La fonction génératrice d’une variable aléatoire \(X\) à valeurs dans \(\mathbb{N}\) est la série entière . C’est un outil central du programme de deuxième année : il encode toute la loi dans une seule fonction, transforme le calcul des moments en dérivations et surtout convertit une somme de variables indépendantes en un simple produit. Ce cours détaille sa définition, ses propriétés, le calcul de \(E(X)\) et \(V(X)\), les lois usuelles et la méthode d’identification d’une loi.
Au programme ?
- 🟠 MP, MPI, PC, PSI (2e année) : fonction génératrice d’une variable aléatoire à valeurs dans \(\mathbb{N}\), caractérisation de la loi, moments, fonction génératrice d’une somme.
- 🔴 ECG et BCPST : les fonctions génératrices de probabilités ne font pas partie des attendus de ces programmes. Le cours peut être lu comme un prolongement, en distinguant les exigences de ta filière.
Programme MP-MPI (annexe 1, arrêté du 13-7-2021), partie « Variables aléatoires discrètes », k) Fonctions génératrices ; programmes PC et PSI, c) Fonctions génératrices.
Ne pas confondre trois objets qui portent des noms voisins :
- Fonction génératrice (des probabilités) : \(G_X(t) = E(t^X)\), réservée aux variables à valeurs dans \(\mathbb{N}\). C’est l’objet de ce cours.
- Fonction génératrice des moments : \(M_X(s) = E(e^{sX})\), définie pour toute variable réelle mais pas toujours au programme et pas toujours finie.
- Série génératrice d’une suite \((a_n)\) : \(\sum a_n t^n\), un objet d’analyse combinatoire sans probabilités.
I. Définition et rayon de convergence
On considère ici des variables à valeurs entières positives ou nulles. Leur loi est décrite par \((P(X=n))_{n\in\mathbb{N}}\). Dans la série, on adopte \(t^0=1\), y compris pour \(t=0\).
Définition : Fonction génératrice
Soit \(X\) une variable aléatoire à valeurs dans \(\mathbb{N}\). On appelle fonction génératrice de \(X\) la fonction \(G_X\) définie par
C’est la somme d’une série entière de coefficients \(a_n = P(X=n)\).
La série converge absolument sur \([-1,1]\) : si \(|t|\leq1\), alors \(|P(X=n)t^n|\leq P(X=n)\) et la somme des probabilités vaut 1. Son rayon \(R\) est donc au moins 1. Il peut être égal à 1 : on ne peut pas affirmer la convergence dans un voisinage ouvert de 1.
Propriétés de base. La série \(\sum P(X=n)t^n\) converge au moins sur \([-1\,;1]\), donc :
- \(G_X\) est définie et continue sur \([-1\,;1]\) ;
- \(G_X(1) = \displaystyle\sum_{n=0}^{+\infty} P(X=n) = 1\) et \(G_X(0) = P(X=0)\) ;
- \(G_X\) est de classe \(\mathcal{C}^{\infty}\) sur \(]-R\,;R[\), en particulier sur \(]-1\,;1[\).
II. La fonction génératrice caractérise la loi
Puisque \(G_X\) est une série entière, ses coefficients : c’est-à-dire les probabilités : se lisent dans ses dérivées successives en \(0\). Deux variables ayant la même fonction génératrice ont donc exactement la même loi.
Théorème : Caractérisation de la loi
La fonction génératrice \(G_X\) détermine entièrement la loi de \(X\). Précisément, pour tout \(n \in \mathbb{N}\),
\(P(X=n) = \displaystyle\frac{G_X^{(n)}(0)}{n!}.\)
En conséquence, si \(X\) et \(Y\) sont à valeurs dans \(\mathbb{N}\) et \(G_X = G_Y\) sur un voisinage de \(0\), alors \(X\) et \(Y\) ont la même loi.
Démonstration. Sur \(]-R\,;R[\), la somme d’une série entière est développable en série entière, et le développement coïncide avec la série de Taylor : son coefficient d’indice \(n\) est \(\displaystyle\frac{G_X^{(n)}(0)}{n!}\). Par unicité du développement en série entière, ce coefficient vaut \(a_n = P(X=n)\). L’égalité des fonctions génératrices entraîne l’égalité de tous les coefficients, donc l’égalité des lois. ∎
Cette propriété d’unicité est précisément ce qui rendra la méthode d’identification de loi (section VI) valide : il suffit de reconnaître la forme de \(G_X\) pour conclure sur la loi, sans jamais recalculer les probabilités une à une.
Fiche PDF à imprimer
Le support de révision est reçu gratuitement par e-mail.
📄 L’essentiel du cours en PDFReçois gratuitement le PDF par e-mail.
III. Calcul de l’espérance et de la variance
L’intérêt pratique majeur de \(G_X\) est de transformer le calcul des moments en dérivations évaluées en \(1\). On évite ainsi les sommes de séries parfois délicates.
Théorème : Moments par dérivation
Soit \(X\) à valeurs dans \(\mathbb{N}\).
- \(X\) admet une espérance finie si et seulement si \(G_X\) possède une dérivée à gauche finie en 1. Dans ce cas, \(E(X)=G_X^\prime(1)\), avec cette convention au bord.
- \(X\) admet un moment d’ordre 2 fini si et seulement si \(G_X^{\prime\prime}(t)\) a une limite finie lorsque \(t\) tend vers 1 par valeurs inférieures. Notée \(G_X^{\prime\prime}(1)\), cette limite vaut \(E(X(X-1))\). Alors :
Justification au bord. Pour \(0\leq t\lt 1\), la dérivation terme à terme donne \(G_X^\prime(t)=\sum_{n\geq1}nP(X=n)t^{n-1}\). En faisant tendre \(t\) vers 1 par valeurs inférieures, les termes positifs augmentent vers \(nP(X=n)\) : la limite de la somme est \(E(X)\), éventuellement infinie. Même raisonnement avec \(n(n-1)P(X=n)t^{n-2}\) pour la dérivée seconde. La formule de variance suit de \(X^2=X(X-1)+X\). On ne remplace donc pas simplement \(t\) par 1 dans une série dérivée sans contrôler cette limite.
Pour aller plus loin sur ces deux notions, consulte nos cours dédiés sur l’espérance et sur la variance.
Exemple : Loi de Poisson. Si \(X \sim \mathcal{P}(\lambda)\), on verra que \(G_X(t) = e^{\lambda(t-1)}\). Alors \(G_X^\prime(t) = \lambda e^{\lambda(t-1)}\) donc \(E(X) = G_X^\prime(1) = \lambda\). Puis \(G_X^{\prime\prime}(t) = \lambda^2 e^{\lambda(t-1)}\) donne \(E\big(X(X-1)\big) = \lambda^2\), d’où \(V(X) = \lambda^2 + \lambda- \lambda^2 = \lambda\). On retrouve instantanément les deux moments de Poisson.
IV. Fonctions génératrices des lois usuelles
Connaître par cœur les fonctions génératrices des cinq lois discrètes classiques permet de reconnaître une loi en un coup d’œil et de dériver pour retrouver les moments. Voici le tableau de référence.
| Loi | Fonction génératrice \(G_X(t)\) | Domaine de validité |
|---|---|---|
| Bernoulli \(\mathcal{B}(p)\) | \(q + pt\) avec \(q = 1-p\) | \(\mathbb{R}\) |
| Binomiale \(\mathcal{B}(n,p)\) | \((q + pt)^n\) | \(\mathbb{R}\) |
| Géométrique \(\mathcal{G}(p)\) sur \(\mathbb{N}^*\), \(0\lt p\lt 1\) | \(\displaystyle\frac{pt}{1- qt}\) | \(|t|\lt 1/q\), avec \(q=1-p\). Si \(p=1\), \(G_X(t)=t\) sur \(\mathbb{R}\). |
| Poisson \(\mathcal{P}(\lambda)\) | \(e^{\lambda(t-1)}\) | \(\mathbb{R}\) |
| Uniforme sur \(\{1,\dots,n\}\) | \(\displaystyle\frac{t\,(1- t^n)}{n\,(1- t)}\) | \(\mathbb{R}\) (prolongée en \(t=1\)) |
Calcul pour Poisson. Si \(X \sim \mathcal{P}(\lambda)\), alors
Le rayon de convergence vaut \(+\infty\). Retrouve le détail complet dans notre cours sur la loi de Poisson, et sur la loi binomiale pour la forme \((q+pt)^n\).
V. Fonction génératrice d’une somme de variables indépendantes
C’est la propriété qui justifie à elle seule l’existence de l’outil : la fonction génératrice transforme une somme indépendante en produit. Les calculs de loi de \(X+Y\), souvent pénibles par convolution directe, deviennent une multiplication.
Théorème : Fonction génératrice d’une somme
Si \(X\) et \(Y\) sont indépendantes à valeurs dans \(\mathbb{N}\), alors pour \(t\in[-1,1]\), et plus généralement dans leur domaine commun de convergence absolue :
\(G_{X+Y}(t) = G_X(t)\,G_Y(t).\)
Plus généralement, pour \(X_1,\dots,X_n\) mutuellement indépendantes :
Démonstration. Par indépendance de \(X\) et \(Y\), les variables \(t^X\) et \(t^Y\) sont indépendantes, donc
L’étape centrale, \(E(t^X t^Y) = E(t^X)E(t^Y)\), est exactement la propriété d’espérance d’un produit valable sous indépendance. ∎
Exemple : Stabilité de Poisson. Soit \(X \sim \mathcal{P}(\lambda)\) et \(Y \sim \mathcal{P}(\mu)\) indépendantes. Alors
On reconnaît la fonction génératrice de \(\mathcal{P}(\lambda+\mu)\). Par caractérisation de la loi, \(X+Y \sim \mathcal{P}(\lambda+\mu)\) : la loi de Poisson est stable par somme indépendante.
Le même raisonnement donne la stabilité binomiale : si \(X\sim\mathcal{B}(n,p)\) et \(Y\sim\mathcal{B}(m,p)\) sont indépendantes, alors \(G_{X+Y}(t) = (q+pt)^{n}(q+pt)^{m} = (q+pt)^{n+m}\), donc \(X+Y \sim \mathcal{B}(n+m,p)\). Cette approche complète la méthode directe présentée dans notre cours sur la somme de variables aléatoires.
VI. Méthode : identifier une loi par sa fonction génératrice
Une fois la somme calculée, la fonction génératrice se lit comme un « code-barres » de la loi. La procédure est systématique.
Méthode en 4 étapes
- Vérifier que les variables en jeu sont à valeurs dans \(\mathbb{N}\) et indépendantes (si somme).
- Écrire la fonction génératrice cherchée, en utilisant \(G_{X+Y} = G_X \, G_Y\) pour une somme indépendante.
- Simplifier l’expression pour la ramener à l’une des formes du tableau des lois usuelles.
- Conclure par la caractérisation : même fonction génératrice \(\Longrightarrow\) même loi (identifier les paramètres).
Exemple. On sait que . On reconnaît la forme \((q+pt)^n\) avec \(n = 4\), \(p = \displaystyle\frac{2}{3}\) et \(q = \displaystyle\frac{1}{3}\). Donc \(X \sim \mathcal{B}\!\left(4,\displaystyle\frac{2}{3}\right)\), sans aucun autre calcul.
VII. Erreurs fréquentes
Justifier la factorisation. L’indépendance permet d’appliquer \(G_{X+Y}=G_XG_Y\). Sans elle, cette formule n’est pas garantie : pars de la loi conjointe. L’égalité de ces fonctions n’est pas utilisée ici comme une caractérisation de l’indépendance.
Évaluer les moments en \(0\) au lieu de \(1\). On lit les probabilités via les dérivées en \(0\) (\(P(X=n) = G_X^{(n)}(0)/n!\)), mais les moments via les dérivées en \(1\) (\(E(X) = G_X^\prime(1)\)). Confondre les deux points est l’erreur la plus courante.
Oublier le terme \(E(X(X-1))\) dans la variance. La dérivée seconde donne \(E\big(X(X-1)\big)\), et non \(E(X^2)\). La bonne formule est .
VIII. Exercices corrigés
Six exercices classés par difficulté croissante, du calcul direct d’une fonction génératrice jusqu’à la somme aléatoire. Essaie chaque énoncé avant d’ouvrir la correction.
Exercice 1 : Fonction génératrice de Bernoulli ★
Soit \(X \sim \mathcal{B}(p)\). Déterminer \(G_X\), puis retrouver \(E(X)\) et \(V(X)\).
Voir la correction de l’exercice 1
Comme \(X\) prend les valeurs \(0\) et \(1\) avec \(P(X=0)=q\) et \(P(X=1)=p\) :
\(G_X(t) = q\,t^0 + p\,t^1 = q + pt.\)Dérivons : \(G_X^\prime(t) = p\), donc \(E(X) = G_X^\prime(1) = p\). Puis \(G_X^{\prime\prime}(t) = 0\), donc \(E\big(X(X-1)\big) = 0\) et
\(V(X) = 0 + p- p^2 = p(1-p) = pq.\)On retrouve \(E(X) = p\) et \(V(X) = pq\).
Exercice 2 : Loi uniforme sur un intervalle d’entiers ★
Soit \(X\) de loi uniforme sur \(\{1,2,\dots,n\}\). Déterminer \(G_X(t)\) pour \(t \neq 1\).
Voir la correction de l’exercice 2
On a \(P(X=k) = \displaystyle\frac{1}{n}\) pour \(k \in \{1,\dots,n\}\), donc
La somme géométrique de raison \(t \neq 1\) vaut \(\sum_{k=1}^{n} t^k = t\,\displaystyle\frac{1-t^n}{1-t}\). D’où
\(G_X(t) = \displaystyle\frac{t\,(1- t^n)}{n\,(1- t)}.\)On vérifie que le prolongement par continuité donne bien \(G_X(1) = 1\).
Exercice 3 : Loi géométrique : fonction génératrice et moments ★★
Soit \(X\sim\mathcal{G}(p)\) sur \(\mathbb{N}^*\), avec \(0\lt p\lt 1\) et \(q=1-p\). Déterminer sa fonction génératrice, son domaine, son espérance et sa variance.
Voir la correction de l’exercice 3
Pour \(k \geq 1\), \(P(X=k) = q^{k-1}p\), donc
valable pour \(\vert qt\vert\) < \(1\), soit \(\vert t\vert\) < \(\displaystyle\frac{1}{q}\). Comme \(\displaystyle\frac{1}{q}\) > \(1\), on peut dériver en \(1\).
\(G_X^\prime(t) = \displaystyle\frac{p}{(1-qt)^2}\), donc .
\(G_X^{\prime\prime}(t) = \displaystyle\frac{2pq}{(1-qt)^3}\), donc . On en déduit
On retrouve \(E(X) = \displaystyle\frac{1}{p}\) et \(V(X) = \displaystyle\frac{q}{p^2}\). Voir aussi notre cours sur la loi géométrique.
Exercice 4 : Stabilité binomiale par produit ★★
Soit \(X \sim \mathcal{B}(n,p)\) et \(Y \sim \mathcal{B}(m,p)\) indépendantes. Déterminer la loi de \(X+Y\) à l’aide des fonctions génératrices.
Voir la correction de l’exercice 4
On a \(G_X(t) = (q+pt)^n\) et \(G_Y(t) = (q+pt)^m\). Par indépendance :
C’est la fonction génératrice de \(\mathcal{B}(n+m,p)\). Par caractérisation de la loi,
\(X+Y \sim \mathcal{B}(n+m,p)\).
La même paramétrisation \(p\) des deux lois est essentielle : sans elle, la factorisation ne redonne pas une forme binomiale.
Exercice 5 : Reconnaître une loi ★★
Une variable \(X\) à valeurs dans \(\mathbb{N}\) a pour fonction génératrice \(G_X(t) = e^{3(t-1)}\). Identifier la loi de \(X\), puis en déduire \(P(X=2)\).
Voir la correction de l’exercice 5
La forme \(e^{\lambda(t-1)}\) est celle de la loi de Poisson, avec ici \(\lambda = 3\). Par caractérisation,
\(X \sim \mathcal{P}(3)\).
On en déduit directement .
Vérification par la caractérisation. \(G_X^{\prime\prime}(t) = 9\,e^{3(t-1)}\), donc : les deux méthodes coïncident.
Exercice 6 : Somme d’un nombre aléatoire de variables ★★★
Soit \((X_k)_{k\geq1}\) une suite i.i.d. à valeurs dans \(\mathbb{N}\), de génératrice \(G_X\). La variable \(N\), à valeurs dans \(\mathbb{N}\), est indépendante de la famille entière \((X_k)\), et a pour génératrice \(G_N\). On pose \(S=\sum_{k=1}^{N}X_k\), avec une somme nulle pour \(N=0\). Déterminer \(G_S\) sur \([0,1]\).
Voir la correction de l’exercice 6
Pour \(t\in[0,1]\), on applique les probabilités totales à chaque valeur de \(S\). En notant \(S_n=X_1+\cdots+X_n\) et \(S_0=0\), l’indépendance de \(N\) et de la famille donne :
\(P(S=s)=\sum_{n\geq0}P(N=n)P(S_n=s).\)En sommant après multiplication par \(t^s\), on peut échanger les sommes de termes positifs. Pour chaque entier \(n\), l’indépendance des \(X_k\) donne :
\(G_{S_n}(t)=G_X(t)^n.\)En reportant :
On obtient \(G_S(t)=G_N(G_X(t))\) sur \([0,1]\). Si \(E(N)\) et \(E(X_1)\) sont finies, la dérivation à gauche en 1 conduit à \(E(S)=E(N)E(X_1)\). Les hypothèses d’indépendance et de finitude sont essentielles à cette formulation.
IX. Questions fréquentes
C’est quoi une fonction génératrice d’une variable aléatoire ?
C’est la série entière \(G_X(t) = E(t^X) = \sum_{n\geq 0} P(X=n)\,t^n\), définie pour une variable \(X\) à valeurs dans \(\mathbb{N}\). Elle encode toute la loi : ses coefficients sont les probabilités \(P(X=n)\), et deux variables ayant la même fonction génératrice ont la même loi.
Comment calculer E(X) avec la fonction génératrice ?
On utilise les dérivées à gauche en 1 lorsqu’elles sont finies : \(E(X)=G_X^\prime(1)\) et \(V(X)=G_X^{\prime\prime}(1)+G_X^\prime(1)-(G_X^\prime(1))^2\). La dérivée seconde correspond au moment \(E(X(X-1))\), pas directement à \(E(X^2)\).
Quelle est la fonction génératrice d’une loi de Poisson ?
Pour \(X \sim \mathcal{P}(\lambda)\), on a \(G_X(t) = e^{\lambda(t-1)}\), de rayon de convergence infini. En dérivant on retrouve immédiatement \(E(X) = \lambda\) et \(V(X) = \lambda\), et la stabilité par somme de Poisson indépendantes.
Quelle différence entre fonction génératrice et fonction génératrice des moments ?
La fonction génératrice (des probabilités) \(G_X(t) = E(t^X)\) n’a de sens que pour une variable à valeurs dans \(\mathbb{N}\) et vise d’abord les probabilités et les sommes indépendantes. La fonction génératrice des moments \(M_X(s) = E(e^{sX})\) s’applique à des variables réelles quelconques et sert surtout au calcul des moments, mais n’est pas toujours finie. Les deux sont liées par \(M_X(s) = G_X(e^s)\) quand \(X\) est à valeurs entières.
X. Pour aller plus loin
Tu sais maintenant construire une fonction génératrice, en tirer les moments et identifier une loi. Pour consolider les notions proches dans le cocon des probabilités :
- Espérance (1ère) : Cours, Propriétés et Exercices
- Variance (1ère) : Cours, Propriétés et Exercices
- 25 Exercices Variables Aléatoires Prépa Corrigés (PDF)
Tu prépares les concours et tu veux sécuriser les probabilités discrètes ? Découvre les cours particuliers Excellence Maths pour la Maths Spé.