Voir la source de Cumulant (statistiques)

{{ébauche|probabilités et statistiques}}

En [[mathématiques]] et plus particulièrement en [[théorie des probabilités]] et en [[statistique]], les '''cumulants''' d'une [[loi de probabilité]] sont des coefficients qui ont un rôle similaire à celui des [[Moment (probabilités)|moments]]. Les cumulants déterminent entièrement les moments et vice versa, c'est-à-dire que deux lois ont les mêmes cumulants si et seulement si elles ont les mêmes moments.  

L'[[Espérance mathématique|espérance]] constitue le premier cumulant, la [[Variance (mathématiques)|variance]] le deuxième et le troisième [[moment centré]] constitue le troisième cumulant. En revanche les cumulants d'ordres 4 ou plus ne correspondent plus aux moments centrés. 

L'utilisation des cumulants peut s'avérer utile car ils vérifient notamment la propriété suivante : le n-ième cumulant d'une somme de variables [[Indépendance (probabilités)|indépendantes]] est égal à la somme des n-ièmes cumulants de chaque variable de la somme. 

Une loi avec des cumulants κ<sub>''n''</sub> donnés peut être approchée par un [[Série d'Edgeworth|développement d'Edgeworth]]. 

== Définition ==
Soit {{mvar|X}} une variable aléatoire à valeurs réelles. On définit d'abord la '''fonction génératrice des cumulants''' {{mvar|K<sub>X</sub>}} associée à {{mvar|X}} : 
:<math>K_X(t)=\ln( \mathbb E (\mathrm{e}^{t\cdot X}))</math>. 

Les cumulants {{math|κ<sub>''n''</sub>}} sont alors définis comme les coefficients dans le développement de {{mvar|K<sub>X</sub>}} en série exponentielle : 
:<math>K_X(t)=\sum_{n=1}^\infty\kappa_n \frac{t^n}{n!}=\mu t + \sigma^2 \frac{ t^2}{2} + \cdots</math>

Si on note {{math|μ {{=}} E(''X'')}} l'espérance de {{mvar|X}} et {{math|σ<sup>2</sup> {{=}} E((''X'' − μ)<sup>2</sup>)}} sa variance alors on a en particulier que {{math|μ {{=}} κ<sub>1</sub>}} et {{math|σ<sup>2</sup> {{=}} κ<sub>2</sub>}}.

Les cumulants sont donnés par les dérivées en 0 de {{mvar|K<sub>X</sub>}} : 
:<math>\kappa_n = K_X^{(n)}(0) ~~~\forall n \geq 1.</math>

La fonction génératrice des cumulants est intimement liée à la [[fonction génératrice des moments]] de la variable {{mvar|X}}. Travailler avec la fonction génératrice des cumulants est parfois plus pratique dans la mesure où pour des variables indépendantes {{mvar|X}} et {{mvar|Y}} :
:<math>K_{X+Y}(t)=\ln( \mathbb E(\mathrm{e}^{t\cdot (X+Y)}))=\ln( \mathbb E(\mathrm{e}^{tX})\cdot \mathbb E(e^{tY}))=\ln( \mathbb E(\mathrm{e}^{tX}))+\ln( \mathbb E(\mathrm{e}^{tY}))=K_{X}(t)+K_{Y}(t).</math>

Tandis qu'avec la fonction génératrice des moments on obtient :
:<math>M_{X+Y}(t) =  \mathbb E(\mathrm{e}^{t\cdot(X+Y)}) = \mathbb E(\mathrm{e}^{tX}) \cdot  \mathbb E(\mathrm{e}^{tY}) = M_X(t) \cdot M_Y(t).</math>

On remarquera que
:<math>K_{\alpha X}(t)=\ln( \mathbb E(\mathrm{e}^{t\cdot \alpha X})) = K_{X}(\alpha t).</math>

Certains auteurs<ref>Kendall, M. G., Stuart, A. (1969), ''{{Langue|en|The Advanced Theory of Statistics}}'', Volume 1 ({{3rd}} Edition). Griffin, London (Section 3.12).</ref>{{,}}<ref>Lukacs, E. (1970), ''{{Langue|en|Characteristic Functions}}'' ({{2d}} Edition). Griffin, London (Page 27).</ref> préfèrent définir la fonction génératrice des cumulants plutôt comme le [[Logarithme naturel|logarithme népérien]] de la [[fonction caractéristique d'une variable aléatoire|fonction caractéristique]]. La fonction génératrice des cumulants prend alors parfois le nom de '''seconde fonction caractéristique'''.

:<math>H_X(t)=\ln( \mathbb E(\mathrm{e}^{\mathrm{i} t X}))=\sum_{n=1}^\infty\kappa_n \cdot\frac{(\mathrm{i}t)^n}{n!}=\mu \mathrm{i}t - \sigma^2 \frac{ t^2}{2} + \cdots</math>

Un avantage apparent à utiliser {{math|''H''(''t'')}} — soit évaluer {{math|''K''(''t'')}} pour une valeur imaginaire pure — est que {{math|E[e<sup>i''tX''</sup>]}} est bien défini pour tout {{mvar|t}} réel alors que ce n'est pas toujours le cas de {{math|E[''e''<sup>''tX''</sup>]}}, comme dans les cas où la probabilité est élevée que {{mvar|X}} ait de grandes valeurs. Cependant, la longueur de la série sera la même entre {{mvar|H}} et {{mvar|K}}, et peut donc ne pas se prolonger au-delà de l'ordre 1 en argument, et donc le nombre de cumulants biens définis ne changera pas. Cependant, même si la série de {{math|''H''(''t'')}} est [[série lacunaire|lacunaire]], on peut l'utiliser dans l'analyse et l'ajout de variables aléatoires. Les lois de type [[Loi de Cauchy (probabilités)|Cauchy]] ou [[Loi stable|stables]] sont des exemples de distributions où seuls quelques cumulants sont bien définis. 


La caractérisation des cumulants est valide même pour les lois dont les moments d'ordres supérieurs n'existent pas.

== Cumulants de quelques distributions discrètes ==
{| class="wikitable center"
|+
!Nom de la loi
!Paramètres
!Fonction génératrice des cumulants {{mvar|K{{ind|X}}}}
!Cumulants {{math|κ{{ind|''n''}}}}
|-
|[[Mesure de Dirac]]
|<math>x \in \mathbb{R}</math>
|<math>tx</math>
|<math>\left\{\begin{array}{ll} 
\kappa_1=x & \\
\kappa_n=0 & \text{ pour } n\geq 2
\end{array} \right.</math>
|-
|[[Loi de Bernoulli]]
|<math>p \in [0;1]</math>
|<math>\ln(p \mathrm{e}^t + 1-p)</math>
|<math>\left\{\begin{array}{ll} 
\kappa_1=p & \\
\kappa_2=p(1-p) & \\
\kappa_{n+1}= p(1-p)\frac{{\rm d}\kappa_n}{{\rm d}p}& \text{ pour } n\geq 1
\end{array} \right.</math>
|-
|[[Loi géométrique]]
|<math>p \in [0;1]</math>
|<math>\ln(p \mathrm{e}^t) -\ln(1 - (1-p)\mathrm{e}^t)</math>
|<math>\left\{\begin{array}{ll} 
\kappa_1=\frac{1}{p} & \\
\kappa_2=\frac{1-p}{p^2} &
\end{array} \right.</math>
|-
|[[Loi de Poisson]]
|<math>\lambda > 0</math>
|<math>\lambda(\mathrm{e}^t-1)</math>
|<math>\kappa_n = \lambda \text{ pour } n\geq 1</math>
|-
|[[Loi binomiale]]
|<math>n \in \mathbb{N}^*,\, p \in [0;1]</math>
|<math>n\ln(p\mathrm{e}^t+1-p)</math>
|<math>\left\{\begin{array}{ll} 
\kappa_1=np & \\
\kappa_2=np(1-p) & \\
\kappa_{n+1}= p(1-p)\frac{{\rm d}\kappa_n}{{\rm d}p}& \text{ pour } n\geq 1
\end{array} \right.</math>
|-
|[[Loi binomiale négative]]
|<math>n \in \mathbb{N}^*,\, p \in \left]0;1\right]</math>
|<math>n\ln(p) - n\ln[1-(1-p)\mathrm{e}^t]</math>
|<math>\left\{\begin{array}{ll} 
\kappa_1=\frac{n(1-p)}{p} & \\
\kappa_2=\frac{n(1-p)}{p^2} &
\end{array} \right.</math>
|}
En introduisant <math>\varepsilon=\frac{\sigma^2}{\mu}=\frac{\kappa_2}{\kappa_1}</math>, les distributions précédentes donnent une formule unifiée pour les deux premières dérivées de la fonction génératrice des cumulants :
:<math>K_X'(t)=\frac{\mu}{1+\varepsilon\cdot (\mathrm{e}^{-t}-1)}</math>
et
:<math>K_X''(t)=\frac{K_X'(t)}{1+\mathrm{e}^t\cdot (\varepsilon^{-1}-1)}</math>.
Cela confirme que le premier cumulant est {{math|κ<sub>1</sub> {{=}} μ}} et que le second cumulant est {{math|κ<sub>2</sub> {{=}} με}}.

Les [[Variable aléatoire|variables aléatoires]] constantes {{math|''X'' {{=}} ''x''}} sont telles que {{math|ε {{=}} 0}}. Les lois binomiales vérifient {{math|ε {{=}} 1 − ''p''}} si bien que {{math|0 < ε < 1}}.

Les lois de Poisson vérifient {{math|ε {{=}} 1}} tandis que les lois binomiales négatives se caractérisent par {{math|ε {{=}} {{sfrac|1|''p''}}}} si bien que {{math|ε > 1}}. Il faut noter l'analogie avec l'[[Excentricité mathématique|excentricité]] des [[Conique|coniques]] : cercles {{math|ε {{=}} 0}}, ellipses {{math|0 < ε < 1}}, paraboles {{math|ε {{=}} 1}}, hyperboles {{math|ε > 1}}.

== Cumulants de certaines lois continues ==
{| class="wikitable"
!Nom de la loi
!Paramètres
!Fonction génératrice des cumulants {{mvar|K{{ind|X}}}}
!Cumulants {{math|κ{{ind|''n''}}}}
|-
|[[Loi uniforme continue]]
|<math>[-1;0]</math>
|<math>\ln(1-\mathrm{e}^{-t}) - \ln(t)</math>
|<math>\kappa_n = \frac{B_n}{n} \text{ pour }n\geq1</math> 
où {{mvar|B<sub>n</sub>}} est le ''n''-ième [[nombre de Bernoulli]]
|-
|[[Loi normale]]
|<math>\mu \in \mathbb{R}, \, \sigma^2>0</math>
|<math>\mu t + \frac{\sigma^2 t^2}{2}</math>
|<math>\left\{\begin{array}{ll} 
\kappa_1=\mu & \\
\kappa_2=\sigma^2 & \\
\kappa_{n}= 0& \text{ pour } n\geq 3
\end{array} \right.</math>
|-
|[[Loi exponentielle]]
|<math>\lambda > 0</math>
|<math>-\ln\left(1-\frac{t}{\lambda}\right), \forall t < \lambda</math>
|<math>\kappa_{n}= \frac{(n-1)!}{\lambda^n}.</math>
|-
|}

== Quelques propriétés des cumulants ==
=== Invariance ===
Les cumulants vérifient pour tout variable aléatoire {{mvar|X}} et tout constante {{mvar|c}} les relations : {{math|κ<sub>1</sub>(''X'' + ''c'') {{=}} κ<sub>1</sub>(''X'') + ''c''}} et {{math|κ<sub>''n''</sub>(''X'' + ''c'') {{=}} κ<sub>''n''</sub>(''X'')}} pour {{math|''n'' ≥ 2}}. Pour résumer, {{mvar|c}} est ajouté au premier cumulant, et tous les cumulants d'ordre supérieur sont inchangés.

=== Homogénéité ===
Le ''n''-ième cumulant est homogène de degré ''n'', c'est-à-dire si ''c'' est une constante, alors :
:<math>\kappa_n(cX)=c^n\kappa_n(X).</math>

=== Additivité ===
Si ''X'' et ''Y'' sont [[Indépendance (probabilités)|indépendants]], alors les cumulants de la somme sont les sommes des cumulants :
:<math>\kappa_n(X + Y)=\kappa_n(X)+\kappa_n(Y).</math>

=== Un résultat en demi-teinte ===
Sachant les résultats des cumulants de la [[loi normale]], on pourrait espérer trouver des distributions pour lesquelles {{math|κ<sub>''m''</sub> {{=}} κ<sub>''m''+1</sub> {{=}} ... {{=}} 0}} pour un {{math|''m'' > 3}}, et où les cumulants d'ordre inférieur (ordres 3 à {{math|''m''-1}}) sont non nuls. Il n'existe pas de telles distributions<ref>Lukacs, E. (1970), ''{{Langue|en|Characteristic Functions}}'' ({{2d}} Edition), Griffin, London (Theorem 7.3.5).</ref>. Ainsi, la fonction génératrice des cumulants ne peut être un polynôme de degré fini supérieur à 2.

On peut cependant approcher une distribution de cumulants donnés par une [[série d'Edgeworth]].

=== Cumulants et moments ===

La [[fonction génératrice des moments]] est :
:<math>\sum_{n=0}^\infty \frac{m_n t^n}{n!}=\exp\left(\sum_{n=0}^\infty \frac{\kappa_n t^n}{n!}\right) = \exp(K_X(t)).</math>

si bien que la fonction génératrice des cumulants est le logarithme de la fonction génératrice des moments. Le premier cumulant est l'[[Espérance mathématique|espérance]] ; les deuxième et troisième cumulants sont respectivement les deuxième et troisième moments centrés (le moment centré d'ordre 2 est la [[Variance (statistiques et probabilités)|variance]]) ; mais les cumulants d'ordre supérieur ne sont pas égaux aux moments non centrés, pas plus qu'aux moments centrés. Ce sont plutôt des polynômes de ces moments.

Les cumulants sont liés aux [[Moment (mathématiques)|moments]] par la formule de récurrence :

:<math>\kappa_n=m_n-\sum_{k=1}^{n-1} \binom{n-1}{k-1} \, \kappa_k \, m_{n-k}.</math>

Le ''n''-ème moment {{mvar|m<sub>n</sub>}} est un polynôme de degré ''n'' des ''n'' premiers cumulants :

: <math>m_1 = \kappa_1</math>
: <math>m_2 = \kappa_2 + \kappa_1^{\ 2}</math>
: <math>m_3 = \kappa_3 + 3 \kappa_2 \kappa_1 + \kappa_1^{\ 3}</math>
: <math>m_4 = \kappa_4 + 4 \kappa_3 \kappa_1 + 3 \kappa_2^{\ 2} + 6 \kappa_2 \kappa_1^{\ 2} + \kappa_1^{\ 4}</math>
: <math>m_5 = \kappa_5 + 5 \kappa_4 \kappa_1 + 10 \kappa_3 \kappa_2 + 10 \kappa_3 \kappa_1^{\ 2} + 15 \kappa_2^{\ 2} \kappa_1 + 10 \kappa_2 \kappa_1^{\ 3} + \kappa_1^{\ 5}</math>
: <math>m_6 = \kappa_6 + 6 \kappa_5 \kappa_1 + 15 \kappa_4 \kappa_2 + 10 \kappa_3^{\ 2} + 15 \kappa_4 \kappa_1^{\ 2} + 60 \kappa_3 \kappa_2 \kappa_1 + 15 \kappa_2^{\ 3} + 20 \kappa_3 \kappa_1^{\ 3} + 45 \kappa_2^{\ 2} \kappa_1^{\ 2} + 15 \kappa_2 \kappa_1^{\ 4} + \kappa_1^{\ 6}</math>

Les coefficients sont précisément ceux qui apparaissent dans les [[Polynôme de Bell|polynômes de Bell]] et, par conséquent, dans la [[formule de Faà di Bruno]].

Les moments {{mvar|m<sub>n</sub>}} ne doivent pas être confondus avec les moments centrés {{math|μ<sub>''n''</sub>}}. Pour exprimer les moments centraux en fonction des cumulants, il suffit de poser κ<sub>1</sub>=0 :

: <math>\mu_1 = 0</math>
: <math>\mu_2 = \kappa_2</math>
: <math>\mu_3 = \kappa_3</math>
: <math>\mu_4 = \kappa_4 + 3 \kappa_2^{\ 2}</math>
: <math>\mu_5 = \kappa_5 + 10 \kappa_3 \kappa_2</math>
: <math>\mu_6 = \kappa_6 + 15 \kappa_4 \kappa_2 + 10 \kappa_3^{\ 2} + 15 \kappa_2^{\ 3}</math>
: <math>\mu_7 = \kappa_7 + 21 \kappa_5 \kappa_2 + 35 \kappa_4 \kappa_3 + 105 \kappa_3 \kappa_2^{\ 2}</math>
: <math>\mu_8 = \kappa_8 + 28 \kappa_6 \kappa_2 + 56 \kappa_5 \kappa_3 + 35 \kappa_4^{\ 2} + 210 \kappa_4 \kappa_2^{\ 2} + 280 \kappa_3^{\ 2} \kappa_2 + 105 \kappa_2^{\ 4}</math>

== Lien avec la physique statistique ==
En [[physique statistique]], un système à l'équilibre avec un bain thermique à température <math>k_bT=1/\beta</math> peut occuper des états d'énergie <math>E</math>. Soit <math>f(E)</math> la densité d'états d'énergie <math>E</math>. La [[fonction de partition]] du système est donnée par 
:<math>Z(\beta)=\langle \exp(-\beta E) \rangle</math>.
L'énergie libre du système est définie par 
:<math>F(\beta)=(-1/\beta)\ln(Z)</math>.

L'[[énergie libre]] du système donne accès à l'ensemble des propriétés [[thermodynamique]]s du système comme son [[énergie interne]], son [[entropie (thermodynamique)|entropie]], sa [[chaleur spécifique]]…

== Histoire ==

Les cumulants ont été définis en 1889 par l'astronome, mathématicien et [[actuaire]] danois [[Thorvald Nicolai Thiele]] (1838 - 1910). Thiele les appelle alors ''{{lang|en|half-invariants}}'' (demi-invariants). Il faut attendre 1931 pour trouver l'appellation ''cumulants'' dans l'article « {{Langue|en|The derivation of the pattern formulae of two-way partitions from those of simpler patterns}} » par [[Ronald Aylmer Fisher]] et John Wishart (''{{Langue|en|Proceedings of the [[London Mathematical Society]]}}'', {{Langue|en|Series 2}}, v. 33, {{p.|195-208}}). L'historien Stephen Stigler reporte que le nom ''cumulant'' fut suggéré à Fisher dans une lettre de [[Harold Hotelling]]. La fonction de partition pour l'ensemble canonique en physique statistique a été définie par Josiah [[Willard Gibbs]] en 1901.

== Voir aussi ==
* [[Fonction génératrice]]
* [[Fonction génératrice des moments]]
* [[Fonction caractéristique d'une variable aléatoire]]

== Références ==
<references/>

== Liens externes ==
* {{MathWorld|nom_url=Cumulant|titre=Cumulant}}

{{Portail|Probabilités et statistiques}}

[[Catégorie:Moment (mathématiques)]]