Fonction génératrice/Quelques propriétés

Début de la boite de navigation du chapitre

Nous allons étudier les propriétés de la fonction génératrice en les exposant sous forme d’une suite d’énoncés que nous démontrerons. Nous supposerons que X(Ω) est inclus dans ℕ pour fixer les idées. Le cas particulier où X(Ω) est fini sera la plupart du temps plus simple à traiter. Le lecteur pourra donc, dans un premier temps, se limiter à l’étude de ce cas pour avoir une première approche des propriétés de la fonction génératrice.

fin de la boite de navigation du chapitre

Propriété 1

Une fonction génératrice G_X est toujours définie et continue sur [–1, 1], indéfiniment dérivable sur ]–1, 1[, et G_X(1) = 1.

Démonstration

1er cas : X(Ω) ⊂〚0, n〛

La fonction G_X est polynomiale, donc définie et indéfiniment dérivable sur ℝ.

Cas général : on suppose seulement X(Ω) ⊂ ℕ

Sans perte de généralité, X(Ω) = ℕ. Il suffit alors de remarquer que $\sum _{k\in \mathbb {N} }p(X=k)=1$ et d'appliquer les propriétés générales des séries entières.

 

Propriété 2

On a :

$\forall i\in X(\Omega )\qquad p(X=i)={\frac {G_{X}^{(i)}(0)}{i!}}$.

Démonstration

En dérivant i fois la fonction génératrice, on obtient :

$\forall t\in \mathbb {R} \qquad G_{X}^{(i)}(t)=\sum _{k\in X(\Omega ),k\geqslant i}{\frac {k!}{(k-i)!}}p(X=k)t^{k-i}$.

En particulier, pour t = 0 :

$G_{X}^{(i)}(0)=\sum _{k\in X(\Omega ),k\geqslant i}{\frac {k!}{(k-i)!}}p(X=k)0^{k-i}=i!p(X=i)$

car 0⁰ = 1.

On obtient bien :

$p(X=i)={\frac {G_{X}^{(i)}(0)}{i!}}$.

 

Propriété 3

Pour toute variable aléatoire X d'espérance E(X) finie, la fonction génératrice G_X, restreinte à [–1, 1], est de classe C¹ et sa dérivée (à gauche) au point 1 est égale à E(X).

Démonstration

1er cas : X(Ω) ⊂〚0, n〛

Évident car G_X est polynomiale.

Cas général : on suppose seulement X(Ω) ⊂ ℕ

Par hypothèse, $\sum _{k=1}^{\infty }kp(X=k)=\mathbb {E} (X)<+\infty$.

Par le même argument que pour la continuité (propriété 1), la série entière

$\sum _{k=1}^{\infty }kt^{k-1}p(X=k)$

est donc convergente sur [–1, 1], vers une fonction continue dont la valeur en 1 est l'espérance de X.

Or sur ]–1, 1[, cette fonction est égale à $G'_{X}$.

On conclut grâce au théorème « limite de la dérivée ».

 

Propriété 4

Pour toute variable aléatoire X de variance finie, la fonction génératrice G_X, restreinte à [–1, 1], est de classe C² et sa dérivée seconde (à gauche) au point 1 est égale à E(X(X – 1)).

La démonstration est identique à celle de la propriété précédente.

Propriété 5

Pour toute variable aléatoire X de variance finie, V(X) = G_X’’(1) + G_X’(1) - [G_X’(1)]².

Démonstration

${\begin{aligned}V(X)&=E(X^{2})-\left(E(X)\right)^{2}\\&=E\left(X(X-1)\right)+E(X)-\left(E(X)\right)^{2}\\&=G_{X}''(1)+G_{X}'(1)-\left(G_{X}'(1)\right)^{2},\end{aligned}}$

la dernière égalité résultant des deux propositions précédentes.

 

Propriété 6

Soient X et Y deux variables aléatoires indépendantes. On a : G_X+Y(t) = G_X(t)G_Y(t).

Démonstration

Pour tout réel $t\in [0,1]$, les deux variables aléatoires $t^{X}$ et $t^{Y}$ sont indépendantes donc l'espérance de leur produit est le produit de leurs espérances respectives.

 

Par récurrence sur n, on en déduit immédiatement :

Corollaire

Soient X₁, X₂,…,X_n n variables aléatoires indépendantes. On a :

$G_{\sum _{k=1}^{n}X_{k}}(t)=\prod _{k=1}^{n}G_{X_{k}}(t)$.