Processus de Galton–Watson

Julie Parreaux
2018-2019

Références du développement : Probabilités pour les nuls [1, p.195] et Cottrel [4, p.72].
Leçons où on présente le développement : 226 (Suites récurrentes) ; 229 (Fonctions monotones, fonctions
convexes) ; 260 (Espérance) ; 264 (Variables aléatoires discrètes) .

1 Introduction
On souhaite étudier la dynamique d’un modèle simple de population issue d’un seul individu. Bio-
logiquement, cela semble étrange car on penses d’abord à la reproduction sexué. Lors de l’introduction
du problème Francis Galton s’intéressait aux nom de famille d’une famille britannique (seul l’homme
transmet son nom de famille). Cependant, ce problème semble beaucoup plus adapté à la descendance
d’une bactérie, l’étude d’une épidémie ou encore le nombre de neutron dans un réacteur nucléaire (il
permet de modéliser beaucoup de phénomènes naturels). Pour ce faire, on considère un temps discret
représenté par une variable entière n et on note Zn le nombre d’individu dans notre population. A l’ins-
tant n = 0, on a Zn = 1. On suppose de plus qu’à chaque instant n, chacun des individu donne naissance
à un certain nombre de descendants et meurt selon la même loi de probabilité qui est indépendante des
autres individus.
L’objet de ce développement est de formaliser cette modélisation et d’étudier la probabilité que la
population s’éteigne. On aurait pû considérer bien d’autres questions comme quel est le nombre moyen
d’individus à la nième générations.

2 Processus de Galton–Watson
Contexte Soit X une variable aléatoire intégrable à valeur dans N.
On note, pour n ∈ N, pn = Pr( X = n) et m = E[ X ] = ∑∞ n=0 npn < ∞.
Soit ( Xi,j )i,j∈ N une famille de variables aléatoires indépendantes et identiquement distribuées, sui-
vant la loi PrX . Alors, la variable aléatoire Xi,n représente le nombre de descendants de l’individu i à la
nième génération (on rappelle que les individus engendrent leurs enfants tout seul).
On défini la suite ( Zn )n∈N représentant le nombre d’individu de la population à la génération n, de
la façon suivante :

Z0 =1
Zn + 1=∑iZ=n0 Xi,n ∀n ∈ N
On va étudier cette suite Zn afin de répondre à la question : quelle est la probabilité que la population
considérée s’éteigne ? On souhaite alors calculer Pr(∃n ∈ N, Zn = 0).

Schéma du développement (leçons 226, 229)

1. Remarques et définitions préliminaires.
2. Étude des propriétés de la fonction génératrice, G, de X.
3. Définir la fonction caractéristique pour Zn (on ne montre pas ses propriétés).
4. Calcul de la probabilité d’extinction x∞ .

1
 Schéma du développement (leçons 260, 264)
1. Remarques et définitions préliminaires.
2. Définition et propriétés de la fonction génératrice, G, de X.
3. Étude de la fonction caractéristique pour Zn .
4. Calcul de la probabilité d’extinction x∞ .

Étape 1 : remarques et définitions préliminaires

Remarque. On note que si Zn = 0 alors Zn+1 = 0.
Lemme 1. On a pour tout n ∈ N∗ , pour tout i ∈ N, que Zn et Xi,n sont indépendantes.
Démonstration. Soit n ∈ N∗ , Zn ne dépend que de Zn−1 et de la famille ( Xi,n− 1 )i∈N . Ainsi par une
récurrence immédiate, il vient que Zn ne dépend que de la famille ( Xi,j )i≥0,j<n . On conclut alors par
indépendance des variables Xi,j .
On pose
∞
G ( t ) = E[ t X ] = ∑ pk tk
k =0
la fonction génératrice des Xi,j . On note xn la probabilité que la population soit éteinte à la génération
n : xn = Pr{ Zn = 0}.
On remarque que l’événement M : "la population finira par s’éteindre" est la réunion de la suite des
événements ({ Zn = 0})n∈N qui est croissante (car Zn = 0 ⇒ Zn+1 = 0). On a donc,
∞
!
[
Pr( M ) = Pr { Zn = 0} = lim xn = x∞
n→∞
n =0

Notons que si p0 = 1, alors on a ∀n ∈ N∗ , Zn = 0 presque partout et Pr( M ) = 1. De plus, si p0 = 0,

alors on a ∀n ∈ N∗ , Zn ≥ 1 presque partout et Pr( M ) = 0. On suppose donc désormais p0 ∈]0, 1[.

Étape 2 : propriétés de la fonction génératrice, G, de X (uniquement dans le cas d’une leçon de la

convexité) [4, exercice 3.5, q.2].
Proposition 1 (Résultats sur la série génératrice de X). Soit G a série génératrice de X définie comme précé-
demment. On a alors les résultats suivants :
1. G est bien définie sur [0, 1] et est de classe C 1 .
2. (a) G est strictement croissante sur ]0, 1[.
(b) G est convexe sur ]0, 1[.
(c) G est strictement convexe sur ]0, 1[ si et seulement si p0 + p1 < 1

Démonstration. 1. ∀k ∈ N, s 7→ pk sk est de classe C 1 sur [0, 1], la série ∑k≥0 pk 1k converge (vers 1
(car la ∑k≥0 pk 1k = ∑k≥0 pk = 1 car les pk sont des probabilité sur X)). On en déduit, comme
∑k≥0 pk sk < ∑k≥0 pk 1k , la convergence simple de la suite ∑k≥0 pk sk .
La série de fonctions ∑k≥1 kpk sk−1 converge normalement (∑k≥1 sups∈[0,1] kpk sk−1 = ∑k≥1 kpk <
∞ car X est intégrable, par hypothèse) donc la série dérivée uniformément sur [0, 1].
Par conséquent (par le théorème de dérivation terme à terme), la série ∑k≥0 pk sk converge unifor-
mément vers G, de classe C 1 sur [0, 1].
2. La série entière ∑k≥0 pk sk ayant un rayon de convergence ≥ 1, on a ∀s ∈ [0, 1[,

G 0 (s) = ∑∞
k =1 kpk s
k −1 et G 00 (s) = ∑∞
k =2 k ( k − 1 ) p k s
k −2

Comme p0 < 1 (par hypothèse et comme les pk sont des probabilités), on l’existence de k0 > 0 tel
que pk0 > 0.

2
 (a) Ainsi : ∀s ∈]0, 1[,
∞
G 0 (s) |{z}
= ∑ kpk sk−1 ≥
|{z}
k0 pk0 sk0 −1 |{z}
> 0
Définition k =1 somme de termes positifs k 0 6 =0

Donc, par la caractérisation par dérivée, G est strictement croissante sur ]0, 1[.
(b) Ainsi : ∀s ∈]0, 1[,
∞
G 00 (s) |{z}
= ∑ k ( k − 1 ) p k s k −2 ≥
|{z}
k 0 ( k 0 − 1 ) p k 0 s k 0 −2 ≥ 0
|{z}
Définition k=2 somme de termes positifs (k0 −1)≥0

Donc, par la caractérisation par dérivée seconde, G est convexe sur ]0, 1[.
(c) Si p0 + p1 = 1, alors (comme les pk sont des probabilités) G (s) = p0 + p1 s est affine donc
n’est pas strictement convexe.
Sinon, p0 + p1 < 1, alors il existe k0 > 1 tel que pk0 > 0 (car les pk sont des probabilités) et
G 00 > 0 (car k0 − 1 6= 0) sur ]0, 1[, d’où la stricte convexité et l’équivalence.

Étape 3 : définition d’une fonction caractéristique pour Zn (uniquement dans le cas d’une  leçon
de probabilité) [1]. Pour n ∈ N, on définit la série génératrice de Zn par Gn : s 7→ E s Zn =


∑∞ k
k =0 Pr ( Zn = k ) s . Comme précédemment, on peut montrer que Gn est bien définie sur [0, 1].

Proposition 2. On a ∀n ∈ N∗ , Gn = |G ◦ ·{z
· · ◦ G} sur [0, 1].
n fois

Démonstration. La preuve se fait par récurrence sur n.

Cas n = 1 On a Z1 = X0,0 suivant une loi de X. Donc
h i h i h i
= E s Z1 |{z}
G1 |{z} = E s X0,0 =
|{z} E s X |{z}
= G
def Z1 = X0,0 X0,0 suit une loi de X def

.
Cas n + 1 Soit n ∈ N∗ tel que Gn = |G ◦ ·{z
· · ◦ G} sur [0, 1]. Montons que Gn+1 = |G ◦ ·{z
· · ◦ G} sur [0, 1].
n fois n+1 fois
Soit s ∈ [0, 1], on a :
Gn+1 (s) = E hs Zn+1
 
(définition de Gn )
Zn
i
= E s∑i=1 Xi,n (définition de Zn+1 )
h i
= E ∏iZ=n1 s Xi,n (propriété de la puissance)
h i
= E ∑∞
j
j =0 1 { Z = j } ∏ i =1 s Xi,n (découper l’espérance)
h n i
= ∑∞
j
j =0 E 1 { Zn = j} ∏i =1 s
Xi,n (Fubini–Tonelli, car les termes sont tous positifs)
h i
= ∑∞
j
E 1 ∏i=1 E s Xi,n
 
j =0 { Zn = j } (indépendance de toutes les viables et lemme 1)
= ∑∞
j
j=0 Pr ( Zn = j ) ∏i =1 E s
 X
(espérance d’une indicatrice et Xi,n suit une loi de X)
 X j
= ∑∞ j=0 Pr ( Zn = j ) E s (produit)
= ∑∞ j=0 Pr ( Zn = j ) G ( s )
j (définition de G)
= Gn ( G (s)) (hypothèse de récurrence et formule de transfert)
D’où le résultat.

3
 x 0 x∞ α 1 x 0 1

G 0 ( x ) − 1 p1 − 1 − 0 + m−1 G 0 ( x ) − 1 p1 − 1 − 0

p0 0 p0

G(x) − x 0 G(x) − x
0

F IGURE 1 – Tableau de signe et de variation de F IGURE 2 – Tableau de signe et de variation de

x 7→ G ( x ) − x dans le cas où m > 1. x 7→ G ( x ) − x dans le cas où m ≤ 1.

Étape 4 : calcul de la probabilité d’extinction x∞ [1]

Proposition 3. La probabilité d’extinction x∞ est le plus petit point fixe de G sur l’intervalle [0, 1].
Démonstration. La proposition 2 nous assure que ∀n ∈ N, ∀s ∈ [0, 1], Gn+1 = G ( Gn (s)). En évaluant en
0, (comme Gn = xn ∀n ∈ N∗ par définition) on obtient xn+1 = G ( xn ). Par continuité de G sur [0, 1], on
obtient que xn est un point fixe de G (proposition 1 et passage à la limite). Reste à monter que c’est le
plus petit.
Soit u ∈ [0, 1] un point fixe de G. Montrons par récurrence sur n ∈ N∗ que xn ≤ u.
Cas n = 1 On a

x1 =
|{z} G ( x0 ) =
|{z} G (Pr ( Z0 = 0)) |{z}
= G (0) ≤ G (u) |{z}
= u
|{z}
x n +1 = G ( x n ) Définition de x0 p0 >0 Croissance de G Point fixe

Cas n + 1 Soit n ∈ N∗ tel que xn ≤ u. Montrons que xn+1 ≤ u. Par la croissance de G (proposition 1),
on a xn+1 = G ( xn ) ≤ G (u) = u.
On a donc ∀n ∈ N∗ que xn ≤ u, puis par passage à la limite x∞ ≤ u.
Théorème. Si m ≤ 1, alors x∞ = 1.
Si m > 1, alors x∞ est l’unique point fixe de G sur ]0, 1[.
Démonstration. On rappelle qu’on a deux cas :
— Si p0 + p1 = 1, alors G est une fonction affine. Comme p0 > 0, la droite représentative de G coupe
en un unique point la droite d’équation y = x. Nécessairement, ce point d’intersection a pour
coordonnée (1, 1).
— Sinon, G est strictement convexe sur ]0, 1[ ; il en va de même pour x 7→ G ( x ) − x qui s’annule donc
au plus deux fois. (En effet, si la fonction s’annule trois fois, par le théorème de Rolle, sa dérivée
s’annulera en deux points distincts, a < b. Mais x 7→ G ( x ) − x est connexe, donc sa dérivée est
croissante, donc nulle sur [ a, b]. Ceci implique que G 0 − 1 n’est pas strictement croissante, et donc
x 7→ G ( x ) − x n’est pas strictement convexe.)
Attention à l’idée reçue "strictement convexe" équivaut à "dérivée seconde strictement positive"
(pour des fonctions deux fois dérivables).
Dans tous les cas, on a : G ( x ) − x qui s’annule en au plus deux points sur [0, 1]. De plus, G 0 (0) = p1 et
G 0 (1) = ∑ ∞
n=1 npn = m.
Supposons m > 1 Alors G 0 − 1 est une fonction croissante de p1 − 1 < 0 (car p0 > 0) à m − 1 > 0,
donc elle s’annule en un point α ∈]0, 1[. La fonction G − Id est alors décroissante sur [0, α] puis
croissante sur [α, 1]. Comme G (0) = 0 = p0 > 0 et G (1) − 1 = 0, il existe un point dans l’intervalle
]0, α] où G − Id s’annule. (Voir tableau de variation, figure 1)
x∞ est donc l’unique point fixe de G sur l’intervalle ]0, 1[ (car G en a au plus 2).

4
Supposons m ≤ 1 Alors G 0 − 1 est une fonction croissante sur [0, 1], négative ou nulle en 1. La fonction
G − Id est alors décroissante sur [0, 1], et s’annule en 1 (voir figure 2). Comme cette fonction admet
au plus deux annulations, elle ne s’annule qu’en 1 (sinon elle s’annulerait sur un intervalle non
réduit à un singleton). Par conséquent x∞ = 1.

3 Compléments : suites et séries de fonctions

On s’intéresse ici à la convergence des suites et des séries de fonctions. On se place dans le cadre
réel, mais si les définitions et les résultats sont encore valide sur un autre corps de base. On commence
par rappeler quelques résultats sur les suites de fonctions [3, p.438].
Définition (Convergence simple d’une suite de fonctions). Soit ( f n )n∈N une suite de fonctions définies
sur A. On dit que ( f n )n∈N converge simplement vers la fonction f , si, pour tout t de A, la suite de
nombre ( f n (t))n∈N converge dans R vers f (t).
Définition (Convergence uniforme d’une suite de fonctions). Soit ( f n )n∈N une suite de fonctions défi-
nies sur A. On dit que ( f n )n∈N converge uniformément vers la fonction f , si,
∀e ∈ R∗+ ∃ N ∈ N ∀ x ∈ A si n ≥ N, alors | f n ( x ) − f ( x )| < e.
La fonction f est dite limite uniforme de la suite ( f n )n∈N .
Remarque. La convergence uniforme entraîne la convergence simple. Attention, la réciproque est fausse
(voir exemple suivant [2, p.221])
Interprétation géométrique de la convergence uniforme (dans le cas réel) [2, p.220] : Il arrive un moment
(un rang pour lequel) où le graphe de f n est coincé entre le graphe de f − e et le graphe de f + e.
Exemple. La suite de fonctions f n : [0, 1[→ R définie telle que f n ( x ) = x n converge simplement vers
0 sur [0, 1[, mais pas uniformément car pour tout n ∈ N, h il existe
i x ∈ [0, 1] tel que | f n ( x ) − 0|h ≥ 21i.
Par contre, elle est uniformément convergente vers 0 sur 0, 12 car pour tout n et pour tout x ∈ 0, 12 ,
| f n ( x ) − 0| ≤ 2−n . Plus généralement, elle converge uniformément vers 0 sur [0, a] pour tout a < 1.
On donne un critère pour montrer la convergence uniforme d’une suite de fonctions : le critère de
Cauchy uniforme [2, p.221].
Proposition 4. Une suite de fonction ( f n )n∈N définie sur A converge uniformément vers f si et seulement si
∀e > 0, ∃ N ∈ N, ∀ p ≥ N, ∀q ≥ N, ∀ x ∈ A, f p (x) − f q (x) < e
Démonstration. Condition nécessaire : application d’une inégalité triangulaire. Soir e > 0. Par convergence uni-
forme de la suite de fonctions ∃ N ∈ N tel que ∀ x ∈ A si n ≥ N, alors | f n ( x ) − f ( x )| < 2e . Soient p ≥ N, q ≥ N et
x ∈ A, on a
f p (x) − f q (x) = f p (x) − f (x) + f (x) − f q (x) introduction de f
≤ f p (x) − f (x) + f (x) − f q (x) inégalité triangulaire
≤ e application de l’hypothèse
Condition suffisante : pour tout x ∈ A, la suite ( f n ( x ))n∈N est de Cauchy donc converge car R est un espace
complet. On note sa limite f ( x ) et on définit ainsi la fonction f . Montrons que f est bien limite uniforme de la suite
de fonctions. Soit e > 0. Par le critère de Cauchy uniforme, il existe N ∈ N tel que ∀ p ≥ N, ∀q ≥ N, ∀ x ∈ A on a
f p ( x ) − f q ( x ) < e. Soient p ≥ N et x ∈ A. En faisant tendre q vers l’infini, on obtient f p ( x ) − f ( x ) < e. Ce qui
nous donne la convergence uniforme.

Comment prouver la convergence uniforme si le critère de Cauchy ne fonctionne pas (ou si on ne souhaite pas
l’appliquer) ? La preuve de la convergence uniforme se fait en deux temps. D’abord on cherche la limite
simple de la suite et ensuite on prouve que la suite réelle supx∈ A | f n ( x ) − f ( x )| tend vers zéro quand n
tend vers l’infini.
Maintenant, on va traiter le cas des séries de fonctions [3, p.457]. Soit ( f n )n∈N une suite de fonction
définie sur une partie A non vide de R. La série associée est la suite des sommes
k=n
Sn = ∑ fk
k =0

5
Définition (Convergence simple et uniforme d’une série de fonctions). On dit que la série est simple-
ment (respectivement uniformément) convergente si la suite (Sn )n∈N est simplement (respectivement
uniformément) convergente.
Définition (Convergence normale d’une série de fonctions). Soit ( f n )n∈N une suite de fonction défi-
nie sur A. La série ∑k≥0 f k est dite normalement convergente sur A si la série numérique de termes
supx∈ A | f n ( x )| est convergente.
Remarque. Il est équivalent de dire que la série de fonction ∑ gn converge normalement s’il existe une
série à termes positifs ∑ an convergente telle que

∀n ∈ N, ∀ x ∈ X k gn ( x )k ≤ an

Comme k gn ( x )k ≤ 2k gn ( x )k (on a des termes positifs) et que la série de terme général 2k gn ( x )k

converge si et seulement si la série de terme général k gn ( x )k converge (on peut faire sortir le scalaire 2
de la somme). On obtient l’équivalence.
xn
Exemple. La série de fonction ∑ gn définie par gn : [0, 1] → R définie par gn ( x ) = n2
converge normale-
ment sur [0, 1] car k gn k∞ = n12 et la somme ∑ k gn k converge.

Théorème. Soit ( f n )n∈N une suite de fonction définie sur A. Si la série ∑k≥0 f k est normalement convergente
sur A, alors elle y est uniformément convergente.
Démonstration. On applique le critère de Cauchy uniforme : pour tout n, p ∈ N et pour tout x ∈ A,

k gn ( x ) + · · · + gn+ p ( x )k ≤ k gn ( x )k + · · · + k gn+ p ( x )k ≤ k gn k∞ + · · · + k gn+ p ( x )k∞

|{z} |{z}
norme cv normale

Contre-exemple (Attention, la réciproque est fausse [2, p.226]). La série de fonction ∑ (−1)n x
n2 + x 2
converge uniformément sur R+ (par majoration des restes) mais ne converge pas normalement.
On s’intéresse à la régularité des limites des suites et des séries de fonctions [3]. On commence par
étudier les limites de suites de fonctions.

Propriétés d’une limite de suite de fonctions La convergence uniforme permet (contrairement à

la convergence simple) de conservé à la limite un bon nombre de propriétés comme la continuité ou la
dérivabilité.

Théorème (Continuité d’une limite de suite de fonctions). Soit ( f n )n∈N une suite de fonctions définies sur
A qui converge uniformément vers une fonction f et soit t0 un point de A. Si, pour tout n ∈ N, la fonction f n
est continue en t0 , alors f est continue en t0 .
Démonstration. Par la convergence uniforme on a, pour e > 0, ∃n ∈ N tel que pour tout t ∈ A, | f n (t) − f (t)| < 3e .
Par la continuité des f n on a que, pour e > 0, ∃η > 0 tel que pour tout t ∈ A vérifiant |t − t0 | < η, alors
| f n (t) − f n (t0 )| < 3e .
Une inégalité triangulaire nous permet de montrer que | f (t) − f (t0 )| ≤ e.

Corollaire. La limite uniforme d’une suite de fonctions continues est une fonction continue.
Remarque. La contraposé de ce corollaire (ou du théorème) peut permettre de montrer qu’une suite de
fonction ne converge pas uniformément.
Exemple (Montrer la non convergence uniforme d’une suite de fonction avec la continuité [3, p.442]).
n
Pour n ∈ N et t ≥ 0, on pose f n (t) = 1+t t2n . La limite simple de la fonction f définie sur [0, +∞[ par
f (t) = 0 si 0 ≤ t ≤ 1, f (1) = 21 et f (t) = 0 si t > 1. La discontinuité en 1 prouve qu’il n’y a pas de limite
uniforme de la suite sur [0, +∞[.
Pour l’intégrale d’une limite de suite, aller voir le théorème de continuité sous le signe intégral (leçon
239). Nous allons maintenant nous intéresser à la dérivabilité de ces fonctions.

6
Théorème (Dérivabilité d’une limite de suite de fonctions). Soit ( f n )n∈N une suite de fonctions de classe
C 1 sur le segment [ a, b] telle que
1. ( f n )n∈N converge simplement sur [ a, b] vers une fonction f ;
2. la suite des dérivées ( f n0 )n∈N converge uniformément vers une fonction g sur [ a, b].
Nous avons alors les propriétés suivantes :
— ( f n )n∈N converge uniformément sur [ a, b] vers une fonction f ;
— la fonction f est de classe C 1 de dérivée g.
Démonstration. Application du théorème de continuité sous le signe intégral avec la primitive de la dérivée.

Propriétés de la somme d’une série de fonctions Nous continuons avec l’étude des propriétés de
la somme d’une série de fonctions : continuité, intégrabilité et dérivabilité [3, p.459].
Théorème (Continuité de la somme). Soit ( f n )n∈N une suite de fonctions définies sur A dont la série est
∞
uniformément convergente. Soit a un point de A ? Si chaque fonction f n est continue en a, alors la somme ∑+
n =0 f n
est continue en a.
Démonstration. On applique le résultat de la continuité de la limite d’une suite de fonctions à la suite des sommes
partielles de la série.

Théorème (Interversion somme-intégrale [2, p.223]). Si ∑ gn est une série de fonctions continue qui converge
normalement sur [ a, b], alors
∞ ∞ Z b
Z b
! 
∑ gn ( t ) = ∑
a
gn ( t )
a
n =0 n =0
Démonstration. Comme la convergence normale implique la convergence uniforme, on applique le théorème de
convergence sous le signe intégrale pour les suites de fonctions à la suite des sommes partielles.

Remarque. On peut alléger les hypothèses de ce théorème et se contenter de la convergence uniforme.

Mais dans ce cas, il nous faut aussi l’intégrabilité des fonctions f n .
Remarque. Un tel théorème permet de calculer des intégrales.
Exemple (Calcul d’une intégrale à l’aide d’une série). Pour n ∈ N∗ , soit f n la suite de fonctions définie
n
telle que f n (0) = 0 et f n (t) = t nln t pour tout t ∈]0, 1]. Comme la série ∑ f n est normalement convergente
(par étude de fonctions), on applique le théorème :
+∞ tn ln t
R1
0 ln t ln(1 − t ) dt = − ∑n=1 n application du théorème
+∞ 1
= ∑n=1 n(n+1)2 par IPP
∞
= 2 − ∑+
n =1
1
n2
1
n ( n +1)2
= n1 − n+
1
1 − 1
( n +1)2
π2 +∞ 1 π2
= 2− 6 ∑ n =1 n2 = 6
Théorème (Dérivation terme à terme). Soit ( f n )n∈N une suite de fonction de classe C 1 sur le segment [ a, b]
telle que
1. la série ∑k≥0 f k converge simplement sur [ a, b] ;
2. la série des dérivées ∑k≥0 f k0 converge uniformément sur [ a, b].
Alors la série ∑k≥0 f k est uniformément convergente sur [ a, b] et sa somme est de classe C 1 , de dérivée ∑k≥0 f k0 .
Démonstration. On applique le théorème de la dérivation d’une limite de suite de fonctions à la suite des sommes
partielles de la série.

Exemple. La fonction exponentielle complexe est de classe C 1 (définie via les séries entières).

Références
[1] W. Appel. Probabilités pour les non-proabilitstes. H&K édition.
[2] X. Gourdon. Analyse. Les maths en tête. Ellipses, 2008.
[3] J.-P. Marco ; P. Thieullen ; J.-A.Weil. Mathématiques pour la L2. Pearson education, 2007.
[4] M. Cottrel ; V.Genon-Catalot ; C. Duhamel ; T. Meyre. Exercices de probabilité. Cassini, 2005.