Sorbonne Université Licence (S5)

UE 3MA245 – Probabilités élémentaires Année 2019–2020

TD7. Variables indépendantes, produit de convolution

1. Soient X et Y des variables aléatoires indépendantes. On suppose que X suit la loi

de Poisson de paramètre θ1 > 0, et que Y suit la loi de Poisson de paramètre θ2 > 0.
a) Calculer fX , la fonction génératrice de X. Quelle est la loi de X + Y ?
b) Calculer ϕX , la fonction caractéristique de X. Quelle est la loi de X + Y ?
c) Calculer le produit de convolution de PX et PY . Quelle est la loi de X + Y ?
Solution de l’exercice 1.
θn
a) Soit s ∈ [0, 1]. Rappelons que P(X = n) = e−θ1 n!1 , n ∈ N. Par la formule de transfert
(pour fonctions bornées),
∞ ∞
X X θ1n
fX (s) = n
s P(X = n) = sn e−θ1 = e−θ1 esθ1 = e−θ1 (1−s) .
n=0 n=0
n!

[C’est un calcul que l’on a déjà fait aux TD6.]

Pour déterminer la loi de X + Y qui est une variable aléatoire à valeurs dans N, il
suffit de déterminer sa fonction génératrice. Comme fY (s) = e−θ2 (1−s) , s ∈ [0, 1], on
a, grâce à l’indépendance,

fX+Y (s) = fX (s) fY (s) = e−(θ1 +θ2 )(1−s) , s ∈ [0, 1].

Autrement dit, X + Y suit la loi de Poisson de paramètre θ1 + θ2 .

b) Par la formule de transfert (pour fonctions bornées), pour t ∈ R,
X X θ1n it it
ϕX (t) = eitn P(X = n) = eitn e−θ1 = e−θ1 eθ1 e = e−θ1 (1−e ) .
n∈N n∈N
n!

it
De même, ϕY (t) = e−θ2 (1−e ) , t ∈ R. Par indépendance,
it
ϕX+Y (s) = ϕX (s) ϕY (s) = e−(θ1 +θ2 )(1−e ) , t ∈ R.

Ainsi, X + Y suit la loi de Poisson de paramètre θ1 + θ2 .

1
 c) L’indépendance implique que PX+Y = PX ∗ PY (résultat du cours). Calculons le
produit de convolution de PX et PY : pour n ∈ N,
n
X n
X
PX+Y ({n}) = PX ({k})PY ({n − k}) = P (X = k)P (Y = n − k)
k=0 k=0
n
X θ1k −θ2 θ2n−k
= e−θ1 e
k=0
k! (n − k)!
n
−θ1 −θ2
Xθ1k θ2n−k
= e
k=0
k! (n − k)!
n  
e−θ1 −θ2 X n k n−k e−θ1 −θ2
= θ θ = (θ1 + θ2 )n .
n! k=0 k 1 2 n!

On reconnît, de nouveau, que X + Y suit la loi de Poisson de paramètre θ1 + θ2 .

2. Soit θ > 0 un réel. On effectue n expériences indépendantes, ayant chacune une

probabilité nθ de réussir. On note Xn le nombre d’expériences ayant réussi.
a) Déterminer la loi de Xn et sa fonction caractéristique ϕXn .
b) Pour tout t ∈ R, déterminer la limite de ϕXn (t) lorsque n → ∞. On note ϕ(t) cette
limite. La fonction ϕ est-elle la fonction caractéristique d’une variable aléatoire ?
Solution de l’exercice 2.
a) Xn est une somme de n variables de Bernoulli indépendantes de même paramètre
θ
n
, c’est donc une loi binomiale de paramètres n et nθ . On a vu aux TD6 que pour
t ∈ R,  n
θ θ it
ϕXn (t) = 1 − + e .
n n
b) En utilisant la limite classique
 x n
lim 1+ = ex , x ∈ C,
n→∞ n
on trouve
it −θ
lim ϕXn (t) = eθe , t ∈ R.
n→∞

On reconnaît la fonction caractéristique d’une variable aléatoire de Poisson de pa-

ramètre θ. [Plus tard, on dira que Xn converge en loi vers une variable aléatoire de
Poisson de paramètre θ.]

3. Construire un couple de variables aléatoires X et Y de carré-intégrables tel que

Cov(X, Y ) < 0.

2
Solution de l’exercice 3. Il y en a beaucoup. Si Cov(X, Y ) > 0, alors avec Z := −Y ,
on aura Cov(X, Y ) < 0. Donc, si X ∈ L 2 n’est pas une constante (pour assurer que
Var(X) > 0 ; par exemple, si X suit la loi gaussienne N (0, 1)) et si Y := −X, alors
Cov(X, Y ) = −Var(X) < 0.

4. Soient p, q ∈ [0, 1] des réels. Soient X et Y des variables aléatoires réelles. On suppose
que X suit la loi de Bernoulli de paramètre p et que Y la loi de Bernoulli de paramètre
q. Montrer que

max{p + q − 1, 0} − pq ≤ Cov(X, Y ) ≤ min{p, q} − pq.

Solution de l’exercice 4. On a Cov(X, Y ) = E[XY ] − E[X]E[Y ] = E[XY ] − pq. Il nous

faut donc encadrer E[XY ].
D’une part, XY ≤ X, donc E[XY ] ≤ E[X] = p. De même, E[XY ] ≤ q. Ainsi, E[XY ] ≤
min(p, q).
D’autre part, E[XY ] = P(X = 1, Y = 1). Or pour tous événements A et B, l’égalité
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) et l’inégalité P(A ∪ B) ≤ 1 entraînent P(A ∩ B) ≥
P(A)+P(B)−1. Comme de plus P(A∩B) ≥ 0, on a P(A∩B) ≥ max{P(A)+P(B)−1, 0}.
Avec A = {X = 1} et B = {Y = 1}, on trouve E[XY ] = P(A ∩ B) ≥ max{p + q − 1, 0}.
On a ainsi établi l’inégalité voulue.
[Il est possible de prouver que les deux bornes de l’égalité dans cet exercice peuvent être
atteintes.]

5. Soient X et Y des variables aléatoires indépendantes suivant la même loi gaussienne

N (0, 1). On pose U := X + Y et V := X − Y .
a) Déterminer la loi de U , ainsi que celle de V .
b) Montrer que U et V sont indépendantes.
Solution de l’exercice 5.
a) Dans le cours, on a vu que PU = N (0, 2).
Pour déterminer PV , on constate que pour tout réel b 6= 0, PbY = N (0, b2 ) : il
2 2
suffit de remarquer que ϕbY (t) = E(eitbY ) = ϕY (bt) = e−b t /2 , t ∈ R. En particulier,
−Y est une variable aléatoire indépendante de X (résultat du cours), qui suit la loi
gaussienne N (0, 1). Donc PV = N (0, 2).
b) D’après un résultat du cours, il suffit de prouver que E(eisU eitV ) = E(eisU ) E(eitV )
pour tous s, t ∈ R.

3
 On écrit eisU eitV = ei(s+t)X ei(s−t)Y . L’indépendance permet de voir que

E(eisU eitV ) = E(ei(s+t)X ) E(ei(s−t)Y ) = ϕX (s + t) ϕY (s − t)

2 /2 2 /2 2 −t2
= e−(s+t) e−(s−t) = e−s .
2
D’autre part, comme ϕU (r) = ϕV (r) = e−r , r ∈ R, on a
2 −t2
E(eisU ) E(eitV ) = ϕU (s) ϕV (t) = e−s ,

ce qui implique l’identité cherchée.

6. Soient X et Y des variables aléatoires indépendantes suivant la même loi gaussienne

N (0, 1). On pose Z := X 2 + Y 2 . Calculer la fonction de répartition de Z. Que peut-on
dire de la loi de Z ?
Solution de l’exercice 6. Soit z ∈ R. Si z ≤ 0, on a FZ (z) = 0. Supposons donc que z > 0.
D’après un résultat du cours (pour fonctions positives ou bornées),

FZ (z) = P(Z ≤ z) = E(1]−∞, z] (X 2 + Y 2 ))

Z Z
1 1
1]−∞, z] (x2 + y 2 )
2 2
= 1/2
e−x /2 1/2
e−y /2 dxdy.
R R (2π) (2π)

On passe aux coordonnées polaires avec x = r cos θ et y = r sin θ (pour r ≥ 0 et θ ∈

[0, 2π]), pour voir que
Z z 1/2 Z 2π Z z 1/2
1 2 2 /2
FZ (z) = dr dθ e−r /2 r = dr e−r r = 1 − e−z/2 .
0 0 2π 0

[D’après Fubini–Tonelli, on peut intégrer dans un ordre quelconque.] Ainsi, FZ (z) = (1 −

e−z/2 )1R+ (z). On reconnaît la fonction de répartition d’une variable aléatoire suivant la
loi exponentielle de paramètre 21 . Autrement dit, Z suit la loi exponentielle de paramètre
1
2
.

7. Soient X1 , . . ., Xn des variables aléatoires indépendantes et identiquement distribuées.

On pose Mn := max1≤i≤n Xi et In := min1≤i≤n Xi .
a) Déterminer FMn , la fonction de répartition de Mn , en termes de FX1 .
b) Déterminer FIn .
c) On suppose que X1 suit la loi uniforme sur [0, 1]. Montrer que pour tout réel x ∈ R,
P(nIn ≤ x) converge vers une limite que l’on précisera.
Solution de l’exercice 7.

4
 a) Soit x ∈ R. Comme {Mn ≤ x} = ∩ni=1 {Xi ≤ x}, on a, grâce à l’indépendance,
n
Y
FMn (x) = P(Xi ≤ x) = [FX1 (x)]n .
i=1

b) Soit x ∈ R. Cette fois-ci, il convient de considérer {In > x}, qui n’est autre que
∩ni=1 {Xi > x}. L’indépendance implique alors que
n
Y
FIn (x) = 1 − P(In > x) = 1 − P(Xi > x) = 1 − [1 − FX1 (x)]n .
i=1

c) Si X1 suit la loi uniforme sur [0, 1], alors In est à valeurs dans [0, 1]. Donc P(nIn ≤
x) = FIn ( nx ) = 0 si x ≤ 0.
Supposons maintenant que x > 0. Pour tout n suffisamment grand, nx ∈ [0, 1], et on
a
x x
P(nIn ≤ x) = 1 − [1 − FX1 ( )]n = 1 − [1 − ]n .
n n
Lorsque n → ∞, l’expression à droite converge vers 1 − e−x .
En conclusion, P(nIn ≤ x) → (1 − e−x )1R+ (x). [On reconnaît la fonction de répar-
tition d’une variable aléatoire suivant la loi exponentielle de paramètre 1.]

8. Soit X une variable aléatoire réelle suivant la loi uniforme sur [−1, 1]. On pose Y :=
X 2.
a) Calculer Cov(X, Y ).
b) Les variables aléatoires X et Y sont-elles indépendantes ?
Solution de l’exercice 8.
a) Les variables aléatoires X et Y étant bornées, on a X, Y ∈ L 2 . La covariance est
donc bien définie. On a
Z 1 Z 1
3
E(X) = xdx = 0, E(X ) = x3 dx = 0.
−1 −1

Donc Cov(X, Y ) = E(XY ) − E(X) E(Y ) = E(X 3 ) − E(X) E(X 2 ) = 0.

b) Il est clair que X et Y ne sont pas indépendantes. Par exemple, avec A := [0, 21 ] et
B := [ 12 , 1], on a P(X ∈ A, Y ∈ B) = 0 6= P(X ∈ A) P(Y ∈ B).

9. Soient X et Y des variables aléatoires indépendantes suivant la même loi gaussienne

N (0, 1). On pose Z := X Y
(qui est bien définie avec probabilité 1 car P(Y 6= 0) = 1). À
l’aide de la fonction de répartition, déterminer la loi de Z.

5
Solution de l’exercice 9. Soit z ∈ R. D’après un résultat du cours (pour fonctions positives
ou bornées),

X
FZ (z) = P(Z ≤ z) = E(1]−∞, z] ( ))
Z ∞Z ∞ Y
x 1 1
1]−∞, z] ( )
2 2
= 1/2
e−x /2 1/2
e−y /2 dxdy.
−∞ −∞ y (2π) (2π)

Le théorème de Fubini–Tonelli permet d’intégrer dans un ordre quelconque. On fix y ∈

R\{0}, et calcule
Z ∞ Z
x 1 1 1 −y2 /2 x
1]−∞, z] ( ) −x2 /2 −y 2 /2
1]−∞, z] ( )e−x /2 dx.
2
I(y) := 1/2
e 1/2
e dx = e
−∞ y (2π) (2π) 2π R y

Si y > 0, on a 1]−∞, z] ( xy ) = 1]−∞, yz] (x), et donc

Z yz
1 −y2 /2 2 /2
I(y) = e e−x dx.
2π −∞

Si y < 0, 1]−∞, z] ( xy ) = 1[yz, ∞[ (x), et donc

Z ∞ Z −yz
1 −y2 /2 −x2 /2 1 −y2 /2 2 /2
I(y) = e e dx = e e−u du,
2π yz 2π −∞

avec un changement de variables u = −x. Donc pour tout y ∈ R\{0},

Z |y|z Z z
1 −y2 /2 −x2 /2 1 −y2 /2 2 u2 /2
I(y) = e e dx = e e−y |y| du,
2π −∞ 2π −∞

R∞
avec un changement de variables x = |y|u. Puisque FZ (z) = −∞ I(y)dy, il résulte de
nouveau du théorème de Fubini–Tonelli que
Z z Z ∞ Z z
1 −y2 /2 −y2 u2 /2  1 1
FZ (z) = e e |y|dy du = 2
du .
−∞ −∞ 2π −∞ π 1 + u

À droite, on reconnaît la valeur de la fonction de répartition au point z d’une variable

aléatoire de Cauchy. Comme la fonction de répartition caractérise la loi d’une variable
aléatoire réelle, on déduit que Z suit la loi de Cauchy.