Fonction génératrice des moments:
• La fonction génératrice des moments est définie pour toute v.a. Xpar:
Si E(etX) existe dans un voisinage de l’origine.
1
( ) ( )
=
=
=
∫
∑
∞ +
∞
−
continue est
si )
(
discrète est
si )
(
X dx
x f e
X x
X P e e
E t
M tx
x tx tX
Théorème:
Si M(t) existe pour t Є ]-t0,t0[, t0>0, alors ses dérivées de tout ordre existent pour t=0 et de plus M(k)(0)=E(Xk), k = 0,1,2,…
C’est-à-dire que:
Tout les moments d’ordre k peuvent être
calculés à l’aide des dérivées de M(t) au point t =0.
2 Prof. Mohamed El Merouani
• En effet,
Si X est discrète:
Si X est continue:
3
( )
edt E t
M′( )=
( )
e P(
X x)
dt x d
X P dt e
t d
M tx
x x
tx = =
=
′( ) =
∑ ∑
( ) ( )
tXx
txP X x E Xe
xe = =
=
∑
∫
∫
+∞∞
− +∞
∞
−
=
=
′ e f x dx
dt dx d
x f dt e
t d
M ( ) tx ( ) tx ( )
∫ ( )
+∞
∞
−
=
= xetxf (x)dx E XetX
• En posant t=0, on a M’(0)=E(X).
• De même,
et
D’une façon générale, on a:
et
4
( ) (
XetX E X etX)
dt E t d
dt M t d
M ′′( )= ′( )= = 2
( )
2) 0
( E X
M ′′ =
( ) , 1
)
)
(
(
t = E X e k ≥
M
k k tX( )
kk
E X
M
( )( 0 ) =
Prof. Mohamed El Merouani
• Où encore, d’après le théorème précédent, Si M(t) existe pour t Є ]-t0,t0[, t0>0, alors on peut développer M(t) en série de Mc-Laurin:
• Ainsi E(Xk) est le coefficient de
L L+ ⋅ + +
′′ ⋅ +
′ ⋅ +
= (0) !
! ) 2 0
! ( ) 1 0 ( )
0 ( )
( ( )
2
k M t
M t M t
M t M
k k
! k t k
5
Remarque:
• La fonction génératrice des moments M(t) peut ne pas exister.
• En effet, E(etX) n’est pas toujours définie.
6 Prof. Mohamed El Merouani
Exemple 1:
• Soit X une v.a. discrète définie par:
• Donc, on a:
( = ) = 6
21
2; k = 1 , 2 , ...
k k X
P π
∑
∞=
∞
=
=
1 2 2
) 6 (
k tk
k t e
M π
7
Exemple 2:
• Soit X une v.a. continue de fonction de densité
• Donc pour t<1/2
et pour t<1/2
On en déduit E(X)=2, E(X 2)=8 et Var(X)=4.
0 2 ,
) 1
(x = e− 2 x >
f x
t t
M 1 2
) 1 ( = −
(
1 22)
2)
(t t
M′ = −
(
1 82)
3)
(t t
M ′′ = −
8 Prof. Mohamed El Merouani
Exemple 3:
• Soit Xune v.a. continue de densité de probabilité la fonction f(x)=ce–|x|α, 0<α<1, xЄIR, où c est une constante déterminée par la condition
• Pour t>0, on a:
et puisque α-1<0, n’est pas finie pour t>0; car
+∞
∫
∞
−
=1 ) (x dx f
( )
dx edx e
etx x
∫
xt x∫
0∞ − α = 0∞ − α−1dx e
etx −xα
∫
0∞( )
txx x t
x
e
e
→∞− α−1
~
9
• D’où M(t) n’existe pas!
• Pourtant,
• Par un changement de variable y=xα, on obtient:
• On remarque, donc, que même si M(t) est infini, les moments peuvent être finis.
( ) = ∫−+∞∞ − = ∫
∞ −
0
2 c x e dx dx
e x c X
E
x n xn n α α
( ) 2 2 1 *
0 1 1
∞
<
+ Γ
=
= α c ∫
∞y
α+ −e
−dy α c n α
X
E
yn n
Euler.
d' gamma fonction
la
*Γest 10
Fonction Gamma Γ d’Euler:
La fonction Γest définie sur ]0,+∞[ par:
∫
∞−
= −
Γ
0
) 1
(α e ttα dt
11 Prof. Mohamed El Merouani
Propriétés:
1) Γ(α)=(α-1)Γ(α-1).
En effet,
2) Γ(1)=1.
En effet,
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)!
(
1) (
1) (
1)
) (
0 0
2
1 = − = − Γ −
=
Γ α ∞
∫
e−ttα−dt α ∞∫
e−ttα− dt α α( )
=∫
∞ − =Γ
0
1 1 e tdt
12 Prof. Mohamed El Merouani
Lois
Lois de de probabilités probabilités usuelles usuelles discrètes et continues
discrètes et continues
13
Lois
Lois de de probabilités probabilités discrètes
discrètes
14
Loi de Dirac:
• Soit un nombre a fixé et soit une v.a. X prenant la valeur a, c’est-à-dire P(X=a)=1.
On appelle loi de Dirac au point ala probabilité
La représentation de l’histogramme et de la fonction de répartition sont:
15
( )
≠
= =
a x
a x x
a 0,
,
δ
1Loi de Dirac:
16
Loi de Dirac:
• Sa fonction de répartition:
• Son espérance mathématique est E(X)=a et E(X2)=a2
• Sa variance est Var(X)=0
17
≥
= <
a x si
a x x si
F 1,
, ) 0 (
Prof. Mohamed El Merouani
Loi
Loi de de Bernoulli Bernoulli::
• Une v. a. Xsuit une loi de Bernoulli si elle prend les deux valeurs 1 et 0 avecP(X=1)=p et P(X=0)=q où p+q=1.
• ps’appelle paramètre de la loi.
• {X=1}est dit événement succès et {X=0}est dit événement échec.
• Xreprésente donc le nombre de succès obtenu après la réalisation d’une seule expérience aléatoire.
18 Prof. Mohamed El Merouani
Loi
Loi de de Bernoulli Bernoulli::
• La loi de probabilité de Xsuivant une loi de Bernoulli est:
AlorsE(X)=Σxipi=1xp+0xq=p
Var(X)=Σxi2pi–E(X)2=x12p+x02q-p2=p-p2 Var(X)=p(1-p)=pq
xi 1 0 Σpi pi p q=1-p 1
19 Prof. Mohamed El Merouani
Loi
Loi Binômiale Binômiale::
• On considère l’expérience qui consiste en n
répétitions indépendantes d’une même expérience dont l’issue est l’apparition ou la non apparition d’un événement Aqui:
– Soit se réalise avec la probabilitép(p=probabilité du succès).
– Soit ne se réalise pas avec la probabilité q=1-p (q=probabilité d’échec).
• Soit Xle nombre d’apparitions de cet événement parmi ces n expériences.
• On a Ω={A,Ā}net 0≤X≤n.
20 Prof. Mohamed El Merouani
Loi
Loi Binômiale Binômiale::
• On cherche P(X=k). Le résultat de ces n
expériences est une suite (A1, A2,…, An) où Ai=A ou Ā, pour tout i=1,2,…,n.
• Si on suppose que Aest apparu kfois et Ā(n-k) fois, la probabilité d’une de ces suites (A1, A2,…, An) est pk(1-p)n-k. Comme il existe suites (A1, A2,…, An) où Aest apparu k fois et Ā(n-k) fois, on déduit que:
21
. 0
; )
(X k C p q k n
P = = nk k n−k ≤ ≤
k
C
nLoi
Loi Binômiale Binômiale::
• On vérifie que
• En effet,
• On dit que Xsuit une loi binomiale de paramètres n et pet on la note symboliquement B(n, p).
• On écrit X
~
B(n,p)22
( )
∑
==
n =
k
k X P
0
1
(
1) (
(1 ))
10
=
− +
=
−
−
∑
=n n k n kk k
np p p p
C
Prof. Mohamed El Merouani
Loi
Loi Binômiale Binômiale::
• Espérance mathématique: E(X)=np
• Variance mathématique: Var(X)=npq
• Ecart-type: σ(X)=√npq
• La loi binômiale rend compte de tous les phénomènes répétés de manière
indépendante pouvant prendre deux états, tels que: succès ou échec, tout ou rien.
23 Prof. Mohamed El Merouani
Loi multinomiale:
• Supposons que dans une expérience aléatoire peuvent se présenter les événements
A1,A2,…,Ak qui forment un système des événements exhaustifs et mutuellement exclusifs (complet),
• P(Ai)=pi et p1+p2+…+pk=1 et calculons la probabilité qu’en faisant n expériences
indépendantes on ait x1fois l’evénement A1, x2fois A2,…etc, où x1+x2+…+xk=n.
24 Prof. Mohamed El Merouani
Loi multinomiale:
• Cette probabilité est donnée par:
et zéro, autrement. Avec Xi=xisignifie que l’événement Ais’est réalisé xi fois.
• Alors, on dit que la variable (X1,…,Xk) suit une loi multinomiale de paramètres n, p1, p2,…,pk
• Si k=2, on retrouve la loi binomiale.
25
( ) ∑
=
=
=
=
= k
i i x
k x
k k
k p p si n x
x x x n X x
X
P k
1 1
1 1
1 ,
!
! , !
, 1L
L L
Prof. Mohamed El Merouani
Loi multinomiale:
• Les principales moments de cette loi sont:
E(Xi)=npi Var(Xi)=npi(1-pi) Cov(Xi,Xj)=-npipj
26 Prof. Mohamed El Merouani
Exemple:
• Considérons la loi trinômiale:
où et pj≥0 avec p1+p2+p3=1.
• La loi marginale de X est B(n,p1).
• La loi marginale de Y est B(n,p2).
27
( )
pxpypn x yy x n y x y n Y x X
P − −
−
= −
=
= 1 2 3
)!
(
!
! , !
( )
x, y ∈Z2+Prof. Mohamed El Merouani
Exemple:
28
( )
∑
∑
−
=
−
−
−
− −
=
−
−
−
= −
−
= −
=
x n
y
y x n y x
y x n y x x
n
y
p y p
x n y
x p n
x n x
n
p p y p
x n y x x n
X P
0
3 2 1
3 2 1 0
)!
(
!
)!
( )!
(
!
!
)!
(
!
!
!
x n x
x n
x n x
x n
p p
C
p p
p C
−
−
−
=
+
=
) 1
(
) (
1 1
3 2
1
Prof. Mohamed El Merouani