Chapitre 4

Fonction caractéristique d’un vecteur

aléatoire réel

4.1 Fonction caractéristique

Définition 4.1.1

Soit X un vecteur aléatoire défini sur un espace probabilisé (Ω, T , P ) à valeurs dans
Rn . La fonction caractéristique φX de X est la fonction définie sur Rn à valeurs com-
plexes par φX (t) = E(ei⟨t,X⟩ ) = E(cos(⟨t, X⟩)) + iE(sin(⟨t, X⟩)), où ⟨t, x⟩ = ni=1 ti xi
P

est le produit scalaire euclidien de t = (t1 , . . . , tn ) et x = (x1 , . . . , xn ) appartenant à

Rn . En d’autres termes,

Y
NA
Z Z Z
φX (t) = ei⟨t,X⟩ dP = cos(⟨t, X⟩) dP + i sin(⟨t, X⟩) dP
ZΩ Ω Z Ω Z
i⟨t,x⟩
= e dPX (x) = cos(⟨t, x⟩) dPX (x) + i sin(⟨t, x⟩) dPX (x).
Rn Rn Rn
AZ

Ainsi, la fonction caractéristique de X est la transformée de Fourier "inverse" de sa

loi.

Remarque 4.1.2
Z.

1. Si la loi PX est absolument continue par rapport à la mesure de Lebesgue λn ,

alors le théorème du transport implique que
Z Z
φX (t) = ei⟨t,x⟩ fX dλn = ei⟨t,x⟩ fX (x1 , . . . , xn ) dλn (x1 , . . . , xn ) = fˆX (t),
Rn Rn

où fˆX est la transformation de Fourier inverse de la densité fX de X.

2. si PX est discrète, alors le théorème du transport donne φX (t) =
ei⟨t,xi ⟩ P (X = xi ), où I ⊂ N et X(Ω) = {xi }i∈I .
X

i∈I

3. φX (0) = 1 et φX (−t) = φX (t), pour tout t ∈ Rn .

4. φX1 (x) = φ(X1 ,...,X2 ) (x, 0, . . . , 0), pour tout x ∈ R.
5. φX1 +···+Xn (x) = φ(X1 ,...,X2 ) (x, . . . , x), pour tout x ∈ R.

45
 4.1. FONCTION CARACTÉRISTIQUE

Exemple 4.1.3 (Fonction caractéristique de quelques lois classique)

1. Loi de Bernoulli B(p) de paramète 0 ≤ p ≤ 1 : φX (t) = 1 − p + peit .

2. Loi binomiale B(n, p) de paramètes n, p : φX (t) = (1 − p + peit )n .
3. Loi de Poisson P(λ) de paramète λ > 0 : φ (t) = e[λ(e −1)] .
it
X
peit
4. Loi geométrique G(λ) de paramète 0 < p < 1 : φX (t) = 1−(1−p)eit
.
eit −1
5. Loi uniforme U([0, 1]) sur [0, 1] : φX (0) = 1, et φX (t) = it
, si t̸= 0.
eitb −eita
6. Loi uniforme U([a, b]) sur [a, b] : φX (0) = 1, et φX (t) = it(b−a)
, si t̸= 0.
7. En particulier, pour la loi uniforme U([−a, a]) sur [−a, a] : φX (0) = 1, et
φX (t) = sin(ta)
ta
, si t̸= 0.
λ
8. Loi exponontielle E(λ) de paramète λ : φX (t) = λ−it
.
h i
(tσ)2
itm−
9. Loi Gaussienne N (m, σ 2 ), où m ∈ R et σ > 0 : φX (t) = e 2
.
t2
10. En particulier, pour la loi normale N (0, 1) centrée réduite : φX (t) = e− 2 .

Y
11. Loi de Cauchy standard : φX (t) = e−|t| .
NA
Proposition 4.1.4

La fonction caractéristique φX de X est bornée (de module inférieur ou égal à 1),

AZ

uniformément continue et vérifie φX (0) = 1.

Preuve
Démontrons que φX est uniformément continue. Soit ε > 0 fixé ; puisque PX est une proba-
Z.

bilité, on peut choisir un entier m tel que

ε
PX (B(0, m)c ) ⩽ , où B(0, m) est la boule de centre 0 et de rayon m.
4
Soient u, t ∈ Rn , on a
Z
|φX (u) − φX (t)| ⩽ | exp(i⟨x, u⟩) − exp(i⟨x, t⟩)|dPX (x) + 2PX (B(0, m)c ) .
B(0,m)

Mais l’inégalité des accroissements finis donne

| exp(i⟨x, u⟩) − exp(i⟨x, t⟩)| ⩽ ∥u − t∥∥x∥

et donc :
|φX (u) − φX (t)| ⩽ m∥u − t∥ + 2PX (B(0, m)c ) .
ε
si η = 2m
, on a alors :

∀u, t ∈ Rn tel que ∥u − t∥ ⩽ η on a |φX (u) − φX (t) |⩽ ε,

46
 4.1. FONCTION CARACTÉRISTIQUE

ce qui démontre le résultat.

Remarque 4.1.5

Si X = (X1 , . . . , Xn ) est un vecteur aléatoireqréel, et si X admet un moment d’ordre

m fini pour un entier m (i.e. E(∥X m ∥) := E( X1m + · · · + Xnm ) < ∞), alors X admet
des moments jusqu’à l’ordre m, i.e. E(∥X k ∥) < ∞ pour tout k = 1, . . . , m. Dans ce
cas, pour tout choix d’indices {j1 , . . . , jm } ⊂ {1, . . . , n}, la v.a.r. produit Xj1 . . . Xjm
est intégrable, i.e., E(|Xj1 . . . Xjm |) < ∞, en effet, (|Xj1 . . . Xjm | ≤ ∥X∥m ) , et l’espé-
rance E(Xj1 . . . Xjm ) s’appelle le (j1 , . . . , jm )-moment de X. En particulier :
1. lorsque X est une varibale aléatoire réelle, alors n = 1, j1 = . . . = jm = 1, et
E(Xj1 . . . Xjm ) = E(X m ) est le mième moment de X.
2. lorsque X = (X1 , X2 ) est un couple de v.a.r, i.e. n = 2. Alors dans ce
cas, les moments de X sont E(X1m ), E(X1m−1 X2 ), E(X1m−2 X22 ), E(X1m−1 X2 ),
E(X12 X2m−2 ), E(X1 X2m−1 ) et E(X2m ).

Théorème 4.1.6
Y
NA
Soit X = (X1 , . . . , Xn ) un vecteur aléatoire admettant un moment d’ordre m. La
fonction caractéristique φX de X est m fois continûment différentiable, et

∂m
AZ

φX (t) = im E(Xj1 . . . Xjm ei⟨t,X⟩ ).

∂tj1 . . . ∂tjm

Une application immédiate de ce résultat est l’utilisation de la fonction caractéristique pour

Z.

calculer les moments d’une v.a réelle X.

47
 4.1. FONCTION CARACTÉRISTIQUE

Théorème 4.1.7

Soit X une variable aléatoire réelle admettant un moment d’ordre m. La fonction

caractéristique φX de X est alors de class C m sur R, de dérivée

(m)
φX (t) = im E(X m ei⟨t,X⟩ ).

(m)
En particulier, φX (0) = im E(X m ). De plus, au voisinage de 0,
m
(it)k
E(X k ) + o(|t|m ).
X
φX (t) =
k=0 k!

Si de plus les moments de tout ordre existent et que leur série génératrice exponen-
∞
tn
E(|X|n ) a un rayon de convergence non nul R, alors :
X
tielle
n=0 n!

∞
(it)n
E(X n ),
X
φX (t) =
n!

Y
n=0

pour tout |t| < R.

NA
Remarque 4.1.8

1. Pour les deux premiers moments d’une variable aléatoire réelle, de loin les
AZ

plus importants, on obtient immédiatement :

′
(a) Si E(|X|) < ∞, alors E(X) = −iφX (0).
′′
 ′
2 ′′
(b) Si E(X 2 ) < ∞, alors E(X 2 ) = −φX (0) et σX
2
= φX (0) − φX (0).
∂φ ∂φ
Z.

2. Si X1 et X2 admettent une espérance, alors les dérivées partielles ∂t1

et ∂t2
existent et :
∂φ ∂φ
E (X1 ) = −i (0, 0) et E (X2 ) = −i (0, 0).
∂t1 ∂t2

3. Si X1 et X2 admettent un moment d’ordre 2, alors les dérivées partielles

d’ordre 2 de φ existent et :

∂ 2φ   ∂ 2φ   ∂ 2φ
E (X1 X2 ) = − (0, 0), E X12 = − 2 (0, 0), E X22 = − 2 (0, 0).
∂t1 ∂t2 ∂t1 ∂t2

48
 4.1. FONCTION CARACTÉRISTIQUE

Exemple 4.1.9

Prenons X ∼ N (0, 1), Il est claire que les moments de tout ordre existent. Or
2
∞ ∞
2
− t2
X (− t2 )n X (it)2n (2n)!
φX (t) = e = = n
, alors
n=0 n! n=0 (2n)! 2 n!


 (2n)!

n si m est pair et m = 2n
2 n!
E(X m ) = .
0

si m est impair

Théorème 4.1.10

Considérons une variable aléatoire réelle X et notons φX sa fonction caractéristique.

Si φX est (2p) fois dérivable, avec p ∈ N∗ , alors X k est intégrable, i.e. E(X k ) < +∞,
(k)
pour tout k ∈ {0, 1 . . . , 2p} et E(X k ) = (−i)k φX (0).

Remarque 4.1.11

Y
NA
La fonction caractéristique peut être derivable à l’origine (et même en tout point)
sans que la variable aléatoire admette une moyenne.
AZ

La proposition suivante sert, par exemple, à calculer la fonction caractéristique d’une variable
centrée réduite, à partir de la fonction caractéristique de la variable de départ :

Proposition 4.1.12
Z.

Soient X un v.a à valeurs dans Rn , a ∈ Rm et A une matrice m × n. Alors

φa+AX (t) = ei⟨t,a⟩ φX (AT t),

pour tout t ∈ Rn , où AT désigne la transposé de A. En particulier, si X est un variable

aléatoire réel, φm+σX (t) = φX (σt)eitm , pour tout t ∈ R.

Preuve
On a
T t,X⟩
ei⟨t,a+X⟩ ) = ei⟨t,a⟩ ei⟨t,AX⟩ = ei⟨t,a⟩ ei⟨A ,

en prenant l’espérance des deux membres on obtient

T t,X⟩
φa+AX (t) = E(ei⟨t.a,X⟩ ) = ei⟨t,a⟩ E(ei⟨A ) = ei⟨t,a⟩ φX (AT t).

49
 4.1. FONCTION CARACTÉRISTIQUE

Exemple 4.1.13

1. Soient Y une variable aléatoire de loi normale N (m, σ 2 ) et X la v.a telle que
Y := m + σX. Il est claire que X est de loi normale centrée
h réduite
i N (0, 1).
(at)2
(at)2 itm−
itm itm − 2
Ainsi, φY (t) = φm+σX (t) = φ(σt)e = e e 2 = e , pour tout
t ∈ R.
2. Si Y suit la loi uniforme U([a, b]) sur [a, b] et X telle que Y := a + (b − a)X,
alors X suit la loi uniforme U([0, 1]) sur [0, 1]. Ainsi et φY (t) = φa+(b−a)X (t) =
eit −1 itb −eita
φ((b − a)t)eita = eita it(b−a) = eit(b−a) , pour tout t ̸= 0.

Théorème 4.1.14

Deux vecteurs aléatoires réels X = (X1 , . . . , Xn ) et Y = (X1 , . . . , Xn ) ont même loi

conjointe (i.e. PX = PY ) si et seulement si φX = φY .

Théorème 4.1.15
Y
NA
Soit X = (X1 , . . . , Xn ) un vecteur aléatoire réel. Alors les variables aléatoires réelles
X1 , . . . , Xn sont indépendantes si et seulement si
AZ

φX (t1 , . . . , tn ) = φX1 (t1 ) . . . φXn (tn ),

pour tout (t1 , . . . , tn ) ∈ Rn .

Z.

50
 4.1. FONCTION CARACTÉRISTIQUE

Exemple 4.1.16

Soient X1 et X2 deux variables aléatoires réelles indépendantes de même loi de

−|x|
Laplace, i.e. de densité f (x) = e 2 . Alors la fonction caractéristique φX1 de X1 est

1
∀t ∈ R φX1 (t) = .
1 + t2

Ainsi, X1 et −X1 ont la même loi, cela découle du fait que la fonction caractéristique
ϕX1 est réelle, ou encore que la densité f est paire. On définit les variables aléatoires
Y1 := X1 − X2 et Y2 := X1 + X2 , c’est-à-dire
    
Y
 1 =
1 −1   X1 
Y2 1 1 X2

La fonction caractéristique de (X1 , X2 ) est définie par

1 1
∀ (t1 , t2 ) ∈ R2 φ(X1 ,X2 ) (t1 , t2 ) =

Y
1 + t1 1 + t22
2
NA
et, d’après la proposition 4.1.12, la fonction caractéristique de (Y1 , Y2 ) est

∀ (t1 , t2 ) ∈ R2 φ(Y1 ,Y2 ) (t1 , t2 ) = φ(X1 ,X2 ) (t1 + t2 , −t1 + t2 )

1 1
= .
1 + (t1 + t2 ) 1 + (−t1 + t2 )2
2
AZ

On obtient les fonctions caractéristiques de Y1 et Y2 par les relations :

1 1
φY1 (t) = φ(Y1 ,Y2 ) (t, 0) = ; φY2 (t) = φ(Y1 ,Y2 ) (0, t) = ,
(1 + t2 )2 (1 + t2 )2
Z.

pour tout t ∈ R. Les variables aléatoires Y1 et Y2 ont même fonction caractéristique,

donc même loi ; elles ne sont pas indépendantes puisque φ(Y1 ,Y2 ) (1, 1) = 51 ̸= 16
1
=
∞
φY1 (1)φY2 (1). D’autre part, la fonction caractéristique φX1 de X1 est de classe C et

′ −2t ′′ −2(1 + t2 )2 + 8t2 (1 + t2 ) 6t2 − 2

φX1 (t) = et ϕX1 (t) = = .
(1 + t2 )2 (1 + t2 )4 (1 + t2 )3

Selon le théorème 4.1.10, les moments de tout ordre existent. Ainsi, on a :

E(X1 ) = −iφ′X1 (0) = 0, E(X12 ) = −φ′′X1 (0) = 2,

 2
2
σX 1
= φ′X1 (0) − φ′′X1 (0) = 2.

Par conséquent, la matrice de covariance de Y est ΓY = AΓX AT = σX 2

1
AAT =
2
2σX I = 4I2 , où I2 représente la matrice identité d’ordre 2. Ainsi, la matrice ΓY est
1 2

diagonale, ce qui implique que Y1 et Y2 sont décorrélées, bien qu’elles ne soient pas
indépendantes.

51
 4.1. FONCTION CARACTÉRISTIQUE

Corollaire 4.1.17

Soit X = (X1 , . . . , Xn ) un vecteur aléatoire réel. Si X1 , . . . , Xn sont indépendantes,

alors
φX1 +···+Xn (x) = φX1 (x) . . . φXn (x),

pour tout x ∈ R.

Preuve
Le résultat découle du fait que φX1 +···+Xn (x) = φX (x, . . . , x) = φX1 (x) . . . φXn (x).

Remarque 4.1.18

1. Attention : la propriété φX1 +X2 (x) = φX1 (x)φX2 (x), pour tout x ∈ R, n’im-
plique pas l’indépendance de X et Y.
2. Si φX est une fonction caractéristique d’un vecteur aléatoire X, alors (φX )2

Y
et |φX |2 sont égalements des fonctions caractéristiques. En effet, soit Y
un autre vecteur aléatoire réel de même loi que X et indépendante de
NA
X, alors φX+Y (t) = φX (t)φY (t) = (φX )2 (t) et φX−Y (t) = φX (t)φ−Y (t) =
φX (t)φ−X (t) = φX (t)φX (−t) = φX (t)φX (t). Ainsi φX+Y = (φX )2 et φX−Y =
|φX |2
AZ

Théorème 4.1.19 (Formule d’inversion de Paul Lévy)

Soient X une variable aléatoire et a,b tels que FX est continues en a et b. Alors :

1 ZT e−ita − e−itb
Z.

FX (b) − FX (a) = lim φX (t) dλ(t).

T →+∞ 2π −T it

Théorème 4.1.20 (Formule d’inversion de Fourier)

Soit X un vecteur aléatoire à valeurs dans Rn tel que sa fonction caractéristique φX

est intégrable. Alors X est absolument continue par rapport à la mesure de Lebesgue
λn de Rn et sa densité est donnée par

1 Z
fX (x) = φX (t)e−i<x,t> dλn (t), pour tout x ∈ Rn .
(2π)n Rn

52
 4.2. SOMME DE VARIABLES ALÉATOIRES INDÉPENDANTES

4.2 Somme de variables aléatoires indépendantes

Théorème 4.2.1

Soit X et Y deux v.a. réelles indépendantes, et Z = X + Y .

1. Si X admet la densité fX , alors Z admet la densité fZ donnée par
Z
fZ (z) = fX (z − y) dPY (y)
R

2. Si de plus Y admet la densité fY , alors

Z Z
fZ (z) = fX (z − y)fY (y)dλ(y) = fX (x)fY (z − x)dλ(x)
R R

En d’autres termes, fX+Y est le produit de convolution de fX par fY , noté

fX ∗ fY .

Preuve
Y
NA
Soit φ : R2 −→ [0, +∞] une fonction borélienne positive. Les variables X et Y étant indépen-
dantes, la loi de (X, Y ) est alors absolument continue de densité f(X,Y ) définie par

∀(x, y) ∈ R2 , f(X,Y ) (x, y) = fX (x)fY (y).

AZ

Par conséquent,
ZZ
E(φ(X + Y )) = φ(x + y)fX (x)fY (y)dλ(x)dλ(y).
R×R
Z.

D’après le théorème de Fubini-Tonelli,

Z Z 
E(φ(X + Y )) = φ(x + y)fX (x)dλ(x) fY (y)dλ(y).
R R

En effectuant le changement de variable z = x + y (y étant fixé), on constate que

Z Z 
E(φ(X + Y )) = φ(z)fX (z − y)λ1 (dz) fY (y)dλ(y).
R R

Ainsi, d’après le théorème de Fubini-Tonelli,

Z Z 
E(φ(X + Y )) = φ(z) fX (z − y)fY (y)dλ(y) dλ(z).
R R

L’égalité précédente étant vraie pour toute fonction φ : R2 −→ [0, +∞] borélienne positive, la
loi de X + Y est la loi absolument continue de densité
Z Z
fZ (z) = (fX ∗ fY ) (z) = fX (z − y)fY (y)dλ(y) = fX (x)fY (z − x)dλ(x) = (fY ∗ fX ) (z).
R R

53