Preuve du théorème de Price

5.4. Preuve du théorème de Price#

Theorem 5.2

Pour tout vecteur Gaussien centré \((X_1,X_2)\), on a pour toute fonction non-linéaire \(g\) telle que \(Y_1=g(X_1)\) et \(Y_2=g(X_2)\), on a le résultat suivant

\[ \frac{\partial E(Y_1 Y_2) }{\partial E(X_1 X_2)} = E \left( \frac{\partial Y_1}{\partial X_1} \frac{\partial Y_2}{\partial X_2} \right) \]

Le vecteur \((X_1,X_2)\) étant Gaussien centré, il possède la densité

\[ p(\boldsymbol{x})=\frac{1}{2 \pi \sqrt{|\boldsymbol{\Sigma}|}} \exp \left[ - \frac{1}{2} \left( \boldsymbol{x}^T \boldsymbol{\Sigma}^{-1} \boldsymbol{x} \right) \right] \]

avec \(\boldsymbol{x}=(x_1,x_2)^T\) et \(\boldsymbol{\Sigma} \in \mathcal{M}_2(\mathbb{R})\) est la matrice de covariance définie par

\[\begin{split} \begin{split} \boldsymbol{\Sigma} &= \left(\begin{array}{cc} E[X^2_1] & E[X_1X_2] \\ E[X_1X_2] & E[X^2_2] \end{array} \right)\\ &= \left(\begin{array}{cc} \sigma_1^2 & E[X_1X_2] \\ E[X_1X_2] & \sigma_2^2 \end{array}\right) \end{split} \end{split}\]

donc

\[ E[ g(X_1) g(X_2)] = \int \int g(x_1)g(x_2) p(\boldsymbol{x}) dx_1 dx_2. \]

On suppose que les deux fonctions non-linéaires \(g(x_1)\) et \(g(x_2)\) ont des transformées de Fourier telles que

\[ G(f_1)=\int g(x_1)e^{-j2 \pi f_1 x_1} dx_1 \; \text{et} \; G(f_2)=\int g(x_2)e^{-j2 \pi f_2 x_2} dx_2. \]

On a alors

\[ g(x_1) = \text{TF}^{-1} [G(f_1)] = \int G(f_1) e^{j2 \pi f_1 x_1} df_1 \; \text{et} \; g(x_2) = \text{TF}^{-1} [G(f_2)] = \int G(f_2) e^{j2 \pi f_2 x_2} df_2\]

et donc

\[ E[ g(X_1) g(X_2)] = \int \int \left[ \int G(f_1) e^{j2 \pi f_1 x_1} df_1 \right] \left[ \int G(f_2) e^{j2 \pi f_2 x_2} df_2 \right] p(\boldsymbol{x}) dx_1 dx_2. \]

En supposant qu’on peut intervertir les différentes intégrales, on obtient

\[ E[ g(X_1) g(X_2)] = \int \int G(f_1) G(f_2) \left[ \int \int e^{j2 \pi (f_1 x_1+f_2x_2) } p(\boldsymbol{x})dx_1 dx_2\right] df_1 df_2 \]

Cette expression fait intervenir la fonction caractéristique du vecteur Gaussien \((X_1,X_2)\) qui est connue, d’où

\[\begin{split} \begin{split} \int \int e^{j2 \pi (f_1 x_1+f_2x_2) } p(\boldsymbol{x})dx_1 dx_2 &= \phi(2 \pi f_1, 2 \pi f_2) \\ &= \exp \left\{ -\frac{1}{2} [2 \pi f_1, 2 \pi f_2] \Sigma \left[ \begin{array}{c} 2 \pi f_1 \\ 2 \pi f_2 \end{array} \right] \right\} \\ &= \exp \left[- 2 \pi^2 f_1^2\sigma_1^2 - 2 \pi^2 f_2^2 \sigma_2^2 - 4 \pi^2 f_1f_2 E[X_1X_2] \right] \end{split} \end{split}\]

En dérivant cette dernière expression par rapport à \(E[X_1X_2]\), on obtient

\[ \small \frac{\partial \exp \left[ - 2 \pi^2 f_1^2\sigma_1^2 2 \pi^2 f_2^2 \sigma_2^2 - 4 \pi^2f_1f_2 E[X_1X_2] \right] }{\partial E(X_1 X_2)} = -4 \pi^2f_1f_2 \exp \left[ -2 \pi^2 f_1^2\sigma_1^2 -2 \pi^2 f_2^2 \sigma_2^2 -4\pi^2 f_1f_2 E[X_1X_2] \right] \]

d’où

\[\begin{split} \begin{align*} \frac{\partial E(Y_1 Y_2) }{\partial E(X_1 X_2)} =& - \int \int 4 \pi^2 f_1f_2 G(f_1) G(f_2) \exp \left[ -2 \pi^2 f_1^2\sigma_1^2 -2 \pi^2 f_2^2 \sigma_2^2 -4 \pi^2 f_1f_2 E[X_1X_2] \right] df_1 df_2 \\ =& \ - \int \int 4 \pi^2 f_1f_2 G(f_1) G(f_2) \phi(2 \pi f_1, 2 \pi f_2) df_1 df_2. \end{align*} \end{split}\]

Par ailleurs

\[ E \left( \frac{\partial Y_1}{\partial X_1} \frac{\partial Y_2}{\partial X_2} \right) = \int \int \frac{\partial Y_1}{\partial X_1} \frac{\partial Y_2}{\partial X_2} p(\boldsymbol{x})dx_1 dx_2. \]

Utilisant le fait que \(\text{TF}[\frac{\partial y_1}{\partial x_1} ]=j2 \pi f_1 G_1(f_1)\) et que \(\text{TF}[\frac{\partial y_2}{\partial x_2} ]=j2 \pi f_2 G_2(f_2)\), on obtient

\[\begin{split}\begin{align*} E \left( \frac{\partial Y_1}{\partial X_1} \frac{\partial Y_2}{\partial X_2} \right) =& \int \int \frac{\partial y_1}{\partial x_1} \frac{\partial y_2}{\partial x_2} p(\boldsymbol{x})dx_1 dx_2 \\ =& \int \int \left[ \int (j2 \pi f_1)G(f_1) e^{j2 \pi f_1 x_1} df_1 \right] \left[ \int (j2 \pi f_2) G(f_2) e^{j2 \pi f_2 x_2} df_2 \right] p(\boldsymbol{x})dx_1 dx_2 \\ =& \int \int (j2 \pi f_1)G(f_1) (j2 \pi f_2)G(f_2) \left[ \int \int e^{j2 \pi (f_1 x_1+f_2x_2) } p(\boldsymbol{x})dx_1 dx_2 \right] df_1 df_2 \\ =& \int \int (j2 \pi f_1)G(f_1) (j2 \pi f_2)G(f_2) \phi(2 \pi f_1, 2 \pi f_2)df_1 df_2, \end{align*} \end{split}\]

d’où le résultat final

\[ \frac{\partial E(Y_1 Y_2) }{\partial E(X_1 X_2)} =E \left[ \frac{\partial Y_1}{\partial X_1} \frac{\partial Y_2}{\partial X_2} \right]. \]

Avec un raisonnement similaire, on montrerait que

\[ \frac{\partial^{(k)} E(Y_1 Y_2) }{\partial E(X_1 X_2)^{(k)}} =E \left[ \frac{\partial^{(k)} Y_1}{\partial X^{(k)}_1} \frac{\partial^{(k)} Y_2}{\partial X^{(k)}_2} \right] \]

\(^{(k)}\) désigne la dérivée \(k\)-ième.