de ces moments)
la fonction génératrice
la fonction génératrice des moments
la fonction caractéristique

Calculs des moments des lois usuelles
Nous avons déjà calculé l’espérance et la variance pour les lois :

binomiale, en utilisant sa fonction caractéristique
de Poisson, en utilisant la fonction génératrice et aussi la fonction
caractéristique
normale centrée réduite et la normale N (µ, σ), en utilisant la
fonction caractéristique
uniforme sur l’intervalle ]a, a + b[, en utilisant la fonction
caractéristique et son développement en série.

Lois discrètes
Loi de Dirac
Soit a un nombre fixé. Soit X une v.a. prenant la valeur a avec
P(X = a) = 1 et suivant la loi de Dirac au point a. Sa loi de
probabilité δa est : (
1 si x = a
δa (x) =
0 si x ̸= a
Sa fonction caractéristique est :
X
itX
φ(t) = E e = eitx δa (x) = eita δa (a) = eita
x
de dérivée φ′ (t) = iaeita et de dérivée seconde φ′′ (t) = −a2 eita donc son
espérance mathématique est :
1
E(X) = φ′ (0) = a
i
et E X 2 = i12 φ′′ (0) = a2 , doù sa variance est :

2
Var(X) = E X − E(X)2 = a2 − a2 = 0
Lois discrètes
Loi de Bernoulli
Soit une v.a. X qui suit une loi de Bernoulli de paramètre
p (0 ≤ p ≤ 1), alors X(Ω) = {0, 1} avec P(X = 1) = p et
P(X = 0) = 1 − p.
X
itX
φ(t) = E e = P(X = x)eitx = peit + (1 − p)e0 = peit + (1 − p)
x
de dérivée première φ′ (t) = ipeit et de dérivée seconde φ′′ (t) = −peit .

Donc son espérance mathématique est
1 ′ 1
E(X) = φ (0) = p et E X 2 = 2 φ′′ (0) = p.
i i
D’où sa variance est :

2
Var(X) = E X − E(X)2 = p − p2 = p(1 − p).

Lois discrètes
Loi géométrique (1)
Soit une v.a. X qui suit une loi géométrique de paramètre p avec
∀k ∈ X(Ω) = {1, 2, · · · , n, · · · }, P(X = k) = p(1 − p)k−1

∞

itX
X
itk k−1 peit
φ(t) = E e =p e (1 − p) =
k=1
1 − (1 − p)eit
On peut calculer sa dérivée première et sa dérivée seconde et déduire

1 1
son espérance mathématique E(X) = φ′ (0) = .
i p
1 2(1 − p) 1
De même, on peut calculer E X 2 = 2 φ′′ (0) = + et
i p2 p
déduire

2
2(1 − p) 1 1 1−p
Var(X) = E X − E(X)2 = + − = .
p2 p p2 p2
Lois discrètes
Loi géométrique (2)
On peut consiérer la loi géométrique de paramètre p, mais avec

X(Ω) = {0, 1, 2, · · · , n, · · · } qui commence par 0 et non pas 1, alors
∀k ∈ X(Ω), P(X = k) = p(1 − p)k

∞

itX
X p
φ(t) = E e =p eitk (1 − p)k =
k=0
1 − (1 − p)eit
Dans ce cas, on trouve après avoir calculer les dérivées première et

seconde de cette fonction caractéristique, l’espérance mathématique
1−p 1−p
E(X) = et la variance Var(X) = .
p p2

Lois discrètes
Loi binomiale négative (1)
Une v.a. X suit une loi binomiale négative de paramètres n et p et on
note X ∼ N B(n, p) si
∀k ∈ X(Ω) = N∗ ; k−1
P(X = k) = Ck+n−2 pn (1 − p)k−1

!n
peit
φ(t) = ; pour (1 − p)eit < 1
1 − (1 − p)eit
Son espérance mathématique est:

n
E(X) =
p
Sa variance est:
n
Var(X) = (1 − p)
p2
Pour n = 1, on retrouve la loi géométrique (1).
Lois discrètes
Loi binomiale négative (2)
Une v.a. X suit une loi binomiale négative de paramètres n et p et on
note X ∼ N B(n, p) si
k
∀k ∈ X(Ω) = N; P(X = k) = Ck+n−1 pn (1 − p)k ;

n
p

φ(t) = ; pour (1 − p)eit < 1
1 − (1 − p)eit
1−p
E(X) = n
p
Sa variance est :
n
Var(X) = (1 − p)
p2
Pour n = 1, on retrouve la loi géométrique (2).
Lois discrètes
Loi multinomiale
Un vecteur aléatoire X = (X1 , X2 , · · · , Xm ) suit une loi multinomiale
de paramètres n, p1 , p2 , · · · , pm si
n!
P (X1 = n1 , · · · , Xm = nm ) = pn1 1 pn2 2 , · · · , pnmm
n1 !n2 ! · · · nm !
Pm
où i=1 ni = n Sa fonction caractéristique est :
m
!m
X
φ(t) = φ (t1 , t2 , · · · , tm ) = pk eitk
k=1
L’espérance mathématique d’une composante Xi est :
E (Xi ) = npi ; (i = 1, 2, · · · , m)
Sa variance est :
Var (Xi ) = npi (1 − pi ) ; (i = 1, 2, · · · , m)

Lois Continues
Loi uniforme
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 si a ≤ x ≤ b
b−a
f (x) =
0 sinon

1 eitb − eita
φ(t) =
b−a it
a+b
E(X) =
2
Sa variance est :
(a − b)2
Var(X) =
12
Lois Continues
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

λ
φ(t) =
λ − it
1
E(X) =
λ
Sa variance est :
1
Var(X) =
λ2
Lois Continues
Loi Gamma
Une v.a. continue X suit une loi gamma de paramètres α, β > 0 et on
note X ∼ Γ(α, β) si sa densité de probabilité est :
 α
 β e−βx xα−1 si x ≥ 0
f (x) = Γ(α)
0 si x < 0
Z ∞
où Γ(α) = e−t tα−1 dt. Sa fonction caractéristique est :
0
it −α

φ(t) = 1 −
β
Son espérance mathématique est :
α
E(X) =
β
Sa variance est :
α
Var(X) = 2
β
Si α = 1, on retrouve la loi exponentielle Exp(β).
Lois Continues
Loi bêta
Une v.a. continue X suit une loi bêta de paramètres α, β > 0 et on
note X ∼ B(α, β) si sa densité de probabilité est :

1 α−1 (1

B(α,β) x − x)β−1 si 0 ≤ x ≤ 1
f (x) =
0 sinon
où B(α, β) = Γ(α)Γ(β)
Γ(α+β)
Sa fonction caractéristique est:
∞
Γ(α + β) X (it)k Γ(α + k)
φ(t) =
Γ(α) k=0 k! Γ(α + β + k)
α
E(X) =
α+β
Sa variance est :
αβ
Var(X) =
(α + β)2 (α + β + 1)
Lois Continues
Loi de Cauchy
Une v.a. X suit une loi de Cauchy de paramètres α et λ > 0 si sa

densité est :
1 λ
f (x) = ; x ∈] − ∞, +∞[
π λ2 + (x − α)2
Sa fonction caractéristique est:
φ(t) = exp(iαt − λ|t|)

Lois Continues
Loi normale
Une v.a. X suit une loi normale de paramètres µ et σ > 0 et on note
X ∼ N (µ, σ) si sa densité est :
1 (x−µ)2
−
f (x) = √ e 2σ2 ; x ∈] − ∞, +∞[
σ 2π
!
t2 σ 2
φ(t) = exp iµt −
2
E(X) = µ
Sa variance est :
Var(X) = σ 2
Lois Continues
Loi normale centrée réduite
Une v.a. X suit une loi normale centrée réduite s’il suit une loi
normale de paramètre µ = 0 et σ = 1 et on note X ∼ N (0, 1). Sa
fonction de densité est :
1 − x2
f (x) = √ e 2; x ∈] − ∞, +∞[
2π
2
− t2
φ(t) = e
E(X) = 0
Sa variance est :
Var(X) = 1
Lois Continues
Loi du Khi-deux
Une v.a. X suit une loi de Khi-deux avec n degrés de liberté si sa
densité est:

 1
2n/2 Γ n
e−x/2 xn/2−1 si x > 0
f (x) = 2( )
0 si x ≤ 0

−n
φ(t) = (1 − 2it) 2
E(X) = n
Sa variance est:
Var(X) = 2n

Détermination d’une loi de probabilité sur R par sa
fonction caractéristique :
Formule d’inversion
Soit F la fonction de répartition d’une v.a. et soit φ sa fonction

caractéristique.
Nous nous proposons d’exprimer F à partir de φ.
Théorème général
Soit a, b ∈ R, a < b. Alors :
Z T −ita
1 e − e−itb
lim φ(t)dt =
T →∞ 2π −T it
1 1
= [F (b + 0) + F (b − 0)] − [F (a + 0) + F (a − 0)]
2 2

Preuve du Théorème général
e−ita − e−itb e−ita − e−itb

φ(t) = |φ(t)| ≤b−a
it it
Donc, en vertu du théorème de Fubini, on peut permuter les
opérateurs d’intégration et écrire :
1 T e−ita − e−itb
Z
IT = φ(t)dt
2π −T it
Z T −ita
1 +∞ e − e−itb itx
Z
= dF (x) e dt
2π −∞ −T it
Z T −it(x−a)
− e−it(x−b)
Z +∞
1 e
= dF (x) dt
2π −∞ −T it

Z T −iat !
e −e−ibt Z 0 iau
e −e ibu
Or, JT = eixt dt + e−ixu du
0 it T iu
Z T −i(x−a)t !
− e−i(x−b)t
Z T i(x−a)t
e − ei(x−b)t e
= dt − dt
0 it 0 it
!
− e−i(x−a)t − e−i(x−b)t
Z T i(x−a)t Z T i(x−b)t
e e
= dt − dt
0 it 0 it
!
− e−i(x−a)t − e−i(x−b)t
Z T i(x−a)t Z T i(x−b)t
e e
= dt − dt
0 it 0 it
Z T Z T !
sin((x − a)t) sin((x − b)t)
=2 dt − dt
0 t 0 t
Z (x−a)T Z (x−b)T !
sin u sin u
=2 du − du
0 u 0 u
Preuve du Théorème général Z v
sin u π
L’intégrale de Dirichlet S(v) = du est telle que S(v) −→ ±
0 u v→±∞ 2
Nous avons donc :
JT = 2[S(T (x − a)) − S(T (x − b))]
D’autre part
Z ∞
1
IT = 2[S(T (x − a)) − S(T (x − b))]dF (x)
2π −∞
"Z
1 a−0 Z a+0 Z b−0
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)) −→ − , S(T (x − b)) −→ −
T →∞ 2 T →∞ 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)) −→ , S(T (x − b)) −→ −
T →∞ 2 T →∞ 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)) −→ , S(T (x − b)) = 0
T →∞ 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)) −→ , S(T (x − b)) −→
T →∞ 2 T →∞ 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

Corollaire 1
Si a et b sont deux points de continuité de F . On a :
Z T −ita
1 e − e−itb
F (b) − F (a) = lim φ(t)dt
T →∞ 2π −T it
Formule d’inversion (Paul-Levy)

Formule de réciprocité de Fourier
Corollaire 2
Si φ est absolument intégrable, la fonction de répartition F est
dérivable dans R et de plus
Z +∞
1
F ′ (x) = f (x) = e−itx φ(t)dt
2π −∞
(Formule de réciprocité de Fourier)
Preuve :
Z T −itx
F (x + h) − F (x) 1 e − e−it(x+h)
F ′ (x) = lim = lim lim φ(t)dt
h→0 h h→0 T →+∞ 2π −T ith

Preuve de la Formule de réciprocité de Fourier :
1 − e−ith −itx
Z T
1
F ′ (x) = lim lim e φ(t)dt
h→0 T →+∞ 2π −T ith
Or,
1 − e−ith −itx
e φ(t) ≤ |φ(t)|
ith
Z ∞
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 :
1 − e−ith −itx 1 +∞ 1 − e−ith −itx
Z T
1
Z
lim e φ(t)dt = e φ(t)dt
T →+∞ 2π −T ith 2π −∞ ith

Preuve de la Formule de réciprocité de Fourier :
1 ∞ 1 − e−ith −itx
Z
′
F (x) = f (x) = lim e φ(t)dt
2π −∞ h→0 ith
1 ∞ −itx
Z
= e 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) = ec|t|
En effet, puisque φ(t) est absolument intégrable, la distribution est
absolument continue avec la densité :
1 +∞ −itx 1 +∞ −itx −c|t|
Z Z
f (x) = e φ(t)dt = e e dt
2π −∞ 2π −∞
1 0 t(c−ix) 1 +∞ −t(c+ix)
Z Z
= e dt + e dt
2π −∞ 2π 0
Les fonctions à intégrer sont holomorphes, donc
1 h
t(c−ix)
i0 1 h
−t(c+ix)
i+∞
f (x) = e − e
2π(c − ix) −∞ 2π(c + ix) 0
1 1 1 c

= + =
2π c − ix c + ix π (c2 + x2 )
Théorème (Formule d’inversion de Fourier)

Soit ϕX la fonction caractéristique d’un vecteur aléatoire X, supposée
intégrable par rapport à la mesure de Lebesgue sur Rd .
Alors, la loi de X admet une densité continue bornée f par rapport à
la mesure de Lebesgue sur Rd , donnée, pour tout x ∈ Rd , par
1
Z
f (x) = e−itx ϕX (t)dt
(2π)d/2 Rd

Formule d’inversion - Théorème d’unicité
Théorème
Si deux fonctions de répartitions correspondent à la même fonction
caractéristique, alors elles sont égales.
i.e. φF1 = φF2 =⇒ F1 = F2
La fonction caractéristique d’une v.a. détermine la loi de cette variable.

Autrement dit, si deux v.a. admettent même fonction caractéristique,
alors elles ont même loi.
Proposition
Soit φX (u) est la fonction caractéristique d’une v.a. X et φY (u) est la
fonction caractéristique d’une v.a. Y .
X et Y ont même loi si et seulement si φX (u) = φY (u), ∀u ∈ R.

Fonction caractéristique
Proposition
Soit X = (X1 , . . . , Xd ) un vecteur aléatoire, de fonction caractéristique
ϕ = ϕX et de loi PX . Si E ∥X∥2 < ∞, alors
∂ϕ ∂2ϕ
E (Xk ) = −i (0), E (Xk Xj ) = − (0)
∂tk ∂tk ∂tj

Fonction caractéristique et indépendance
Théorème
Soit (X, Y ) un couple de v.a. indépendantes. Alors, pour tout réel t, on
a:
φX+Y (t) = φX (t)φY (t)
Preuve :
En effet, φX+Y (t) = E eit(X+Y ) itX
=E e e itY , d’où, puisque X et Y
sont indépendantes, donc aussi eitX et eitY :

itX itY
φX+Y (t) = E e E e = 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 : n Y
φPn Xi (t) = φXi (t)
i=1
i=1
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 :
2
−2|t| −|t|
φX+Y (t) = φ2X (t) = e = e = φX (t)φY (t).
Corollaire
Le produit de deux fonctions caractéristiques est une fonction
caractéristique.

Indépendance
Définition
Une famille quelconque d’évènements (Ai )i∈I ∈ F est mutuellement
indépendante si :
 
\ Y
∀J ⊂ I fini P Aj  = P (Aj )
j∈J j∈J
Exemple : Jet de deux dés (Bleu, Rouge)

Soient A, B, C trois évènements représentant respectivement le dé
rouge est impaire, le dé bleu est impair, la somme des deux dés est
impair. P (A) = P (B) = P (C) = 1/2 et
P (A ∩ B) = P (A ∩ C) = P (B ∩ C) = 1/4, mais
P (A ∩ B ∩ C) = ∅ =
̸ 1/8.
Ainsi, A, B, et C sont deux à deux indépendants mais pas

mutuellement indépendants.
Indépendance
Définition
Une famille de sous-tribus {F1 , . . . , Fn } de F est (mutuellement)
indépendante si pour tout A1 ∈ F1 , . . . , An ∈ Fn ,
P [A1 ∩ . . . ∩ An ] = P [A1 ] × . . . × P [An ] ∀A1 ∈ F1 . . . ∀An ∈ Fn .
Définition
Une famille X1 , . . . , Xn de v.a. est (mutuellement) indépendante si
(σ (X1 ) , . . . , σ (Xn )) est indépendante. Autrement dit,
∀B1 , . . . , Bn ∈ B(R)
n
Y
P (X1 ∈ B1 , . . . , Xn ∈ Bn ) = P (Xi ∈ Bi ) .
i=1
Autrement dit
P(X1 ,...,Xd ) = PX1 ⊗ . . . ⊗ PXd

Indépendance
Exemple
Dans R2 ;
X1
−1 0 1
X2
−1 0 1/4 0
0 1/4 0 1/4
1 0 1/4 0
On pose X = (X1 , X2 ), on a :
1 1 1 1
PX = δ(−1,0) + δ(0,1) + δ(1,0) + δ(0,−1)
4 4 4 4
alors
1
P(X = (0, 0)) = 0 ̸=
= P (X1 = 0) P (X2 = 0)
4
ainsi X1 et X2 ne sont pas indépendantes.
Indépendance
Définition
Une v. a. X est indépendante d’une sous-tribu F si σ(X) ⊥ F.
En particulier, deux variables X et Y sont indépendantes si
σ(X) ⊥ σ(Y ) et on notera alors X ⊥ Y .
Exemple : jet de deux dés

Soient Xa , Xb deux variables aléatoires donnant respectivement le
résultat du dé rouge et celui du dé bleu. Ces deux variables sont
indépendantes.
Proposition
Si C1 et C2 sont deux famille indépendantes alors σ (C1 ) et σ (C2 ) sont
indépendantes.

Indépendance
Proposition
X1 , . . . , Xd indépendantes si et seulement si ∀ϕi , i ∈ {1, . . . , n}
fonctions boréliennes telles que les ϕi (Xi ) sont intégrables, on ait:
n n
!
Y Y
E ϕi (Xi ) = E (ϕi (Xi )) .
i=1 i=1

Indépendance
Proposition
Une famille (X1 , . . . , Xn ) de variables aléatoires est une famille
indépendante si et seulement si : ∀ (t1 , . . . , tn ) ∈ Rn ,
n
Y
φ(X1 ,...,Xn ) (t1 , . . . , tn ) = φXi (ti )
i=1

où φX : Rn → R est la fonction caractéristique de X : φX (t) = E eitX
Proposition
Soient X1 et X2 deux variables aléatoires, elles sont indépendantes si et
seulement si
FX1 ,X2 (x1 , x2 ) = FX1 (x1 ) FX2 (x2 )

Indépendance
Proposition
Soent (X, Y ) un couple aléatoires de densité conjointe f (x, y), alors X
et Y sont indépendantes si et seulement si :
fX,Y (x, y) = fX (x)fY (y).
Proposition
Soit X est Y deux variables aléatoires indépendantes telle que
X(Ω) = {x1 . . . , xn } , Y (Ω) = {y1 . . . , ym } .
Alors X et Y sont indépendantes si et seulement si
P (X = xi , Y = yj ) = P (X = xi ) P (Y = yj ) ;
∀(i, j) ∈ {1, . . . , n} × {1, . . . , m}

Corrélation
Définition
Deux variables aléatoires X et Y dans L2 (Ω, A, P ) sont non corrélées
si :
Cov(X, Y ) = 0,
autrement dit
E(XY ) = E(X)E(Y ).
Remarque
D’après ce qui précède on a X et Y indépendantes implique X et Y
non corrélées.
Contre-exemple
Y = X 2 , X ∼ N (0, 1), E(X) = 0 et E(XY ) = 0, ainsi
E(X)E(Y ) = E(XY ) mais X et Y ne sont pas indépendantes:
P(|X| ≤ 1, Y ≥ 1) = 0 ̸= P(|X| ≤ 1)P(Y ≥ 1).

Corrélation et vecteur gaussien
Théorème
Pd
Un vecteur X = (X1 , . . . , Xd ) est gaussien si ∀α ∈ Rd , i=1 αi Xi est
une variable aléatoire gaussienne. Dans ce cas,
 
d
X Xd d
XXd
αi Xi ∼ N  αi E (Xi ) , αi αj Cov (Xi , Xj )
i=1 i=1 i=1 j=1
Proposition
Un vecteur gaussien est entièrement déterminé par
µi = E (Xi ) , Γ = Cov (Xi , Xj ) .
Théorème
Soit X un vecteur gaussien de Rd de matrice de covariance Γ. Alors, Γ
est diagonale si et seulement si (X1 , . . . , Xd ) est indépendante.
Remarque : La réciproque est fausse dans le cas général.
Contre-exemple
Soit X ∼ N (0, 1) et ϵ une v.a de Rademacher telle que
1
P(ϵ = 1) = P(ϵ = −1) = et soit X ⊥ ϵ. Posons Y = ϵX
2
▶ Montrons que Y ∼ N (0, 1)
Soit y ∈ R,
P(Y ≤ y) = P(X ≤ y, ϵ = 1) + P(−X ≤ y, ϵ = −1)

1 1
= P(X ≤ y) + P(−X ≤ y), par indépendance de X et ϵ,
2 2
= P(X ≤ y), car X et − X ont même loi.
Donc Y est une va de loi normale centrée réduite.

▶

2
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = E X ϵ

2 2
= E X 1ϵ=1 − X 1ϵ=−1

2 2
= E X 1ϵ=1 − E X 1ϵ=−1

2 2
=E X E (1ϵ=1 ) − E X E (1ϵ=−1 )

2 2
=E X P (ϵ = 1) − E X P (ϵ = −1) = 0
Alors les v.a X et Y sont non corrélées, mais puisque Y = Xϵ, X et Y

ne sont pas indépendantes.
▶ Comme
1
P(X + Y = 0) = P(X + ϵX = 0) = P(ϵ = −1) = , car X ̸= 0 P − p.s
2
alors X + Y n’est pas gaussienne, et par la suite (X, Y ) est un gaussien
Coefficient de corrélation
Définition
Si X et Y admettent chacune une variance non nulle, on appelle
coefficient de corrélation linéaire de X et Y le réel noté ρ(X, Y ) et
définie par :
Cov(X, Y )
ρ(X, Y ) =
σ(X)σ(Y )
Propriétés
1 ρ(X, Y ) est compris dans [−1, 1].
2 Les deux variables ne sont pas corrélées si ρ(X, Y ) est nul.
3 Les deux variables sont d’autant mieux corrélées que ρ(X, Y ) est
proche de 1 ou de −1.

Somme de variables aléatoires indépendantes
Proposition
Si X1 , X2 , . . . , Xn est une suite indépendante
de variables
aléatoires
réelles de carré intégrable, alors E (X1 + . . . + Xn )2 < ∞ et et
n
X
V ar (X1 + . . . + Xn ) = V ar (Xk )
k=1
Proposition
Si (X1 , . . . , Xn ) sont des variables aléatoires indépendante alors :
∀t ∈ R,
n
Y
φX1 +...+Xn (t) = φXi (t),
i=1

où φX (t) = E eitX . En particulier, si X1 , . . . , Xn ont la de même loi
alors
φX1 +...+Xn (t) = (φX1 (t))n .
Théorème
Soient X1 , . . . , Xm des variables aléatoires indépendantes suivants
chacune une loi Binomiale de paramètres ni et p, alors leur somme X
suit la loi binomiale:
m
X
X= Xk ∼ B (n1 + . . . + nm , p)
k=1
Théorème
Si x1 , . . . , xm sont des variables aléatoires de Bernoulli avec paramètre
p, indépendantes et identiquement distribuées, alors leur somme X suit
la loi binomiale: m
X
X= Xk ∼ B(m, p)
k=1

Théorème
Soient X1 , . . . , Xm des variables aléatoires indépendantes suivants
chacune une loi Poisson P (λi ) de paramètre λi > 0. Alors leur somme
X suit la loi Poisson :
m
X
X= Xk ∼ P (λ1 + . . . + λm )
k=1
Proposition
Soient X et Y deux variables aléatoires réelles, indépendantes. La loi
de la somme X + Y est donnée par le produit de convolution PX ∗ PY
des lois PX et PY , défini, pour toute fonction borélienne bornée ϕ de R
dans R, par
Z Z Z
ϕdPX ∗ PY = ϕ(x + y)dPX (x) dPY (y)
R R R

Proposition
Soient X et Y deux variables aléatoires réelles indépendantes de
densités fX et gY respectivement. La densité de la somme X + Y est
donnée par le produit de convolution hX+Y = fX ∗ gY défini par
Z
hX+Y (t) = fX (x)gY (t − x)dx
R
Théorème
Soient X1 , . . . , Xn des variables aléatoires indépendantes suivants
chacune une loi normale d’éspérance µi et de variance σi2 . Alors la
somme X1 + · · · + Xn suit une loi normale d’éspérance µ1 + · · · + µn et
de variance σ12 + · · · + σn2

Chapitre 5 - Fonctions Caracéristiques Et Indépendance - Toufik Chaayra

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 5 - Fonctions Caracéristiques Et Indépendance - Toufik Chaayra

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités

Chapitre 5 : Fonctions caractéristiques & Indépendance

Toufik Chaayra 12 Mai, 2022

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

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 2 / 68

existe pour toute fonction de densité f et la fonction caractéristique

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 3 / 68

où φX et φY sont les fonctions caractéristiques des variables

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 4 / 68

|φX (t) − φX (s)| < ε,

ce qui prouve l’uniforme continuité de φX sur R.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 7 / 68

Preuve : On sait que :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 9 / 68

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 10 / 68

Var(X) = n(n − 1)p2 + np − n2 p2

La dérivée φ′ (u) s’écrit

La dérivée φ′′ (u) s’écrit :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 13 / 68

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 14 / 68

Une intégration par partie donne

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 15 / 68

La dérivée φ′X (u) s’écrit

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

Preuve : Elle résulte immédiatement du théorème précèdent

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 17 / 68

Calculons sa fonction caractéristique et en déduire ses moments.

1 a+b itx 1  i(a+b)t

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 18 / 68

Pour calculer l’espérance, la variance et les moments d’ordre

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 19 / 68

Nous avons déjà calculé l’espérance et la variance pour les lois :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 20 / 68

de dérivée première φ′ (t) = ipeit et de dérivée seconde φ′′ (t) = −peit .

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 22 / 68

∀k ∈ X(Ω) = {1, 2, · · · , n, · · · }, P(X = k) = p(1 − p)k−1

Sa fonction caractéristique est :

On peut calculer sa dérivée première et sa dérivée seconde et déduire

On peut consiérer la loi géométrique de paramètre p, mais avec

∀k ∈ X(Ω), P(X = k) = p(1 − p)k

Sa fonction caractéristique est :

Dans ce cas, on trouve après avoir calculer les dérivées première et

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 24 / 68

Sa fonction caractéristique est :

Son espérance mathématique est:

Sa fonction caractéristique est :

L’espérance mathématique d’une composante Xi est :

Var (Xi ) = npi (1 − pi ) ; (i = 1, 2, · · · , m)

Sa fonction caractéristique est :

Sa fonction caractéristique est :

Une v.a. X suit une loi de Cauchy de paramètres α et λ > 0 si sa

Sa fonction caractéristique est:

φ(t) = exp(iαt − λ|t|)

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 32 / 68

Son espérance mathématique est :

Son espérance mathématique est :

Sa fonction caractéristique est :

Son espérance mathématique est :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 35 / 68

Soit F la fonction de répartition d’une v.a. et soit φ sa fonction

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 36 / 68

e−ita − e−itb e−ita − e−itb

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 37 / 68

1 a+b itx 1 i(a+b)t