Calcul D Une Somme De Va Par Convolution

Calculateur premium

Calculez la loi de la somme de deux variables aléatoires discrètes indépendantes grâce à la convolution. Saisissez les valeurs possibles et leurs probabilités, puis obtenez immédiatement la distribution de Z = X + Y, son espérance, sa variance et une visualisation graphique.

Guide expert sur le calcul d’une somme de VA par convolution

Le calcul d’une somme de variables aléatoires par convolution constitue l’un des outils fondamentaux de la théorie des probabilités. En pratique, dès que l’on cherche à connaître la loi de Z = X + Y, où X et Y sont deux variables aléatoires, on rencontre la convolution. Cette opération permet de transformer deux lois individuelles en une loi combinée, qui décrit toutes les valeurs possibles de la somme ainsi que leurs probabilités associées. Le sujet est central en statistiques, en fiabilité, en télécommunications, en traitement du signal, en actuariat, en gestion des risques et en data science.

Dans sa version la plus courante en probabilités discrètes, la convolution revient à additionner les produits des probabilités compatibles avec une même somme. Si une valeur donnée de Z peut être obtenue de plusieurs façons, alors la probabilité de cette valeur est la somme de toutes les probabilités conjointes correspondantes. Lorsque les variables sont indépendantes, ces probabilités conjointes se calculent simplement par produit. C’est cette structure qui rend la méthode à la fois élégante, rigoureuse et extrêmement utile.

Définition formelle de la convolution pour des variables discrètes

Soient deux variables aléatoires discrètes indépendantes X et Y. On définit Z = X + Y. La probabilité que Z = z est donnée par la formule :

P(Z = z) = Σ P(X = x) × P(Y = z – x), la somme étant prise sur toutes les valeurs possibles de x.

Cette formule dit simplement qu’il faut examiner toutes les manières d’obtenir la somme z. Si par exemple z = 3, on peut avoir (X=0, Y=3), (X=1, Y=2), (X=2, Y=1), etc., selon les supports des distributions. Pour chacune de ces combinaisons, on multiplie les probabilités si les variables sont indépendantes, puis on additionne les résultats.

Pourquoi l’indépendance est-elle importante ?

L’indépendance joue un rôle crucial. En effet, la convolution classique repose sur l’identité : P(X=x, Y=y) = P(X=x)P(Y=y). Sans indépendance, il faut connaître la loi jointe exacte de (X,Y), et la simple convolution des lois marginales ne suffit plus. Autrement dit, deux distributions marginales ne déterminent pas à elles seules la loi de leur somme si les variables sont dépendantes.

Méthode de calcul pas à pas

Pour calculer correctement une somme de VA par convolution, il est utile de suivre une méthode structurée. Voici une procédure opérationnelle, adaptée à la plupart des exercices académiques et des usages pratiques.

1. Identifier les valeurs possibles de X et leurs probabilités.
2. Identifier les valeurs possibles de Y et leurs probabilités.
3. Former toutes les sommes possibles x + y.
4. Regrouper les combinaisons qui mènent à la même valeur de Z.
5. Calculer pour chaque combinaison la probabilité correspondante.
6. Additionner les probabilités des combinaisons produisant la même somme.
7. Vérifier que la somme finale des probabilités de Z vaut bien 1.

Exemple simple

Supposons que X prenne les valeurs 0 et 1 avec probabilités 0,4 et 0,6, et que Y prenne les valeurs 0 et 2 avec probabilités 0,7 et 0,3. Alors :

• Z = 0 si X=0 et Y=0, donc P(Z=0)=0,4×0,7=0,28.
• Z = 1 si X=1 et Y=0, donc P(Z=1)=0,6×0,7=0,42.
• Z = 2 si X=0 et Y=2, donc P(Z=2)=0,4×0,3=0,12.
• Z = 3 si X=1 et Y=2, donc P(Z=3)=0,6×0,3=0,18.

On obtient donc une nouvelle distribution sur les valeurs 0, 1, 2 et 3. Cet exemple est très simple car chaque somme n’est obtenue que d’une seule manière. Dans des cas plus riches, plusieurs couples conduisent à la même somme, et c’est là que la convolution prend toute sa valeur.

Cas classique : somme de deux dés équilibrés

L’exemple emblématique de convolution discrète est la somme de deux dés à six faces. Chaque dé suit une loi uniforme sur {1, 2, 3, 4, 5, 6}. Les 36 couples possibles sont équiprobables si les dés sont indépendants et équilibrés. La somme obtenue varie de 2 à 12. Les probabilités ne sont pas uniformes : la somme 7 est la plus probable car elle peut être obtenue de 6 façons différentes.

Somme z	Nombre de combinaisons	Probabilité exacte	Probabilité en %
2	1	1/36	2,78 %
3	2	2/36	5,56 %
4	3	3/36	8,33 %
5	4	4/36	11,11 %
6	5	5/36	13,89 %
7	6	6/36	16,67 %
8	5	5/36	13,89 %
9	4	4/36	11,11 %
10	3	3/36	8,33 %
11	2	2/36	5,56 %
12	1	1/36	2,78 %

Cette table montre bien un point pédagogique essentiel : la convolution transforme deux lois simples en une loi dont la forme est souvent plus lisse et plus concentrée autour du centre. C’est une idée profonde, car la répétition des convolutions mène progressivement vers des formes proches de la loi normale, conformément à l’intuition portée par le théorème central limite.

Espérance et variance de la somme

Il n’est pas toujours nécessaire de calculer toute la convolution pour obtenir certains indicateurs globaux. Si X et Y sont indépendantes, on dispose de règles très utiles :

• E(X+Y) = E(X) + E(Y)
• Var(X+Y) = Var(X) + Var(Y)

Ces relations permettent de vérifier la cohérence d’un calcul de convolution. Si votre distribution finale donne une espérance ou une variance incompatible avec ces formules, c’est généralement le signe d’une erreur dans l’addition des probabilités ou dans la construction du support.

Interprétation métier

Dans un contexte appliqué, la somme de variables aléatoires apparaît partout. En assurance, on additionne des sinistres. En gestion de projets, on additionne des durées aléatoires. En logistique, on modélise le délai total d’une chaîne par la somme de délais élémentaires. En traitement du signal, la convolution relie la réponse d’un système et un signal d’entrée. Même si les cadres théoriques diffèrent selon les disciplines, l’idée d’agrégation probabiliste reste la même : comprendre comment des incertitudes individuelles se combinent.

Différence entre convolution discrète et convolution continue

Pour les variables discrètes, on travaille avec des sommes. Pour les variables continues, on remplace la somme par une intégrale. Si X et Y sont continues et indépendantes, alors la densité de Z = X + Y vérifie :

f_Z(z) = ∫ f_X(x) f_Y(z – x) dx

L’intuition est strictement parallèle au cas discret. On somme ici une infinité de contributions infinitésimales. En pratique, de nombreux outils numériques approchent cette intégrale via des méthodes discrétisées, ce qui rapproche encore davantage les deux cadres.

Complexité du calcul et stratégies de mise en oeuvre

D’un point de vue algorithmique, la convolution discrète directe de deux distributions de tailles n et m demande en général n × m produits élémentaires. Cela reste très raisonnable pour des distributions courtes, comme dans les calculs pédagogiques ou les modèles opérationnels simples. En revanche, pour des supports très larges, des méthodes fondées sur la transformée de Fourier rapide peuvent accélérer le calcul de manière spectaculaire.

Taille du support de X	Taille du support de Y	Produits directs nécessaires	Taille maximale du support de Z
6	6	36	11 valeurs distinctes
10	10	100	19 valeurs distinctes au plus
50	50	2 500	99 valeurs distinctes au plus
100	100	10 000	199 valeurs distinctes au plus

Cette comparaison illustre une réalité importante : le nombre de combinaisons augmente rapidement, alors que le support de la somme croît souvent plus lentement. C’est précisément pourquoi il faut agréger les probabilités de toutes les combinaisons conduisant à la même valeur finale.

Erreurs fréquentes à éviter

• Confondre somme de probabilités et produit de probabilités.
• Oublier de regrouper les couples donnant la même somme.
• Utiliser la convolution sans vérifier l’indépendance.
• Entrer des probabilités qui ne totalisent pas 1.
• Négliger les valeurs du support dont la probabilité est nulle mais conceptuellement possibles.
• Classer incorrectement les résultats, ce qui peut rendre l’interprétation confuse.

Comment lire le résultat de ce calculateur

Le calculateur ci-dessus vous permet de saisir manuellement deux lois discrètes et de produire la distribution de leur somme. Le tableau de sortie liste chaque valeur possible de Z avec sa probabilité. Le graphique met en évidence la forme de la loi obtenue, ce qui est très utile pour voir si la masse de probabilité se concentre autour d’un centre ou si elle reste asymétrique. En complément, l’outil affiche également l’espérance et la variance de la somme, deux indicateurs majeurs pour résumer la distribution.

Quand utiliser cet outil ?

• Pour vérifier un exercice universitaire de probabilités discrètes.
• Pour modéliser un coût total formé de deux composantes incertaines.
• Pour analyser la somme de scores, de délais, de demandes ou de défauts.
• Pour illustrer la notion de convolution dans un cours ou un rapport technique.

Références utiles et sources d’autorité

Pour approfondir les bases théoriques des distributions, des lois de probabilité et des méthodes de calcul associées, vous pouvez consulter les ressources de référence suivantes :

• NIST Engineering Statistics Handbook (.gov)
• MIT OpenCourseWare, cours de probabilités et statistiques (.edu)
• Department of Statistics, University of California Berkeley (.edu)

Conclusion

Le calcul d’une somme de VA par convolution est une compétence de base, mais aussi un outil de haut niveau pour l’analyse de systèmes aléatoires. Il relie les notions de support, de probabilité, d’indépendance, d’espérance et de variance dans une même mécanique de calcul. Maîtriser la convolution, c’est être capable de passer d’une vision locale de l’aléa à une vision agrégée. Dans les applications réelles, cela permet de mieux quantifier les risques, de mieux prévoir les résultats et de mieux concevoir des modèles robustes.

Si vous utilisez régulièrement ce type de calcul, l’automatisation via un outil interactif comme celui de cette page vous fera gagner un temps précieux tout en réduisant les erreurs manuelles. L’essentiel reste cependant de comprendre l’idée mathématique sous-jacente : une somme aléatoire se construit en accumulant toutes les combinaisons compatibles. C’est exactement ce que réalise la convolution.