Ecole Supérieure des Sciences de Gestion d’Annaba

Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1. LOI DE PROBABILITE DE LA SOMME DE DEUX VARIABLES ALEATOIRES REELLES DISCRETES

1.1 Définition de la somme de deux variables

 : IR 2  IR
( x,y)  IR 2  z  IR
z   ( x,y)
 x y
x  X ( ) y  Y ( ) z  Z (  )  ( X  Y ) (  )

1.2 Définition de la loi de probabilité de la somme de deux variables

a. Le support
Z ()  ( x  y ) : x  X () , y  Y () 
b. La fonction de masse
P ( X  x)  P ( X  z  y )
  P ( X  x  Y  y)
y

 P (Z  x  y)
P (Z  x  y)   P ( X  x  Y  y)
y

Ou bien :
P (Y  y )  P (Y  z  x)
  P ( X  x  Y  y)
x

 P (Z  x  y)
P (Z  x  y)   P ( X  x  Y  y)
x

1.2 Définition du produit de convolution

X  Y  P (Z  z)   P ( X  x  Y  y)
x

  P ( X  x) P (Y  y )
x

  P ( X  x) P (Y  z  x)
x

  P (Y  y ) P ( X  z  y )
y

2. LES CARACTERISTIQUES NUMERIQUES

a. L’espérance mathématique

E (Z )  E ( X  Y )
 E ( X )  E (Y )
b. La variance

Var ( Z )  Var ( X  Y )
 Var ( X )  Var (Y )  2 Cov ( X , Y )
3. LA FONCTION GENRATRICE DES MOMENTS


M  ( )  E e  ( X ,Y ) 
  e   ( X ,Y )
P ( X  x  Y  y)
x y

z   ( x, y )
 x  y  M  ( )  E e ( X Y )  
M  ( )   e  ( x y )
P ( X  x  Y  y)
x y

|P a g e 1
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Obtention du moment simple d’ordre r

m r  E (Z r )
 r  IN 
*

 d r M  ( ) 
mr   
 d
r
  0
 dM  ( ) 
r  1  m1   
 d   0
 E (Z )
 E ( X )  E (Y )

 d 2 M  ( ) 
r  2  m2   

 d 2   0

 E (Z 2 )

 E ( X  Y )2 
 E ( X )  2 E ( XY )  E (Y 2 )
2

4. DEFINITION DE LA LOI DE PROBABILITE DE LA SOMME DANS LE CAS DE L’INDEPENDANCE EN PROBABILITE

4.1 Définition de la stabilité des lois de probabilité

 Soit la variable aléatoire réelle Z telle que Z suit la loi de probabilité L

 Soient les variables aléatoires réelles X et Y telles que X et Y suivent la loi de probabilité L et X  Y
La loi de probabilité L de la variable aléatoire réelle Z est stable pour la somme si nous avons :

Z ~ L

L loi stable   X  Y
 ( X  Y ) ~ L


4.2 Etude de la stabilité de quelques lois de probabilité discrètes

4.2.1 Etude de la stabilité de la loi Binomiale

X  Y : X ~ B (n, p) Y ~ B (m, p)
Soit la fonction  tel que :
 : IR 2  IR
( x, y )  IR 2  z  IR
z   ( x, y )  x  y
a. Le support

X ()  0, n 
 
 Z ()  ( X  Y ) ( )

 
Y ()  0, m 
 
   0, n  m  

b. La fonction de masse
P( Z  z )  Cnz m p z (1  p) n  m z

Z ~ B(n  m,p)

|P a g e 2
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Démonstration
z
X  Y  P ( Z  z)   P ( X  x) P(Y  z  x)
x 0
z
 C
x 0
x
n p x (1  p) n x C mz  x p z  x (1  p) m( z  x )

z
 C
x 0
x zx z
n Cm p (1  p) ( nm ) z

z
 p z (1  p) ( nm ) z C
x 0
x zx
n Cm

Relation de VANDERMONDE
z

C
x 0
x
n C mz  x  C nz m

 P (Z  z)  C nz m p z (1  p) ( n  m )  z
Donc :
Z ~ B (n  m, p)
 Stabilité de la loi
 X ~ B (n, p) Y ~ B (m, p)
X Y : 
 (X  Y)~B(n  m,p)
 Conclusion : la loi binomiale est stable pour la somme
4.2.2 Etude de la stabilité de la loi de Poisson

X  Y : X ~ P ( 1 ) Y ~ P ( 2 )
Soit la fonction  tel que :
 : IR 2  IR
( x, y )  IR 2  z  IR
z   ( x, y )  x  y
a. Le support
X ()  IN   Z ( )  ( X  Y ) ( )

Y ()  IN    IN
b. La fonction de masse
(  1  2 )
( 1   2 ) z e
P ( Z  z) 
z!
Z ~ P ( 1   2 )
Démonstration
z
X  Y  P ( Z  z)   P ( X  x) P(Y  z  x)
x 0

 e 1  1 x   e 2  2 z  x 
z
  
x 0 
x!

  ( z  x )! 

 
z   x    zx 


 1  2 
(  1   2 )
e
 x !   ( z  x )! 
x 0   
z


(  1   2 ) 1 z!
e  1 x  2 zx
z ! x  0 x !( z  x ) !
z


(  1   2 ) 1
e C zx  1 x  2 z  x
z ! x 0

|P a g e 3
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Formule du binôme de Newton

n
( a  b) n  C
p 0
p
n a p b n p ; (n  IN * ; p  n)

 P ( Z  z) 
e
(  1   2 )
 1   2  z
z!
Donc :
Z ~ P ( 1   2 )
 Stabilité de la loi

 X ~ P (1 ) Y ~ P (2 )
X Y : 
 (X  Y)~P(1  2 )

 Conclusion : la loi de Poisson est stable pour la somme

4.2.3 Etude de la stabilité de la loi géométrique

X  Y : X ~ G ( p) Y ~ G ( p)
Soit la fonction  tel que :
 : IR 2  IR
( x, y )  IR 2  z  IR
z   ( x, y )  x  y
a. Le support
X ()  IN *  Z ()  ( X  Y ) ()

Y ()  IN *    IN *  1
b. La fonction de masse
z 2
P ( Z  z)  C 1z 1 p 2 (1  p) ( z  2)
Z ~ BN (2, p)
La variable aléatoire réelle Z suit une loi Binomiale Négative de paramètres n=2 et p
Pour rappel, la loi Binomiale Négative est définie comme suit :
 Le support

Z ()  2,    
 La fonction de masse

P ( Z  z)  C nz 11 p n (1  p) z  n
Démonstration
z 1
X  Y  P ( Z  z)   P ( X  x) P(Y  z  x)
x 1
z 1
  p (1  p)
x 1
x 1
p (1  p) ( z  x )1

z 1
 p2  (1  p)
x 1
z 2

 ( z  1) p 2 (1  p) z 2
 C 1z 1 p 2 (1  p) z 2
Donc :
Z ~ BN (2, p)

|P a g e 4
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

 Stabilité de la loi
 X ~ G ( p) Y ~ G ( p)
X Y : 
 (X  Y)~BN ( 2, p)

 Conclusion : la loi Géométrique n’est pas stable pour la somme

2. LOI DE PROBABILITE DU MAXIMUM

Soient :

 Les variables aléatoires réelles X 1 et X 2 tel que : X 1  X 2

 Et la variable aléatoire réelle Y tel que : Y  Max ( X 1 , X 2 )

2.1 Définition du maximum

 : IR 2  IR
( x 1 , x 2 )  IR 2  y  IR
y   ( x 1 , x 2 )  Max ( X 1 , X 2 )

Max ( X 1 , X 2 )  sup ( X 1 , X 2 )
2
 X
i 1
i

2.2 Détermination de la fonction de répartition de la variable aléatoire réelle Y

Y  y   Max ( X 1 , X 2 )  y 
P ( Y  y )  P ( Max ( X 1 , X 2 )  y )
 2 
P X y 
 i

 i 1 
2
X 1  X 2  P (Y  y )  P( X
i 1
i  y)

FY ( y )  FX1 ( y ) . FX 2 ( y )
FY ( y )  FX1 ( y ) FX 2 ( y )

2.3 Détermination de la loi de probabilité de la variable aléatoire réelle Y

a. Le support

Y ()  Max ( X 1 , X 2 ) ()

b. La fonction de masse

FY ( y i )  FY ( y i-1 )  P ( Y  y i )
 P ( Y  y i )  FY ( y i )  FY ( y i-1 )
P ( Y  y i )  FY ( y i )  FY ( y i -1 )

|P a g e 5
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

3. LOI DE PROBABILITE DU MINIMUM

Soient :

 Les variables aléatoires réelles X 1 et X 2 tel que : X 1  X 2

 Et la variable aléatoire réelle Y tel que : Y  Min ( X 1 , X 2 )

3.1 Définition du minimum

 : IR 2  IR
( x 1 , x 2 )  IR 2  y  IR
y   ( x 1 , x 2 )  Min ( X 1 , X 2 )
Min ( X 1 , X 2 )  inf ( X 1 , X 2 )
2
 X
i 1
i

3.2 Détermination de la fonction de répartition de la variable aléatoire réelle Y

Y  y   Min ( X 1 , X 2 )  y 
P ( Y  y )  P ( Min ( X 1 , X 2 )  y )
 2 
P X y
 i

 i 1 
 2 
 1  P   X i  y 
 
 i 1 
 2 
 1 P  X y 
 i

 i 1 
2
X 1  X 2  P (Y  y )  1  P( X
i 1
i  y)

 1  P ( X 
2
FY ( y)  1  i  y)
i 1

 1  F ( y) 
2
 1 Xi
i 1
 1  1  F ( y )  F ( y )  F
X1 X2 X1 ( y ) . FX 2 ( y) 
 FX1 ( y )  FX 2 ( y )  FX1 ( y ) . FX 2 ( y )

FY ( y )  FX1 ( y )  FX 2 ( y )  FX1 ( y ) FX 2 ( y )
Ou bien :
P ( Y  y )  P ( Min ( X 1 , X 2 )  y )
 2 
 P  Xi  y 

 
 i 1 
 P (X 1  y )  P (X 2  y )  P (X 1  y  X 2  y )
X 1  X 2  P (Y  y )  P ( X 1  y )  P ( X 2  y )  P ( X 1  y ) P ( X 2  y )
 FX1 ( y )  FX 2 ( y )  FX 1 ( y ) FX 2 ( y )
FY ( y )  FX1 ( y )  FX 2 ( y )  FX1 ( y ) FX 2 ( y )

|P a g e 6
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

3.3 Détermination de la loi de probabilité de la variable aléatoire réelle Y

a. Le support

Y ()  Min ( X 1 , X 2 )  ()

b. La fonction de masse

FY ( y i )  FY ( y i-1 )  P ( Y  y i )
 P ( Y  y i )  FY ( y i )  FY ( y i-1 )
P ( Y  y i )  FY ( y i )  FY ( y i -1 )

Exemple
Soient :

 Les variables aléatoires réelles X 1 et X 2 tels que : X 1  X 2 et X 1 ~ G ( p) X 2 ~ G ( p)

 Et la variable aléatoire réelle Y tel que : Y  Min ( X 1 , X 2 )

1. Calculer : P ( X 1  x  X 2  x)
2. Déterminer la loi de probabilité de la variable aléatoire réelle Y et reconnaitre la loi obtenue
Soit la variable aléatoire réelle Z tel que : Z  Max ( X 1 , X 2 )
3. Déterminer la loi de probabilité de la variable aléatoire réelle Z
Solution

1. Calcul de P ( X 1  x  X 2  x)

X 1  X 2  P ( X 1  x  X 2  x)  P ( X 1  x) P ( X 2  x)

 P ( X 1  x) 1  P ( X 2  x) 

 P ( X 1  x) 1  F X 2 ( x) 
 
 p (1  p ) x-1 1  1  (1  p ) x 
 p (1  p ) x-1
(1  p) x

 p (1  p ) 2 x-1

P ( X 1  x  X 2  x)  p (1  p)2 x -1
2. Détermination de la loi de probabilité de la variable aléatoire réelle Y
a. Le support
Y ()  Min ( X 1 , X 2 )  ()
X 1 ()  X 2 ()  IN *  Y ()  IN *
b. La fonction de masse

P (Y  y )  P Min ( X 1 , X 2 )  y 
FY ( y )  FX 1 ( y )  FX 2 ( y )  FX 1 ( y ) FX 2 ( y )

FY ( y )  1  (1  p ) y  1  (1  p ) y  1  (1  p ) y  2

  
 2 1  (1  p ) y  1  (1  p ) y  2


 1  (1  p ) y 2 - 1 - (1 - p) 
y


 1  (1  p ) y  1  (1  p) 
y


 1  (1  p ) y  2

 1  (1  p ) 2 y

FY ( y )  1  (1  p ) 2 y

|P a g e 7
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

P ( Y  y )  FY ( y )  FY ( y  1)

 1  (1  p ) 2 y  1  (1  p ) 2 ( y 1) 
2 ( y 1)
 (1  p )  (1  p ) 2y

 (1  p ) 1  (1  p) 
2 ( y 1)
2

  (1  p )  1  (1  p) 
2 y 1 2

 1  (1  p )  (1  p ) 
2 2 y 1


P ( Y  y )  1  (1  p) 2 (1  p)  2 y 1

Reconnaissance de la loi obtenue


Y ~ G 1  (1  p ) 2 
3. Détermination de la loi de probabilité de la variable aléatoire réelle Z
a. Le support
Z ()  Max ( X 1 , X 2 ) ()
X 1 ()  X 2 ()  IN *  Z ()  IN *
b. La fonction de masse


P ( Z  z )  P Max ( X 1 , X 2 )  z 
FZ ( z )  FX 1 ( z ) FX 2 ( z )


FZ ( z )  1  (1  p) z  2

P ( Z  z )  FZ ( z )  FZ ( z  1)

 1  (1  p ) z   1  (1  p) 
2 z 1 2

 a 2 b2
 ( a  b) ( a  b)
a  1  (1  p ) z
b  1  (1  p ) z 1
P ( Z  z)  1  (1  p)  1  (1  p) 1  (1  p)  1  (1  p) 
z z 1 z z 1

  (1  p )  (1  p )  2  (1  p )
z 1 z
 (1  p )  z 1 z

 (1  p ) 1  (1  p )  2  (1  p )
z 1
 (1  p )  z 1 z

 p (1  p )  2  (1  p )
z 1
 (1  p ) 
z 1 z

 p (1  p ) 2  (1  p )  1  (1  p )  
z 1 z 1

 p (1  p )  2  (2  p ) (1  p )
z 1
 z 1


P ( Z  z )  p (1  p ) z 1 2  (2  p ) (1  p) z 1 

|P a g e 8