Fonction génératrice, par Jean – Paul Tsasa et Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative One pager Décembre 2012 Vol. 4 – Num. 010 Copyright © Laréq 2012 Fonction Génératrice des MoMents d’une Variable Aléatoire Analyse Conjointe des Cas Univarié, Bivarié et Multivarié Jean – Paul Kimbambu, Tsasa Vangu1 & Marina Mavungu Ngoma2 Les grands esprits ont toujours rencontré une opposition farouche des esprits médiocres. Albert Einstein Résumé Ce papier répond à la question de savoir comment passer d’une fonction caractéristique à la fonction génératrice des moments afin d’extraire plus aisément les moments associés à la distribution des probabilités d’une ou de plusieurs variables aléatoires. Le développement proposé est illustré en considérant succinctement et respectivement les cas univarié, bivarié et multivarié de la loi gaussienne. Mot – clé : Fonction génératrice des moments. Abstract This paper focuses on the calculation of moments of a random variable from the moment generating function. To illustrate Mathematical formula applications, we consider a Gaussian distribution univariate, bivariate and multivariate. Introduction Est – il possible de dériver tous les moments d’une variable aléatoire partant d’une fonction unique ? La réponse à cette question constitue l’essence du présent papier. Il convient de noter que l’analyse de moments occupe une place de choix dans toute étude économétrique (Tsasa, mai-2012 ; Tombola, juin2012), car facilitant, notamment, l’appréhension des propriétés que possède une variable aléatoire (analyse exploratoire). Au – delà de cette providence, les moments d’une variable aléatoire éclairent la démarche du modélisateur, notamment dans la détermination de l’approche à privilégier (paramétrique ou non). Aussi, il convient de relever que dans ses interventions, il est des fois où implicitement ( que les moments d’une variables le modélisateur suppose aléatoire sont identiques ). Mais hélas cela devient plus dangereux notamment dans le traitement des variables aléatoires, telles que financières ou plus généralement des variables caractérisées par des trajectoires volatiles et erratiques ou ayant des distributions dont les queues sont épaisses. Ainsi, pour minimiser les incidences dans l’analyse de telles variables, le modélisateur est conduit des fois à générer tous les moments de la variable avant de procéder à son étude. 1 2 Ph.D. candidate (sciences économiques) à l’Université de Montréal et Chercheur au Laboratoire d’Analyse – Recherche en Economie Quantitative [LAREQ]. Mail : [email protected]. Licence 2 Economie Mathématique/Université Protestante au Congo et Aspirante chercheure au Laboratoire d’Analyse – Recherche en Economie Quantitative [LAREQ]. Mail : [email protected]. Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 62 A cet effet, le travail apparaîtrait plus fastidieux s’il n’existait pas un support idoine pour réaliser une telle application. Heureusement, qu’il en existe un. Ainsi, dans pareil cas, on recourt généralement à la fonction génératrice des moments. Cet argument constitue l’objet du présent papier. A l’effet de décrire la fonction en cause, nous procédons comme suit. Nous présentons dans une première section la fonction génératrice des moments, après un bref aperçu de la fonction caractéristique. Nous étudions le cas univarié, avant de généraliser l’analyse au cas de vecteur aléatoire. Afin d’illustrer notre exposé, nous considérons, dans une deuxième section, un exemple générique de la dérivation des moments à partir de la fonction génératrice des moments. Les lois gaussiennes univariée, bivariée, puis multivariée serviront de support d’analyse illustratif. Fonction caractéristique et Fonction génératrice des moments Fonction caractéristique Comme l’indique son appellation, la fonction caractéristique, notée d’une variable aléatoire Sur ou d’un vecteur aléatoires, la fonction génératrice d’une variable aléatoire Nous verrons plus loin qu’il suffit de remplacer génératrice des moment d’une variable aléatoire Pour toute variable aléatoire caractérise la loi ou la distribution : s’écrit : par dans la relation (2) pour définir la fonction . possédant une densité, notée la fonction caractéristique est définie par la transformée de Fourier inverse de la densité. En effet, l’opération de la transformée de Fourier inverse, appliquée à la transformée de Fourier de , permet de dériver en se servant des données fréquentielles : En se ramenant à la définition fréquentielle, avec le temps Considérons, à présent, un vecteur aléatoire à valeurs et la fréquence , il vient : la fonction caractéristique dans ce cas est définie par l’expression : Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 63 Le tableau 1 regroupe les fonctions caractéristiques associées aux distributions couramment utilisées. Tableau 1 : Fonction caractéristique Distribution Bernoulli Binomiale Géométrique Fonction caractéristique Poisson Uniforme Exponentielle Cauchy Gaussienne En considérant la variable aléatoire normale standard il y a lieu d’écrire : En développant l’expression il vient : et après réaménagement, il s’ensuit que : Sachant que il suffit dès lors de résoudre la différentielle pour trouver : Il existe une relation entre les moments et la fonction caractéristique d’une variable aléatoire. Pour le cas discret, si les moments de la variable en cause existent et que la série considérée converge, on a : Fonction génératrice des moments d’une variable aléatoire La fonction génératrice des moments de la variable aléatoire X, est la fonction Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative définie par : 64 Elle est donc une dérivée de la fonction de densité (loi) de probabilité, obtenue par le calcul de l’espérance de la variable aléatoire une fonction où t est un paramètre. L’opération fonctionnelle associant à à la fonction est appelée transformée de Laplace. Ainsi définie, la fonction génératrice des moments permet de générer les moments d’une distribution de probabilité. Subséquemment, si l’espérance de la variable aléatoire existe, alors la fonction génératrice des moments existe aussi. Cependant, l’absence de certains moments implique la non existence de la Fonction génératrice des moments (par exemple, la loi de Student n’a pas de moments au – delà du moment d’ordre n – 1 ; d’où la nécessité du recours à la fonction caractéristique). Par ailleurs, la dérivation de la Fonction génératrice conduisant à une valeur infinie, en dépit l’existence de tous les moments d’une loi, implique la non existence de la fonction génératrice des moments (par exemple, c’est le cas de la loi lognormale). L’emploi des relations du système (8) permet de générer plus aisément les moments d’une distribution. Ainsi, le nème moment de la variable aléatoire X sera donné par la nème dérivée de la fonction génératrice évaluée en t=0. Considérons : La permutation entre les opérateurs de dérivation et d’espérance mathématique étant légitime, on obtient : En exécutant la même opération au système (8), on a : Pour t = 0, on obtient le moment d’ordre 1 : De même, Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 65 Ainsi, l’expression générale de la de la fonction peut donc s’écrire : En évaluant l’expression (14) à t = 0, on obtient : Le tableau 2 donne la fonction génératrice des moments de quelques distributions courantes. Tableau 2 : Fonction génératrice des moments Distribution Binomiale Géométrique Fonction caractéristique Poisson Uniforme Exponentielle Gamma Gaussienne Notons, avant de procéder à l’analyse du cas multivarié, que si une fonction génératrice des moments d’une variable aléatoire quelconque la distribution de et ses dérivées existent et sont finies dans un voisinage de 0, est dès lors entièrement déterminée par ces fonctions. Fonction génératrice des moments d’un vecteur aléatoire Considérons une expérience aléatoire dans un espace d’échantillonnage telles que, pour chaque élément de l’espace numérique réelle on obtient l’espace En ramenant le vecteur aléatoire variables aléatoires on enregistre une et une seule valeur En notant par de avec le vecteur aléatoire défini par avec : à une longueur et en posant et l’espérance mathématique de l’expression mathématique de l’expression tel que existe toujours, on définit la fonction génératrice des moments du vecteur aléatoire, notée comme suit : Notons que les fonctions génératrices des moments des variables aléatoires et respectivement, par le calcul de et Ainsi, les variables aléatoires se dérivent, et sont mutuellement indépendantes si et seulement si : Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 66 Partant du cas bivarié, l’extension de la définition de la fonction génératrice des moments vers le cas multivarié apparait plus intuitive : En notation vectorielle, on obtient : Si les variables sont mutuellement indépendantes et identiquement distribuées ( ), la fonction génératrice des moments devient : Précisons, par ailleurs, que lorsque le vecteur aléatoire comprend des variables aléatoires qui sont mutuellement indépendantes mais n’ayant pas une même distribution, l’expression de la fonction génératrice des moments s’écrit : Une fois la fonction génératrice spécifiée, il devient plus aisé de calculer les moments d'une loi. Dérivation des moments : Cas d’une distribution gaussienne Pour illustrer la dérivation des moments à partir d’une fonction génératrice des moments, nous distinguons deux cas, un cas univarié et un cas multivarié. Nous considérons dans les deux cas une distribution normale centrée – réduite. Nous montrerons également le passage vers le cas d’une variable normale quelconque. Soit une variable aléatoire normalement distribuée de moyenne nulle et de variance unitaire. Sa fonction de densité s’écrit : Pour la fonction génératrice des moments de la variable Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative est donnée par l’expression suivante : 67 Puisque par identité, on vérifie toujours : on obtient ainsi : Par définition : ainsi, on a : Les moments d’ordre 1, 2, 3 et 4 de la variable gaussienne de l’expression correspondent aux dérivations respectives évaluées pour chaque ordre à Ainsi, on calcule, partant de l’expression de la fonction génératrice des moments, les quatre moments remarquables3 d’une variable gaussienne standard : - le moment d’ordre 1 de la variable gaussienne centrée - réduite qui correspond exactement à sa moyenne arithmétique (espérance mathématique) : - le moment d’ordre 2 (variance de la variable) : - le moment d’ordre 3 (coefficient d’asymétrie) : - le moment d’ordre 4 (coefficient d’aplatissement non normalisé) : Notons, au passage que lorsque l’ordre est impair, le moment correspondant est nul. 3 Parallèlement aux moments remarquables, on distingue, par ailleurs, les moments centrés et les moments centrés – réduits. Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 68 Dérivons à présent la fonction génératrice des moments de la variable quelconque et de distribution normale bi – paramétrique définie par Dès lors, on écrit : Après réaménagement, l’expression (21) devient : Ainsi, par exemple, pour les moments d’ordre 1 et 2, on a : Et pour Du moment d’ordre 2 de la variable on obtient ainsi le théorème de König – Huygens. La même analyse se généralise facilement lorsqu’on considère le cas d’un vecteur aléatoire gaussien standard, noté, avec variables aléatoires. En transposant l’expression générique de la fonction génératrice des moments et la forme fonctionnelle de la densité de probabilité, il vient : la fonction génératrice des moments du vecteur aléatoire s’écrit : En notation vectorielle, on note donc : In fine, remarquons qu’il est également possible, partant du vecteur aléatoire gaussien centré - réduit de dériver la fonction génératrice des moments du vecteur aléatoire gaussien standard . Il faudra, donc, procéder à une décomposition spectrale d’une matrice carrée, symétrique et semi – définie positive et à la spécification de la forme fonctionnelle de la densité de probabilité du vecteur . L’illustration de cette démarche sera explicitée dans un papier ultérieur. Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 69 Bibliographie AIGNER Martin et Günter M. ZIEGLER, 1998, Raisonnements Divins : Quelques Démonstrations Mathématiques Particulièrement Elégantes, 2ième édition Springer, Berlin, 270p. ARNOLD Steven F, 1981, The Theory of Linear Models and Multivariate Analysis, New York: John Wiley and Sons Inc, 494p. FOATA Dominique, Jacques FRANCHI et Aimé FUCHS, 2010, Calcul des Probabilités : Cours, Exercices et Problèmes Corrigés, 3ième édition Dunod, Paris, 347p. HOGG Robert V., Joseph W. McKEAN and Allen T. CRAIG, 2013, Introduction to Mathematical Statistics, 7th edition, Pearson, Montreal, 694p. KENDALL, Maurice G. and Alan STUART, 1979 (1958), The Advanced Theory of Statistics, Vol. 2 (vol. 1), New – York, Macmillan, 748p (433p). MICHEL Christian, Probabilités, Université Louis Pasteur Strasbourg, Département informatique, 84p. ROSS Sheldon M., 2009, Introduction aux Probabilités, Traduction de la septième édition américaine, Presses polytechniques et universitaires romandes, Lausanne, 592p. RUDIN Walter, 1976, Principles of Mathematical Analysis, 3th edition, McGraw – Hill, New – York, 342p. TOMBOLA Cédrick, (juin) 2012, Économétrie 1 : Rappels et recueils d’exercices (suite), Guide Laréq pour étudiant, GLEN 010, 109p. TSASA Jean – Paul, (mai) 2012, "Dérivation de la Règle d’or d’Estimation : un regard plus attentif sur les points focaux de la méthode des moindres carrés linéaires", One Pager Laréq, vol. 2, num. 004, 22 – 28. Jean – Paul Tsasa & Marina Mavungu Laboratoire d’Analyse – Recherche en Economie Quantitative 70