Moments, fonctions gnratrices, trans-

formes de Laplace
1 Moments et variance
Thorme 6.1 Soit (,A,P) un espace de probabilit, et soit n un entier > 0. Soit
L
n
lensemble des v.a. X sur cet espace telles que lesprance m
n
= IE(X
n
), appele
moment dordre n, existe. Alors L
n
est un espace vectoriel, et on a
L
1
L
2
L
n
.
Dmonstration Puisque f(x) = x
n
dnit une fonction convexe sur la demi-
droite positive, on peut crire pour x et y positif que
(
x +y
2
)
n

1
2
(x
n
+y
n
),
et donc |X + Y |
n
(|X| + |Y |)
n
2
n1
(|X|
n
+ |Y |
n
). Une autre mthode pour
obtenir cette ingalit est de montrer que g(t) = 2
n1
(t
n
+ 1) (t + 1)
n
atteint son
minimum sur [0, +[ en t = 1 et de considrer g(x/y).
Si maintenant les esprances de |X|
n
et de |Y |
n
sont nies, on en dduit daprs la
n du thorme 5.2 que lesprance de |X + Y |
n
est nie et que X + Y est dans L
n
quand X et Y y sont. Enn, pour voir que si lesprance de |X|
n
est nie il en est de
mme pour |X|
n1
, on utilise lingalit
|X|
n1
1 +|X|
n
,
quon vrie immdiatement en tudiant les cas |X| 1 et |X| 1. Le fait que
L
n1
L
n
sen dduit.
Dnition Le moment centr dordre n de la variable alatoire X est dni par
IE[(X m
1
)
n
] o m
1
= IE(X) .
Remarquons au passage que si le moment non centr m
n
existe, alors le moment
centr existe, puisque cest lesprance dun polynme en X de degr n et quon vient
de voir que les moments de degr infrieur n existaient.
Le cas particulier rellement important est le cas o n = 2.
Dnition Soit X une variable alatoire relle. On appelle le moment centr
dordre 2 de X la variance de X, et sa racine carre positive lcart type de X, encore
appel dviation standard. On note lcart type (X) et la variance ((X))
2
, ou plus
rarement V (X).
www.Les-Mathematiques.net
Insistons sur le fait que lcart type a la dimension de la variable alatoire: si celle
ci sexprime en centimtres, lcart type sexprime en centimtres et la variance en
centimtres carrs. Il faut connatre les deux formules suivantes:
Proposition 6.2 Si X a un moment dordre 2, alors pour rel

2
(X) =
2

2
(X),
et Formule de Huyghens:

2
(X) = IE(X
2
) (IE(X))
2
.
En particulier, (IE(X))
2
IE(X
2
), avec galit si et seulement si la loi de X est une
probabilit de Dirac.
Dmonstration La premire formule est immdiate. Pour Huyghens:

2
(X) = IE(X
2
2m
1
X +m
2
1
) = IE(X
2
) 2m
1
IE(X) +m
2
1
= IE(X
2
) (IE(X))
2
.
Ici on a utilis le fait que lesprance dune constante est la constante elle mme et
que m
1
= IE(X). Quant la dernire ingalit elle vient du fait quune variance est
toujours positive ou nulle. Si la variance est nulle, alors appliquant le 5) du thorme
5.2 la v.a. positive Y = (Xm
1
)
2
, alors la loi de Y est
0
et celle de X est donc
m1
.
Il y a galement connatre deux ingalits clbres:
Proposition 6.3 Ingalit de Markov Si Y est une variable alatoire positive ou
nulle dont lesprance existe, alors pour tout y > 0 on a
P(Y y)
1
y
IE(Y ).
Ingalit de Tchebychev Si X est une variable alatoire ayant un second moment,
alors pour tout t > 0 on a
P(|X IE(X)| t)
1
t
2

2
(X).
Dmonstration
IE(Y ) = IE(Y 1
Y y
+Y 1
Y <y
) IE(Y 1
Y y
)
IE(y1
Y y
) yIE(1
Y y
) = yP(Y y),
ce qui est quivalent lingalit de Markov en divisant les extrmits par y.
On applique ensuite Markov Y = (X m
1
)
2
et y = t
2
. Comme
P(|X m
1
| t) = P((X m
1
)
2
t
2
)
1
t
2
IE((X m
1
)
2
) =
1
t
2

2
(X),
2 G Letac
www.Les-Mathematiques.net
lingalit de Tchebychev est aussi dmontre.
Finalement, la variance dune somme de variables alatoires indpendantes est la
somme des variances. Plus prcisment:
Proposition 6.4 Si X
1
,X
2
, . . . ,X
N
sont des variables alatoires indpendantes
ayant un second moment, alors

2
(X
1
+ +X
N
) =
2
(X
1
) + +
2
(X
N
).
Dmonstration Procdons par rcurrence sur N. Cest trivial pour N = 1. Mon-
trons le pour N = 2. Notons pour simplier X = X
1
IE(X
1
) et Y = X
2
IE(X
2
).
Tous deux sont desprance nulle. Alors

2
(X
1
+X
2
) = IE((X +Y )
2
) = IE(X
2
) +2IE(XY ) +IE(Y
2
) =
2
(X
1
) +
2
(X
2
),
car IE(XY ) = IE(X)IE(Y ) = 0 en utilisant lindpendance de X et de Y . Ensuite,
supposons le rsultat vrai lordre N 1. Alors appliquant le rsultat pour N = 2 au
couple X = X
1
+ +X
N1
et Y = X
N
, puis lhypothse de rcurrence, on arrive
au rsultat.
En corollaire, on a donc la loi faible des grands nombres qui dit que en un certain
sens, si des variables alatoires sont indpendantes et de mme loi, alors leur moyenne
arithmtique tend vers leur esprance commune. Plus prcisment:
Thorme 6.5 Loi faible des grands nombres Soit X
1
,X
2
, . . . une suite innie
de v.a. indpendantes et de mme loi, et possdant un second moment. Alors, pour tout
nombre > 0 x on a
lim
n
P
_
|
X
1
+ +X
n
n
IE(X
1
)|
_
= 0.
Dmonstration Notons S
n
= X
1
+ +X
n
. Alors IE(S
n
/n) = IE(X
1
) et

2
(S
n
/n) =
2
(S
n
)/n
2
= (
2
(X
1
) + +
2
(X
n
))/n
2
=
2
(X
1
)/n.
Ici on a utilis successivement les propositions 6.2 puis 6.4, puis le fait que les X
j
sont
de mme loi et ont donc mme variance. Appliquons alors lingalit de Tchebychev
X = S
n
/n et t = ; on obtient
P
_
|
X
1
+ +X
n
n
IE(X
1
)|
_

1
n
2

2
(X
1
),
qui tend bien vers 0 pour x.
3 G Letac
www.Les-Mathematiques.net
Commentaires: limportance philosophique de la loi des grands nombres est non
ngligeable: elle justie la dmarche que nous avons adopte pour modliser le calcul
des probabilits. Lide dexprience dcrite au dbut de ce cours est la slection dun
point dans un espace dobservables , mais par un procd susceptible dtre rpt
ad libitum et dans les mmes conditions. Soit S une partie de , comptons le nombre
de fois o S est ralis en n essais, divisons ce nombre par n et notons par f
n
la frac-
tion, ou la frquence, ainsi obtenue. Lide de probabilit est base sur la constatation
physique que la suite des f
n
converge vers un nombre P(S) quon appellera probabi-
lit de S. Si la thorie est bien faite, cest dire si les axiomes sont bien choisis, on doit
retrouver cette constatation physique quelque part ltat de thorme dans la thorie
dveloppe partir de ces axiomes. Cest le cas. En effet, le initial dcrivant une
exprience est remplac par un produit inni

j=1

j
o les
j
sont identiques l
initial, et sont les rsultats possibles de lexprience rpte linstant j. Les points de
ce produit sont donc des suites innies = (
j
)

j=1
. Quant la probabilit sur le pro-
duit, elle est telle que toutes les fonctions f
j
() =
j
soient indpendantes. Ceci fait,
notons X
j
() = 1 si
j
S et X
j
() = 0 sinon. On a une suite de v.a. de Bernoulli
indpendantes et de mme loi desprance p = P(S). La loi faible des grands nombres
dit que f
n
=
1
n
(X
1
+ +X
n
) converge vers P(S), dans le sens dcrit au thorme
6.5. Il existe un thorme avec une conclusion plus prcise, appel loi forte des grands
nombres, que nous exposons maintenant.
Thorme 6.6 loi forte des grands nombres Soit X
1
, . . . ,X
n
, . . . des variables
alatoires de Bernoulli indpendantes et de mme loi q
0
+p
1
, avec 0 < p = 1 q <
1. Alors
Pr( lim
n
1
n
(X
1
+ +X
n
) = p) = 1.
Dmonstration Elle sappuie sur le lemme de Borel:
Lemme de Lebesgue Si (A
n
)
n1
est une suite dvnements telle que

n1
Pr(A
n
)
converge, alors Pr(
k1

nk
A
n
) = 0.
La dmonstration de ce lemme est peu prs triviale: Puisque la suite (r
k
)
k1
des
restes de la srie convergente tend vers 0 et que pour tout entier k on peut crire
Pr(
k1

nk
A
n
) Pr(
nk
A
n
)

nk
Pr(A
n
) = r
k
,
le rsultat sensuit en faisant tendre k vers linni.
On se xe ensuite un nombre > 0 et on note pour simplier
U
n
() = U
n
=
1
n
(X
1
+ +X
n
) p ,
A
n
() = A
n
= {U
n
> 0},
B() = {lim
n
U
n
> 0}.
4 G Letac
www.Les-Mathematiques.net
Le point dlicat de la dmonstration est de montrer que pour tout > 0 il existe un
nombre r

= r ]0,1[ tel que P(A

n
) r
n
. Admettons ce point quelques instants et
achevons la dmonstration. On remarque dabord que

k1

nk
A
n
= {k, n k; U
n
> 0}.
Un point subtil est ensuite linclusion dvnements:
{lim
n
U
n
> 0} {k, n k; U
n
> 0}
{k, n k; U
n
0} {lim
n
U
n
0}.
Il ny a jamais galit dans ces inclusions: il suft de penser aux cas U
n
= 1/n et
U
n
= 1/n pour sen convaincre. Nous nallons utiliser que la premire inclusion.
Ayant admis que Pr(A
n
) < r
n
avec r ]0,1[, comme la srie gomtrique de raison r
converge, le lemme de Borel est appliquable et on en dduit que Pr(B()) = 0.
Ensuite on observe que si 0 < <

on a B() B(

). Changeons un peu de
notation en crivant pour N entier B
N
= B(1/N). La suite dvnements (B
N
)
N1
est donc croissante. Mais comme tous les B
N
sont de probabilit nulle, on a encore
Pr(
N1
B
N
) = 0. Analysons alors lvnement
N1
B
N
. On a

N1
B
N
= {N; lim
n
1
n
(X
1
+ +X
n
) > p +
1
N
} =
{lim
n
1
n
(X
1
+ +X
n
) > p}.
Nous avons donc montr que
Pr(lim
n
1
n
(X
1
+ +X
n
) > p) = 0.
Appliquons ce rsultat aux variables de Bernoulli X

n
= 1 X
n
. Elles sont de loi
p
0
+q
1
et donc Pr(lim
n
1
n
(X

1
+ +X

n
) > q) = 0. Cependant
1
n
(X

1
+ +
X

n
) = 1
1
n
(X
1
+ +X
n
) et donc
Pr(lim
n
1
n
(X
1
+ +X
n
) < p) = 0.
Lunion de deux vnements de probabilit nulle est nulle, le complmentaire de cette
union est de probabilit 1. Cela entrane:
Pr
_
lim
n
1
n
(X
1
+ +X
n
) p lim
n
1
n
(X
1
+ +X
n
)
_
= 1.
Donc avec probabilit 1, les limites suprieure et infrieure sont gales p. Cest le
rsultat annonc.
Reste montrer quil existe r

= r ]0,1[ tel que

Pr(A
n
) = Pr(
1
n
(X
1
+ +X
n
) > p +) r
n
.
5 G Letac
www.Les-Mathematiques.net
A laide dun nombre s > 0 arbitraire, nous donnons dabord une autre prsentation de
cet vnement:
A
n
= {(
1
n
(X
1
+ +X
n
) > p +} = {e
s(X1++Xn)
> e
sn(p+
}.
On applique alors lingalit de Markov (proposition 6.3) Y = e
s(X1++Xn)
et
y = e
sn(p+)
. On en tire
Pr(A
n
)
1
y
IE(Y )
= e
sn(p+)
IE(e
s(X1++Xn)
)
= (e
s(p+)
IE(e
sX1
))
n
= (e
s(p+)
(q +pe
s
))
n
= (qe
sps
+pe
sqs
)
n
.
Insistons sur le fait que cette ingalit est valable pour tout s > 0. Observons alors
quil existe des valeurs de s telles que s (s) = qe
sps
+pe
sqs
soit < 1. Une
manire de le voir est de calculer (0) = 1 et

(0) = . Cela entrane videmment,

puisque =

(0) = lim
s0
(1 (s))/s, quil existe s
0
> 0 proche de 0 tel que
r = (s
0
) < 1. Comme > 0 cela termine la dmonstration.
Exercices sur 6.1
1. Soit X une variable alatoire telles que 0 X 1. Montrer que
2
(X)
1
4
.
Mthode: si m = IE(X), crire
1
4
(X m)
2
= (
1
2
m)
2
+X(1 X)
et prendre lesprance de chaque membre.
2 Les variables alatoires valeurs entires.
Nous allons nous concentrer pour un moment sur les variables valeurs dans len-
semble N des entiers 0. Dans ce cas les moments seront plus faciles calculer grce
lintroduction de la notion de fonction gnratrice de X :
Thorme 6.6 Soit X une v.a. valeurs dans N de loi P
X
=

+
n=0
p
n

n
. On
dsigne par f
X
(z) la somme de la srie entire
+

n=0
p
n
z
n
de rayon de convergence R. Alors
1. R 1 et, pour |z| 1 on a f
X
(z) = IE(z
X
).
6 G Letac
www.Les-Mathematiques.net
2. Pour tout n on a p
n
=
1
n!
f
(n)
X
(0). En particulier, la connaissance de f
X
donne la
connaissance de la loi de X.
3. Pour tout n le moment dordre n IE(X
n
) existe si et seulement si la drive
gauche dordre n au point 1 de la fonction z f
X
(z) dnie sur [1,1] existe
et est nie. Dans ce cas,
IE(X(X 1) (X n + 1)) = f
(n)
X
(1) =

k=n
k(k 1) (k n + 1)p
n
;
en particulier IE(X) = f

X
(1), IE(X
2
) = f

X
(1) +f

X
(1).
4. Si X
1
,X
2
, . . . ,X
N
sont des variables alatoires indpendantes valeurs dans N
et si S = X
1
+X
2
+ +X
N
alors pour |z| 1:
f
S
(z) = f
X1
(z) f
X
N
(z),
cest--dire que la fonction gnratrice dune somme est le produit des fonctions
gnratrices.
Dmonstration Il est clair que la srie entire converge pour z = 1 puisque

+
n=0
p
n
= 1 et donc que f
X
(1) = 1. Donc R 1. Ensuite, si |z| = 1 la srie
est absolument convergente. Pour le 2), cela dcoule du lien entre la formule de Taylor
et la somme dune srie entire.
Le 3) est plus dlicat. Nous le montrons pour n = 1. Le principe pour n quelconque
est le mme. Supposons dabord que IE(X) existe, cest--dire, daprs la proposition
5.4, que

+
n=0
np
n
converge. Montrons qualors la drive gauche en 1 de f
X
existe
et est nie. Celle ci est dnie comme la limite quand z crot vers 1 de la fonction
f
X
(z) f
X
(1)
z 1
=
1 f
X
(z)
1 z
=
+

n=0
p
n
1 z
n
1 z
=
+

n=0
p
n
(1 +z + +z
n1
).
Or si 0 z 1 on a 1 + z + + z
n1
n. Comme

+
n=0
np
n
converge la srie
prcdente converge normalement et sa limite est pour z tendant vers 1 est IE(X).
Inversement, supposons que la drive gauche en 1, note f

X
(1) existe. Appli-
quons le thorme des accroissement nis lintervalle [z,1] et la fonction f
X
. Il
existe donc c ]z,1[ tel que
1 f
X
(z)
1 z
= f

X
(c) =
+

n=1
np
n
c
n1
.
Ceci tend vers une limite nie si z croit vers 1 par hypothse. Il est clair puisque c tend
vers 1 avec z, que cette limite est suprieure ou gale toutes les sommes partielles de
la srie

+
n=0
np
n
, ce qui prouve que cette srie converge. Enn, trivialement,
+

n=1
p
n
c
n1

n=1
np
n
,
7 G Letac
www.Les-Mathematiques.net
ce qui montre nalement que f

X
(1) = IE(X).
Le 4) est une consquence immdiate du fait que si les X
j
sont indpendants, alors
les z
Xj
sont indpendants, et que lesprance du produit de variables indpendantes est
le produit des esprances:
f
S
(z) = IE(z
X1++X
N
) = IE(z
X1
z
X
N
) =
IE(z
X1
) IE(z
X
N
) = f
X1
(z) f
X
N
(z).
Commentaires: la dmonstration du 3) nest pas facile si R = 1, comme on la vu.
Si R > 1, cest simple et immdiat par le thorme de drivation dune srie entire
lintrieur de lintervalle de convergence.
Nous tudions maintenant 4 exemples fondamentaux de lois sur N.
Dnition - Proposition La loi de Bernoulli B
1,p
. Pour 0 < p < 1 cest la loi
B
1,p
= (1 p)
0
+p
1
.
Sa fonction gnratrice est f(z) = (1 p) +pz, son esprance est p et sa variance est
(1 p)p.
Dnition - Proposition La loi binomiale B
N,p
. Cest la loi du nombre de suc-
cs dans le schma Succs Echec ni N essais:
B
N,p
=
N

k=0
C
k
N
(1 p)
Nk
p
k

k
.
Sa fonction gnratrice est daprs la formule du binme, f(z) = ((1 p) + pz)
N
.
Donc en prenant sa drive lordre 1, son esprance est donc Np. Quant sa variance,
cest N(1 p)p.
On remarque que si X et Y sont indpendantes et de lois respectives B
N,p
et B
M,p
,
alors la loi de X +Y est B
N+M,p
, comme on le voit par la fonction gnratrice.
Un bon moyen de retenir ces rsultats sur la loi binomiale est dobserver que si
X
1
, . . . ,X
N
sont des variables alatoires indpendantes de mme loi de Bernoulli B
1,p
,
alors S = X
1
+ +X
N
est de loi binomiale B
N,p
comme on le voit par la fonction
gnratrice f
S
.
Dnition - Proposition La loi de Poisson P

. Pour > 0, cest la loi dnie

par
P

n=0

n
n!
e

n
.
8 G Letac
www.Les-Mathematiques.net
Sa fonction gnratrice est f(z) = exp((z 1)), son esprance et sa variance sont
toutes deux gales .
On remarque que si X et Y sont indpendantes et de lois respectives P

et P

,
alors la loi de X +Y est P
+
, comme on le voit par la fonction gnratrice.
La manire la plus courante de rencontrer cette loi de Poisson dans la nature est en
tant quapproximation de la loi binomiale. En effet, la suite de lois B
N,/N
tend vers
P

dans le sens suivant: pour tout entier k on a

lim
N
B
N,/N
({k}) = P

({k}).
Pour le voir, on observe que la suite du premier membre est
C
k
N
(1

N
)
Nk
(

N
)
k
=
N(N 1) (N k + 1)
N
k
(1

N
)
k

k
k!
(1

N
)
N
.
Le premier produit tend vers 1, comme quotient de deux polynmes de N de degr
k ayant mme terme de plus haut degr. Il est clair que toute lexpression tend vers

k
k!
e

si N tend vers linni, par la formule connue lim

N
(1 +
x
N
)
N
= expx.
Dnition - Proposition La loi de Pascal et la loi ngative binomiale. Dans le
schma Succs Echec inni, intressons nous la loi du temps dattente T
1
du premier
succs , soit T
1
() = inf {n ;
j
= S}. La loi de T
1
se calcule facilement en remar-
quant que dire que T
1
> n est dire que les n premiers essais ont t des checs, un
vnement de probabilit (1 p)
n
. Donc, puisque
P(T
1
= n) = P(T
1
> n1) P(T
1
> n) = (1 p)
n1
(1 p)
n
= (1 p)
n1
p,
la loi de T
1
, dite loi de Pascal, ou loi gomtrique, est
P
T1
= p
1
+ (1 p)p
2
+ + (1 p)
n1
p
n
+
Sa fonction gnratrice est la fonction homographique f
T1
(z) =
pz
1(1p)z
, sa
moyenne est 1/p, un rsultat quil est bon de retenir. Quant sa variance, cest
2
(T
1
) =
(1 p)/p
2
.
Si ensuite on sintresse au temps dattente T
k
du k ime succs, il est intuitive-
ment clair, bien que pas si facile montrer rigoureusement, que cest la somme de k
variables alatoires indpendantes I
1
, . . . ,I
k
, de mme loi que T
1
: la v.a. I
k
reprsente
lintervalle de temps entre les k 1 ime et k ime succs. La fonction gnratrice est
donc f
T
k
(z) = (
pz
1(1p)z
)
k
, la moyenne k/p et la variance k(1 p)/p
2
. Toutefois,
la loi de T
k
est concentre sur les entiers suprieurs ou gaux k, et il y a avantage
en vue dune gnralisation considrer plutt la loi de T
k
k, concentre sur N, de
fonction gnratrice
f
T
k
k
(z) = (
p
1 (1 p)z
)
k
=

n=0
1
n!
k(k + 1) (k +n 1)p
k
(1 p)
n
z
n
,
9 G Letac
www.Les-Mathematiques.net
en dveloppant selon la formule du binme de Newton. Cela entrane donc que si n
k :
P(T
k
= n) = P(T
k
k = n k) =
1
(n k)!
k(k + 1) (n 1)p
k
(1 p)
nk
=
C
k1
n1
p
k
(1 p)
nk
,
une formule difcile retenir.
Maintenant, on peut gnraliser la loi de T
k
k en remplaant le paramtre entier
k par le paramtre continu positif . Linterprtation probabiliste disparait, mais les
formules demeurent. On introduit donc la loi dite ngative-binomiale dnie par:
Dnition - Proposition La loi ngative binomiale est la loi NB
,p
dnie
pour > 0 et 0 < p < 1 par
NB
,p
=

n=0
1
n!
( + 1) ( +n 1)p

(1 p)
n

n
.
Une variable alatoire X qui suit une telle loi est donc telle que si n N :
P(X = n) =
1
n!
( + 1) ( +n 1)p

(1 p)
n
,
sa fonction gnratrice est f
X
(z) = (
p
1(1p)z
)

, sa moyenne est (1 p)/p et sa

variance est (1 p)/p
2
.
Exercices sur 6.2
1. Montrer que si deux ds sont marqus sur leurs faces 1,2,3,4,5,6 il est impossible
de les piper de sorte que la somme X+Y de leur points soit telle que P(X+Y =
n) =
1
11
pour n = 2,3, . . . ,12. Mthode: montrer que les fonctions gnratrices
f
X
(z) et f
Y
(z) sont telles que f
X
(z)/z et f
X
(z)/z sont des polyn Smes ayant
au moins un zro rel, et que f
X+Y
(z)/z
2
na que des zros imaginaires.
2. Une fonction gnratrice f
X
est telle que f
X
(z) = (1

1 z)/z. Quelle est

la probabilit pour que X = n? Est ce que IE(X) existe?
3. Soit X et Y deux variables alatoires indpendantes qui suivent des lois de Pas-
cal pas ncessairement identiques. Soit Z = min(X,Y ). Calculer pour n x
P(X > n, P(Y > n), P(Z > n), P(Z = n). Montrer que Z suit une loi de
Pascal. Exprimer sa moyenne en fonction des moyennes de X et Y .
3 Transforme de Laplace dune variable alatoire.
Thorme 6.7 Soit X une variable alatoire. Soit I
X
lensemble des z rels tels
que L
X
(z) = IE(e
zX
) existe. La fonction z L
X
(z) dnie sur I
X
est appele la
transforme de Laplace de X. Alors
1. Lensemble I
X
est un intervalle contenant 0.
10 G Letac
www.Les-Mathematiques.net
2. Si 0 est dans lintrieur de I
X
, la transforme de Laplace est dveloppable en
srie entire et les coefcients de cette srie sont les L
(n)
X
(0)/n! = IE(X
n
)/n! :
L
X
(z) =

n=0
IE(X
n
)
n!
z
n
.
3. Si I
X
est de longueur positive, la loi de X est caractrise par sa transforme de
Laplace. Plus prcisment, si I
X
I
Y
est de longueur positive et si L
X
= L
Y
sur cet intervalle, alors X et Y sont de mme loi.
4. Si X et Y sont indpendantes, alors I
X+Y
= I
X
I
Y
et , pour z dans cet
intervalle: L
X+Y
(z) = L
X
(z)L
Y
(z).
5. Si a et b sont rels avec a = 0 alors I
aX+b
=
1
a
I
X
et L
aX+b
(z) = exp(bz)L
X
(az).
Dmonstration 1) Il est clair que 0 I
X
. Si 0 < s < z ou si z < s < 0 et
si z I
X
, montrons que s I
X
. Cela vient du fait que exp(sX) 1 + exp(zX),
comme on le voit en examinant les 4 cas X 0 et X < 0, z > 0 et z < 0.
2) Si [a,a] I
X
avec a > 0, alors comme exp(a|X|) < exp(aX) + exp(aX)
on en dduit que IE(exp(a|X|)) existe, et donc IE(exp|zX|) existe pour tout |z| a.
Do pour un tel z

L
X
(z)
N

n=0
IE(X
n
)
n!
z
n

IE(exp(zX)
N

n=0
(Xz)
n
n!

IE(

n=N+1
(Xz)
n
n!

IE
_

n=N+1
|Xz|
n
n!
_
= IE
_
exp|zX|
N

n=0
|Xz|
n
n!
_
= IE(Y
N
).
La variable alatoire Y
N
dcroit vers 0: un thorme de 3me anne dit que cela
suft pour entraner que lim
N
IE(Y
N
) = 0; ce qui achve la dmonstration du 2).
La partie 3) est beaucoup plus difcile et nous admettrons ce rsultat.
La partie 4) est une consquence du thorme 5.8 appliqu N = 2 et (X
1
,X
2
) =
(exp(zX), exp(zY )). La partie 5) est immdiate.
A cause du 2) on appelle parfois la transforme de Laplace la fonction gnratrice
des moments. Cest viter, pour ne pas confondre avec la fonction gnratrice dune
variable alatoire X valeurs dans N. Dailleurs, pour un tel X, les deux notions sont
relies par f
X
(expz) = L
X
(z) et lintrieur de I
X
est alors ] , log R[ o R est le
rayon de convergence de la srie entire de somme f
X
. Les transformes de Laplace
sont surtout utilises pour caractriser des v.a. densit. Nous en donnons 3 exemples
importants.
Dnition - Proposition La loi normale N
m,
2. Cest la loi la plus importante
du calcul des probabilits. On lappelle aussi une loi gaussienne, une loi de Laplace-
Gauss, ou encore une seconde loi de Laplace. Si m IR et si > 0, elle est dnie par
sa densit:
11 G Letac
www.Les-Mathematiques.net
1

2
exp
(x m)
2
2
2
.
Le fait que ce soit une densit de probabilit nest pas vident, car il faut vrier
que lintgrale de cette fonction > 0 est 1. Si on ladmet pour le cas m = 0 et = 1,
on se ramne facilement ce cas particulier en posant x = y + m. Cette remarque
permet alors de montrer que la transforme de Laplace dune variable alatoire Y de
loi N
0,1
est
L
Y
(z) = IE(e
zY
) =
1

2
_
+

y
2
2
+zy
dy = e
z
2
2
.
Pour voir cette dernire galit il suft dcrire que la densit de N
z,1
est dintgrale 1.
Remarquons que lintervalle dexistence est I
Y
= IR
Ensuite, on remarque que si Y est de loi N
0,1
, alors X = Y +mest de loi N
m,
2.
Pour le voir, il suft dcrire la fonction de rpartition de X de la manire suivante:
F
X
(x) = P(Y +m x) = P(Y
x m

) = F
Y
(
x m

);
on drive alors les deux membres extrmes de la ligne ci dessus: gauche on obtient
la densit cherche de X, droite en utilisant le thorme de drivation des fonctions
composes et le fait que la densit de Y est par hypothse
1

2
e

y
2
2
: ceci fournit pour
X la densit de la loi N
m,
2 comme annonc.
Enn, pour avoir la transforme de Laplace de X partir de Y on utilise le 5) du
thorme 6.7 pour obtenir que si X est de loi N
m,
2, alors
L
X
(z) = exp(

2
z
2
2
+mz).
On dduit du 2) du thorme 6.7 qualors IE(X) = m et que
2
(X) =
2
. On
dduit aussi des 3) et 4) du thorme 6.7 que si X
1
et X
2
sont des variables ala-
toires indpendantes et de lois respectives N
m1,
2
1
et N
m1,
2
2
, alors X
1
+X
2
est de loi
N
m1+m2,
2
1
+
2
2
.
A propos de fonction de rpartition, il faut noter que la fonction de rpartition de
la loi N
0,1
, soit
(x) =
1

2
_
x

y
2
2
dy,
nest pas lmentaire. Elle est tabule dans tous les ouvrages.
On rencontre la loi N
0,1
dans la nature comme approximation de bien des lois. La
plus ancienne est lapproximation de Moivre Laplace de la loi binomiale:
Thorme Approximation de Moivre Laplace de la loi binomiale Si X est de
loi B
N,p
, alors la loi de
XNp

Np(1p)
tend vers la loi N
0,1
dans le sens suivant: pour tout
intervalle [a,b] on a
lim
N
P
_
a
X Np
_
Np(1 p)
b
_
=
1

2
_
b
a
e

y
2
2
dy.
12 G Letac
www.Les-Mathematiques.net
Une autre prsentation de ce thorme de Moivre Laplace est donc
lim
N
P
_
a
_
Np(1 p) +Np X b
_
Np(1 p) +Np
_
=
1

2
_
b
a
e

y
2
2
dy.
Cest dire que P
_
a
_
Np(1 p) +Np X b
_
Np(1 p) +Np
_
est approche
par (b) (a). Cette approximation est la base de la statistique.
La dmonstration de ce rsultat nest pas lmentaire. Toutefois, lusage des trans-
formes de Laplace le rend plausible; avec le thorme 6.7, partie 5):
L XNp

Np(1p)
(z) = (1 p +p
z
_
Np(1 p)
)
N
exp
Npz
_
Np(1 p)

N
exp
z
2
2
,
par un calcul de dveloppement limit.
Dnition - Proposition Les lois gamma
p,q
. La loi exponentielle
1,q
de
moyenne q est la plus importante des lois densit aprs la loi normale. Elle est
concentre sur la demi droite positive, sa fonction de rpartition est pour x > 0
F(x) = 1 exp(x/q) et en drivant F, sa densit est
1
q
exp(x/q)1
]0,+[
(x).
On la rencontre dans la nature car cest une loi sans mmoire: si X suit une loi
exponentielle de moyenne q et si x et y sont > 0, alors
P(X > x+y|X > y) =
P(X > x +y)
P(X > y)
=
1 F(x +y)
1 F(y)
= exp(x/q) = P(X > x).
Par exemple une ampoule lectrique ne suse pas, et le fait que nous sachions quelle a
dj dur un temps y ne nous donne aucune information pour savoir si elle va durer au
moins un temps x partir de maintenant.
La transforme de Laplace dune variable alatoire X de loi exponentielle existe
sur I
X
=] ,1/q[ et est gale L
X
(z) =
1
1qz
. Ceci montre avec le thorme 6.7,
2), que IE(X) = q, IE(X
2
) = 2q
2
et, par la formule de Huyghens, que
2
(X) = q
2
.
Si p est un nombre entier positif et si X
1
, ,X
p
sont des v.a. indpendantes et
de mme loi
1,q
, la transforme de Laplace de X
1
+ + X
p
est donc (
1
1qz
)
p
sur
] ,1/q[. Comme la transforme de Laplace dtermine la loi, il suft de montrer (par
une intgration par parties qui permet de faire une rcurrence sur p) que
1
(p 1)!
_
+
0
exp(zx x/q)q
p
x
p1
dx = (
1
1 qz
)
p
13 G Letac
www.Les-Mathematiques.net
pour en dduire que la densit de X
1
+ +X
p
est
1
(p 1)!
_
+
0
exp(x/q)q
p
x
p1
1
]0,+[
(x) :
cest la densit de la loi
p,q
.
En fait, comme pour la loi ngative binomiale qui a t obtenue par une interpola-
tion des entiers, il est possible dans la loi
p,q
de remplacer le paramtre entier par le
paramtre p > 0. Pour cela on introduit une importante fonction de p appele fonction
Gamma dEuler et dnie pour p > 0 par
(p) =
_
+
0
exp(x)x
p1
dx.
Une intgration par parties montre que (p +1) = p(p). Comme (1) = 1 on en tire
que si p est entier (p) = (p 1)!: cette fonction Gamma interpole les factorielles.
On dnit alors la loi
p,q
pour p > 0 non ncessairement entier par sa densit :
1

_
+
0
exp(x/q)q
p
x
p1
1
]0,+[
(x)
qui a pour transforme de Laplace (
1
1qz
)
p
. On dduit de cette transforme de Laplace
que la moyenne est pq et que la variance est pq
2
. On appelle p le paramtre de forme
et q le paramtre dchelon. En effet, on voit facilement, soit avec les fonctions de r-
partition, soit avec les transformes de Laplace, que si X est de loi
p,1
alors qX est
de loi
p,q
. Changer q est un simple changement dunits de mesure, changer p change
de faon importante lallure de la densit.
Dnition - Proposition La loi uniforme sur [a,b]. Cest la loi U
[a,b]
, de den-
sit
1
ba
1
[a,b]
(x). Sa fonction de rpartition F(x) est nulle si x < a, gale
xa
ba
si
x [a,b] et gale 1 si x > b.
Il est facile de voir que si X est de loi U
[0,1]
alors Y = a + (b a)X est de loi
U
[a,b]
(on dit aussi que Y est uniformment rpartie sur [a,b]). La transforme de La-
place nest pas spcialement remarquable. Pour U
[0,1]
, cest L(z) =
1
z
(e
z
1) si z = 0
et L(0) = 1 Le moment dordre n pour U
[0,1]
sobtient directement partir de la dni-
tion : cest 1/(n+1). Les variables uniformes sont intensment utilises en simulation.
14 G Letac