Documente Academic
Documente Profesional
Documente Cultură
Introduction ix
ANALYSE 1
1 Nombres réels, nombres complexes et suites numériques 3
1.1 L’ensemble des réels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 L’ensemble des complexes . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Les suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Séries numériques 67
3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.4 Séries à termes positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.5 Série quelconques. Convergence Absolue. . . . . . . . . . . . . . . . . . 70
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
i i
i i
i i
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5 Equations différentielles 91
5.1 Équations différentielles linéaires du premier ordre . . . . . . . . . . . 91
5.2 Étude de l’équation avec second membre . . . . . . . . . . . . . . . . . 92
5.3 Équations différentielles linéaires du second ordre . . . . . . . . . . . . 93
5.4 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
ALGEBRE 101
i i
i i
i i
PROBABILITES 209
11 Notion de probabilité 211
11.1 Modèle probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . . 211
11.2 Probabilités conditionelles et indépendance . . . . . . . . . . . . 216
11.3 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . 220
11.4 Formule du binôme de Newton . . . . . . . . . . . . . . . . . . . 222
11.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
STATISTIQUES 295
15 Statistique descriptive 297
15.1 Séries statistiques à une dimension . . . . . . . . . . . . . . . . . . . . 297
15.2 Séries statistiques à deux dimensions . . . . . . . . . . . . . . . . . . . 304
15.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
i i
i i
i i
ANNEXE 423
i i
i i
i i
Preface
L’ouvrage
Le but de ce cours est d’introduire de façon simple et élémentaire les concepts
et les outils mathématiques de bases que l’étudiant en première et deuxième année
de Licence Informatique doit maîtriser. Il s’agit d’initier l’étudiant non seulement au
raisonnement mathématique en commençant à faire les démonstrations des premiers
résultats d’analyse et algèbre, mais aussi à la modélisation mathématique de problèmes
concrets dont la résolution s’appuie sur le calcul des probabilités effectué notamment
dans des ensembles dénombrables. L’initiation à la statistique mathématique des échan-
tillons est articulée autour de la problématique d’estimation et de tests paramétriques
pour une proportion ou une moyenne. Enfin, ce cours introduira des méthodes et des
applications fondamentales de l’analyse numérique.
Table des matières :
I. ANALYSE
Suites de nombres réels/complexes – Étude des fonctions réelles d’une variable
réelle – Séries numériques et séries de Fourier – Intégration des fonctions réelles d’une
variable réelle.
II. ALGÈBRE
Polynômes et fractions rationnelles – Espaces vectoriels – Matrices et systèmes
linéaires – Diagonalisation de matrices – Applications bilinéaires et formes quadra-
tiques.
III. PROBABILITÉS
Introduction à la théorie des probabilités – Variables aléatoires discrètes – Variables
aléatoires continues – Théorèmes des limites
IV. STATISTIQUES
Statistique descriptive – Théorie de la décision statistique – Généralité sur les tests
d’hypothèses
V. ANALYSE NUMÉRIQUE
Introduction à l’analyse numérique – Résolution des équations non linéaires –
Méthodes d’intégration numérique – Méthodes de résolution des systèmes linéaires
Les auteurs
Docteur en mathématiques appliquées, Skander Belhaj est spécialiste d’algèbre
matricielle rapide. Chercheur à l’École nationale d’ingénieurs de Tunis (LAMSIN), il
enseigne actuellement à l’Institut Supérieur des Arts du Multimédia de la Manouba
(Tunisie).
i i
i i
i i
i i
i i
i i
Introduction
i i
i i
i i
i i
i i
i i
Première partie
ANALYSE
i i
i i
i i
i i
i i
i i
CHAPITRE 1
i i
i i
i i
0
Exemple 1.1.3 E = Q muni de la relation d’ordre pq ≤ pq0 ⇐⇒ p.q 0 ≤ p0 .q. Soit
1
A = 1 − tel que n ∈ N\ {0} ⊂ Q.
n
Vérifier que A est bornée de Q. En effet, on a
1
0≤1− ≤ 1, ∀n ∈ N\ {0} .
n
Donc, 1 majore A et 0 minore A. Le plus petit élément de A est 0 = 1 − 11 . Par
contre, A n’admet pas de plus grand élément ! Supposons que la valeur maximale
de A :
1
max A = 1 − avec n0 ∈ N\ {0} .
n0
1 1
Or, 1 − 2n0 >1− n0 = max A. D’où la contradiction.
i i
i i
i i
(n − 1) x ≤ y ≤ nx
∀x, y ∈ I, ∀λ > 0 : λx + (1 − λ) y ∈ I.
Définition 1.1.4 (intervalle fermé) : Soit a < b. On définit l’intervalle fermé d’ex-
trimité a et b par
[a, b] = {x ∈ R / a ≤ x ≤ b} .
Définition 1.1.5 (intervalle ouvert) : Soit a < b. On définit l’intervalle ouvert
d’extrimité a et b par
i i
i i
i i
C = {(x, y) / x, y ∈ R}
ou encore,
∀z ∈ C, ∃x, y ∈ R, z = x + iy
avec i est un nombre nouveau tel que i2 = −1. De plus les réels x et y sont
uniques. Le réel x est appelé partie réelle de z, noté Re(z), et le réel y est
appelé partie imaginaire de z, noté Im(z).
Exemple 1.2.1 z1 = 2 + 4i, Re(z1 ) = 2 et Im(z1 ) = 4.
i i
i i
i i
n!
où Cnk = k!(n−k)! est le nombre de combinaison de n par k
Exemple 1.2.2 z1 = 2 + bi, z2 = a − 5i, si z1 = z2 alors a = 2 et b = −5.
i i
i i
i i
Notation exponentielle
Pour tout réel x, on pose eix = cos x + i sin x. On a alors les propriétés suivantes :
1. ∀x ∈ R, e−ix = cos x − i sin x = eix
q 2 2
2. ∀x ∈ R, eix = (cos x) + (sin x) = 1
3. ∀x, y ∈ R, eix eiy = ei(x+y)
4. Soit z = x + iy un complexe et |z| = 1 = x2 + y 2 , donc il existe un réel θ tel que
x = cos θ et y = sin θ, c’est à dire z = eiθ .
cos x = cos y
5. Soient x, y ∈ R, eix = eiy ⇔ ⇔ {x ≡ y [2π] .
sin x = sin y
i i
i i
i i
Exponentielle complexe
Définition 1.2.7 Soit z = x + iy un complexe, on appelle exponentielle de z le
complexe noté exp (z) et défini par :
Remaques 1.2.3
1. Si z ∈ R (y = 0), alors l’exponentielle de z correspond à l’exponentielle réelle
de z. D’autre part on peut écrire (pour x, y ∈ R)
2. exp (0) = 1
i i
i i
i i
1
3. exp (−z) = exp(z)
4. Re (exp (z)) = eRe(z) cos (Im (z)) et Im (exp (z)) = eRe(z) sin (Im (z))
Soit a, z0 deux complexes et n ∈ N, on dit que z0 est une racine n-ième de a lorsque
z0n = a.
np θ+2kπ
o
Rn (a) = n
|a|ei n / 0≤k ≤n−1 .
n 2kπ o
Un = {z ∈ C∗ et |z| = 1 / z n = 1} = ei n / 0 ≤ k ≤ n − 1 .
1.2.6 Affixe
Chaque point M du plan complexe est repéré par ses coordonnées : une abscisse x
et une ordonnée y, c’est à dire par le couple de réel (x, y) . Plus précisement, M est
repéré par le complexe z = x + iy. Par définition, ce complexe est l’affixe du point M.
Réciproquement, tout
→complexe
→ z est l’affixe d’un point M du plan que l’on appelle
image de z. Les axes o, u et o, v sont appelés respectivement axes des réels et
i i
i i
i i
i i
i i
i i
u: N −→ E
n 7−→ u (n) = un
L’élément un est dit le n-ème terme de la suite u u = (un )n≥0 .
Lorsque E = R ou C, on dit que la suite est réelle (ou de nombres réels) ou
complexe (ou de nombres complexes).
√
Exemple 1.3.1 n2 n≥0 , sin n π3 n≥0 , 2n + i 23
.
n≥0
Remarques 1.3.1
– Une relation d’ordre est définie sur un ensemble des suites A (N,R) de la façon
suivante :
(un )n≥0 ≤ (vn )n≥0 ⇐⇒ ∀n ∈ N, un ≤ vn .
– La suite (un )n≥0 est dite inférieure ou égale à la suite (vn )n≥0 à partir d’un
certain rang s’il existe n0 ∈ N tel que ∀n ≥ n0 , un ≤ vn .
i i
i i
i i
uρ ≡ u ◦ ρ : N −→ R
1
Exemple 1.3.2 Vérifier que lim = 0. En effet, soit > 0 : montrons qu’il existe un
n→+∞ n
tout n ≥ N : |un − l| = n1 < . Posons N = 1 + 1 ∈ N.
entier N tel que
1 pour
Soit n ≥ N = + 1 > 1 ⇒ n1 < .
Exemple 1.3.3 Trouver un rang N tel que pour tout n ≥ N, sin n14 < 10−6 . En
1 1 −6
effet,
h √ on i a sin n4 ≤ n4 < 10 pour tout n ≥ 0. D’où, le rang cherché est
4
106 + 1.
Proposition 1.3.1 (Unicité de la limite) : La limite d’une suite de nombres réels
convergente est unique.
Preuve : Supposons que
i i
i i
i i
un −→ l1
!
n→+∞ un l1
3. =⇒ −→ .
vn −→ l2 6= 0 vn l
n≥0 n→+∞ 2
n→+∞
q
n+1 1
Exemple 1.3.4 Convergence de la suite : un = n sin n , n ≥ 1 puisque an =
q
n+1
n −→ 1 et bn = sin n1 −→ 0 et alors (un )n≥0 est convergente vers 0.
n→+∞ n→+∞
Proposition 1.3.6 (Passage à la limite dans les inégalités) :
Soit (un )n≥0 et (vn )n≥0 deux suites de nombres réels convergentent, respectivement
vers l1 et l2 . Si un ≤ vn alors l1 ≤ l2 .
Exemple 1.3.5 Etude de la suite un = an avec a ∈ R+ .
– Si a = 0, lim un = 0.
n→+∞
h in
1 −1
– Si 0 < a < 1 : écrivons a = 1+b , b > 0. Alors, un = (1 + b) . Par la formule
1
de binôme, on a 0 ≤ un ≤ 1+nb . Par passage à la limite dans les inégalités :
lim un = 0.
n→+∞
– Si a = 1, lim un = 1.
n→+∞
n
– Si a > 1, a = 1 + b, b > 0. Alors, un = (1 + b) ≥ 1 + nb −→ +∞. Ainsi,
n→+∞
(un )n≥0 est divergente 2 .
i i
i i
i i
Définition 1.3.2 (Suites adjacentes) : On dit que deux suites (un )n≥0 et (vn )n≥0
sont adjacentes si :
1. L’une est croissante et l’autre est décroissante.
2. lim (un − vn ) = 0
n→+∞
Théorème 1.3.2 Deux suites adjacentes sont convergentes et ont même limite.
Exemple 1.3.7 Montrer que les deux suites suivantes sont adjacentes :
n
X 1 1
un = et vn = un + .
p=0
p! n!
n+p m−1 m
X 1 1 X 1 1 1 − 21 1
|un+p − un | ≤ = = ≤ n−1 .
p=n+1
2p−1 2n p=1 2p 2n 1 − 12 2
i i
i i
i i
∀A ∈ R, ∃NA ∈ N, ∀n ≥ NA : un ≥ A.
Preuve :
” ⇒ ” On suppose lim zn = l. Par définition, on a
n→+∞
Or,
q
2 2
|zn − l| = (xn − x) + (yn − y) .
xn −→ x xn −→ x
! !
n→+∞ n→+∞
”⇐” ⇒ ⇒
yn −→ y iyn −→ iy
n→+∞ n→+∞
zn = xn + iyn −→ x + iy = l.
n→+∞
i i
i i
i i
1.4 Exercices 17
1.4 Exercices
1.4.1 Enoncés
Exercice 1 :
Soient a et b deux nombres réels vérifiant :
0 ≤ a ≤ 5 et 3 ≤ b < 8.
Donner un encadrement de a + b, a − b, ab et a × b.
Exercice 2 :
Déterminer chacun des ensembles suivants :
x−1
A = x ∈ R tels que ≥0
(x + 1) (x − 2)
B = {x ∈ R tels que |x + 1| < |x − 3|}
C = {x ∈ R tels que |x + 1| + |x + 2| < 1} .
Exercice 3 :
Soient A et B deux parties non vides et majorées de R.
1. Montrer que si A ⊂ B alors sup A ≤ sup B.
2. Montrer que
3. Montrer que
Exercice 4 :
Soit A une partie de R définie par :
A = r ∈ Q / r2 − 3r + 1 < 0 .
Exercice 6 :
i i
i i
i i
Calculer
[ 1 \ [
,1 , [n, +∞[ , [n, n + 1[ ,
n
n≥1 n≥0 n≥0
[ 1
\
1 1
−∞, , 1 − ,1 + .
n n n
n≥1 n≥1
Exercice 7 :
Ecrire sous forme cartésienne les nombres complexes suivants :
√
2 − 3i 3 + 4i π
z1 = √ , z2 = , z3 = exp (3iπ) , z4 = π exp −i ,
3 − 2i (2 + 3i) (4 + i) 3
9
5π (1 + i)
z5 = exp −i , z6 = 5.
4 (1 − i)
Exercice 8 :
n+1
1. Montrer que si z ∈ C\{1} alors 1 + z + z 2 + · · · + z n = z z−1−1 .
n
P Pn
2. En déduire, pour θ ∈ ]0, 2π[ , cos (kθ) et sin (kθ) .
k=0 k=0
Exercice 9 :
Résoudre dans C les équations suivantes :
(E1) z 2 + (−3 + i) z + 4 − 3i = 0,
(E2) z 8 + z 4 +√1 = 0,
1+i√3
(E3) z 6 = 1−i 3
.
Exercice 10 :
1. Trouver le module et l’argument des nombres complexes suivants :
√ √ 5
z1 = −2 + 2i , z2 = −1 + 3i , z3 = −1 + 3i .
i i
i i
i i
1.4 Exercices 19
Exercice 13 :
Soit (un )n≥0 la suite définie par :
1 si n = 0
un = 1 1
2 un−1 + 4 si n ≥ 1
u0 = 0 n1
et un+1 = n + un−1
n , n ≥ 1.
u1 = 1
1
n−1
n(n−1)
1. Montrer que un = 1 + 2 , n ≥ 2.
2. Montrer que la suite (ln un )n≥1 est convergente et calculer sa limite.
3. En déduire que la suite (un )n≥0 est convergente et sa limite est égale à 1.
Exercice 15 :
Soit la suite (un )n≥0 de nombres réels définie par :
u0 = 0 1
1 + un+1 + u2n .
et un+2 =
u1 = 12 3
1. Montrer que la suite (un )n≥0 est croissante et à valeurs dans [0, 1] (on pourra
raisonner par récurrence sur n).
2. Montrer que la suite (un )n≥0 est convergente et calculer sa limite.
Exercice 16 :
On considère (un ) une suite réelle. On suppose que les suites (u2n ) et (u2n+1 ) sont
convergentes. La suite (un ) est-elle convergente ? Discuter.
Exercice 17 :
On se propose d’étudier la nature de la suite :
1 1 n−1 1
un = 1 − + + · · · + (−1) , n ∈ N∗ .
2 3 n
1. Montrer que la suite (u2n ) est croissante, majorée par 1.
2. Montrer que la suite (u2n+1 ) est décroissante, minorée par 21 .
i i
i i
i i
3. Montrer que pour tout n ≥ 1, u2n < u2n−1 et que les suites (u2n ) et (u2n+1 )
tendent vers la même limite. Conclure.
Exercice 18 :
On considère deux suites (un ) et (vn ) définies par :
u1 = 1 v1 = 1
un+1 = 5un6+vn vn+1 = un +2v
3
n
Exercice 20 : q
1
Soit (un ) une suite réelle définie par u0 = 1 et un+1 = u2n + 2n .
1.4.2 Corrigés
Exercice 1 :
– 3 ≤ a + b ≤ 13
– −8 ≤ a − b ≤ 2
– 0 ≤ ab ≤ 35
– 0 ≤ a × b ≤ 40.
Exercice 2 :
– A = ]−1, 1] ∪ ]2, +∞[
– B = ]−∞, 1[
– C = ∅.
Exercice 3 :
Soient A et B deux parties non vides et majorées de R.
1. Comme R vérifie l’axiome de la borne supérieure alors A admet une borne
supérieure dans R. Il suffit donc de montrer que sup B est un majorant de
A ? Soit x ∈ A ⊂ B alors x ∈ B et comme sup B et un majorant de B alors
x ≤ sup B. D’où, sup A ≤ sup B.
i i
i i
i i
1.4 Exercices 21
alors sup (A ∪ B) ≥ max (sup A, sup B) . Il suffit de montrer que max (sup A, sup B)
est un majorant de A ∪ B. En effet, soit x ∈ A ∪ B alors x ∈ A ou x ∈ B c’est
à dire x ≤ sup A ou y ≤ sup B. Donc, x ≤ sup (A ∪ B) . D’où, le résultat. On
montre de même inf (A ∪ B) = min (inf A, inf B) .
3. On a
Donc,
sup (A ∩ B) ≤ min (sup A, sup B) .
De même, on a
max (inf A, inf B) ≤ inf (A ∩ B) .
Exercice 4 :
√ √
3− 5 3+ 5
A = r ∈ Q / r2 − 3r + 1 < 0 =
, ∩ Q.
2 2
√ √
1. Comme Q dense dans R, alors il existe r dans Q tel que 3−2 5 < r < 3+2 5 . Donc,
√ √
A est non vide. De plus, 3+2 5 est un majorant de A et 3−2 5 est un minorant
de A donc A est bornée.
2. Comme R vérifie l’axiome de la borne supérieure alors la partie A admet une
borne supérieure et une borne inférieure dans R.
Exercice 5 :
– A = N : 0 est le plus petit élément de N car 0 est un minorant de N et 0 ∈ N,
donc 0 est la borne inférieure de N et aussi un minorant. N n’admet pas un
majorant. En effet, soit M ∈ R, montrer qu’il existe n ∈ N / n > M. Pour
n0 = E (M ) + 1, on a n0 > M donc M n”est pas un majorant de N. Ainsi, N
n’admet pas ni de majorant, ni de borne supérieure, ni de plus grand élément.
– B = {1} ∪ ]2, +∞[ . On voit que 1 est le plus petit élément de B donc inf B = 1.
D’autre part, B n’admet pas de majorant car si M est un majorant, on a M > 2.
On a M + 1 > r et M + 1 ∈ B donc c’est la contradiction. Ainsi, B n’admet pas
ni denborne supérieure,
o ni de plus grand élément.
n−1
– C = n+1 , n ∈ N . On remarque que −1 est le plus petit élément de C. ∀n ∈ N,
on a n−1
n+1 ≥ −1 et −1 ∈ C donc −1 est le plus petit élément de C et −1 = inf C.
On vérifie aussi que 1 est la borne supérieure. En effet, 1 ∈
/ C sinon il existe
n ∈ N tel que n−1
n+1 = 1 absurde. Donc, C n’admet pas de plus grand élément.
Pour montrer que 1 = sup C. On a 1 est un majorant de C. Soit e un majorant
de C, montrons que e ≥ 1. Sinon, e < 1. Montrons qu’il existe x ∈ C tel que
i i
i i
i i
n0 −1
e < x < 1 avec x = n−1 1+e
n+1 . Ainsi, pour n0 = E 1−e + 1, on a e < n0 +1 < 1.
Contradiction avec e un majorant de C. D’où, 1 = sup C.
Exercice
S 1 6 : 1
– n , 1 = ]0, 1[ . Car, ∀n ≥ 1, n , 1 ⊂ ]0, 1[ . Et, pour x ∈ ]0, 1[ , il existe
n≥1
h h
n0 = E x1 + 1 6= 0 tel que x ∈ n10 , 1 donc x ∈
S 1
n, 1 .
T n≥1
– [n, +∞[ = ∅. Montrons que si x ∈ R alors
n≥0
\
x∈
/ [n, +∞[ (x ∈
/ [n, +∞[).
n≥0
[ 1
x∈ −∞, .
n
n≥1
\ 1 1
\ 1
1
1 − ,1 + = 1 − , 1 ∩ 1, 1 +
n n n n
n≥1 n≥1
\ 1
= {1} ∪ 1, 1 + .
n
n≥1
– z6 = −4i.
i i
i i
i i
1.4 Exercices 23
Exercice 8 :
1. Il suffit de remarquer que z n+1 − 1 = (z − 1) 1 + z + z 2 + · · · + z n .
n
2. Remplacer z par eiθ pour θ ∈ ]0, 2π[ dans la question 1. pour déduire
P
cos (kθ)
k=0
n
P
et sin (kθ) .
k=0
Exercice 9 :
(E1) SC = {1 − 2i, 2 + i} .
√ √ 1 √
q q q
1 1
(E2) SC = { 2 − 2i 3, − 2 − 2i 3, 2i 3 + 2,
2q 2 2
1 √ 1 √ 1 1 √ 1 1 √ 1 1 1 √
− 2i 3 + 2, i 3 − , − i 3 − , i 3 + , − i 3}
2 2 2 2 2 2 2 2 2
1 √ 1 √
1
(E3) SC = sin π 3 + i − cos π i 3 − 1 ,
2 9 9
1 √ 1 √
1
sin π 3 − i − cos π i 3 + 1 ,
2 9 9
1 √ 1 √
1 1 1
− cos π − i sin π, − sin π 3 + i + cos π i 3 − 1 ,
9 9 2 9 9
1 √ 1 √
1 1 1
− sin π 3 − i + cos π i 3 + 1 , cos π + i sin π .
2 9 9 9 9
Exercice 10 :
1.
√ 3
|z1 | = |−2 + 2i| = 8 et arg (z1 ) = arg (−2 + 2i) = π.
4
√ √ 2
|z2 | = −1 + 3i = 2 et arg (z2 ) = arg −1 + 3i = π.
3
√ 5 √ 5
2
|z3 | = −1 + 3i = 32 et arg (z3 ) = arg −1 + 3i = − π.
3
2. √ 3 2 2
z1 = 8ei 4 π , z2 = 2ei 3 π , z3 = 32e−i 3 π .
Exercice 11 :
1. S = T car
2 1 3
Re (S) = Re (T ) = cos π − cos π − cos π
7 7 7
2 1 3
Im (S) = − Im (T ) = sin π − sin π + sin π > 0.
7 7 7
i i
i i
i i
2.
2 1 3
S + T = 2 Re (S) = 2 cos π − cos π − cos π
7 7 7
2 2
2 1 2 3 2 1 3
ST = |S| = cos π − cos π + cos π + sin π − sin π + sin π
7 7 7 7 7 7
Ainsi,
1 2 3 2 1 3
S= cos π − cos π + cos π + i sin π − sin π + sin π
7 7 7 7 7 7
1 2 3 2 1 3
T = cos π − cos π + cos π − i sin π − sin π + sin π .
7 7 7 7 7 7
Exercice 12 :
Soit α ∈ ]−π/2, π/2[ , n ∈ N∗ et λ ∈ C, |λ| = 1.
1.
cos α+i sin α
1 + i tan α cos α + i sin α eiα
z0 = = cos α
cos α−i sin α
= = −iα = e2iα .
1 − i tan α cos α
cos α − i sin α e
2.
i (1 − λ) i (1 − λ) 1 + λ i 1 + λ − λ − λλ
= =
λ+1 (λ + 1) 1 + λ 2 + 2 Re (λ)
i (1 − 2i Im (λ) − 1) Im (λ)
= = .
2 + 2 Re (λ) 1 + Re (λ)
1+iz
3. On pose λ = 1−iz , le problème ce ramène à déterminer les complexes z solutions
de l’équation
λn = z0 = e2iα
comme suit :
np θ+2kπ
o
Rn (z0 ) = n
|z0 |ei n / 0 ≤ k ≤ n − 1
n θ+2kπ o
= ei n / 0 ≤ k ≤ n − 1 .
Or,
1 + iz λ−1 i (1 − λ) Im (λ)
λ= ⇔z= = = .
1 − iz iλ + i λ+1 1 + Re (λ)
Ainsi,
θ+2kπ
Im ei n
SC = θ+2kπ / 0 ≤ k ≤ n − 1
1 + Re ei n
( )
sin θ+2kπ
n
= / 0≤k ≤n−1 .
1 + cos θ+2kπ
n
i i
i i
i i
1.4 Exercices 25
Exercice 13 :
1. un − un−1 = 12 un−1 + 14 − un−1 = − 12 un−1 + 14 < 0 (On la vérifie par récurrence).
Donc, (un )n≥0 est décroissante.
2. Pour n = 0, u0 = 1 ≥ 0. supposons que un−1 ≥ 0, montrons par récurrence que
un ≥ 0, ∀n ≥ 0. On sait que un = 12 un−1 + 14 ≥ 0 donc un ≥ 0, d’où (un )n≥0 est
minorée par 0.
3. Tout d’abord, on remarque que (un )n≥0 est minorée par 12 . Puis qu’elle est
décroissante : un = 12 un−1 + 14 ≤ un−1 , ∀n ≥ 1. Ainsi, un−1 ≥ 12 , ∀n ≥ 1.
Montrons alors que 12 = inf (un )n≥0 . C’est à dire pour tout > 0, ∃n ∈ N tel que
e = 12 ≤ un ≤ 12 + = e0 ? Il suffit de prendre un entier n tel que n ≥ − ln
ln
2 − 1,
en utilisant :
1
un ≤ + ⇔
2
1 1
un−1 ≤ + ⇔
2 4
1 1 1 1
un−2 ≤ + ⇔ · · · ⇔ n u0 ≤ n+1 + .
4 8 2 2
Exercice 14 :
1. Posons vn = un−1
n . On a v1 = 1 et
vn+1 − vn = unn+1 − un−1
n = n + un−1
n − un−1
n = n.
1
un+2 − un+1 = ((un+1 − un ) + (un − un−1 ) (un + un−1 )) > 0.
3
Donc, la suite (un )n≥0 est croissante et à valeurs dans [0, 1].
i i
i i
i i
2. (un )n≥0 est croissante, majorée par 1 donc elle converge vers l :
1
1 + l + l2 ⇒ l = 1.
l=
3
Exercice 16 :
Soient l = limn→+∞ u2n et l0 = limn→+∞ u2n+1 . Si l 6= l0 alors (un ) diverge. Si
l = l0 , montrons que la suite (un ) converge vers l. En effet,
l = lim u2n ⇔ ∀ > 0, ∃N0 ∈ N / n > N0 : |u2n − l| < ,
n→+∞
i i
i i
i i
1.4 Exercices 27
1
1. vn − un = 2 (vn−1 − un−1 ) . On peut montrer par récurrence que
n−1 n−1
1 1
vn − un = (v1 − u1 ) = 5 >0
2 2
et limn→+∞ (vn − un ) = 0.
2. On a un+1 −un = vn −u 6
n
> 0. Donc, (un )n≥1 est croissante. De plus, vn+1 −vn =
un −vn
3 < 0. Alors, (vn )n≥0 est décroissante.
3. (un )n≥1 est croissante et (vn )n≥0 est décroissante ainsi que limn→+∞ (vn − un ) =
0. Donc, (un ) et (vn ) sont deux suites adjacentes.
4. n−1
5un + vn 1
un+1 = et vn = 5 + un .
6 2
Donc,
n−1
5 1
un+1 − un = .
6 2
Ainsi, on peut vérifier par récurrence
n−1 k n !
5X 1 5 1 − 12
un+1 = + u1 = × 1 1 + 1.
6 2 6 2
k=0
Donc,
1
|un+r − un | ≤ .
n+1
i i
i i
i i
– 2ème càs : si r = 2k + 1, k ∈ Z.
1 1 1 1 1
|un+r − un | = − + ··· + − +
n+1 n+2 n + 2k − 1 n + 2k n + 2k + 1
| {z } | {z }
>0 >0
1 1 1 1 1
= − + ··· + − + .
n+1 n+2 n + 2k − 1 n + 2k n + 2k + 1
1 1 1 1 1
= − − + ··· − − .
n+1 n+2 n+3 n + 2k n + 2k + 1
| {z } | {z }
>0 >0
Donc,
1
|un+r − un | ≤ .
n+1
1 1
Ainsi, ∀r ∈ N, |un+r − un | ≤ n+1 . Et on a, limn→+∞ n+1 = 0. Donc,
limn→+∞ |un+r − un | = 0. D’où, (un ) est de Cauchy.
2. un = 1 + 12 + · · · + 1
n n’est pas de Caychy. En effet, on peut montrer que
|u2n − un | ≥ 21 .
3. un = 1 + √12 + · · · + √1
n
n’est pas de Caychy. En effet, on peut montrer que
|u2n − un | ≥ √12 .
Exercice 20 :
q
1
Soit (un ) une suite réelle définie par u0 = 1 et un+1 = u2n + 2n .
r
1
un+1 − un = u2n + n − un
2
1 n
2
= .
un+1 − un
n+1
1
un+1 < un + .
2
i i
i i
i i
1.4 Exercices 29
2.
i i
i i
i i
i i
i i
i i
CHAPITRE 2
Soit
f: Df −→ R
x 7−→ f (x)
une fonction réelle d’une variable réelle telle que Df = {x ∈ R / f (x) a un sens} est
le domaine de définition de f .
Remarque 2.1.1 Une fonction peut avoir une limite quand x tend vers x0 sans
qu’elle soit définie en x0 .
Remarque 2.1.2 Dire que x tend vers x0 c’est à dire que x s’approche de x0 sans
jamais l’atteindre.
Remarque 2.1.3 On définit la limite à droite et à gauche de f comme suit :
1. Limite à droite : limx−→x0 f (x) = l si
x>x0
et on note
lim f (x) = l.
x−→x+
0
i i
i i
i i
et on note
lim f (x) = l.
x−→x−
0
2. Si f ≥ g au voisinage de x0 alors l1 ≥ l2 .
Exemple 2.1.2 Vérifier que f (x) = x − [x] 2 n’a pas de limite quand x tend vers 1.
En effet, il suffit de calculer lim + x − [x] = 0 et lim − x − [x] = 1.
x−→1 x−→1
Théorème 2.1.1 (critère utilisant les suites) : Soit
f : Df ⊆ R →R, x 7→ f (x)
2.1.1 Limites infinies, limites quand x tends vers ±∞ et les formes indéterminées
Définition 2.1.2 On définit les limites infinies et limites quand x tends vers ±∞ de
f comme suit :
– lim f (x) = +∞ ⇔ ∀A > 0, ∃ηA > 0; ∀x ∈ R tels que 0 < |x − x0 | < η alors
x−→x0
f (x) > A,
1 Négligeable.
2 partie entière de x.
i i
i i
i i
– lim f (x) = −∞ ⇔ ∀B < 0, ∃ηB > 0; ∀x ∈ R tels que 0 < |x − x0 | < η alors
x−→x0
f (x) < B,
– lim f (x) = l ⇔ ∀ > 0, ∃A > 0; ∀x ∈ R tels que x > A alors |f (x) − l| < ,
x−→+∞
– lim f (x) = l ⇔ ∀ > 0, ∃B < 0; ∀x ∈ R tels que x < B alors |f (x) − l| < .
x−→−∞
Remarque 2.1.4 Les quatres formes indéterminées les plus connues sont :
0 ∞
, , ∞ − ∞, 0 × ∞.
0 ∞
Exemple 2.1.3 Trouver que
r
√ √ 1
q
lim x+ x+ x− x= .
x−→+∞ 2
Remarque 2.2.1
1. f est continue en x0 ⇔ (f définie en x0 . Pour toute (xn )n≥0 convergent vers x0 ,
(f (xn ))n≥0 converge vers f (x0 )).
2. On dit que f est continue sur une partie A ⊆ Df si f est continue en tout point
de A.
3. Soient f et g deux fonctions continues en x0 et soit λ un réel alors (f + g) ,
(f × g) , (λf ) , fg (g (x0 ) 6= 0) et |f | sont aussi continues en x0 .
Conséquences
1. La fonction f ≡ id : R →R, x 7→ x est continue sur R (utiliser la définition et
prendre η = ). Alors, la fonction
n
X
f : R →R, x 7→ f (x) = a p xp
p=0
i i
i i
i i
r
tan x
Exemple 2.2.1 Etudier la continuité de la fonction f (x) = sin √
x+1
sur R.
(Indication : f est continue sur son Df comme composée de fonctions continues).
Définition 2.2.2 (Prolongement par continuité)
Soit f : ]x0 − α, x0 + α[ \ {x0 } −→ R une fonction et soit x0 ∈ R. Si f admet une
limite l ∈ R en x0 , alors la fonction fe : I ∪ {x0 } −→ R définie par
f (x) si x ∈ ]x0 − α, x0 + α[ \ {x0 }
f (x) =
e
l si x = x0
est continue sur I ∪ {x0 } . Cette fonction est dite prolongement par continuité de f
en x0 .
sin x sin x
Exemple 2.2.2 Soit f (x) = x . Puisque limx−→0 x = 1. On peut vérifier que
f (x) si x 6= 0
fe(x) =
1 si x = 0
Soit
E = {x ∈ [x1 , x2 ] / f (x) ≤ y0 } ⊆ R.
E 6= ∅ car x1 ∈ E par contradiction. E est majoré par x2 donc E admet une
borne supérieure x0 = sup E. On va montrer que f (x0 ) = y0 . Soit n ≥ 1,
∃un ∈ E : x0 − n1 < un < x0 (caractérisation de la borne supérieure) donc
lim un = x0 . Comme f est continue donc lim f (un ) = f (x0 ) . Or, un ∈
n→+∞ n→+∞
E ⇒ f (un ) ≤ y0 donc f (x0 ) ≤ y0 . Cette dernière montre aussi que x0 ∈ E
⇒ x0 = max E : pour x0 < x < x2 ⇒ f (x) > y0 . Par passage à la limite et la
continuité de f , on a f (x0 ) ≤ y0 . D’où le résultat.
Corollaire 2.2.1 L’image d’un intervalle de R par une fonction continue est un
intervalle de R
i i
i i
i i
Γf = (x, y) ∈ R2 / y = f (x)
Γf −1 = (z, t) ∈ R2 / t = f −1 (z)
continue et strictement croissante sur [0, +∞[, donc il existe une fonction notée
√ 1
n = () n telle que :
√
n : [0, +∞[ −→ [0, +∞[
1
y 7−→ yn
1
1 n
vérifiant (xn ) n = x, ∀x ∈ [0, +∞[ et y n = y, ∀y ∈ [0, +∞[ . Les graphes de
f et f −1 sont comme suit :
h π π i
J = sin − ; sin = [−1; 1] .
2 2
i i
i i
i i
La bijection réciproque est notée arcsin [arcsinus], elle est définie par :
π π
arcsin : [−1; 1] −→ −2; 2
arcsin (x) = y tel que y ∈ − π2 ; π2 et sin (y) = x.
x 7−→
tan (x), est continue et strictement croissante, elle définit donc une bijec-
tion de − π2 ; π2 sur R. Par définition, la bijection réciproque est appelée
i i
i i
i i
e: R −→ R
x 7−→ ex
continue et strictement croissante sur R avec e(R) = R∗+ , donc il existe une
fonction notée log telle que :
∀ > 0, ∃η > 0; ∀x, x0 ∈ Df tels que |x − x0 | < η alors |f (x) − f (x0 )| < .
i i
i i
i i
Exemple 2.2.3 La fonction f (x) = x est uniformément continue sur R. En effet, soit
> 0, on cherche η > 0; ∀x, x0 ∈ R tels que |x − x0 | < η alors |f (x) − f (x0 )| <
. Il suffit de prendre η = .
Théorème 2.2.4 Soit I = [a, b] , a < b, un intervalle de R (fermé et bormé). Toute
fonction continue sur I est uniformément continue sur I.
2.3 Dérivabilité
Soit f : Df ⊆ R −→ R une fonction continue en x0 ∈ Df.
Définition 2.3.1 On dit que f est dérivable en x0 si et seulement si la fonction
f (x) − f (x0 )
x 7−→
x − x0
admet une limite finie quand x tend vers x0 . Lorsque cette limite existe et finie,
elle sera notée f 0 (x0 ) et elle est appelée la dérivée de f en x0 .
Remarque 2.3.1
f (x)−f (x0 ) f (x0 +h)−f (x0 )
1. On peut remplacer x−x0 par la quantité h avec x = x0 + h et
x → x0 ⇔ h → 0.
2. f est dérivable en x0 si et seulement si il existe une fonction définie au voisinage
de x0 et un nombre réel α tels que :
i i
i i
i i
2.3 Dérivabilité 39
f
4. Si g(x0 ) 6= 0, g est dérivable en x0 et on a
Applications :
1. La fonction arcsinus
π π
arcsin : [−1; 1] −→ −2; 2
arcsin (x) = y tel que y ∈ − π2 ; π2 et sin (y) = x.
x 7−→
est strictement croissante et continue sur [−1; 1] , elle est dérivable sur ]−1; 1[
mais pas en −1 ni en 1 [tangente verticale en ces points], on a la formule suivante :
1 1
∀x ∈ ]−1; 1[ , arcsin0 (x) = =√ .
cos (arcsin (x)) 1 − x2
2. La fonction arccosinus
arccos : [−1; 1] −→ [0; π]
x 7−→ arccos (x) = y tel que y ∈ [0; π] et cos (y) = x.
Cette fonction est strictement décroissante et continue sur [−1; 1] , elle est
dérivable sur ]−1; 1[ mais pas en −1 ni en 1 [tangente verticale en ces points],
on a la formule suivante :
1 −1
∀x ∈ ]−1; 1[ , arccos0 (x) = =√ .
sin (arccos (x)) 1 − x2
3. La fonction arctangente
π π
arctan : R −→ −2; 2
arctan (x) = y tel que y ∈ − π2 ; π2 et tan (y) = x.
x 7−→
i i
i i
i i
Remarque 2.3.2
f (x)−f (x0 )
1. Dérivée à droite en x0 : limx−→x0 x−x0 = fd0 (x0 ) .
x>x0
f (x)−f (x0 )
2. Dérivée à gauche en x0 : limx−→x0 x−x0 = fg0 (x0 ) .
x<x0
f : [a, b] −→ R
continue sur [a, b], dérivable sur ]a, b[ et s’il existe deux réels m et M tels que
∀x ∈ ]a, b[ , m ≤ f 0 (x) ≤ M alors
m (b − a) ≤ f (b) − f (a) ≤ M (b − a) .
i i
i i
i i
i i
i i
i i
Le cosinus hyperbolique
La fonction ch est paire, définie continue dérivable sur R et ch0 (x) = sh (x) , on en
définit le tableau de variation et la courbe :
x 0 0 +∞
+∞ +∞
ch (x) & %
1
Propriété 2.5.1
1. ∀x ∈ R, ch (x) ≥ 1.
ch(x) ch(x)
2. lim x = +∞ et lim x = 12 .
x→+∞ x→+∞ e
Le sinus hyperbolique
La fonction sh est impaire, définie continue dérivable sur R et sh0 (x) = ch (x) , on en
déduit le tableau de variation et la courbe :
x −∞ 0 +∞
+∞
%
sh (x) 0
%
−∞
Propriété 2.5.2
1. ∀x ∈ R, ch (x) + sh (x) = ex et ch (x) − sh (x) = e−x .
2. ∀x > 0, x < sh (x) < ch (x) .
sh(x) sh(x)
3. lim x = +∞ et lim x = 12 .
x→+∞ x→+∞ e
i i
i i
i i
La tangente hyperbolique
ch2 (x)−sh2 (x)
La fonction th est impaire, définie continue dérivable sur R et th0 (x) = ch2 (x) =
1
ch2 (x) , on en déduit le tableau de variation et la courbe :
x −∞ 0 +∞
1
%
th (x) 0
%
−1
Propriété 2.5.3
1. ∀x ∈ R, −1 < th (x) < 1.
2. ∀x > 0, th (x) < x.
Trigonométrie hyperbolique
1. ∀x ∈ R, ch2 (x) − sh2 (x) = 1.
2. Formules d’addition : ∀x, y ∈ R on a :
– ch (x + y) = ch (x) ch (y) + sh (x) sh (y) .
– sh (x + y) = sh (x) ch (y) + ch (x) sh (y) .
th(x)+th(y)
– th (x + y) = 1+th(x)th(y) .
– En particulier :
i i
i i
i i
La fonction ch définit une bijection de ]0; +∞[ sur l’intervalle [1; +∞[ , la bijection
réciproque est notée arg ch [argument cosinus hyperbolique] et définie par :
Cette fonction est continue sur [1; +∞[ , strictement croissante, dérivable sur ]1; +∞[
mais pas en 1 (car la dérivée de ch s’annule en 0 et ch (0) = 1), sa dérivée est :
1 1
∀x > 1, arg ch0 (x) = =√ .
sh (arg ch (x)) 2
x −1
Courbe représentative
x 1 +∞
+∞
arg ch (x) %
0
arg sh : R −→ R
x 7−→ arg sh (x) = y tel que sh (y) = x.
Cette fonction est continue sur R, strictement croissante, dérivable sur R (car la dérivée
de sh ne s’annule pas), sa dérivée est :
1 1
∀x ∈ R, arg sh0 (x) = =√ .
ch (arg sh (x)) 2
x +1
i i
i i
i i
Courbe représentative
x −∞ 0 +∞
+∞
%
arg sh (x) 0
%
−∞
x −1 0 1
+∞
%
arg th (x) 0
%
−∞
i i
i i
i i
p
Preuve : Récurrence sur n et utiliser Cnp + Cnp−1 = Cn+1 .
Remarque 2.6.1 On dit que f est de classe C n si et seulement si f (n) (x) est continue.
On dit que f est de classe C ∞ si elle est indéfiniment et continûment dérivable.
i i
i i
i i
Exemple 2.6.2
xn
1. ∀x ∈ R, ex = 1 + x + · · · + + xn (x) avec lim (x) = 0. f (n) (0) = 1 .
n! x→0
2. ∀x ∈ R, sin x est de classe C ∞ sur R et on a : f (n) (x) = sin x + n π2 alors
k
f (2k) (0) = 0 et f (2k+1) (0) = (−1) , k ∈ N. D’où, ∀x ∈ R,
n
X k x2k+1
sin x = (−1) + x2n+1 (x) (x → 0)
(2k + 1)!
k=0
x3 n x
2n+1
=x− + · · · + (−1) + x2n+1 (x) (x → 0) .
3! (2n + 1)!
i i
i i
i i
i i
i i
i i
2.7.4 La somme
Théorème 2.7.2 La fonction (λf + βg), λ et β ∈ R, admet un DL en zéro à l’ordre
n qui est donné par :
(λf +βg) (x) = Rn (x)+xn (x) , avec Rn (x) = λPn (x)+βQn (x) et lim (x) = 0.
x−→0
i i
i i
i i
2.7.5 Le produit
Théorème 2.7.3 La fonction (f × g) admet un DL en zéro à l’ordre n dont la partie
principale s’obtient en effectuant le produit Pn (x) × Qn (x) et ne conservant que
les termes de degré inférieur ou égal à n
x3 x5
sin x = x − + + x6 (x) , avec lim (x) = 0.
3! 5! x−→0
Donc,
x3 x5 x3 x5
2
sin (x) = ” x − + x− + ” + x6 (x) , avec lim (x) = 0.
3! 5! 3! 5! x−→0
| {z }
Ne garder que les termes de degré ≤6
D’où,
x4 2
sin2 (x) = x2 − + x6 + x6 (x) , avec lim (x) = 0.
3 45 x−→0
n
X 1 k
ex = e(y+1) = eey = e y + y n (y) , avec lim (y) = 0.
k! y−→0
k=0
i i
i i
i i
Donc,
n
X 1 k n
ex = e (x − 1) + (x − 1) (x) , avec lim (x) = 0.
k! x−→0
k=0
C’est le DL de ex au voisinage de 1.
Développement limité de (f ◦ g) au viosinage de zéro Supposons que g admet
un DL en 0 à l’ordre n donné par
x3
g (x) = sin x = x − + x3 1 (x) , avec lim 1 (x) = 0, b0 = 0.
6 x−→0
x2 x3
f (x) = ex = 1 + x + + + x3 2 (x) , avec lim 2 (x) = 0.
2 6 x−→b0 =0.
Alors,
2 3
x3 x3 x3
sin x 1 1
h (x) = e = ”1 + x − + x− + x− ” + x3 (x) ,
6 2 6 6 6
| {z }
Ne garder que les termes de degré ≤3
x2
h (x) = esin x = 1 + x + + x3 (x) , avec lim (x) = 0.
2 x−→0
i i
i i
i i
2.7.7 Le Quotient
Soit h(x) = fg(x)
(x)
une fonction définie au voisinage de zéro (la fonction g ne s’annule
pas au voisinage de 0). On se propose de calculer le DL de h en 0 sachant que
Il est à noter que b0 6= 0 car g ne s’annule pas au voisinage de 0. C’est une condition
nécessaire pour pouvoir faire la division suivant les puissances croissantes de Pn (x)
par Qn (x).
Théorème 2.7.5 La fonction h(x) = fg(x) (x)
admet un DL en zéro à l’ordre n dont la
partie principale est le quotient de la division suivant les puissances croissantes
de Pn (x) par Qn (x) à l’ordre n, c’est à dire
ex
Exemple 2.7.8 Calculer le DL de h(x) = 1+sin x en 0 à l’ordre 3. En effet,
x2 x3
ex = 1 + x + + + x3 1 (x) , avec lim 1 (x) = 0,
2 6 x−→0
x3
1 + sin x = 1 + x − + x3 2 (x) , avec lim 2 (x) = 0.
6 x−→0
x2 x3 x3
1+x+ + par 1 + x − ,
2 6 6
on obtient,
x2 x3 x2 x3 x3 x2
1 x
1+x+ + = 1+ − 1+x− + x4 + − .
2 6 2 6 6 6 12 36
D’où,
x2 x3
h (x) = 1 + − + x3 (x) , avec lim (x) = 0.
2 6 x−→0
i i
i i
i i
Théorème 2.7.6 Soit f une fonction dérivable sur un voisinage de 0 telle que sa
fonction dérivée f 0 admet un DL en 0 à l’ordre n donné par
x2 xn+1
f (x) = cste + a0 x + a1 + · · · + an + xn+1 1 (x) ,
2 n+1
1 y2
f (x) = f ( ) = 2 = −y 2 + y 3 − 2y 4 + y 4 (y) , avec lim (y) = 0.
y y −y−1 y−→0
D’où,
1 1 2 1
f (x) = − 2
+ 3 − 4 + 4 (x) , avec lim (x) = 0.
x x x x x−→∞
i i
i i
i i
x3
sin x = x − + x3 (x) , avec lim (x) = 0
6 x−→0
x2
=x 1− + x2 (x) .
6
| {z }
h(x)−→1 quand x−→0
Ou encore,
sin x
lim = 1.
x−→0 x
Marche à suivre
Si une fonction f admet un DL au voisinage de x0 alors f (x) ∼ Pn (x) . La
x→x0
proposotion suivante traduit l’impotance des fonctions équivalentes.
Proposition 2.8.1 1. Si f ∼ g alors lim f (x) = lim g (x) . (La réciproque est
x0 x→x0 x→x0
fausse).
2. Si f et g ont la même limite l quand x tend vers x0 et si l est finie non
nulle alors f ∼ g.
x0
Le quotient
f
On suppose f ∼ g et f1 ∼ g1 alors ∼ gg1 ,
f1 x (f1 × g1 6= 0 au voisinage de x0 ) .
x0 x0 0
i i
i i
i i
2.9 Applications 55
La somme
La relation d’équivalence n’est pas compatible avec la somme. Contre exemple :
x + x2 ∼ x + x3 et − x ∼ −x.
x→0 x→0
2.9 Applications
Un DL d’une fonction f au voisinage d’un point x0 permet d’obtenir un équivalent de
f en x0 sous forme polynomiale
n n
f (x) = a0 + a1 (x − x0 ) + · · · + an (x − x0 ) + (x − x0 ) (x) , avec lim (x) = 0
x−→x0
et donc au voisinage de x0
n
f (x) ∼ a0 + a1 (x − x0 ) + · · · + an (x − x0 ) .
x→x0
1. Le DL de f à l’ordre 3 au voisinage de 0
i i
i i
i i
Alors,
f (x) 1 11 1 1 1
= − + + 3 (x) , avec lim (x) = 0.
x 2 4 x 48 x3 x x−→∞
Finalement,
1 1 1 1 1
f (x) = x− + + 2 (x) , avec lim (x) = 0.
2 4 48 x2 x x−→∞
2.10 Exercices
2.10.1 Enoncés
Exercice 1 :
1. Calculer les limites suivantes :
1 3 1−2 cos x
lim 1−x − 1−x 3 lim sin 5x lim π−3x
x→1 x→0 sin 2x x→ π
3
Exercice 2 :
Soit la fonction réelle f définie sur R par :
1
f (x) = sin si x 6= 0 et f (0) = 1.
x
n
1. Trouver une suite de réels xn vérifiant limn→+∞ xn = 0 et f (xn ) = (−1) .
2. En déduire que f n’est pas continue en 0.
Exercice 3 :
Soit f : ]0, 1] −→ R définie par
x+1
f (x) = .
x2
i i
i i
i i
2.10 Exercices 57
Exercice 5 :
Etudier la dérivabilité de la fonction f dans chacun des cas suivants :
( 1
Exercice 8 :
1. Résoudre les équations suivantes :
(a) arcsin x + arcsin 2x = arccos x + arccos 2x
π
(b) arctan 2x + arctan 3x = 4
2. Montrer que :
(a) tan (arcsin (tanh x)) = sinh x, ∀x ∈ R
q
(b) arg cosh cosh2x+1 = |x|2 , ∀x ∈ R
(c) 2 arctan (tanh x) = arctan (sinh 2x) , pour x appartient à un intervalle que
l’on précisera.
i i
i i
i i
Exercice 9 :
Calculer, en utilisant le théorème des accroissements finis, les limites suivantes :
1 1
1. lim e x − e 1+x x2
x→+∞
1 1 1
2. lim 2 ln
n→+∞ 2 + 3 ln 3 + · · · + n ln n
Exercice 10 :
Donner un développement limité des fonctions suivantes au voisinage de 0 à l’ordre
n:
1+x
f1 (x) = ln , n=4
1−x
x
f2 (x) = , n=5
sin x √
f3 (x) = ex − 1 + 2x, n = 2
x
f4 (x) = x , n=4
e −1
arg tanh x
f5 (x) = ln , n=3
x
√
f6 (x) = ex − x − 1, n = 3
2
f7 (x) = arcsin e−x , n = 5
Exercice 11 :
Donner un développement limité des fonctions suivantes au voisinage du point x0
à l’ordre n :
x π
f1 (x) = (sin x) , x0 = , n=4
2
π
f2 (x) = arctan (2 sin x) , x0 = , n = 3
3
ln x
f3 (x) = 2 , x0 = 1, n = 4
x
Exercice 12 :
Donner un développement limité généralisé des fonctions suivantes au voisinage de
l’∞ à l’ordre n :
1
f1 (x) = ln x tan , n=4
x
r
2
3 x + x + 1
f2 (x) = , n=2
x2 + 1
r
x+1
f3 (x) = arctan , n=3
x+2
Exercice 13 :
i i
i i
i i
2.10 Exercices 59
Exercice 14 :
√
1+sin x
1. Trouver un équivalent au voisinage de 0 de f (x) = e − e.
p √ √
2. Trouver un équivalent au voisinage de +∞ de g (x) = x x2 + x4 + 1 − x 2 .
Exercice 15 :
Déterminer α ∈ R et β ∈ R tels que :
ex
α
lim + +β = 0.
x→0 ln (1 + x) x
2.10.2 Corrigés
Exercice 1 :
1.
1 3 1 3
lim − = lim 1−
x→1 1 − x 1 − x3 x→1 1 − x 1 + x + x2
x + x2 − 2
1
= lim
x→1 1 − x 1 + x + x2
1 (x − 1) (x + 2)
= lim
x→1 1 − x 1 + x + x2
= −1.
sin 5x sin 5x x 5
lim = lim = .
x→0 sin 2x x→0 x sin 2x 2
1 − 2 cos π3 − h
1 − 2 cos x
lim = lim
h→0 π − 3 π − h
x→ π3 π − 3x 3
√
1 − 2 cos π3 cos h + sin π3 sin h
3
= lim =− .
h→0 3h 3
i i
i i
i i
a x a −x
lim 1+ = lim 1 −
x→−∞ x x→+∞ x
1
= lim x = ea .
x→+∞ a
1 + −x
Exercice 2 :
1
π
n
1. Il suffit de prendre Soit n ∈ N, xn = (2n+1) π car sin (2n + 1)
2 = (−1) et
2
n
donc limn→+∞ xn = 0 et f (xn ) = (−1) .
2. Supposons que f est continue en 0, en particulier, comme limn→+∞ xn = 0
n
alors limn→+∞ f (xn ) = f (0) = 1. Or, limn→+∞ f (xn ) = limn→+∞ (−1) qui
n’existe pas. D’où, f n’est pas continue en 0.
Exercice 3 :
1. f est continue sur [h, 1] , h > 0 avec [h, 1] un intervalle fermé borné. Donc, f est
uniformément continue sur [h, 1] , h > 0.
2. f n’est pas uniformément continue sur ]0, 1]. C’est à dire, montrer qu’il existe
> 0, ∀η0 > 0, ∃x, y ∈ ]0, 1] tel que |x − y| < η0 et
|f (x) − f (y)| ≥ .
En effet,
x + 1 y + 1 (x + 1) (xy + x + y)
|f (x) − f (y)| = 2 −
= .
x y2 x2 y 2
2 1
Soit y = n et x = Pour que x, y ∈ ]0, 1] , il suffit que n ≥ 2 :
n.
2n + 3n2 4 + 12
|f (x) − f (y)| =
≥ 4 = 4.
4
i i
i i
i i
2.10 Exercices 61
1.
√
y ∈ [0, π]
3 √
π
arccos =y⇔ 3 ⇒y = .
2 cos y = 2 6
y ∈ − π2 , π2
1 π
arcsin = y ⇔ 1 ⇒y= .
2 cos y = 2 6
√
π π
y ∈ − 2 ,√2 π
arctan 3 = y ⇔ ⇒y= .
tan y = 3 3
y ∈ − π2 , π2
tan y = 43
2 tan arctan 21
1
tan y = tan 2 arctan =
1 − tan2 arctan 12
2
1
2× 2 4
= = .
1 2 3
1− 2
1
On a 0 < 2 < 1. Comme la fonction arctan est croissante donc
1 π
0 = arctan 0 < arctan
< arctan 1 = .
2 4
1 π i π πh
⇒ 0 < 2 arctan < ⇒ y ∈ − , .
2 2 2 2
– Posons f (x) = tan (2 arctan x) .
n n π π oo
Df = R\ x / 2 arctan x ∈
/ − ,
2 2
= R\ {−1, 1} .
Ainsi,
2 tan (arctan x) 2x
tan (2 arctan x) = 2 = .
1 − tan (arctan x) 1 − x2
– Posons f (x) = cos (4 arctan x) . Df = R.
1 − tan2 (2 arctan x)
cos (4 arctan x) =
1 + tan2 (2 arctan x)
2
2x
1 − 1−x 2 x4 − 6x2 + 1
= 2 = 2 .
(x2 + 1)
2x
1 + 1−x 2
i i
i i
i i
Exercice 5 :
1. Comme f est pair, le domaine d’étude est R+ .
– Continuité en 2 :
x4 − 1
= lim x2 − 1 (x + 1) = 4.
lim f (x) = lim
x→1 x→1 x − 1 x→1
x4 −1
x−1 si x 6= 1
g (x) =
4 si x = 1
Dérivabilité de g en 1 :
x4 −1
g (x) − g (1) x−1 −4
= lim x2 + 2x + 3 = 6.
lim = lim
x→1 x−1 x→1 x−1 x→1
i i
i i
i i
2.10 Exercices 63
Exercice 6 :
Df = R∗+ \ {1} .
1
lim f (x) = lim+ xe ln x = 0.
x→0+ x→0
g (x) − g (0) 1
lim = lim+ e ln x = 1 = g 0 (0) = lim+ g 0 (x) .
x→0+ x−0 x→0 x→0
Donc, g 0 est continue en 0. Ainsi, g 0 est continue sur R+ \ {1} . D’où, f admet un
prolongement de classe C 1 sur R+ \ {1} .
Exercice 7 :
2 (−1)k
1. (a) f 0 (x) = √cos x
2 1−sin2 x
= cos x
2|cos x| = 2 , k ∈ N.
(b) f 0 (x) = π
2.
2. Df = − 13 , 1 . Le domaine de dérivabilité :
1 2x 1
Dd = x ∈ − ,1 / ∈
/ {1, −1} = − , 1 .
3 1+x 3
Soit, x ∈ − 13 , 1 ,
2 1
f 0 (x) = √ .
1 + x 1 − 3x2 + 2x
Exercice 8 :
n√ o
1. (a) SR = 55 .
(b) SR = 16 .
(a)
i i
i i
i i
(b)
r
cosh x + 1 x x x
arg cosh = arg cosh cosh = arg cosh cosh = ,
2 2 2 2
Exercice 9 :
1
1. Soit f (x) = e x . Soit x > 0, f est continue sur [x, x + 1] , dérivable sur ]x, x + 1[ .
D’après le théorème des accroissements finis,
f (x + 1) − f (x) 1 1
∃c ∈ ]x, x + 1[ , = f 0 (c) = − 2 e c .
x+1−x c
x2 1 1
2 < e x − e 1+x x2 < 1
(x + 1)
1 1
on peut conclure que lim e x − e 1+x x2 = 1.
x→+∞
!
n
1 1 1 1
P
2. lim 2 ln 2 + 3 ln 3 + ··· + n ln n = lim p ln p . On applique le théo-
n→+∞ n→+∞ p=2
rème des accroissements finis pour f (x) = ln (ln x) sur [p, p + 1] . On obtient
n
1
P
ainsi un minorant de p ln p qui tend vers +∞ quand n tend vers +∞ :
p=2
n
X 1
ln (ln (n + 1)) − ln (ln 2) ≤ .
p=2
p ln p
1 1 1
D’où, lim 2 ln 2 + 3 ln 3 + ··· + n ln n = +∞.
n→+∞
Exercice 10 :
i i
i i
i i
2.10 Exercices 65
1+x 2
= 2x + x3 + O x4
f1 (x) = ln
1−x 3
1 2 7 4
x + O x5
f2 (x) = 1 + x +
6 360
f3 (x) = x2 + O x2
1 1 1 4
f4 (x) = 1 − x + x2 − x + O x4
2 12 720
1 2 3
f5 (x) = x + O x
3
signe (x) 1 1
x + x2 + x3 + O x3
f6 (x) = √
2 6 36
√
1 1 1 5
f7 (x) = π − 2signe (x) x − x3 + x + O x5
2 6 120
Exercice 11 :
2
x π π 2 1 π 3 π π π 4 π 4
f1 (x) = (sin x) = 1 − x− − x− + − x− +O x−
4 2 2 2 32 24 2 2
√
π 1 π 3 3 π 2 3 π 3 π 3
f2 (x) = + x− − x− + x− +O x−
3 4 3 16 3 16 3 3
5 2 13 3 77 4
4
f3 (x) = (x − 1) − (x − 1) + (x − 1) − (x − 1) + O (x − 1)
2 3 12
Exercice 12 :
1 1 7 1 1
f1 (x) = + + O
3 x2 90 x4 x4
11 1 1 1
f2 (x) = 1 + − + O
3 x 9 x2 x2
1 11 3 1 55 1 1
f3 (x) == π − + − + O
4 4 x 8 x2 96 x3 x3
Exercice 13 :
sin x−ln(ex cos x) x
lim x sin x = 1
lim e −cos x−x =2
x→0 2 x→0 x−ln(1+x)
1
1
2 1 e x −cos
lim x + ln(sin( x
=1 lim p x
= +∞
x→π cos2 ( )
2 2 )) x→+∞ 1− 1− x12
Exercice 14 :
√ √
− e = 2e x + O x2 . Donc e 1+sin x − e ∼ 2e x.
1+sin x
1. On a f (x) = e
0
p √ √ √
2 1
2. On a g (x) = x 2 4
x + x + 1 − x 2 = 8x2 + O x4 . Donc
√
√
q
2
p
4
2
x x + x +1−x 2 ∼ .
+∞ 8x2
i i
i i
i i
Exercice 15 :
ex
On a ln(1+x) = x1 + 3
2 + 11
12 x + O (x) . Donc,
ex α 1 3 11 α
+ + β = + + x + + β + O (x)
ln (1 + x) x x 2 12 x
3 (α + 1) 11
= +β + + x + O (x) .
2 x 12
x
e
Or, lim ln(1+x) + αx + β = 0. Ainsi,
x→0
3 3
+β =0⇒β =−
2 2
α + 1 = 0 ⇒ α = −1.
i i
i i
i i
CHAPITRE 3
Séries numériques
3.1 Définitions
Définition 3.1.1 On appelle série à termes dans R, (Sn )n∈N , une suite définie par :
∞
X
∀n ∈ N, Sn = uk
k=0
où (uk )0≤k≤n désigne une suite numérique réelle appelée terme général de la
série. Le réel Sn est appelé la n-ème somme partielle de la série. La série sera
notée X X X
uk ou un ou encore un .
k≥0 n≥0 n∈N
P
Définition 3.1.2 On dit que la série un converge si et seulement si la suite
n≥0
(Sn )n∈N des sommes partielles converge dans R. Dans ce cas, la limite de la suite
P +∞
P
(Sn )n∈N est appelée somme de la série un et notée un .
n≥0 n=0
P
Définition 3.1.3 On dit que la série un diverge si et seulement si elle ne converge
n≥0
pas.
Définition 3.1.4 Deux séries sont dites de même nature si et seulement si elles sont
toutes deux convergentes ou toutes deux divergentes.
3.2 Exemples
3.2.1 Série géométrique
n
Soit q ∈ R∗ . On s’intéresse à la série géométrique q n . On pose Sn = qk =
P P
n≥0 n=0
1 + q + q2 + · · · + qn .
– Si q = 1, alors Sn = 1 + n et lim Sn = +∞.
n→+∞
1−q n+1
– Si q 6= 1, alors Sn = 1−q .
i i
i i
i i
1
– Si −1 < q < 1, alors lim q n+1 = 0 donc Sn −→ 1−q . Donc, la série
n→+∞ n→∞
converge.
– Si q ≥ 1 ou q ≤ −1, alors Sn n’admet pas de limite dans R. Donc, la série
diverge.
Or,
2m
X 1 1 1 1 1 1 1 1
=1+ + + + + ··· + + ··· + + · · · + .
k 2 3 4 5 8 2m−1 + 1 2m
k=1 | {z } | {z } | {z }
> 14 + 14 > 18 +···+ 18 > 21m +···+ 21m
Donc,
1 1 1 1 1
Hn ≥ 1 + + 2 × + 4 × + · · · + 2m−1 × m = 1 + m × .
2 4 8 2 2
D’où, Sn −→ ∞. Par conséquent, la série harmonique diverge.
n→∞
3.3 Propriétés
P
Proposition 3.3.1 (fondamentale) : Considérons un une série numérique réelle
P n≥0
de terme général (un )n∈N . Si un est convergente alors lim un = 0.
n≥0 n
P
Preuve : Si un converge vers S.
n≥0
n+1
X n
X
uk − uk = Sn+1 − Sn = un .
n=0 n=0
i i
i i
i i
P P
Proposition 3.3.2 (algébrique) : Considérons un et vn deux séries conver-
n≥0 n≥0
gentes de somme U et V et λ ∈ R. Alors,
X
(un + λvn ) converge vers U + λV.
n≥0
un ∼ vn ,
n→+∞
P P
alors les séries un et vn sont de même nature.
n≥0 n≥0
i i
i i
i i
Exemple 3.4.1 Appliquer le critère d’Alembert aux séries de terme général : un = nn!n ,
n
un = n1 , un = n12 , un = (2 + (−1) ) 2−n .
Comparaison fonction / série : Soit n0 ∈ N, f : [n0 , +∞[ −→ R+ , continue par
P R +∞
morceaux et décroissante. Alors, f (n) et n0 f (t) dt sont de même nature.
n≥0
Et dans ce cas de convergence : ∀n ≥ n0
Z +∞ +∞
X Z +∞
f (t) dt ≤ f (n) ≤ f (t) dt.
n+1 k=n+1 n
1
P
Conséquence (Série de Riemann) : Soit α ∈ R. nα converge si et seulement
n≥0
si α > 1.
P
Critère de Riemann : Soit un une série à termes positifs. Si
n≥0
X
∃α ∈ ]1, +∞[ / nα un −→ 0 alors un converge,
n→∞
n≥0
X
∃α ∈ ]0, 1] / nα un −→ +∞ alors un diverge.
n→∞
n≥0
P √
Critère de Cauchy : Soit un une série à termes positifs. On suppose que n un n∈N
n≥0
+
admet une limite finie l dans R . Alors
X
Si l < 1, alors un converge,
n≥0
X
Si l > 1, alors un diverge.
n≥0
i i
i i
i i
3.6 Exercices 71
3.6 Exercices
3.6.1 Enoncés
Exercice 1 : P
Etudier la convergence des séries un suivantes :
n n √n
1. un = n sin( n1) 2. un = 2n 3. un = 1
2
1 1 π
(−1)n +n
4. un = √n ln 1 + √n 5. un = 1 − cos n 6. un = n2 +1
√
n2 +n+1
7. un = an n!, a ∈ R 8. un = ne− n
9. un = ln n2 +n−1
√
ln(n2 +3) 2n +1
10. un = 4 n
Exercice 2 :
Etudier les séries de terme général suivant :
n n(−1)n
n! n−1 n−1
1. un = nan , a∈R 2. un = 2n+1 3. un = 2n+1
Exercice 3 : P
Donner la nature des séries numériques un suivantes :
q n2
n
1. un = cosh n1 − 1 2. un = n+1
nα √ √
3. un = n sin n1 , α≥0 4. un = 3
n3 + an − n2 + 3, a ∈ R
Exercice 4 : P
Donner la nature des séries numériques un suivantes :
i i
i i
i i
Exercice 5 :
Soit f : [0, 1] → R une fonction continue. Montrer que la série de terme général
1 1 n
Z
t f (t) dt
n 0
est absolument convergente.
Exercice 6 :
1. Démontrer que, pour tout x > 0, on a
1 2 1
√ −√ +√ ≥ 0.
x x+1 x+2
2. On note
+∞ k
X (−1)
Rn = √ .
k=n
k
P
Etudier la nature de la série Rn .
Exercice 7 :
Etudier la convergence de la série de terme général
n q
Y (−1)
un = 1+ √ .
q=2
q
3.6.2 Corrigés
Exercice 1 :
1. On a limn→+∞ n sin( n1 ) = 1, et la série est grossièrement divergente.
nn
2. on a limn→+∞ 2n = +∞, et la série est grossièrement divergente.
3. On a : √n √ √
1
− n √n
ln 2−2 ln
2
n un = n 2
= e(2 ln n− n ln 2) = e n .
2
Donc, limn→+∞ n2 un = 0. Ainsi, d’après le critère de Riemann, la série est
convergente.
4. Puisque ln(1 + x) ∼ x, on obtient
0
1
un ∼
0 n
et la série est donc divergente.
x2
5. Puisque 1 − cos x ∼ 2 alors
0
π2
un ∼
+∞ 2n2
et la série est convergente.
i i
i i
i i
3.6 Exercices 73
n
6. On a (−1) + n ∼ n et n2 + 1 ∼ n2 donc
+∞ +∞
n
(−1) + n 1
2
∼
n +1 +∞ n
Ainsi, d’après la conséquence de Riemann, la série est divergente.
7. Par croissance comparée des suites géométriques et P la suite factorielle, le terme
général ne tend pas vers 0, sauf si a = 0. La série un un est donc convergente
si et seulement si a = 0.
√ √
8. On a un = ne− n = eln n− n . Alors,
√
eln n− n √
−2 ln n
= e3 ln n− n → 0
e +∞
et donc
1
un = O .
n2
La série est convergente.
9. On écrit simplement
2
n +n+1 2 2
un = ln = ln 1 − 2 ∼ − .
n2 + n − 1 n + n − 1 +∞ n2
La série est donc convergente.
10. On vérifie aisément que
√
ln n2 + 3 2n + 1 2 ln (n)
un = ∼ n .
4n +∞
√4
2
i i
i i
i i
– Si a > 1, uun+1
P
n
tend vers 0, la série un converge.
– Si a = 1, uun+1 −1
P
n
tend vers e ∈ [0, 1[, et donc la série un converge.
un+1 P
– Si a < 1, un tend vers +∞, et donc la série un diverge.
2. Les séries dont le terme général porte une puissance n-ième sont bien adaptées à
l’utilisation du critère de Cauchy. On a ici :
√ n−1 1
n
un = → .
2n + 1 +∞ 2
La série converge.
3. On sépare les termes pairs et impairs. On a :
√ 2p − 1 1
2p u2p = →
4p + 1 +∞ 2
et par application du critère de Cauchy, la série de terme général u2p converge.
D’autre part,
−1
√ 2p
2p+1 u
2p+1 = → 2
4p + 3 +∞
+∞
2
On en déduit que n un → 0 et la série de terme général un converge.
+∞
3. On a nα
1
= e− 6n2−α +0( n2−α ) , α ≥ 0.
1 1
un = n sin
n
Ainsi, trois cas sont à distinguer :
P
– Si α < 2, un → 1 ⇒ un diverge.
+∞
1
– Si α = 2, un → e− 6 ⇒
P
un diverge.
+∞
2
P
– Si α > 2, n un → 0 ⇒ un converge.
+∞
4. On a
p
3
p 1 a 3 1
un = n3 + an − n2 + 3 = − +0 , a ∈ R.
n 3 2 n3
Ainsi,
i i
i i
i i
3.6 Exercices 75
– Si a 6= 29 , alors
P
un diverge.
– Si a = 92 , un → 0 ⇒
P
un converge.
+∞
Exercice 4 :
1
1. On a |un | ≤ n2 donc la série converge absolument.
2. La série est alternée, et le module du terme général décroît vers 0 à partir d’un
certain rang : la série converge par application du critère des séries alternées.
3. Il s’agit d’une série alternée bien cachée. En effet, n2 a la parité de n, et
k
cos (kπ) = (−1) . Le terme général vaut donc
n
(−1)
un = .
n ln n
La série converge par application immédiate du critère spécial des séries alternées.
Exercice 5 :
Soit f : [0, 1] → R une fonction continue. Puisque f est continue sur [0, 1], bornée
par M , et on a :
M 1 n
Z
M
|un | ≤ t dt ≤ .
n 0 n (n + 1)
Donc, la série de terme général (un ) est absolument convergente.
Exercice 6 :
1. Il suffit de remarquer que
1 1 1 1
√ −√ ≥√ −√ .
x x+1 x+1 x+2
1 2 1
√ −√ +√ ≥ 0.
x x+1 x+2
P
2. Il suffit de vérifier que la série Rn vérifie le critère des séries alternées. En
n
effet, le signe de Rn est le signe de (−1) (premier terme de la série). De plus,
1
|Rn | ≤ √ .
n
Ce qui prouve que (|Rn |) tend vers 0. Reste à prouver que (|Rn |) décroît vers 0.
Pour cela, on vérifie que
+∞
X 1 2 1
|Rn+1 | − |Rn | = √ −√ +√ .
k=n
n+k n+k+1 n+k+2
P
Or, d’après 1., on a |Rn+1 | ≤ |Rn | . D’où, la série Rn est convergente.
i i
i i
i i
Exercice 7 :
On a
n q
X (−1)
ln (un ) = ln 1 + √
q=2
q
n q
X (−1) 1 1
= √ − + O 3 .
q=2
q 2q q 2
On reconnait ici deux séries convergentes et une série divergente dont l’estimation
des sommes partielles est bien connue. Précisément, on a
n q n
X (−1) X 1
√ et O 3
q=2
q q=2 q2
où Dn admet une limite lorsque n tend vers +∞. On peut donc écrire que :
1
un = − ln n + Cn
2
avec (Cn ) admet une limite lorsque n tend vers +∞, que l’on note C. Passant par
l’exponentielle :
eCn eC
un = √ ∼ √ .
n +∞ n
La série de terme général (un ) est donc divergente.
i i
i i
i i
CHAPITRE 4
4.1 Généralités
Relation de Chasles
i i
i i
i i
Linéarité
Proposition 4.1.3 Si α et β sont des constantes, alors :
Z c Z b Z b
[αf (t) + βg (t)] dt = α f (t) dt + β g (t) dt.
a c a
Positivité
Notation 4.1.1 Une écriture fonctionnelle du type f ≤ g signifie que, quel que soit
t ∈ I, f (t) ≤ g (t) .
Proposition 4.1.4 Si a ≤ b et si f ≥ 0, alors
Z b
f (t) dt ≥ 0.
a
i i
i i
i i
4.1 Généralités 79
Théorème 4.1.1 (Méthode des rectangles pour le calcul approché d’une intégrale)
Soit f définie sur [a; b] −→ R une fonction continue. Alors,
Z b " n #
b−a X b−a
f (x) dx = lim f a+k .
a n→+∞ n n
k=1
n
1
P
Exemple 4.1.1 Montrons que log 2 = lim .
n→+∞ k=1 n+k
Soit
f: [0; 1] −→ R
1
x 7−→ x+1
continue sur [0; 1] . Soient a = 0 et b = 1. Remarquons que
Z 1
1 1
dx = [log |x + 1|]0 = log 2.
0 x + 1
Appliquons la méthode des rectangles pour le calcul approché d’une intégrale,
Z 1 n n
1 1−0 X 1−0 1X k
dx = lim f 0+k = lim f
0 x + 1 n→+∞ n n n→+∞ n n
k=1 k=1
n n
1X 1 1X n
= lim k
= lim = log 2.
n→+∞ n + 1 n→+∞ n k=1 k + n
k=1 n
4.1.3 Inégalités
Proposition 4.1.5 (Inégalité de la moyenne) Si a ≤ b, et m ≤ f ≤ M, alors
Z b
m (b − a) ≤ f (t) dt ≤ M (b − a)
a
ou encore, si a 6= b
Z b
1
m≤ f (t) dt ≤ M.
b−a a
i i
i i
i i
|f (b) − f (a)| ≤ k (b − a) .
i i
i i
i i
0
Preuve On a f et g sont C 1 , donc (f g) = f 0 g + g 0 f. Alors,
Z b Z b Z b
0 0
(f (t) g (t)) dt = f (t) g (t) dt − f (t) g 0 (t) dt.
a a a
D’où,
Z b Z b
b
f 0 (t) g (t) dt = [f (t) g (t)]a − f (t) g 0 (t) dt.
a a
Rx
Exemple 4.2.3 Calculons e
log tdt.
On a
Z x Z x
log tdt = 1 × log tdt.
e e
On pose
f 0 (t) = 1 ⇒ f (t) = t
g (t) = log t ⇒ g 0 (t) = 1t
Théorème 4.2.2 Soit ϕ une fonction de classe C 1 sur [a; b] , dont les valeurs sont
dans I. Alors,
Z b Z ϕ(b)
0 0
f (ϕ (t)) ϕ (t) dt = f (u) du.
a ϕ(a)
i i
i i
i i
i i
i i
i i
4.4 Exercices 83
et donc
2u 1 − u2 2
sin t = 2
, cos t = 2
et dt = du.
1+u 1+u 1 + u2
4.4 Exercices
4.4.1 Enoncés
Exercice 1 :
En utilisant la notion d’intégrale, calculer les limites suivantes :
n−1 n
X 1 1 X√
lim (α, β > 0) , lim √ k
n→+∞ nα + kβ n→+∞ n n
k=0 k=1
n n 1
1 X kπ Y 2k n
lim k sin , lim 1+ .
n→+∞ n2 2n n→+∞ n
k=1 k=1
Exercice 2 :
Calculer les primitives suivantes :
x2
Z Z Z
dx dx
, 2 , 2 dx,
(x + 2) (x2 + 2x + 5) x (1 + x2 ) (1 + x3 )
Z Z
x+2 x
√ dx, √ dx,
2
x − 5x + 6 2
x +x+2
ln x2 + 4x + 5
Z Z Z
dx dx
2 dx, x + e−x
, p x
(1 + x) e 1 + e2
Exercice 3 :
Calculer les primitives suivantes :
Z Z Z
dx dx dx
, ,
1 + 2 cos x 2 + sin x 5 cosh x + 3 sinh x + 4
Z Z Z
cosh x sin (2x) dx, x arcsin xdx, x arctan xdx
Exercice 4 :
Calculer pour n ∈ N, Z
In = xn arctan xdx
Exercice 5 :
On se propose d’étudier la fonction
Z x2
dt
f (x) = 2.
x (ln t)
i i
i i
i i
4.4.2 Corrigés
Exercice 1 :
1
– Soit f (x) = α+βx (α, β > 0) une fonction continue sur [0, 1] . D’après, la méthode
des rectangles, on a :
n−1 n−1 n−1
X 1 1X 1 1X k
lim = lim k
= lim f
n→+∞ nα + kβ n→+∞ n α + n β n→+∞ n n
k=0 k=0 k=0
Z 1 Z 1
1 1 α+β
= f (x) dx = dx = ln .
0 0 α + βx β α
√
– Soit f (x) = x une fonction continue sur [0, 1] . D’après, la méthode des
rectangles, on a :
n n r n−1
1 X√ 1X k 1X k
lim √ k = lim = lim f
n→+∞ n n n→+∞ n n n→+∞ n n
k=1 k=1 k=0
Z 1 Z 1
√ 2
= f (x) dx = xdx = .
0 0 3
i i
i i
i i
4.4 Exercices 85
πx
– Soit f (x) = x sin 2 une fonction continue sur [0, 1] . D’après, la méthode des
rectangles, on a :
n n n−1
1 X kπ 1Xk kπ 1X k
lim k sin = lim sin = lim f
n→+∞ n2 2n n→+∞ n n n2 n→+∞ n n
k=1 k=1 k=0
Z 1 Z 1 πx 4
= f (x) dx = x sin dx = 2 .
0 0 2 π
– On a 1
n
Y 2k n Pn 1
ln(1+ 2k
n )
lim 1+ = lim e k=1 n .
n→+∞ n n→+∞
k=1
Ainsi, Soit f (x) = ln (x) une fonction continue sur [1, 3] . D’après, la méthode
des rectangles, on a :
n n
X 1 2k 1 2X 2k
lim ln 1 + = lim ln 1 +
n→+∞ n n 2 n→+∞ n n
k=1 k=1
n−1
1 2X k
= lim f
2 n→+∞ n n
k=0
Z 3
1
= f (x) dx
2 1
1 3
Z
= ln (x) dx
2 1
3
= ln 3 − 1.
2
Puisque, la fonction x 7→ ex est continue sur tout R alors
n n1
Y 2k 3
lim 1+ = e 2 ln 3−1 .
n→+∞ n
k=1
Exercice 2:
dx 1 x+1 1
ln x2 + 2x + 5 + 15 ln (x + 2) + cste.
R
– (x+2)(x 2 +2x+5) = 10 arctan 2 − 10
dx 1 1
R 2 2
1 1
– x(1+x 2 )2 = 2 ln x − 2 ln x + 1 + 2 x2 +1 + cste.
R x2 1
– (1+x 3 )2 dx = − 3(x3 +1) + cste.
√ √
– √x2x+2 dx = 92 ln 2x − 5 + x2 − 5x + 6 + 12 x2 − 5x + 6 + cste.
R
−5x+6 √
x
dx = x2 + x + 2 − 12 arg sinh x + 21 + cste.
R
– √x2 +x+2
x + 4x + 5 + ln |x + 1| + ln|x +4x+5| + cste.
R ln(x2 +4x+5) 1
2 2
– (1+x) 2 dx = arctan (x + 2) − 2 ln x+1
R dx x
– ex +e −x = arctan (e ) + cste.
p X
– √ dx x = 4 arg tanh
R
1 + e 2 + cste.
1+e 2
Exercice 3 :
i i
i i
i i
√
R dx √1
3+tan x
– 1+2 cos x = ln √3−tan x2 + cste.
3
2
dx
= √23 arctan √23 tan x2 + 21 + cste.
R
–
R 2+sin x dx 1
– 5 cosh x+3 sinh x+4 = − 4ex +2 + cste.
– cosh x sin (2x) dx = − 25 cos 2x cosh x + 5 sin 2x sinh x + cste.
R
√
– R x arcsin xdx = 41 x 1 − x2 − 14 arcsin 1 − 2x2 + cste.
R
i i
i i
i i
4.4 Exercices 87
Exercice 5 :
On se propose d’étudier la fonction
Z x2
dt
f (x) = 2.
x (ln t)
x2
x2 − x
Z
dt
= ≤ f (x) ≤ 0 pour x ∈ ]0, 1[
ln2 x x (ln x)
2
ainsi,
x2 − x
lim f (x) = lim = 0.
x→0 x→0 ln2 x
2
4. Le développement limité t 7→ (ln t) au voisinage de t = 1 :
2 2
ln2 t = (t − 1) + (t − 1) (t − 1) .
et
x
lim f (x) = lim+ = +∞.
x→1+ x→1 2 (x2 − 1)
– Majorants de f (x) : si x < 1 : 1 − α ≤ x2 < t < x ≤ 1 + α :
Z x
1 dt x
f (x) ≤ − 2 = .
2 x2 (t − 1) 2 (x2 − 1)
et
x
lim f (x) = lim− = −∞.
x→1− x→1 2 (x2 − 1)
i i
i i
i i
5. Soit x > 1,
x2 − x x2 − x
2 < f (x) < 2.
(ln x2 ) (ln x)
Donc,
f (x)
lim f (x) = +∞ et lim = +∞.
x→+∞ x→+∞ x
6.
Courbe représentative de f
Exercice 6 :
x
1. Soit f (x) = 1+x arctan x . Df = R car x arctan x > 0 (arctan x est impaire). f est
dérivable sur Df et on a :
1
f 0 (x) = 2 > 0.
(1 + x2 ) (1 + x arctan x)
x 2
Donc, f continue, croissante sur ]0, +∞[ et limx→+∞ 1+x arctan x = π. Ainsi,
x 2
0≤ < .
1 + x arctan x π
2. On considère la fonction
Z 3x
t
F (x) = dt.
x 1 + t arctan t
(a) On sait que f est définie, continue sur tout R et les applications x 7→ x et
x 7→ 3x sont bien définies sur tout R. Donc, F est définie pour tout x ∈ R.
(b) il suffit de justifier que F (−x) = F (x) pour tout x ∈ R.
(c) Les applications x 7→ x et x 7→ 3x sont dérivables sur tout R. De plus, f
est continue sur tout R. Donc, F est dérivable sur tout R et
F 0 (x) = 3f (3x) − f (x)
pour tout x ∈ R.
i i
i i
i i
4.4 Exercices 89
(d) F est une fonction continue sur [0, 1] . De plus, f (3x) − f (x) + 2f (3x)
| {z } | {z }
≥0 ≥0
= F 0 (x) ≥ 0, pour tout x ∈ [0, 1] . Donc, F est strictement croissante [0, 1] .
Ainsi, F réalise une bijection sur [0, 1]. D’après le théorème des valeurs
intérmédaires, pour tout y ∈ [0, F (1)] , il existe un unique x ∈ [0, 1] tel
que : Z 3x
t
dt = y.
x 1 + t arctan t
i i
i i
i i
i i
i i
i i
CHAPITRE 5
Equations différentielles
i i
i i
i i
SI (E) = {y : I → K / ∃f ∈ SI (H), y = y1 + f } ,
c −F
⇔ λ0 = e
a
car eF est solution de (H).
Comme la fonction ac e−F est continue sur I, elle admet des primitives sur cet
intervalle, ce qui prouve l’existence de λ. Une solution de (E) est donc :
Z t Z t
F c (s) −F (s) b (s)
y1 = λe avec λ (t) = e ds et F (t) = − ds,
t0 a (s) t0 a (s)
et les solutions de (E) sont les fonctions :
i i
i i
i i
i i
i i
i i
5.4 Compléments
Définition 5.4.1 Une équation différentielle à variables séparées est une équation de
la forme : y 0 b(y) = a(t) où a, b sont deux fonctions continues données.
Méthode de résolution : Si a est continue sur un intervalle I et b sur un intervalle
J, on peut considérer une primitive A de a sur I et une primitive B de b sur J,
d
dans ce cas l’équation équivaut à : dt [B(y)] = A0 (t), et donc B(y) = A(t) + λ
où λ désigne une constante. On regarde ensuite si la fonction B est localement
ou globalement bijective, auquel cas on pourra écrire y(t) = B −1 (A(t) + λ).
5.5 Exercices
5.5.1 Enoncés
Exercice 1 :
i i
i i
i i
5.5 Exercices 95
Exercice 2 :
1. Intégrer l’équation différentielle
1
(E) : 2xy 0 + y = .
1−x
2. Montrer qu’il existe une unique fonction continue sur ]−∞, 1[ qui soit une solution
de (E) pour x 6= 0.
Exercice 3 :
On considère l’équation différentielle
(E) : x (x − 1) y 0 + y = x.
1. Déterminer les solutions maximales de (E) sur ]−∞, 0[ , ]0, 1[ et ]1, +∞[ .
2. Montrer qu’il existe une solution unique de (E) sur ]0, +∞[ .
3. Montrer qu’il n’existe pas de solution (dérivable de (E) sur R mais qu’il existe
une infinité de fonctions continues sur R qui sont solutions pour x 6= 0.
Exercice 4 :
Intégrer les équations différentielles suivantes :
1. y 00 − 3y 0 + 2y = 2x2 − 5x + 3
2. y 00 − 6y 0 + 9y = (x + 1) e3x
3. y 00 − y 0 − 2y = cos x − 3 sin x
4. y 00 − 4y 0 − 4y = ex + (3x − 1) e2x + x − 2
5. y 00 + y = tan x
6. y 00 + 3y 0 + 2y = x−1x2 e
−x
00 −x 1
7. y −y =e ln |x| − 2x
8. x2 y 00 + xy 0 − 4y = x3 sur ]0, +∞[ (poser x = et ).
Exercice 5 :
Montrer que l’équation différentielle
i i
i i
i i
5.5.2 Corrigés
Exercice 1 :
y y
1. On a (E) : xy 0 − y = ln x ⇔ y 0 − x = ln x
x . Soit (e) : y 0 − x = 0 l’équation
homogène. (e) ⇔ yy0 = x1 .
(e)
– Si x < 0 : yy0 = x1 ⇔ ln |y| = ln (−x) + c avec c ∈ R. Donc, yG (x) = −ec x =
Kx, avec K = −ec ∈ R.
(e)
– Si x > 0 : ln y = ln x ⇒ yG (x) = Kx. Ainsi,
(e)
yG (x) = Kx avec K constante dans R.
r
2 2 α
± x K + α−2 x si α 6= 2
y (x) = , x ∈ R.
p 2
± x (K − 2 ln |x|) si α = 2
43
7. x (x − 3) y 0 − 4y = 0 ⇔ y (x) = K x−3
x , K ∈ R et x ∈ R\ {0, 3} .
1 4x+3
3
8. (1 + x) y 0 − x2 y = 0 ⇔ y (x) = K (x + 1) e 2 (x+1)2 , K ∈ R et x ∈ R\ {−1} .
p
9. xy 0 − y− x2 − y 2 = 0 ⇔ y (x) = x sin (ln |x| + K) , K ∈ R et (ln |x| + K) ∈
− π2 , π2 .
10. 2xy 0 + y + 3x2 y 2 = 0 ⇔ y (x) = √ 1 2 , K ∈ R et x ∈ R\ {0} .
K |x|+x
i i
i i
i i
5.5 Exercices 97
k ∈ R.
15. y 0 − xy = −xy 3 est une équation de Bernouilli (Poser z = y −2 ) :
2
− 12 2
y (x) = ± Ke−x + 1 , K ∈ R et Kex + 1 > 0.
(e) 1 K
yG (x) = Ke− 2 ln x = √ .
x
(E) K(x)
Soit yP (x) = √ .
x
D’après, la méthode de la variation de la constante, on
vérifie que √
1 1+√x
(E)
√
x
ln si x ∈ ]0, 1[
yP (x) =
2 √x
1−
.
1 1+ x
√
2 x
ln √x−1
si x ∈ ]1, +∞[
Ainsi, √
√K1 + arctan −x
−x
√
−x
si x ∈ ]−∞, 0[
√
(E) K2 1 1+√x
yG (x) = √
x
+ 2√ x
ln 1− si x ∈ ]0, 1[
√x
K3 1 1+ x
√
x
+ 2√ x
ln √ x−1
si x ∈ ]1, +∞[
avec K1 , K2 , K3 ∈ R.
2. On a √
arctan −x (E)
lim √ = 1 ⇒ yG (x) est finie ⇔ K1 = 0.
x→0− −x
√
1 1+ x (E)
lim √ ln √ = 1 ⇒ yG (x) est finie ⇔ K2 = 0.
x→0+ 2 x 1− x
i i
i i
i i
Exercice 3 :
(E) : x (x − 1) y 0 + y = x.
1. x
x−1 (K1 + ln (−x)) si x ∈ ]−∞, 0[
(E) x
yG (x) = x−1 (K2 + ln (x)) si x ∈ ]0, 1[
x
(K3 + ln (x)) si x ∈ ]1, +∞[
x−1
2. On a
(E) x
lim yG (x) = lim− (K2 + ln (x))
x→1 − x→1 x − 1
1 si K2 = 0
= .
∞ si K2 6= 0
(E)
Alors, il faut prendre K2 = 0. De même, limx→1+ yG (x) est finie si et suelement
si K3 = 0. Posons, alors
x
x−1 ln (x) si x > 0, x 6= 1
f (x) =
1 si x = 1
et montrons que f est une solution unique de (E) sur ]0, +∞[ . En effet,
Etudiant la dérivabilité de f en 1 :
f (x) − f (1) 1
lim = = f 0 (1) .
x→1 x−1 2
Donc, f est bien dérivable en 1. d’où, f est une solution unique de (E) sur
]0, +∞[ .
3. Soit g une solution de (E) pour x 6= 0 alors d’après 1. et 2.,
x
x−1 (K1 + ln (−x)) si x < 0
g (x) = .
f (x) si x > 0
Continuité de g en 0 :
i i
i i
i i
5.5 Exercices 99
Donc, g est bien continue sur tout R. Ainsi, (E) admet une infinité de fonctions
continues sur R qui sont solutions pour x 6= 0. De plus,
g (x) − g (0)
lim = +∞.
x→1 x−0
Donc, g n ’est pas dérivable en 0. Ce qui prouve que (E) n’admet pas de solution
sur tout R.
Exercice 4 :
(E)
1. y 00 − 3y 0 + 2y = 2x2 − 5x + 3 ⇔ yG (x) = 12 x + λe2x + βex + x2 + 54 , λ, β ∈ R.
2. y 00 − 6y 0 + 9y = (x + 1) e3x ⇔
(E) 1 2 1 3
yG (x) = λ + x + x + βx e3x , λ, β ∈ R.
2 6
(E)
3. y 00 − y 0 − 2y = cos x − 3 sin x ⇔ yG (x) = 4
5 sin x − 3
5 cos x + λe−x + βe2x ,
λ, β ∈ R.
4. y 00 − 4y 0 − 4y = ex + (3x − 1) e2x + x − 2 ⇔
√ 1 3 1 √ 1 3
yG (x) = λe−x(2 2−2)
− ex − xe2x − x + βex(2 2+2) + e2x + , λ, β ∈ R.
(E)
7 8 4 8 4
5. y 00 + y = tan x ⇔
(E) 1 1
yG (x) = λ cos x−β sin x+ ln (2 − 2 sin x) cos x− ln (2 sin x + 2) cos x, λ, β ∈ R.
2 2
(E)
6. y 00 + 3y 0 + 2y = x−1 −x
x2 e ⇔ yG (x) = e1x ln x + λe−x + βe−2x , λ, β ∈ R.
(E)
7. y 00 − y = e−x 1
⇔ yG (x) = λex + βe−x − x2 (x + ln |x|) e−x , λ, β ∈ R.
ln |x| − 2x
(E)
8. x2 y 00 + xy 0 − 4y = x3 ⇔ yG (x) = λ
x2 + βx2 + 51 x3 , λ, β ∈ R et x > 0.
Exercice 5 :
(E) : y 00 cos x + y 0 sin x − y cos3 x = 0
Soit eα sin x une solution de (E) . Donc, y = eα sin x ⇒ y 0 = α cos xeα sin x et
00
y = α2 cos2 xeα sin x − α sin xeα sin x . On remplace dans (E) :
α = 1 ou α = −1.
i i
i i
i i
i i
i i
i i
Deuxième partie
ALGEBRE
i i
i i
i i
i i
i i
i i
CHAPITRE 6
√ x11∈
avec R, x2 ∈ R, x3 ∈ R, . . . , xn ∈ R. Par exemple, les couples suivants (0, 2) et
3, − 2 sont des éléments de R2 .
6.1.1 Addition
On définit sur Rn une loi de composition interne (une application qui à deux éléments
de Rn , fait correspondre un élément de Rn ), l’addition, notée +, par :
∀X = (x1 , x2 , x3 , . . . , xn ) ∈ Rn , ∀Y = (y1 , y2 , y3 , . . . , yn ) ∈ Rn ,
X + Y = (x1 + y1 , x2 + y2 , x3 + y3 , . . . , xn + yn ) ∈ Rn .
2. Commutativité
X + Y = Y + X, ∀X, Y ∈ Rn .
3. Elément neutre
0Rn = (0, 0, 0, . . . , 0) ,
∀X ∈ Rn , X + 0Rn = 0Rn + X = X.
4. Elément opposé
Tout élément X a un opposé noté − X = (−x1 , −x2 , −x3 , . . . , −xn )
X + (−X) = (−X) + X = 0Rn .
i i
i i
i i
∀λ ∈ R, ∀Y = (y1 , y2 , y3 , . . . , yn ) ∈ Rn ,
λ · X = λ · (x1 , x2 , x3 , . . . , xn ) = (λx1 , λx2 , λx3 , . . . , λxn ) .
X + (Y + Z) = (X + Y ) + Z = X + Y + Z, ∀X, Y, Z ∈ V.
2. Commutativité
X + Y = Y + X, ∀X, Y ∈ V.
3. Elément neutre
0V = (0, 0, 0, . . . , 0) ,
∀X ∈ V, X + 0V = 0V + X = X.
4. Elément opposé
∀X ∈ V, X + (−X) = (−X) + X = 0V .
i i
i i
i i
1. ∀λ, µ ∈ R et X ∈ V
(λ + µ) · X = λ · X + µ · X
2. ∀λ ∈ R et X, Y ∈ V
λ · (X + Y ) = λ · X + µ · Y
3. ∀λ, µ ∈ R et X ∈ V
λ · (µ · X) = (λµ) · X
4. ∀X ∈ V
1·X =X
est appelé espace vectoriel sur R. Ses éléments sont appélés des vecteurs.
6.2.2 Exemples
a. On peut définir des espaces vectoriels sur C et Q.
b. L’ensemble des fonctions définie de R dans R
F = {f : R −→ R, fonctions}
∀f ∈ F, 0F + f = f + 0F = f.
4. Elément opposé : trouver g ∈ F / f + fb = fb + f = 0F c’est à dire ∀x ∈ R,
f (x) + fb(x) = fb(x) + f (x) = 0 =⇒ fb(x) = −f (x) .
La loi externe vérifie :
1. ∀λ, µ ∈ R et f ∈ F
(λ + µ) · f = λ · f + µ · f
i i
i i
i i
2. ∀λ ∈ R et f, g ∈ F
λ · (f + g) = λ · f + µ · g
3. ∀λ, µ ∈ R et f ∈ F
λ · (µ · f ) = (λµ) · f
4. ∀f ∈ F
1·f =f
D’où, F est un espace vectoriel de R.
avec λi ∈ R, i = 1, 2, . . . , p.
Exemple 6.3.1
(−7, −7, 6) = 3 (1, −1, 2)−2 (5, 2, 0) . Donc, (−7, −7, 6) est une combinaison linéaire
des vecteurs (1, −1, 2) et (5, 2, 0) .
Remarque 6.3.1
Tout vecteur de R2 est une combinaison linéaire de (1, 0) et (1, 1) . En effet, soit
α, β ∈ R
α (1, 0) + β (1, 1) = (α + β, β) ∈ R2
=⇒ R2 est une combinaison linéaire de (1, 0) et (1, 1) .
D’une manière générale, soit (x, y) ∈ R2 , (x, y) = (x − y) (1, 0) + y(1, 1). Alors,
| {z } | {z }
∈R ∈R
∀ (x, y) ∈ R2 , (x, y) est une combinaison linéaire de R2 .
i i
i i
i i
1. W est non vide (elle doit contenir au moins l’élément neutre de l’addition).
2. W est stable par rapport aux deux lois. C’est à dire :
(a) ∀X, Y ∈ W, X + Y ∈ W.
(b) ∀λ ∈ R, ∀X ∈ W, λX ∈ W.
Autrement dit :
W est un sous-espace vectoriel de V si et seulement si
1. W 6= ∅
2. ∀X, Y ∈ W, ∀λ ∈ R, λX + Y ∈ W.
Exemple 6.3.3
Montrer que D = (x, y) ∈ R2 / x = y est un sous-espace vectoriel de R2 .
1. D =
6 ∅
2. Soient (x, y) , (x0 , y 0 ) ∈ D, soit λ ∈ R, on vérifie que
λ (x, y) + (x0 , y 0 ) = (λx, λy) + (x0 , y 0 )
= (λx + x0 , λy + y 0 ) ∈ D
car x = y et x0 = y 0 =⇒ λx + x0 = λy + y 0 . D’où, le résultat.
Propriété 6.3.2
L’intersection de deux dous-espaces vectoriels de V est un sous-espace vectoriel de
V.
Propriété 6.3.3
La réunion de deux sous-espaces vectoriels n’est pas obligatoirement un espace
vectoriel.
i i
i i
i i
= {(4y − 6z, y, z) / y, z ∈ R}
= {(4, 1, 0) y + (−6, 0, 1) z / y, z ∈ R} .
D’où, E = h(4, 1, 0) , (−6, 0, 1)i et {(4, 1, 0) , (−6, 0, 1)} est une famille génératrice de
E.
i i
i i
i i
Exemple 6.4.2
Montrer que les familles suivantes sont libres.
3
X
Pour F2 : soit α, β, γ ∈ R, λi fi = 0 ⇐⇒ λ1 f1 + λ2 f2 + λ3 f3 = 0R3 ⇐⇒
i=1
λ1 (1, −1, 0) + λ2 (2, 1, 3) + λ3 (1, 0, 0) = (0, 0, 0) ⇐⇒
λ1 + 2λ2 + λ3 = 0
−λ1 + λ2 = 0
3λ2 = 0
1
(1, 0, 0) = (2, 0, 0) + (0, 1, 0) .
2
Cette famille est liée, donc son rang est inférieur ou égale à 2. Cherchons alors,
une sous-famille libre ? On voit {(1, 0, 0) , (0, 1, 0)} est une famille libre. Donc, le
rang de cette famille est égale à 2.
i i
i i
i i
Exemple 6.4.4
Soit
V= (x, y, z) ∈ R3 / x + y + z = 0
= {(−y − z, y, z) / y, z ∈ R}
= {(−1, 1, 0) y + (−1, 0, 1) z / y, z ∈ R}
= h(−1, 1, 0) , (−1, 0, 1)i .
Donc,
∀X ∈ Rn , X = x1 e1 + x2 e2 + · · · + xn en .
D’où, {e1 , e2 , . . . , en } est une famille génératrice de Rn . De plus, e1 , e2 , . . . , en sont
linéairement indépendants alors {e1 , e2 , . . . , en } est une famille libre de Rn . Conclusion,
Bc = {e1 , e2 , . . . , en }
i i
i i
i i
i i
i i
i i
2. f (E) : l’ensemble des images des éléments de E par f, appelé "l’image de f " est
noté Im f, est un sous-espace vectoriel de F.
Im f = {Y ∈ F, ∃X ∈ E / f (X) = Y } .
3. L’ensemble des éléments de E par f ayant le vecteur nul de F, appelé "le noyau
de f " et noté ker f, est un sous-espace vectoriel de E.
ker f = {X ∈ E / f (X) = 0F } .
Exemple 6.5.2
1. Soit
f: R2 −→ R3
(x, y) 7−→ (x − y + 3, x + 4y, −y)
On a, f (0R2 ) = f ((0, 0)) = (3, 0, 0) 6= (0, 0, 0) donc f n’est pas une application
linéaire.
2. Soit
f: R2 −→ R2
2
(x, y) 7−→ x − y , −x + 2y
n’est pas une application linéaire car pour (x, y) = (1, 2) et λ = 2, on a
f (2 (1, 2)) = f (2, 4) = (−14, 6) et 2f (1, 2) = 2 (−3, 3) = (−6, 6) . C’est à
dire f (2 (1, 2)) 6= 2f (1, 2) .
3. Soit
f: R3 −→ R3
(x, y, z) 7−→ (x − y + z, 2x − y, x + z)
Cherchons ker f puis Im f.
i i
i i
i i
Im f = {Y ∈ F, ∃X ∈ E / f (X) = Y }
= f (X) / X = (x, y, z) ∈ R3
= (x − y + z, 2x − y, x + z) , (x, y, z) ∈ R3
ker f est engendré par un seul vecteur (3, −2, 1) . Donc, on peut construire une base
de ker f à partir de (3, −2, 1) : Bker f = {(3, −2, 1)} .
Im f = Y ∈ R2 , ∃X ∈ R3 / f (X) = Y
= f (X) / X = (x, y, z) ∈ R3
i i
i i
i i
Donc, pour former une base de Im f, il suffit de prendre deux vecteurs non-colinéaire
de Im f : par exemple, on peut poser
6.6 Exercices
6.6.1 Enoncés
Exercice 1 :
Lequel de ces ensembles est un espace vectoriel ?
E1 = Rn [X]
E2 = F (R,R) = {f : R → R}
E3 = S (R) = {(un )n≥0 / un ∈ R}
Exercice 2 :
Les ensembles suivants possèdent-ils une structure d’espace vectoriel ?
E1 = {(x, y, z) ∈ R3 , x = z}
E2 = {(x, y, z) ∈ R3 , x + y = 1}
E3 = {(x, y, z) ∈ R3 , x − z = 0 ; y + x = 0 et x − y + z = 0}.
Exercice 3 :
Soit E = F (R,R) ,
F = {f ∈ E/ f paire}
et
F = {f ∈ E/ f impaire}.
Montrer que F et G sont deux sous-espaces supplémentaires de E.
Exercice 4 :
1. Dans l’espace vectoriel R4 , rapporté à sa base canonique, B c = {e1 , e2 , e3 , e4 },
vérifier que les vecteurs :
sont libres.
2. Calculer les coordonnées du vecteur V = (7, 14, −1, 2)Bc dans la base B = {a, b, c, d} .
i i
i i
i i
Exercice 5 :
Déterminer une base des espaces vectoriels suivants :
E1 = {(x, y, z) ∈ R3 , x + 3y + z = 0}
E2 = {(x, y, z) ∈ R3 , x + y + z = 0 et z = 0}
Exercice 6 :
1. Soit E = {(x, y, z) ∈ R3 , −x + y + z = 0}.
(a) Montrer que E est un espace vectoriel.
(b) Montrer que tout vecteur V = (x, y, z) de E s’écrit de manière unique sous
la forme :
V = xU1 + yU2 où (Ui )1≤i≤2 ∈ E.
(c) Montrer que B = {U1 , U2 } est une base de E. En déduire dimR E.
2. Soit F = {(x, y, z, t) ∈ R4 , x + y = z et z − y = t}.
(a) Montrer que F est un sous-espace vectoriel de R4 .
(b) Déterminer dimR F.
Exercice 7 :
R4 est rapporté à une base orthonormée B = {e1 , e2 , e3 , e4 } , f est une application
définie par :
0
x = y + z,
0
f: R4 −→ R4 y = x − z − t,
où
(x, y, z, t) 7−→ (x0 , y 0 , z 0 , t0 ) z 0 = x − y − t,
0
t = x − y − z − t.
f (x1 , x2 , x3 , x4 ) = (x1 + 2x2 − 2x3 , 4x1 + x2 + 2x3 + 5x4 , −x1 + 3x2 + 2x3 − 5x4 ) .
u1 = e1 + αe4 , α ∈ R
u2 = e1 + e2
u3 = e1 + e2 + e3
u4 = λe1 + e4 , λ ∈ R.
i i
i i
i i
Exercice 9 :
Soit E désigne l’espace vectoriel des fonctions numériques d’une variable réelle
continue sur [0, 1] .
1. Vérifier que l’application
Z x
ϕ: E→E
où F (x) = f (t) dt.
f →F 0
est un endomorphisme de E.
2. Démontrer que le noyau de ϕ est nul.
Exercice 10 :
Soit E l’ensemble des applications de classe C ∞ de R dans R et admettant la
période 1. On considère l’application
d: E→E
f → d (f ) = f 0
6.6.2 Corrigés
Exercice 1 :
1. On a E1 = Rn [X] = {P ∈ R [X] / deg (P ) ≤ n} ∪ {0} ⊂ R [X] . Ainsi, il suffit de
vérifier que Rn [X] est un sous-espace vectoriel de R [X] . En effet, 0 ∈ Rn [X]
et pour λ ∈ R et P, Q ∈ Rn [X] , on vérifie bien que λP + Q ∈ Rn [X] (car
λP + Q ∈ R [X] et deg (λP + Q) ≤ max (P, Q) ≤ n). D’où, Rn [X] est un espace
vectoriel.
2. On sait que pour E un K-espace vectoriel et X un ensemble alors
A (X, E) = {f : X→E}
E2 = F (R,R)
= {f : R → R}
= A (R, R)
i i
i i
i i
et
E3 = S (R)
= {(un )n≥0 /un ∈ R}
= {u : N → R, n 7→ un }
= A (N, R)
E1 = {(x, y, z) ∈ R3 , x = z}
= h(1, 0, 1), (0, 1, 0)i
E2 = {(x, y, z) ∈ R3 , x + y = 1}
E3 = {(x, y, z) ∈ R3 , x − z = 0 ; y + x = 0 et x − y + z = 0}
= {(x, y, z) ∈ R3 , x = z ; y = −z et z = 0}
= {(0, 0, 0)} .
Donc,
∀x ∈ R, 2f (x) = 0 ⇒ f ≡ 0.
D’où, F ∩ G = {0} .
i i
i i
i i
a = (1, 2, −1, −2), b = (2, 3, 0, −1), c = (1, 3, −1, 0), d = (1, 2, 1, 4).
α1 a + α2 b + α3 c + α4 d = 0
α1 + 2α2 + α3 + α4 = 7
2α1 + 3α2 + 3α3 + 2α4 = 14
−α1 − α3 + α4 = −1
−2α1 − α2 + 4α4 = 2
⇒ α1 = 0, α2 = 2, α3 = 2, α4 = 1.D’où,
0
2
V =
2 .
Exercice 5 :
E1 = {(x, y, z) ∈ R3 , x + 3y + z = 0}
= {(x, y, z) ∈ R3 , x = −3y − z}
= {(−3y − z, y, z), (y, z) ∈ R2 }
= {y(−3, 1, 0) + z(−1, 0, 1), (y, z) ∈ R2 }.
i i
i i
i i
Donc, {u1 = (−3, 1, 0), u2 = (−1, 0, 1)} est une famille génératrice. La famille {u1 , u2 }
est bien libre. D’où, u1 et u2 forment une base de R3 et dim E1 = 2.
E2 = {(x, y, z) ∈ R3 , x + y + z = 0 et z = 0}
= {(x, y, z) ∈ R3 , x = −y − z et z = 0}
= {(y, −y, 0), y ∈ R}
= hu = (1, −1, 0)i .
E = {(x, y, z) ∈ R3 , −x + y + z = 0}
= {x(1, 0, 1) + y(0, 1, −1), x, y ∈ R}
= hU1 = (1, 0, 1), U2 = (0, 1, −1)i
2. On peut écrire
F = {(x, y, z, t) ∈ R4 , x + y = z et z − y = t}
= {x(1, 0, 1, 1) + y(0, 1, 1, 0), x, y ∈ R}
= hV1 = (1, 0, 1, 1), V2 = (0, 1, 1, 0)i .
= X ∈ R4 / x = t, y = z = 0
= h(1, 0, 0, 1)i .
i i
i i
i i
Im(f ) = f (X) / X ∈ R4
= (y + z, x − z − t, x − y − t, x − y − z − t) / X = (x, y, z, t) ∈ R4
= {x.(0, 1, 1, 1) + y.(1, 0, −1, −1) + z.(1, −1, 0, −1) + t.(0, −1, −1, −1)} .
Donc,
Im(f ) =< (0, 1, 1, 1), (1, 0, −1, −1), (1, −1, 0, −1) >,
puisque
dim(Im f ) = dim R4 − dim(ker(f )) = 3.
f (X + Y ) = f ((x1 , x2 , x3 , x4 ) + (y1 , y2 , y3 , y4 ))
= f (x1 , x2 , x3 , x4 ) + f (y1 , y2 , y3 , y4 )
= f (X) + f (Y )
et
f (λX) = f (λ (x1 , x2 , x3 , x4 ))
= λf (x1 , x2 , x3 , x4 )
= λf (X) .
i i
i i
i i
3. Soit B = {u1 , u2 , u3 , u4 } où
u1 = e1 + αe4 , α ∈ R
u2 = e1 + e2
u3 = e1 + e2 + e3
u4 = λe1 + e4 , λ ∈ R.
P4
(a) B est une base de R4 c’est à dire B est libre (si i=1 βi ui = 0 alors βi = 0
pour tout i = 1, . . . , 4).Ainsi, il suffit de résoudre le système linéaire suivant
pour récupérer des conditions sur α et λ :
β1 + β2 + β3 = 0
β2 + β3 = 0
β3 + λβ4 = 0
αβ1 + β4 = 0
ker ϕ = {f ∈ E / ϕ (f ) = 0}
= {f ∈ E / F (x) = 0, ∀x ∈ [0, 1]}
= {f ∈ E / F 0 (x) = 0, ∀x ∈ [0, 1]}
= {f ∈ E / f (x) = 0, ∀x ∈ [0, 1]}
= {0} .
i i
i i
i i
Exercice 10 :
Soit E = {f : R → R, C ∞ avec une période} : ∀x ∈ R, f (x + 1) = f (x) .
1. On a C ∞ (R) = {f : R → R, C ∞ } est un R-espace vectoriel. On peut vérifier que
E est un sous-espace vectoriel de C ∞ (R) .
2. La linéarité de d est facile à vérifier.
3.
ker d = {f ∈ E / f 0 = 0}
= {f ∈ E / f = cste}
= {f ∈ E / ∀x ∈ R, f (x) = cste.1}
= h1i .
et
Im d = {f ∈ E / ∃g ∈ E : d (g) = f }
= {f ∈ E / ∃g ∈ E : g 0 (x) = f (x) , ∀x ∈ R} .
Rx Rx
Or, on a g (x) = g (0) + 0 g 0 (t) dt = g (0) + 0 f (t) dt et pour x = 1 : g (1) =
R1 R1
g (0) + 0 f (t) dt ⇒ 0 f (t) dt = 0. Ainsi,
Im d = {f ∈ E / ∃g ∈ E : d (g) = f }
Z 1
= f ∈E / f (t) dt = 0 .
0
i i
i i
i i
CHAPITRE 7
A = (aij )1≤i≤n
1≤j≤p
ou simplement
A = (aij )
si le nombre de lignes et de colonnes est connu par ailleurs.
Exemple 7.1.1
1 0 3
A=
0 −2 1
est une matrice 2 × 3 avec, par exemple, a11 = 1 et a23 = 1.
Vocabulaire 7.1.1
1. On note Mn,p (R) l’ensemble des matrices de taille n × p à coefficients dans R.
2. Si n = p, la matrice est dite carrée.
a11 a12 ··· a1n
a21 a22
··· a2n
.. .. .. ..
. . . .
an1 an2 ··· ann
matrice carrée n × n
i i
i i
i i
Dans le cas d’une matrice carrée, les éléments a11 , a22 , . . . , ann sont appelés les
éléments diagonaux.
a11 a12 · · · a1n
a21 a22 · · · a2n
.. .
.. .. ..
. . . .
an1 an2 · · · ann
3. Deux matrices sont égales lorsqu’elles ont la même taille et que les éléments
correspondants sont égaux.
4. Une matrice carrée est dite diagonale si aij = 0, ∀i 6= j
a11 0 ··· 0
.. ..
0
a22 . .
.
. .. ..
..
. . 0
0 ··· 0 ann
i i
i i
i i
Définition 7.1.2
La matrice de l’application linéaire f : E = he1 , e2 , . . . , ep i −→ F = he01 , e02 , . . . , e0n i
relativement aux bases BE = {e1 , e2 , . . . , ep } de E et BF = {e01 , e02 , . . . , e0n } de F est
f (e
1 ) f (e2 ) f (e
3 ) 0
Mf = 1 −1 0 e1
0 0 1 e02
i i
i i
i i
rg (A) = rg (FA ) = 3.
La matrice (de taille n × m) dont tous les éléments sont zéros est appelée la
matrice nulle et notée 0nm ou plus simplement 0. C’est l’élément neutre
pour l’addition, c’est à dire que A + 0 = A.
Définition 7.1.5 (Produit d’une matrice par un scalaire) Le produit d’une ma-
trice A par un scalaire λ est formé en multipliant chaque élément de A par k. Il
est noté λA.
Exemple 7.1.5 Soient
3 −2 −9 6
A= et λ = −3. Alors, λA = .
0 6 0 18
i i
i i
i i
Exemple 7.1.6
2 −1 0 −1 4 2
A= , B=
4 −5 2 7 −5 3
3 −5 −2
A−B = .
−3 0 −1
Exemple 7.1.7
1.
4
2 3 −1 −2 = (8 − 6 − 3) = (−1) .
3
| {z } | {z }
1×3 1×1
| {z }
3×1
2.
3 −3 6 9 0
−2 −1 2 3 0 = 2 −4 −6 0 .
1 | {z
1×4
} −1 2 3 0
| {z } | {z }
3×1 3×4
i i
i i
i i
i i
i i
i i
i i
i i
i i
Matrice 2 × 2
Considérons les matrices 2 × 2
a b d −b
A= et B= .
c d −c a
On vérifie que
1 0
AB = BA = (ad − bc) .
0 1
Donc A est inversible si ad − bc 6= 0, et on a alors
1 d −b
A−1 = .
ad − bc −c a
Am = AA . . . A} .
| {z
m facteurs
−1
3. λA est inversible si λ 6= 0 et (λA) = λ1 A−1 .
Théorème 7.1.3 Soit A et B deux matrices n × n inversibles. Alors
1. AB est inversible et
−1
2. (AB) = B −1 A−1 .
Preuve On montre que B −1 A−1 (AB) = (AB) B −1 A−1 = I.
−1
De façon analogue, on montre que si A1 , A2 , . . . , Am sont inversibles, alors (A1 A2 . . . Am ) =
−1
A−1
m Am−1 . . . A−1
1 .
Exemple 7.1.11
2 1 −1 3 −1
A= A =
5 3 −5 2
i i
i i
i i
−9 −4 −1 −1 −4
B= B =
2 1 2 9
2 1 −9 −4 −16 −7
AB = =
5 3 2 1 −39 −17
−1 −1 −1 −4 3 −1 17 −7
B A = = .
2 9 −5 2 −39 16
On a alors
−16 −7 17 −7
(AB) B −1 A−1 =
−39 −17 −39 16
−272 + 273 0
=
0 273 − 272
1 0
= .
0 1
0 · · · · · · · · · 0 ann
i i
i i
i i
Exemple 7.1.12
7.1.10 La transposition
aTij = aij .
i i
i i
i i
Exemple 7.1.14
T 1
1 −2 5 = −2
5
T
0 3
1 −5 = 0 1 −1
3 −5 2
−1 2
T
−1 0 −1 0
=
0 2 0 2
T
(4) = (4) .
Propriété 7.1.1
T
1. (A + B) = AT + B T
T
2. (λA) = λAT , pout tout λ ∈ R
T
3. (AB) = B T AT
T
4. AT =A
−1 T
5. Si A est inversible, alors AT l’est aussi et on a A−T , AT = A−1 .
7.1.11 La trace
Soit A la matrice n × n
a11 a12 ··· a1n
a21 a22 ··· a2n
A= .
.. .. .. ..
. . . .
an1 am2 ··· ann
Définition 7.1.12 On appelle trace de A, et on note tr (A) , le nombre obtenu en
additionnant les éléments diagonaux de A. Autrement dit,
tr (A) = a11 + · · · + ann .
Exemples 7.1.15
1 1 2
2 1
A= et B= 5 2 8 .
0 5
11 0 −10
Alors, tr (A) = 2 + 5 = 7 et tr (B) = 1 + 2 − 10 = −7.
Propriétés 7.1.2 Soient A et B deux matrices n × n. Alors
1. tr (A + B) = tr (A) + tr (B)
2. tr (λA) = λtr (A) pout tout λ ∈ R
3. tr AT = tr (A)
4. tr (AB) = tr (BA) .
i i
i i
i i
i i
i i
i i
Remarque 7.1.4
1. Soit
IdE : E −→ E
X 7−→ X
une application linéaire, appelée identité et
Théorème 7.1.4 (Effet d’un changement de base sur la matrice d’une ap-
plication linéaire)
Soit f une application linéaire d’un espace vectoriel E de dimension p dans un
espace F de dimension n.
0
Soient BE = {u1 , u2 , . . . , un } et BE = {u01 , u02 , . . . , u0n } deux bases de E et P la
0
matrice de passage de BE à BE .
Soient BF = {v1 , v2 , . . . , vn } et BF0 = {v10 , v20 , . . . , vn0 } deux bases de E et Q la
matrice de passage de BF à BF0 .
Soient A la matrice de f dans les bases BE à BF et A0 la matrice de f dans les
0
bases BE à BF0 :
A = M atBE ,BF (f ) et A0 = M atBE0 ,BF0 (f ) .
On a alors,
A0 = Q−1 AP.
De plus, si E = F alors Q = P et on a
A0 = P −1 AP.
a1 x + a2 y = b
i i
i i
i i
où le nombre réel aij est le coefficient de la j-ème inconnue dans la i-ème équation.
Définition 7.2.2 (Matrice augmentée). Nous obtenons la matrice augmentée as-
sociée au système en "oubliant" les variables xi et les signes "+" et "=". La
matrice augmentée associée au système çi-dessus est alors
a11 a12 · · · a1n b1
a21 a22 · · · a1n b1
.. .
.. .. .. ..
. . . . .
am1 am2 · · · amn bm
i i
i i
i i
Nous remarquons que les opérations élémentaires peuvent être faites uniquement sur
la matrice augmentée pour revenir à la fin au système d’équations. C’est ce que nous
faisons dans la suite.
i i
i i
i i
(3) l3 ←− l3 + l1
1 1 7 −1
0 −3 −9 −3
0 −2 −2 −6
(1) l2 ←− − 31 l2
1 1 7 −1
0 1 3 1
0 −2 −2 −6
(3) l3 ←− l3 + 2l2
1 1 7 −1
0 1 3 1
0 0 4 −4
(1) l3 ←− 41 l3
1 1 7 −1
0 1 3 1
0 0 1 −1
(3) l1 ←− l1 − 7l3
1 1 0 6
0 1 3 1
0 0 1 −1
(3) l2 ←− l2 − 3l3
1 1 0 6
0 1 0 4
0 0 1 −1
(3) l1 ←− l1 − l2
1 0 0 2
0 1 0 4 .
0 0 1 −1
Cette matrice augmentée correspond au système
x =2
y =4
z = −1
i i
i i
i i
: A−1
In .
Calculons l’inverse de
1 2 1
A= 4 0 −1 .
−1 2 2
i i
i i
i i
1 2 1 : 1 0 0
A : I3 = 4 0 −1 : 0 1 0
−1 2 2 : 0 0 1
l2 ←− l2 − 4l1
1 2 1 : 1 0 0
0 −8 −5 : −4 1 0
−1 2 2 : 0 0 1
l3 ←− l3 + l1
1 2 1 : 1 0 0
0 −8 −5 : −4 1 0
0 4 3 : 1 0 1
l2 ←− − 81 l2
1 2 1 : 1 0 0
0 1 5/8 : 1/2 −1/8 0
0 4 3 : 1 0 1
l3 ←− l3 − 4l2
1 2 1 : 1 0 0
0 1 5/8 : 1/2 −1/8 0
0 0 1/2 : −1 1/2 1
l3 ←− 2l3
1 2 1 : 1 0 0
0 1 5/8 : 1/2 −1/8 0
0 0 1 : −2 1 2
l2 ←− l2 − 85 l3
1 2 1 : 1 0 0
0 1 0 : 7/4 −3/4 −5/4
0 0 1 : −2 1 2
l1 ←− l1 − 2l2 − l3
1 0 0 : −1/2 1/2 1/2
−1
I3 : A = 0 1 0 : 7/4 −3/4 −5/4
0 0 1 : −2 1 2
=⇒
−2 2 2
1
A−1 = 7 −3 −5
4
−8 4 8
La solution est alors
−2 2 2 2 −1
−1 1
X=A b= 7 −3 −5 4 = 11
2
.
4
−8 4 8 −4 −8
11
D’où, x = −1, y = 2 et z = −8.
i i
i i
i i
7.3 Le déterminant
Nous allons construire dans cette partie une fonction appelée le déterminant qui
associe un nombre réel à chaque matrice carrée et qui permettra de caractériser
facilement les matrices inversibles puisque ce sont celles dont le déterminant est nul.
Exemple 7.3.1 Soit
a b
A= .
c d
On a vu que si ad − bc 6= 0, alors A est inversible. On a alors
−1 1 d −b
A = .
ad − bc −c a
Matrice 2 × 2
+
& a11 a12 %
−
+
a21 % & a22
−
Matrice 3 × 3
On recopie les colonnes 1 et 2 à la suite de la colonne 3 et on calcule comme suit :
+ + +
& a11 & a12 & a13 % a11 % a12 %
− − −
+ + +
a21 & a22 % & a23 % & a21 % a22
− − −
+ + +
a31 % a32 % & a33 % & a31 & a32
− − −
det (A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12 .
Exemple 7.3.2 Calculer
2 1 0
det 1 0 1
0 0 1
i i
i i
i i
0 0 −1
+ + +
&2 &1 &0% 2% 1%
− − −
+ + +
1 &0% &1% &1% 0
− − −
+ + +
0% 0% &1% &0 &0
− − −
0 0 0
donc det = −1
ATTENTION : Cette méthode ne s’applique pas pour les matrices de dimensions
supérieures à 3.
··· ···
a11 a12 a1j a1n
a21 a22 ··· a2j ··· a2n
.. .. .. .. .. ..
. . . . . .
A=
ai1
ai2 ··· aij ··· ain
. .. .. .. .. ..
..
. . . . .
an1 an2 ··· anj ··· ann
a11 ··· a1,j−1 a1,j+1 ··· a1n
.. .. .. ..
. . . .
ai−1,1 ··· ai−1,j−1 ai−1,j+1 ··· ai−1,n
Mij = det
ai+1,1
··· ai−1,j−1 ai+1,j+1 ··· ai+1,n
.. .. .. ..
. . . .
an1 ··· an,j−1 an,j+1 ··· ann
1+1
C11 = (−1) M11 = 1.
i i
i i
i i
1 2 3
1 3
M32 = 4
2 1 = −
= −11.
0 1 1 4 1
+ +− +
3+2
C32 = (−1) (−11) = 11.
Pour déterminer si Cij = Mij ou Cij = −Mij , on peut utiliser le schéma suivant :
+ − + − ···
− + − + ···
A= +
− + − ···
.. .. .. ..
. . . .
Le déterminant de A :
det (A) = a11 (a22 a33 − a23 a32 ) + a12 (a23 a31 − a21 a33 ) + a13 (a21 a32 − a22 a31 ) .
Les termes entre parenthèses sont les cofacteurs des éléments a11 , a12 , a13 . Donc
Exemple 7.3.4
1 2 3
A= 4 2 1
0 1 1
i i
i i
i i
Nous avons vu que les propriétés du déterminant relatives aux lignes conduisent
à des propriétés analogues relatives aux colonnes. On a donc aussi :
et soit la transposée de C : C T est notée adj (A) est appelée la matrice adjointe
de A.
Théorème 7.3.3 Soit A une matrice carrée n × n. On a la formule
Exemple 7.3.5
1 1 0
A= 0 1 1 .
1 0 1
On a det(A) = 2. La matrice formée des Mij est
1 −1 −1
M = 1 1 −1 .
1 1 1
i i
i i
i i
On a donc
1 −1 1
adj (A) = C T = 1 1 −1 .
−1 1 1
Donc
1 −1 1
1
A−1 = 1 1 −1 .
2
−1 1 1
i i
i i
i i
On a
1 0 2 6 0 2
A = −3 4 6 A1 = 30 4 6
−1 −2 3 8 −2 3
1 6 2 1 0 6
A2 = −3 30 6 A3 = −3 4 30
−1 8 3 −1 −2 8
et
7.4 Exercices
7.4.1 Enoncés
Exercice 1 :
i i
i i
i i
Calculer B n puis An , n ∈ N.
Exercice 2 :
On considère pour tout x ∈ R, la matrice
cosh x sinh x
A (x) = .
sinh x cosh x
f (x, y) = (x + y, x − y, y − x) .
f: R3 −→ R3
(x, y, z) 7−→ (2x − y, y + 2z, x + z) .
i i
i i
i i
Exercice 7 :
Déterminer l’inverse des matrices suivantes :
4 4 2 −3 2 −1
A = −3 0 1 ; B = 2 0 −1 (par la méthode des cofacteurs)
2 −1 0 1 2 1
−1 −1 −3
C= 1 2 0 (par la méthode de Gauss-Jordan)
0 0 1
Exercice 8 :
Soit
a −b −c −d
b a −d c
M (a, b, c, d) = .
c d a −b
d −c b a
1. Calculer det (M (a, 0, 0, 0)) .
2. Calculer M M T .
3. En déduire det M. Donner une condition pour que M soit inversible.
Exercice 9 :
Soit m, p deux entiers naturels tel que m ≥ p ≥ 1. Calculer les déterminants d’ordre
(p + 1) suivants :
0 1 2 p
a0 a1 a2 · · · ap Cm Cm Cm ··· Cm
0 1 2 p
−1 x 0 · · · 0 Cm+1 Cm+1 C m+1 · · · Cm+1
. . . . . .
. .
.. .. . . . .. , ∆
.. .. .. .. ..
∆p = 0 m,p =
. . . . .
.. .
.. .
.. .
.. .
..
.. .. .. .. 0
p
0 · · · 0 −1 x C0 C 1
C 2
··· C
m+p m+p m+p m+p
i i
i i
i i
Exercice 10 :
Résoudre dans R les systèmes suivants :
3x − y + z = 5 2x − y + z = 4
(S1 ) : x + y − z = −2 ; (S2 ) : −x + 3y − 5z = 1 ;
−x + 2y + z = 3 8x − 9y + 13z = 2
2x + y − z = 0 x+y−z−t+u=0
(S3 ) : x + 2y + z = 0 ; (S4 ) : 2x + y − 4t + 4u = 0 ;
3x + y − 2z = 0 x + 2y − 3z + t − u = 0
Exercice 11 :
Résoudre et discuter selon le parmètre réel p, le système linéaire suivant :
x+y+z =1
x + py + z = p
(Sp ) :
x + y + p2 z = p2
x + y + (p + 1) z = p2 − p + 1
Exercice 12 :
Soient a et b dans R. Résoudre et discuter selon les paramètres a et b les systèmes
linéaires suivants :
(1 − a) x + (2a + 1) y + (2 + 2a) z = a
(Sa ) : ax + ay = 2a + 2
2x + (a + 1) y + (a − 1) z = a2 − 2a + 9
x + y + 2z = −2
x + 2y + 3z = a
(Sa,b ) :
3x + 5y + 8z = 2
5x + 9y + 14z = b
7.4.2 Corrigés
Exercice 1 :
1 1 0 1 0 0 0 1 0
B =A−I = 0 1 1 − 0 1 0 = 0 0 1 .
0 0 1 0 0 1 0 0 0
0 1 0 0 1 0 0 0 1
B2 = B × B = 0 0 1 0 0 1 = 0 0 0 .
0 0 0 0 0 0 0 0 0
0 1 0 0 0 1 0 0 0
B3 = B2 × B = 0 0 1 0 0 0 = 0 0 0 .
0 0 0 0 0 0 0 0 0
0 0 0
Ainsi, B n = 0 0 0 , pour n ≥ 3.
0 0 0
i i
i i
i i
Ainsi,
Exercice 2 :
1. Soient x, y ∈ R,
cosh x sinh x cosh y sinh y
A (x) A (y) =
sinh x cosh x sinh y cosh y
cosh x cosh y + sinh x sinh y cosh x sinh y + cosh y sinh x
=
cosh x sinh y + cosh y sinh x cosh x cosh y + sinh x sinh y
cosh (x + y) sinh (x + y)
=
sinh (x + y) cosh (x + y)
= A (x + y) .
2
2. Si n = 2 : (A (x)) = A (2x) . Pour n ∈ N, on vérifie facilement par récurrence
n
que (A (x)) = A (nx) .
Exercice 3 :
On a f (1, 0) = (1, 1, −1) et f (0, 1) = (1, −1, 1) . Donc, la matrice de f relativement
aux bases canoniques de E et F :
1 1
M (f ) = 1 −1
−1 1
Exercice 4 :
Soit
0 −1 −1
A = −1 −2 0 .
1 3 1
i i
i i
i i
f (X) = AX
0 −1 −1 x
= −1 −2 0 y
1 3 1 z
−y − z
= −x − 2y .
x + 3y + z
D’où,
2.
= X = (x, y, z) ∈ R3 / x = −2y, z = −y
= {(−2y, y, −y) / y ∈ R}
= h(−2, 1, −1)i .
Im(f ) = f (X) / X ∈ R3
Donc,
Im(f ) =< (0, −1, 1), (−1, 0, 1) >
puisque
dim(Im f ) = dim R3 − dim(ker(f )) = 2
et (−1, −2, 3) = 2.(0, −1, 1) + (−1, 0, 1). Ainsi,
i i
i i
i i
4.
f (u1 ) = (0, 0, 0)
f (u2 ) = (−3, 1, 2) = u2 .
f (u3 ) = (0, 2, −2) = 2.u3 .
f (u
1 ) f (u2 ) f (u
3)
0 0 0 u1
M atB 0 (f ) = 0 1 0 u2
0 0 2 u3
f: R3 −→ R3
(x, y, z) 7−→ (2x − y, y + 2z, x + z) .
= (x, y, z) ∈ R3 / 2x − y = 0, y + 2z = 0, x + z = 0
Donc,
Bker f = {(1, 2, −1)}
i i
i i
i i
Im f = f (X) / X ∈ R3
u v w
1 2 0 e1
P = PB,B0 =
2 0 −1 e2
3 1 2 e3
et
1 4 2
− 13 13 13
P −1 = 7
13
2
− 13 1
− 13 .
2 5 4
− 13 − 13 13
i i
i i
i i
Alors,
M atB0 (f ) = P −1 M atB (f ) P
1 4 2
− 13 13 13 2 −1 0 1 2 0
7 2 1
= 13 − 13 − 13 0 1 2 2 0 −1
2 5 4
− 13 − 13 13
1 0 1 3 1 2
40 10 15
13 13 13
= − 20
13
21
13
1
− 13
24 6 9
− 13 − 13 − 13
40 10 15
1
= −20 21 −1 .
13
−24 −6 −9
Exercice 6 :
– Par définition, le rang (A) ≤ 3. Puisque, det A = 1 6= 0, alors rang (A) = 3. De
même
– Pour B : le rang (B) ≤ 4. En effectuant des transformations sur les colonnes :
Ci ← Ci − Ci−1 , i = 2, . . . , 5
1 2 3 4 5 1 1 1 1 1
2 3 4 5 6 2 1 1 1 1
det B = 3 4 5 6 7 = 3 1 1 1 1 = 0.
4 5 6 7 8 4 1 1 1 1
5 6 7 8 9 5 1 1 1 1
Donc, rang (B) ≤ 4 et puisque les mineurs d’ordre 4 et d’ordre 3 sont tous nuls
alors rang (B) ≤ 2. On constate que le mineur d’ordre 2 :
1 1
2 1 = −1 6= 0
i i
i i
i i
Exercice 8 :
Soit
a −b −c −d
b a −d c
M (a, b, c, d) = .
c d a −b
d −c b a
a 0 0 0
0 a 0 0
1. det (M (a, 0, 0, 0)) = = a4 .
0 0 a 0
0 0 0 a
2
a + b + c2 + d2
2
0 0 0
2 2
0 a + b + c2 + d2 0 0
2. M M T = .
0 0 a2 + b2 + c2 + d2 0
0 0 0 a2 + b2 + c2 + d2
2
3. On a det M = det M T . Puisque det M det M T = (det M ) et det (M (a, 0, 0, 0)) > 0
alors,
2
det M = a2 + b2 + c2 + d2 .
2
Pour que M soit inversible, il faut et il suffit que det M = a2 + b2 + c2 + d2 6= 0,
c’est à dire quand (a, b, c, d) 6= (0, 0, 0, 0) .
Exercice 9:
a0 a1 a2 ··· ap
a1 a2 ··· ··· ap
−1 x 0 ··· 0 −1 x ··· ··· 0
.. ..
.. .. .. = a 0 xp + 1
.. .. ..
∆p = 0 . . . . 0 . . . .
.. .. .. .. .. .. .. ..
. . . . 0
. . . . 0
0 ··· 0 −1 x 0 ··· 0 −1 x
Donc,
∆p = a0 xp + a1 xp−1 + a2 xp−2 + · · · + ap−1 x + ap .
q q−1
On a Cpq −Cp−1 = Cp−1 pour q ≥ p ≥ 1. En effectuant des transformations élémentaires
sur lignes : Li+1 ← Li+1 − Li avec i = 1, . . . , p
0 1 2 p
Cm Cm Cm ··· Cm
0 1 2
Cm+1 Cm+1 Cm+1 · · · Cm+1 p
.. .. .. .. ..
∆m,p =
. . . . .
.. .. .. .. ..
. . . . .
p
C0 1 2
Cm+p Cm+p · · · Cm+p
m+p
1 2 p
···
1 Cm Cm Cm
0 1 p−1
···
0 Cm Cm Cm
.. .. .. .. ..
= . .
. . . .
0 1 p−1
0 Cm+p−2
Cm+p−2 · · · Cm+p−2
0 C0 1 p−1
m+p−1 Cm+p−1 · · · Cm+p−1
i i
i i
i i
Exercice 10 :
Pour résoudre dans R les systèmes (Si ) 1 ≤ i ≤ 4, il suffit d’appliquer Cramer.
(S1 ) : x = 43 , y = 13 , z = 37
12 .
(S2 ) : ∅.
(S3 ) : x = z, y = −z et z ∈ R.
(S4 ) : x = 2z − 32 y, t = u − 12 y + z et y, z, u ∈ R.
Exercice 11 :
{[x = 2, y = 1, z = −2]} si p = −1
y = 1 − x, z = 0 et x ∈ R si p = 1
(Sp ) : {[x = −1, y = 1, z = 1]} si p = 2
{[x = −1, y = 1, z = 1]} si p = 0
∅ si p ∈ R \ {0, 1, −1, 2}
Exercice 12 :
Soient a et b dans R.
1
4a − a2 + 2a3 + 6 ,
x = − 2a−a 2
1
6a − 3a2 + 2a3 + 10 ,
y = 2a−a si a ∈ R \ {0, 1, 2}
2
1 2 3
z = − 12a − 6a + 3a + 2
(Sa ) : 2a−a2
x = 3 − 5−6z , y = 5−6z
6 6 et z ∈ R si a = 2
11+4z 1−4z
∈
x = 3 , y = 3 et z R si a = 1
∅
si a = 0
{[x = −z − 6, y = −z + 4 et z ∈ R]} si (a, b) = (2, 6)
(Sa,b ) :
∅ si (a, b) 6= (2, 6)
i i
i i
i i
CHAPITRE 8
i i
i i
i i
On admet
tr (A) = λ1 + λ2 + · · · + λn ,
det (A) = λ1 λ2 · · · λn .
i i
i i
i i
Exemple 8.2.2
1. Soit
1 1
A=
1 1
PA (λ) = λ (λ − 2) ⇐⇒ λ1 = 0 ou λ2 = 2.
E0 = X ∈ R2 / (A − 0I) X = 0
= {X ∈ Rn / AX = 0} .
x+y =0
Ainsi, =⇒ x = −y. Donc,
x+y =0
E0 = (x, y) ∈ R2 / x = −y
= {(−y, y) / y ∈ R}
= h(−1, 1)i .
2. Soit
−2 −2 1
B = −2 1 −2 .
1 −2 −2
2
PB (λ) = (3 + λ) (3 − λ) .
3. Soit
3 0 8
C= 3 −1 6 .
−2 0 −5
3
PC (λ) = − (1 + λ)
E−1 = X ∈ R3 / (C − (−1) I) X = 0
= X ∈ R3 / (C + I) X = 0 .
x 3 0 8 x 0
Ainsi, pour X = y ∈ R3 ⇐⇒ 3 −1 6 y = 0 ⇐⇒
z −2 0 −5 z 0
i i
i i
i i
3x + 8z = 0
3x + 6z = 0 =⇒
−2x − 4z = 0
= (−2z, y, z) / (x, z) ∈ R2
Définition 8.3.1
Soit A ∈ Mn (R) . A est diagonalisable s’il existe une matrice diagonale D et une
matrice inversible P tels que A = P DP −1 .
Théorème 8.3.1
A = P DP −1
avec
λ1 0 ··· 0
.. ..
0 λ2 . .
P = [X1 X2 · · · Xn ] et D = ..
.
.. ..
. . . 0
0 ··· 0 λn
Exemple 8.3.1
Soit
−1 2 1
A= 0 2 0 .
1 2 −1
i i
i i
i i
X1 X2 X3
1 −1 1 e1
P = M atBc ,B0 (f ) =
0 0 0 e2
1 1 1 e3
1 −2 1
1
P −1 = −1 0 1 .
2
0 2 0
1 −2 1 −1 2 1 1 −1 1
1
D= −1 0 1 0 2 0 0 0 0
2
0 2 0 1 2 −1 1 1 1
0 0 0
= 0 −2 0 .
0 0 2
i i
i i
i i
2. dim Eλi = ni , i = 1, . . . , k (k ≤ n)
avec λ1 , λ2 , . . . , λk sont les valeurs propres de A de multiplicité respectives m1 , m2 , . . . , mk .
Autrement dit
Soit A = M atBc (f ) : matrice associée à f dans la base canonique. A admet
λ1 , λ2 , . . . , λk valeurs propres de multiplicité respectives m1 , m2 , . . . , mk tels que
k
X
mi = n
i=1
Exemple 8.3.2
Soit
3 0 3
A= 3 −1 6 .
−2 0 −5
3
PA (λ) = − (λ + 1) . A admet une seule valeur propre λ = −1 de multiplicité m = 3.
i i
i i
i i
0 · · · 0 λkn
Donc, dans le cas où A est diagonalisable, il sera très facile de calculer une puissance
quelconque de A.
i i
i i
i i
Notons
x0 X0
x X
=P et =P .
y0 Y0 y Y
La système devient donc :
X0
1 0 X
=
Y0 0 4 Y
c’est à dire
X0 = X X = αet
soit avec α, β ∈ R.
Y 0 = 4Y Y = βe4t
D’où,
x = αet + 2βe4t
x X
=P soit avec α, β ∈ R.
y Y Y = −αet + βe4t
8.5 Exercices
8.5.1 Enoncés
Exercice 1 :
Soit f l’application de R [X] dans R [X] définie par :
f (P ) = XP 0 − P où P 0 est la dérivée de P.
i i
i i
i i
Exercice 4 :
Soient a et b deux réels non nuls. La matrice
0 a b
M = a 0 b
b a 0
est-elle diagonalisable ?
Exercice 5 :
Soit les matrices :
1 0 0 1 0 1
D= 0 2 0 , P = 0 1 1 .
0 0 2 1 0 2
i i
i i
i i
Exercice 7 :
1. La matrice
0 1 0
J = 0 0 1
1 0 0
est-elle diagonalisable dans M3 (R) ? dans M3 (C) ?
2. On considère la matrice circulante
a b c
A = c a b ∈ M3 (C) .
b c a
8.5.2 Corrigés
Exercice 1 :
1. Soient P1 ∈ R [X], P2 ∈ R [X] et α ∈ R. On a
f (P1 + αP2 ) = (XP10 − P1 ) + α (XP20 − P2 )
= X (P10 + αP20 ) − (P1 + αP2 )
= (XP10 − P1 ) + α (XP20 − P2 )
= f (P1 ) + αf (P2 ) .
Donc, f est une application linéaire.
2. On sait que Sp (f ) = spectre de f = {λ ∈ R / f (P ) = λP } . Soit λ ∈ Sp (f ) ,
donc il existe P ∈ R [X] {0} tel que f (P ) = λP. Ainsi, ona f (P ) = λP
⇔ XP 0 − P = λP ⇔ XP 0 = (λ + 1) P.
– Si P = cste ∈ R, alors P 0 = 0 donc λ = −1.
– Si P 6= cste, alors XP 0 = (λ + 1) P donc P = αX λ+1 avec α ∈ R∗ . Or,
P ∈ R [X] donc λ + 1 ∈ N ⇒ λ ∈ N.
Ainsi, Sp (f ) ⊂ {−1} ∪ N et tout vecteur propre de f est de la forme an X n .
3. Soit m ∈ {−1} ∪ N et Pm (X) = X m+1 . On a
0
f (Pm ) (X) = XPm (X) − Pm (X)
= X (m + 1) X m − X m+1
= mPm (X) (or, Pm (X) = X m+1 6= 0).
Donc, Pm est un vecteur propre de f.
4. D’après 2. et 3., Sp (f ) ⊂ {−1} ∪ N signifie que
{λ ∈ R / f (Pm ) = λPm = mPm avec m ∈ {−1} ∪ N}
. Donc, Sp (f ) = {−1} ∪ N.
i i
i i
i i
Eλ = {P ∈ R [X] / f (P ) = λP }
= αX λ+1 / α ∈ R = X λ+1 .
Exercice 2 :
Soit E un R-espace vectoriel, dim E = n et f ∈ L (E) un endomorphisme, rg (f ) =
1.
1. – ” ⇐= ” On a dim E = n et rg (f ) = 1 donc d’après le théorème du rang, on
a dim ker f = n − rg (f ) = n − 1. Donc, 0 est une valeur propre de f d’ordre
(n − 1). Alors, 0 est une racine du polynôme caractéristique d’ordre au moins
(n − 1) . Ainsi, il existe α ∈ K, tel que
n
Pf (X) = (−1) X n−1 (X − α) .
dim E0 + dim Eα = n − 1 + 1 = n
i i
i i
i i
i i
i i
i i
Exercice 5 :
1. det(P ) = 1, donc P est inversible.
2 0 −1
P −1 = 1 1 −1 .
−1 0 1
2.
A = P DP −1
1 0 1 1 0 0 2 0 −1
= 0 1 1 0 2 0 1 1 −1
1 0 2 0 0 2 −1 0 1
0 0 1
= 0 2 0 .
−2 0 3
3. Soit n ∈ N.
(a) Pour n = 0, D0 = In vrai. Supposons que la propriété
1 0 0
D n = 0 2n 0 .
n
0 0 2
i i
i i
i i
Dn+1 = D × Dn
1 0 0 1 0 0 1 0 0
= 0 2 0 0 2n 0 = 0 2n+1 0 .
0 0 2 0 0 2n 0 0 2n+1
An = P Dn P −1
An+1 = P Dn+1 P −1
An = An × A = P Dn P −1 P DP −1 = P Dn In DP −1 = P Dn+1 P −1 .
(c)
1 0 1 1 0 0 2 0 −1
An = 0 1 1 0 2n 0 1 1 −1
1 0 2 0 0 2n −1 0 1
2 − 2n n
0 2 −1
= 0 2n 0 .
2 − 2n+1 0 2n+1 − 1
Exercice 6 :
Pour α ∈ R, soit
α+3 1 4
Aα = 1 α+3 4 .
2 −2 α
1.
Alors, Aα admet des valeurs propres distincts. Ainsi, Aα est diagonalisable, pour
tout α ∈ R.
2. On choisit α = 2.
a. On pose
5 1 4
A= 1 5 4 .
2 −2 2
i i
i i
i i
− 23
−1 1 −1 1 1
P = −1 − 52 1 ⇒ P −1 = 1 −1 0 .
3
1 1 0 2 − 21 1
telles que : A = P DP −1 .
b. Pour n ∈ N,
2n
0 0
n
D = 0 4n 0 .
0 0 6n
Pour n ∈ N,
An = P DP −1 P DP −1 · · · P DP −1 = P Dn P −1 .
| {z }
n fois
−1 − 32 1 2n
0 0 −1 1 1
An = −1 − 52 1 0 4n 0 1 −1 0
3
1 1 0 0 0 6n 2 − 21 1
n 3 n 3 n 3 n
− 2n − 12 6n 6n − 2n
2 − 24 + 26 24
= 2n − 52 4n + 32 6n 5 n
24 − 2n − 12 6n 6n − 2n .
4n − 2n 2n − 4n 2n
i i
i i
i i
est équivalent à
Xn+1 = AXn
avec
xn
Xn = yn .
zn
Xn+1 = AXn = A (AXn−1 ) = · · · = An+1 X0 ,
x0
avec X0 = y0 ∈ R3 . D’où,
z0
n 3 n 3 n 3 n n 1 n
6n − 2n
2 − 24 + 26 24 − 2 − 26 x0
Xn = 2n − 52 4n + 32 6n 25 4n − 2n − 12 6n 6n − 2n y0
4n − 2n 2n − 4n 2n z0
3 n 3 n 3 n 1 n
n
n n n
x0 2 − 2 4 + 2 6 − z0 (2 − 6 ) − y0 2 − 2 4 + 26
= x0 2n − 52 4n + 32 6n − z0 (2n − 6n ) − y0 2n − 52 4n + 1 n
26
.
y0 (2n − 4n ) − x0 (2n − 4n ) + 2n z0
Exercice 7 :
1. Calculons le polynôme caractéristique de la matrice J :
PJ (x) = (1 − x) x2 + x + 1 .
Ainsi, J n’est pas diagonalisable dans M3 (R) car le polynôme x2 + x + 1
n’admet pas de racines dans R. Par contre, dans C [X] ,
π
PJ (x) = (1 − x) (x − j) x − j 2 avec j = e2i 3 .
j2
1 0 0 1 j
D = P −1 JP = 0 j 0 et P = 1 j2 j .
0 0 j2 1 1 1
i i
i i
i i
Juk = λk uk pour k = 1, 2, 3
⇐⇒
α1 = a + b + c, α2 = a + jb + j 2 c et α3 = a + j 2 b + jc.
i i
i i
i i
i i
i i
i i
CHAPITRE 9
9.1 Polynômes
9.1.1 Définitions et notations
Définition 9.1.1 L’ensemble des polynômes à coeffcients dans K = R ou C est
noté K [X], on a donc :
K [X] = {a0 + a1 X + · · · + an X n , ai ∈ K, 0 ≤ i ≤ n, n ≥ 0}
Les éléments de K [X] sont dits des polynômes de variable X à coefficients dans
n
ai X i . Les ai ∈ K, 0 ≤ i ≤ n, n ≥ 0, sont appelés les coefficients du
P
K :
k=0
polynôme.
n
ai X i , et on le note
P
Définition 9.1.2 On appelle degré du polynôme P (X) =
k=0
deg P, le plus grand entier n tel que an 6= 0. (Le polynôme nul n’a pas de degré,
par convention deg 0 = −∞).
n
ai X i est de degré n (an 6= 0) et si an = 1, on dit
P
Remarque 9.1.1 Si P (X) =
k=0
que P est unitaire.
Exemple 9.1.1 Le polynôme X 2 + X + 1 est unitaire.
deg X 2 + X + 1 = deg(X 2 ) = 2.
i i
i i
i i
n p
ai X i , an 6= 0 (deg P = n) et Q (X) = bi X i , bp 6= 0
P P
1. Soient P (X) =
k=0 k=0
(deg Q = p) . On a p = 6 n (p < n) donc P + Q 6= 0 (P (X) + Q (X) = (a0 + b0 ) +
(a1 + b1 ) X +· · ·+(ap + bp ) X p +ap+1 X p+1 +· · ·+an X n , an 6= 0) donc P +Q 6= 0
et on a : deg (P + Q) = n = sup (n, p) .
2. Supposons n = p. Dans ce cas, an = 6 0 et bp 6= 0. On a P (X) + Q (X) =
(a0 + b0 ) + (a1 + b1 ) X + · · · (an + bn ) X n et P + Q =
6 0 c’est à dire il existe
0 ≤ i0 ≤ n tel que ai0 + bi0 6= 0, donc deg (P + Q) ≤ n.
3., 4. De la même façon que 2.
Corollaire 9.1.1 Les seuls éléments inversibles de K [X] sont les éléments inversibles
de K.
Preuve Soit P ∈ K [X] , P 6= 0, inversible dans K [X] : il existe Q ∈ K [X] tel que
P.Q = 1 et deg (P Q) = deg(1) = 0 = deg P + deg Q. D’où, deg P = deg Q = 0
et P, Q ∈ K.
0 0
3. (P ◦ Q) = P (Q) = Q0 × P 0 (Q) (dérivée d’une composée).
Proposition 9.1.2 Soit P ∈ K [X] tel que, pour tout 1 ≤ k ≤ n : P (k) (X) est non
nul de degré (n − k) et deg P = n. On a la formule suivante de Taylor pour les
polynômes :
n k
X (X − a) (k)
∀a ∈ K, P (X) = P (a)
k!
k=0
i i
i i
i i
n k n k
X (X − a) (k)
X (X − a) n!
(X n ) (a) = an−k
k! k! (n − k)!
k=0 k=0
Xn
k
= Cnk (X − a) an−k
k=0
n
= ((X − a) + a) = X n .
..
.
Rk = 0, ou
Pk−2 = Rk−1 Qk + Rk avec
deg Rk < deg Rk−1
Rk−1 = Rk Qk+1
Rk : dernier reste non nul. On vérifie que le p.g.c.d. de P1 et P2 est égal à Rk .
i i
i i
i i
X2 + 1 = (−X + 2) (−X − 2) + 5
←− P2 −→ ←− R −→←− Q1 −→ ←− R1 −→
X 2
−X + 2 = 5 − + .
←− R −→ ←− R1 −→ 5 5
←− Q2 −→
i i
i i
i i
Preuve
m
Q k
1. P (X) = (X − a1 ) Q1 (X) = · · · = (X − ai ) i Q (X) .
i=1
m
P m
P
2. Si P 6= 0, n = deg P = ki + deg Q ≥ ki .
i=1 i=1
i i
i i
i i
Méthode pratique
En utilisant un exemple, il s’agit de diviser suivant les puissance croissante P (X)=
X + X 4 + X 5 avec S (X) = 1 + X 2 , k = 4. On trouve P (X) = S (X) X − X 3 + X 4 +
X 5 (2 − X) .
i i
i i
i i
k kn
Proposition 9.2.1 Soit Q (X) = (X − a1 ) 1 . . . (X − an ) , la décomposition en
éléments simples de la fraction F (X) est :
kr
n X
X αr,s
F (X) = E (X) + s , avec αr,s ∈ C et E (X) ∈ C [X] .
z }| { r=1 s=1
(X − ar )
Partie entière z }| {
Termes de
de F (X)
première espèce
Exemple 9.2.1
1. Décomposer en élément simple la fraction rationnelle à coefficients complexes
suivante :
X4 + 1 2X 3 − 2X 2 + 2X
F (X) = 2 = 1 + 2 .
(X − 1) (X 2 + 1) z }| { (X − 1) (X 2 + 1)
Division euclidienne
de X 4 + 1 par
2
(X − 1) X 2 + 1
3 2
2X − 2X + 2X T1 (X) T2 (X) T3 (X) deg T1 < 2
(1) : 2 = 2 + + , avec deg T2 < 1
(X − 1) (X + i) (X − i) (X − 1) (X + i) (X − i)
deg T3 < 1.
Donc,
2X 3 − 2X 2 + 2X α α0 λ β
2 = + 2 + + , avec α, α0 , λ, β ∈ C.
(X − 1) (X + i) (X − i) X − 1 (X − 1) (X + i) (X − i)
2
Multiplier (1) par (X − 1)(X=1) ⇒ α0 = 1,
1
Multiplier (1) par (X − i)(X=i) ⇒ β = ,
2
1
Multiplier (1) par (X + i)(X=−i) ⇒λ= ,
2
Multiplier (1) par (X − 1)(x→±∞) ⇒ 2 = α + λ + β ⇒ α = 1.
X4 + 1 1 1 1 1
2 =1+ + + + .
(X − 1) (X 2 + 1) X − 1 (X − 1)2 2 (X + i) 2 (X − i)
2. Décomposer en élément simple la fraction rationnelle à coefficients complexes
suivante :
X +1 X +1
G (X) = 4 = √ 4 √
(X − 1) + 2) (X 2(X − 1) X − i 2 X + i 2
α1 α2 α3 α4 β γ
= 4 + 3 + 2 + (X − 1) +
√ + √ ,
(X − 1) (X − 1) (X − 1) X −i 2 X +i 2
avec α1 , α2 , α3 , α4 , β, γ ∈ C.
i i
i i
i i
On a,
10 11 10
81 + 81 (X − 1) 81 + 11
81 (X − 1) β γ
2 = = √ + √ .
3 + 2 (X − 1) + (X − 1) X2 + 2 X −i 2 X +i 2
Cas de R [X]
P (X)
Soit F (X) = Q(X) ∈ R [X] une fraction rationnelle écrite sous sa forme irréductible
et soit Q (X) unitaire. On suppose
k k k1 k p
Q (X) = (X − a1 ) 1 . . . (X − am ) m X 2 + α1 X + β1 . . . X 2 + α p X + βp .
z }| { z }| {
∆<0 ∆<0
Théorème 9.2.2 La décomposition en éléments simples de F (X) est :
kr
m X p X lu
X λr,s X γu,v X + δu,v
F (X) = E (X) + s + 2 v.
z }| { r=1 s=1
(X − ar ) u=1 v=1
(X + αu X + βu )
Partie entière z }| { z }| {
Termes de Termes de
de F (X)
première espèce deuxième espèce
i i
i i
i i
Donc,
S (X) R (X)
F (X) = + .
Xp aX 2 + bX + c
Exemple 9.2.3 Décomposition de F (X) = X 3X+1 (X 2 +1) , p = 3 et q = 1. En effectuant
la division suivant les puissances croissantes de (1 + X) et 1 + X 2 à l’ordre 2,
on obtient,
1 + X = 1 + X − X 2 1 + X 2 + X 3 (−1 + X) .
D’où,
X +1 1 1 1 X −1
F (X) = = 3+ 2− + 2 .
X3 2
(X + 1) X X X X +1
– 2ème cas : p = 0 et q ≥ 1
b2 − 4ac < 0
P (X)
F (X) = q avec
(aX 2 + bX + c) deg P < 2q.
La décomposition en éléments simples de F (X) est la suivante :
q
X α i X + βi
F (X) = i
.
i=1 (aX 2 + bX + c)
αX + β
F (X) = q.
(aX 2 + bX + c)
On obtient :
T (X) R (X)
F (X) = q−1 + q.
(aX 2 + bX + c) (aX 2 + bX + c)
z }| { z }| {
On refait le même travail Un élément du
que précédemment second espèce
i i
i i
i i
i i
i i
i i
Conclusion,
1 1 1 1 1 1+X 1 1
F (X) = − + 2 + 2
− 2
9 (X − 1) 9 (X − 1) 9X +X +1 3X +X +1
9.3 Exercices
9.3.1 Enoncés
Exercice 1 :
Déterminer les zéros du polynôme P (X) = X 3 + 5X 2 − 8X − 48, sachant qu’il
admet deux zéros distincts dont la somme est égale à −1.
Exercice 2 :
On considère le polynôme P (X) = X 4 − 9X 3 + 30X 2 − 44X + 24 et un polynôme
Q (X) = a0 + a1 X + · · · + an X n .
1. En notant que 2 est un zéro de P, déterminer les zéros de P avec leur ordre de
multiplicité.
2. Donner une condition nécessaire et suffisante portant sur les zéros de P pour
que Q soit multiple de P.
Exercice 3 :
Soit P (X) = X 3 − 3X + 2.
Calculer PGCD(P, P 0 ) , où P 0 est le polynôme dérivé de P.
En déduire une factorisation de P sur R [X] .
Exercice 4 :
Montrer que le polynôme Pn (X) = nX n+1 − (n − 1) X n + 1 est divisible par
2
(X − 1) et déterminer le quotient.
Exercice 5 :
Factoriser sur C [X] puis qur R [X] le polynôme X 5 − 1. En déduire que
π
2π
4 3 2 2 2
X + X + X + X + 1 = X + 2 cos X +1 X − 2 cos X +1 .
5 5
Exercice 6 :
Soit Pn (X) = X n+2 − X n − 2X + 2.
2
1. Montrer que Pn est divisible par (X − 1) .
2. Calculer Pn+1 − Pn et en déduire Qn+1 − Qn .
Exercice 7 :
Déterminer le reste de la division euclidienne de
n
P (X) = 2X 2n + (X + 1) + 3 par X (X + 1) .
Exercice 8 :
Déterminer un polynôme de degré 3 tel que
P (X + 1) − P (X − 1) = X 2 + 1.
Exercice 9 :
i i
i i
i i
P (X) = X 8 + X 4 + 1.
1
2. Décomposer en éléments simples dans R [X] la fraction rationnelle P (X) .
Exercice 10 :
Décomposer dans R [X] en éléments simples les fractions suivantes :
1 X 2 +2X+5 2X 3 +X+1
(a) (X+1)(X+2) (b) X 2 −3X+2 (c) X 2 (X−1)2
X 2 +1 X 6 +2 1
(d) (X 2 −1)(X 2 +X+1) (e) (X−1)(X 2 +1)2
(f ) (X+1)3 (X 2 +X+1)
Exercice 11 :
Décomposer dans C [X] et puis dans R [X] les fractions suivantes :
(a) 1
X 2n −1 , n ∈ N∗ (b) 1
X 2n+1 −1 , n ∈ N.
9.3.2 Corrigés
Exercice 1 :
P (X) = X 3 + 5X 2 − 8X − 48 admet deux zéros distincts dont la somme est égale
à −1 c’est à dire
P (X0 ) + P (X1 ) = −1
⇔
X03 + 5X02 − 8X0 − 48 + X13 + 5X12 − 8X1 − 48 = −1
⇔
X0 X1 = −12.
Ainsi, X0 et X1 sont les solutions de l’équation X 2 + X − 12 = 0 : X0 = −4 et X1 = 3.
Donc,
P (X) = (X − 3) (X + 4) (X − a) , a ∈ C.
En remarquant que 3 × (−4) × a = 48 ⇒ a = −4. D’où,
2
P (X) = (X − 3) (X + 4) .
Exercice 2 :
On considère le polynôme P (X) = X 4 − 9X 3 + 30X 2 − 44X + 24 et un polynôme
Q (X) = a0 + a1 X + · · · + an X n .
000
1. On vérifie facilement que P (2) = P 0 (2) = P 00 (2) = 0 et P (2) 6= 0. Donc, 2 est
une racine de P avec ordre de multiplicité 3. D’où,
3
P (X) = (X − 2) (X − a) , a ∈ C.
3
Puisque, (−2) × a = 24 alors a = 3. Donc,
3
P (X) = (X − 2) (X − 3) et 3 est une racine simple de P.
i i
i i
i i
Or, P (X) divise Q (X) si et seulement si 3 est au moins une racine simple de
Q (X) et 2 est une racine d’ordre supérieur ou égale à 3. En effet, si (X − 3)
3
divise Q (X) et (X − 2) divise Q (X) alors
3
P (X) = (X − 2) (X − 3)
Exercice 3 :
Soit P (X) = X 3 − 3X + 2 ⇒ P 0 (X) = 3X 2 − 3. Ainsi, PGCD(P, P 0 ) = X − 1. De
plus, (X − 1) divise P (X) donc 1 est une racine de P (X) (de même 1 est une racine
de P 0 (X)). Ainsi, 1 est une racine de P (X) d’ordre ≥ 2. On remarque que −2 est une
2
racine de P (X) . Alors, P (X) = (X − 1) (X + 2) . Une factorisation de P sur R [X] .
Exercice 4 :
En effectuant une division euclidienne de Pn (X) = nX n+1 − (n − 1) X n + 1 par
2
(X − 1) , il suffit de montrer par récurrence que pour tout n ∈ N,
2
Pn (X) = (X − 1) nX n−1 + (n − 1) X n−2 + · · · + 1 .
Exercice 5 :
Dans C [X] , résoudre X 5 = 1. Soit X = eiθ , θ ∈ R. e5iθ = 1 = e2ikπ , k ∈ Z. Donc,
θ = 2kπ
5 , k ∈ {0, 1, 2, 3, 4} . D’où,
2iπ
8iπ
4iπ
6iπ
P (X) = (X − 1) X − e 5 X −e 5 X −e 5 X −e 5 dans C [X] ,
et
P (X) = (X − 1) X 4 + X 3 + X 2 + X + 1 dans R [X] .
i i
i i
i i
2. D’une part,
2
Pn+1 (X) − Pn (X) = X n (X − 1) (X + 1)
2
et d’autre part, Pn+1 (X) − Pn (X) = (X − 1) [Qn+1 (X) − Qn (X)] . Donc,
Exercice 7 :
La division euclidienne de
n
P (X) = 2X 2n + (X + 1) + 3 par X (X + 1)
P (X) = Q (X) S (X) + R (X) avec deg (R) < deg (Q) = 2.
R (X) = −X + 4.
Exercice 8 :
Un polynôme de degré 3 : P (X) = aX 3 + bX 2 + cX + d, a 6= 0, b, c, d ∈ R tel que
P (X + 1) − P (X − 1) = X 2 + 1.
i i
i i
i i
√
1. On pose Y = X 4 : P (X) = Y 2 + Y + 1 = (Y − j) Y − j avec j = − 12 + i 23 .
X 4 − j = (x − j) (x + j) (x + ij) (x − ij) ,
X 4 − j = x − j x + j x + ij x − ij .
P (X) = X 8 + X 4 + 1
√ √
= X2 + X + 1 X2 − X + 1 X2 − X 2 + 3X + 1 .
3X + 1
α1 X + β1 α2 X + β2 α3 X + β3 α4 X + β4
= √ + √ + +
X 2 − 3X + 1 X 2 + 3X + 1 X 2 − X + 1 X 2 + X + 1
1
avec αi , βi ∈ R et 1 ≤ i ≤ 4. En multipliant P (X) par X 2 + X + 1 :
X2 + X + 1
α1 X + β1 α2 X + β2 α3 X + β3 α4 X + β4
= X2 + X + 1
√ + √ + 2 + 2
P (X) X 2 − 3X + 1 X 2 + 3X + 1 X − X + 1 X + X + 1
α1 X + β1 α2 X + β2 α3 X + β3
= X2 + X + 1
√ + √ + 2 + α4 X + β4 .
X 2 − 3X + 1 X 2 + 3X + 1 X − X + 1
1 1 1
Pour X = j, α4 j + β4 = 4 ⇒ α4 = 0 et β4 = 4. En multipliant P (X) par
X2 − X + 1 :
X2 − X + 1
2
α1 X + β1 α2 X + β2 α3 X + β3 α4 X + β4
= X −X +1 √ + √ + +
P (X) X 2 − 3X + 1 X 2 + 3X + 1 X 2 − X + 1 X 2 + X + 1
α1 X + β1 α2 X + β2 α4 X + β4
= X2 − X + 1
√ + √ + 2 + α3 X + β3 .
2 2
X − 3X + 1 X + 3X + 1 X +X +1
1
Pour X = −j, −α3 j + β3 = 4 ⇒ α3 = 0 et β3 = 41 . De la même façon, on a
1
√ 1 1
√ 1
1 1 6 3X + 4 6 3X − 4 1
= + √ − √ + .
P (X) 4 (X − X + 1) X 2 + 3X + 1 X 2 − 3X + 1 4 (X 2 + X + 1)
2
Exercice 10 :
1 1 1
(a) = − .
(X + 1) (X + 2) X +1 X +2
X 2 + 2X + 5 13 8
(b) = − + 1.
X 2 − 3X + 2 X −2 X −1
i i
i i
i i
2X 3 + X + 1 4 1 3 1
(c) 2 = 2 − + + 2.
X 2 (X − 1) (X − 1) X −1 X X
2
X2 + 1 X + 13 1 1
(d) = 23 + − .
(X 2 2
− 1) (X + X + 1) X + X + 1 3 (X − 1) X + 1
1 1 7
X6 + 2 2X + 2 4X + 74 3
(e) 2 =X− 2 − + + 1.
(X − 1) (X 2 + 1) (X 2 + 1) X2 +1 4 (X − 1)
1 1 1 1
(f ) 3 = 2 + 3 − .
(X + 1) (X 2 + X + 1) (X + 1) (X + 1) X2 +X +1
Exercice 11 :
1 1 kπ
F (X) = = p−1 où Xk = e2i p .
Xp − 1 Q
(X − Xk )
k=0
lim (X − Xk ) F (X) = αk .
X→Xk
1 P (X)
En posant, F (X) = X p −1 = Q(X) , on a,
P (X)
αk = lim (X − Xk )
X→Xk Q (X)
P (X)
= lim , Q (Xk ) = 0
X→Xk Q(X)
X−Xk
P (X) P (Xk )
= lim = .
X→Xk Q(X)−Q(Xk ) Q0 (Xk )
X−Xk
Ainsi,
P (Xk ) 1 Xk Xk
αk = 0
= p−1 = p = .
Q (Xk ) pXk p Xk p
|{z}
=1
i i
i i
i i
– Sur R [X] , si p = 2n :
n
Xp − 1 = X2 −1
= X − 1 X 2n−2 + X 2n−4 + · · · + X 2 + 1
2
= (X − 1) (X + 1) X 2n−2 + X 2n−4 + · · · + X 2 + 1 .
Ainsi,
2n−1
1 X Xk kπ
F (X) = , où Xk = e2i p .
2n X − Xk
k=0
2n−1
1 1 1 1 X Xk
= − +
2n X − 1 X + 1 2n X − Xk
k=1
k6=n
| {z }
2n−2 termes
n−1
1 1 1 1 X Xk Xk
= − + + .
2n X −1 X +1 2n X − Xk X − Xk
k=1
Or,
X cos kπ
Xk Xk 2X Re (Xk ) − 2 4 −1
+ = 2 =2 2 kπ
.
X − Xk X − Xk X − 2 Re (Xk ) X + 1 X − 2 cos 4 X + 1
D’où,
n−1
X cos kπ
n −1
1 1 1 1 1X
(a) 2n = − + .
X 2 − 2 cos kπ
X −1 2n X −1 X +1 n n X +1
k=1
– Sur R [X] , si p = 2n + 1 :
n
X cos kπ
1 1 1 1X n −1
(b) 2n+1 = + .
X 2 − 2 cos kπ
X −1 2n X − 1 n n X +1
k=1
i i
i i
i i
i i
i i
i i
CHAPITRE 10
i i
i i
i i
x = a1 e1 + · · · + an en ,
l (x) = l (a1 e1 + · · · + an en )
= a1 l (e1 ) + · · · + an l (en )
= e∗1 (x) l (e1 ) + · · · + e∗n (x) l (en ) .
Ainsi, l = l (e1 ) e∗1 + · · · + l (en ) e∗n ∈ E ∗ , donc (e∗1 , . . . , e∗n ) est un système générateur
de E ∗ . De plus, on vérifie facilement que (e∗1 , . . . , e∗n ) est un système libre de E ∗ . D’où,
(e∗1 , . . . , e∗n ) est une base de E ∗ , qu’on appelle la base duale de B et qu’on note B ∗ .
Remarque 10.1.2 Si E est un espace vectoriel de dimension finie n, son dual E ∗ est
de la même dimension n. On retiendra qu’on a les relations suivantes :
∗ 1 si i = j
ei (ej ) = δij =
0 sinon
(x, y) 7→t XM Y
i i
i i
i i
f (., x) : E → K
y 7−→ f (y, x)
ϕf : E → E∗
x 7−→ f (., x)
ker f = {x ∈ E / ∀y ∈ E : f (y, x) = 0} .
La forme bilinéaire symétrique f est dite non dégénérée quand son noyau est
réduit à {0}. Si E est de dimension finie, le rang de f est le rang de l’application
ϕf ,
c’est à dire aussi le rang de la matrice de f dans une base de E.
Remarque 10.1.3 En dimension finie, une forme bilinéaire symétrique f sur E × E
est donc non dégénérée si et seulement si sa matrice dans une base de E est
inversible.
Proposition 10.1.3 Soit f une forme bilinéaire symétrique non dégénérée sur E × E,
où E est de dimension finie. Alors, pour toute forme linéaire l ∈ E ∗ , il existe un
unique x ∈ E tel que
∀y ∈ E, l (y) = f (y, x) .
i i
i i
i i
10.1.4 Orthogonalité
Dans ce paragraphe, f est une forme bilinaire symétrique sur E × E.
Définition 10.1.5 Soit F un sous-espace vectoriel de E. L’orthogonal de F pour f
est le sous-espace de E défini par
F ⊥ = {x ∈ E / ∀y ∈ F : f (y, x) = 0} .
Exemple 10.1.3 Dans R3 muni d’un produit scalaire, l’orthogonal d’une droite
vectorielle D est bien le plan vectoriel orthogonal (au sens usuel) à D.
Théorème 10.1.1 On suppose E de dimension finie n.
1. Si f est non dégénérée, alors dim F ⊥ = n − dim (F ) .
i i
i i
i i
i i
i i
i i
2. La forme quadratique q ne contient aucun carré de variable. Si elle est non nulle,
elle contient au moins un produit de variables xi xj . On peut supposer qu’il
s’agit de x1 x2 , et alors q peut s’écrire
q(x1 , ..., xn ) = cx1 x2 + x1 l(x3 , ..., xn ) + x2 m(x3 , ..., xn )r(x3 , ..., xn ),
où c est une constante non nulle, l et m des formes linéaires et r une forme
quadratique. On complète le produit en
1 1 1
q = c x1 + m x2 + l + r − lm.
c c c
On transforme le produit des formes linéaires k1 = x1 + 1c m et k2 = x2 + 1c l
1h 2 2
i
k1 k2 = (k1 + k2 ) − (k1 − k2 ) ,
4
qui est une combinaison linéaire des carrés de formes linéaires k1 + k2 et k1 − k2 .
Il reste après la forme quadratique
1
q 0 (x3 , ..., xn ) = r(x3 , ..., xn ) − l(x3 , ..., xn )m(x3 , ..., xn ),
c
qui ne dépend plus des variables x1 et x2 .
L’algorithme de Gauss produit une décomposition en carrés
q = c1 l12 + · · · + cr lr2
avec c1 , ..., cr éléments non nuls de K et l1 , ..., lr des formes linéaires linéairement
indépendantes sur Kn . On peut alors compléter cette famille libre en une base
(l1 , ..., lr , lr+1 , ..., ln ) de (Kn )∗ . La base duale (e1 , ..., en ) de Kn sera une base or-
thogonale pour q, dans laquelle la matrice de q est diagonale avec c1 , ..., cr , 0, ..., 0
comme coefficients diagonaux.
Ainsi, la méthode de Gauss nous montre que toute forme quadratique est diagona-
lisable.
i i
i i
i i
où les li sont des formes linéaires linéairement indépendantes, alors s (resp. t) est le
nombre de coefficients ci positifs (négatifs).
Proposition 10.2.3 Soit q une forme quadratique de signature (s, t) sur un R-espace
vectoriel E de dimension n. Alors il existe une base de E dans laquelle la matrice
de q est r s
z }| { z }| {
1
. .. 0
1
−1
.
. ..
−1
0
0 . .
.
0
Définition 10.2.6 Deux matrices A et B de Mn (R) sont dites congruentes quand il
existe une matrice P inversible dans Mn (R) telle que B = t P AP.
Théorème 10.2.3 Deux matrices symétriques réelles sont congruentes sur R si et
seulement si elles ont même signature.
10.3 Exercices
10.3.1 Enoncés
Exercice 1 :
On considère l’application :
b : M2 (R) × M2 (R) −→ R
définie par :
b (A, B) = T r (A) T r (B) .
1. Montrer que b est une forme bilinéaire symétrique.
2. On note :
1 0 0 1 0 0 0 0
B = E11 = , E12 = , E21 = , E22 = .
0 0 0 0 1 0 0 1
i i
i i
i i
Vérifier que B est une base de M2 (R) . Ecrire la matrice S de b dans cette base
et calculer son déterminant.
3. La forme bilinéaire symétrique b est-elle non dégénérée ?
Exercice 2 :
Soit E l’espace vectoriel des polynômes sur R de degré ≤ 2. Pour (f, g) ∈ E × E,
on pose : Z 1
σ (f, g) = f (t) g (t) dt.
0
1. Montrer que σ est une forme bilinéaire symétrique sur E.
2. Trouver une base du sous-espace F orthogonal à h (t) = 2t + 1.
Exercice 3 :
Soit
b : Mn (R) × Mn (R) −→ R
l’application définie par :
b (A, B) = T r (AB) .
1. Montrer que b est une forme bilinéaire symétrique.
2. Montrer que si A est une matrice symétrique non nulle alors
b (A, A) > 0.
b (A, A) < 0.
i i
i i
i i
q : Mn,1 (R) −→ R
t ; M ∈ Mn (R) .
X 7−→ XM X
i i
i i
i i
10.3.2 Corrigés
Exercice 1 :
On considère l’application :
b : M2 (R) × M2 (R) −→ R
définie par :
b (A, B) = T r (A) T r (B) .
1. Soient A ∈ M2 (R) , A ∈ M2 (R), B ∈ M2 (R), λ ∈ R et λ0 ∈ R. On a
0
Donc, b est linéaire par rapport à la deuxième variable. Ainsi, b est une forme
bilinéaire. De plus, Soient A ∈ M2 (R) et B ∈ M2 (R) , on a
On vérifie facilement que B est libre et que rg (B) = 4 = dim M2 (R) donc B est
une base de M2 (R) . Soit
b (E11 , E11 ) b (E11 , E12 ) b (E11 , E21 ) b (E11 , E22 )
b (E12 , E11 ) b (E12 , E12 ) b (E12 , E21 ) b (E12 , E22 )
S = M (b, B) = b (E13 , E11 ) b (E21 , E12 ) b (E21 , E21 ) b (E21 , E22 )
.
b (E14 , E11 ) b (E22 , E12 ) b (E22 , E21 ) b (E22 , E22 )
Ainsi,
1 0 0 1
0 0 0 0
S=
0
0 0 0
1 0 0 1
et det (S) = 0.
i i
i i
i i
Soit
Z 1
at2 + bt + c (2t + 1) dt
I=
0
10a + 14b + 24c
= .
12
Ainsi,
F = at2 + bt + c / 5a + 7b + 12c = 0
b c
= − 7t2 − 5t − 12t2 − 5 / b, c ∈ R .
5 5
Posons f1 (t) = 7t2 − 5t et f2 (t) = 12t2 − 5. On a alors {f1 , f2 } est un système
générateur de F,
F = hf1 , f2 i et dim F = 2
D’où, {f1 , f2 } est une base du sous-espace F orthogonal à h (t) = 2t + 1.
i i
i i
i i
Exercice 3 :
b (λA + λ0 A0 , B) = tr ((λA + λ0 A0 ) B)
= λtr (AB) + λ0 tr (A0 B) (car tr est une forme linéaire sur M2 (R))
= λb (A, B) + λ0 b (A0 , B) .
Donc, b est linéaire par rapport à la première variable. Puisque b est symétrique
(pour tout A ∈ Mn (R), B ∈ Mn (R) , tr (AB) = tr (BA)) donc b est linéaire
par rapport à la deuxième variable. D’où, b est une forme bilinéaire symétrique.
2. Soit q une forme quadratique associée à b. On a q (A) = b (A, A) , pour tout
A ∈ Mn (R) . Soit A une matrice symétrique
non nulle, montrons que b (A, A) =
q (A) > 0. En effet, q (A) = tr A2 et A = AT donc
n
X n
X 2
tr A2 =
aik aki = (aik ) > 0 car A non nulle.
i,k=1 i,k=1
Alors, q (A) > 0 et q est définie positive sur Sn (R) : ensemble des matrices
symétriques d’ordre n.
3. Soit A une matrice antisymétrique non nulle, montrons que b (A, A) < 0. En
effet, q (A) = tr A2 et A = −AT donc
n
X n
X 2
tr A2 =
aik aki = − (aik ) < 0 car A non nulle.
i,k=1 i,k=1
Alors, q (A) < 0 et q est définie négative sur An (R) : ensemble des matrices
antisymétriques d’ordre n.
4. On sait que Mn (R) = Sn (R) ⊕ An (R) et dim Mn (R) = n2 , dim Sn (R) =
n(n+1)
2 et dim An (R) = n(n−1)
2 . Soit A ∈ Sn (R) et B ∈ An (R) , on a
i i
i i
i i
i i
i i
i i
Exercice 5 :
1. Soit w = (x0 , y 0 , z 0 , t0 ) un vecteur non nul orthogonal à u c’est à dire w ⊥ u ⇐⇒
b (u, w) = 0.
(a) On a
Q (u) < 0 ⇐⇒ b (u, u) = 0 ⇐⇒ x2 + y 2 + z 2 < c2 t2 .
De plus,
b (u, w) = 0 ⇐⇒ xx0 + yy 0 + zz 0 = c2 tt0 .
Or,
2 2 2
x2 + y 2 + z 2 (x0 ) + (y 0 ) + (z 0 ) − (xx0 + yy 0 + zz 0 ) ≥ 0.
D’où,
2 2 2 2
c4 t2 (t0 ) ≤ x2 + y 2 + z 2 (x0 ) + (y 0 ) + (z 0 ) .
(b) En déduire que w est un vecteur Spatial c’est à dire il faut justifier que
Q (w) > 0. En effet,
2 2 2 2
Q (w) = (x0 ) + (y 0 ) + (z 0 ) − c2 (t0 )
et on sait que
x2 + y 2 + z 2 < c2 t2
2 2 2 2
c4 t2 (t0 ) ≤ x2 + y 2 + z 2 (x0 ) + (y 0 ) + (z 0 ) .
Donc,
2 2 2 2
Q (w) = (x0 ) + (y 0 ) + (z 0 ) − c2 (t0 ) > 0.
(c) Montrer que pour tout vecteur V, il existe un unique λ ∈ R, tel que
w = v − λu soit orthogonal à u. En effet, on a
Donc,
b (u, v) b (u, v)
λ= = car Q (u) 6= 0.
b (u, u) Q (u)
D’où, λ existe et unique.
(d) Si w 6= 0, on a
i i
i i
i i
Alors,
2
Q (u) Q (v) < (b (u, v)) .
Si w = 0, on a
b2 (u, v)
Q (w) = 0 = Q (v) − .
Q (u)
D’où, pour tout v ∈ R4 , on a :
2
Q (u) Q (v) ≤ (b (u, v)) .
i i
i i
i i
1. Soit λ ∈ R, q (λX) = t (λX) M (λX) = λ2 q (X) . Donc q est une forme quadra-
tique sur Mn,1 (R) .
2. Soit X, Y ∈ Mn,1 (R) , la forme polaire ϕ associée à q est donnée par :
1
ϕ (X, Y ) = [q (X + Y ) − q (X) − q (Y )]
2
t
1
= X M + t M Y.
2
1t
3. q (X) = 0, ∀X ∈ Mn,1 (R) ⇐⇒ ϕ (X, X) = 0, ∀X ∈ Mn,1 (R) ⇐⇒ 2 X (M + t M ) X =
0, ∀X ∈ Mn,1 (R) ⇐⇒
∀X ∈ Mn,1 (R) , M = −t M.
D’où, q = 0 ⇐⇒ M est une matrice antisymétrique.
Exercice 7 :
Soit f une forme bilinéaire dont la matrice relativement à la base canonique de R3
est :
1 2 3
A= 2 3 4 .
3 4 5
1.
ker f = X ∈ R3 / f (X, Y ) = 0, ∀Y ∈ R3 = h(1, −2, 1)i .
i i
i i
i i
Troisième partie
PROBABILITES
i i
i i
i i
i i
i i
i i
CHAPITRE 11
Notion de probabilité
Jeter un dé ou tirer un carte dans un jeu est une expérience qui représente un
phénomène aléatoire, c’est à dire non déterministe (on ne peut pas déterminer de façon
rigoureuse le résultat de l’expérience qu’on cherche à modéliser). Le résultat d’une
expérience aléatoire est appelé événement noté souvent ω. La notion de probabilité
correspond donc aux "chances" qu’un tel événement se réalise. L’ensemble des n
résultats possibles, appelés événements élémentaires ωi , noté Ω, est appelé "univers"
ou ensemble fondamental ou espace d’épreuves : Ω = {ω1 , ω2 , ω3 , ..., ωn }.
Exemple 11.1.1
Jet d’un dé à six faces numérotées : Ω = {1, 2, 3, 4, 5, 6}
Exemple 11.1.2
On tire une carte dans un jeu de 32 cartes ; l’ensemble fondamental retenu est :
Ω = {coeur, carreau, pique, trèf le}
Chaque ω ∈ Ω représente donc un événement élémentaire et toute partie A ⊂ Ω
sera un événement.
Souvent l’univers Ω est appelé l’ensemble des cas possibles et les événements
élémentaires sont des singletons {ωi } (ensemble réduit à un seul élément).
L’ensemble Ω dépend donc de l’expérience aléatoire considérée, mais aussi de celui
qui construit le modèle.
Exemple 11.1.3
i i
i i
i i
Ω = {rouge, noire}
ou Ω = {coeur, carreau, pique, trèf le}
ou Ω = {7, 8, 9, 10, V, D, R, AS}.
Exemple 11.1.4
Jet d’un dé à 6 faces, on peut retenir les univers suivants :
Ω = [0, +∞[= R+
C’est un ensemble fini non dénombrable.
i i
i i
i i
A = {∅, Ω}
Exemple 11.1.9
A partir d’un événement quelconque A, on peut construire une algèbre définie par :
A = ∅, A, A, Ω
Exemple 11.1.10
Soit Ω = {a, b, c, d}.On peut partitionner cet ensemble en trois ensembles {a} , {b} , {c, d}
afin d’obtenir l’algèbre suivante :
∅ ∈ A, Ω ∈ A
i i
i i
i i
Afin d’avoir la stabilité pour l’union dénombrable, la propriété suivante est néces-
saire pour la prochaine définition
P4. : Si An ∈ N,pour n ∈ N, alors :
∞
S
An ∈ A
n=0
11.1.3 Probabilité
Définition 11.1.5
On appelle probabilité P sur (Ω, A) une application P : A −→ [0; 1] telle que :
(i) P (Ω) = 1
(ii) pour toute suite d’événements An , An 6= 0, deux à deux incompatibles, (An ∈ A
avec Am ∩ An = ∅ pour m 6= n) :
∞ ∞
S P
P An = P (An )
n=0 n=0
i i
i i
i i
∞ ∞
S P
P An ≤ P (An )
n=0 n=0
Une probabilité est donc une application qui a une événement va associer un
nombre. Le triplet (Ω, A, P ) s’apelle un espace probabilisé noté souvent (Ω, P ).
Propriétés 11.1.3 (d’une probabilité)
P1 : La probabilité d’un événement impossible est toujours nulle :
P (∅) = 0
P2 : La probabilité d’un événement certain est toujours égale à 1 :
P (Ω) = 1
P3 : La probabilité de l’événement complémentaire A d’un événement quelconque
A est :
A = Ω\A =⇒ P A = P (Ω) − P (A) = 1 − P (A)
P4 : Si un événement A en implique un autre B, sa probabilité est plus petite :
A ⊂ B =⇒ P (A) ≤ P (B)
P5 : La probabilité de l’union de deux événements A et B est donnée par la formule
de Poincarré :
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
P6 : Si deux événements A et B sont disjoints (A ∩ B = ∅) alors
P (A ∪ B) = P (A) + P (B)
Définition 11.1.6
On appelle un système complet d’événements de Ω, une partition finie ou dé-
nombrable de Ω, c’est à dire une suite d’événements (An )n≥0 vérifant les conditions
suivantes :
(i) :∀n ∈ N, An 6= 0
(ii) : ∀n ∈ N, les An sont deux à deux disjoints Am ∩ An = ∅ pour m 6= n
Sn
(iii) : Ai = Ω
i=0
Exemple 11.1.12
A partir d’un événement
quelconque
A , on peut construire un système complet
d’événements défini par A, A .
Exemple 11.1.13
L’ensemble des événements élémentaires {ωn } , n ∈ N, forme un système complet
d’événements.
i i
i i
i i
Exemple 11.1.14
Jet d’un dé à 6 faces, soit A :"Obtenir un nombre pair" et B "Obtenir un chiffre
impair", donc A = {2, 4, 6} et B = {1, 3, 5}, alors l’ensemble {A, B} forme un système
complet d’événements.
Propriété 11.1.4
Soit (An )n≥0 un système complet d’événements alors
P
P (An ) = 1
n≥0
i i
i i
i i
5
Initialement on avait P (B) = 36 et maintenant P (A|B) = 35 > 36 5
Définition 11.2.1
Soit (Ω, A, P ) un espace probabilisé et un événement B de A tel que P (B) > 0,
alors l’application P (.|B) de P(Ω) dans [0, 1] est définie sur la tribu conditionnelle :
A|B = {A ∩ B/A ∈ A} par :
P (A ∩ B)
P (A|B) =
P (B)
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 )...P (An |A1 ∩ .. ∩ An−1 )
n
k−1
Q T
= P (A1 ) P Ak | Ai
k=2 i=1
Exemple 11.2.2
Dans une urne qui contient deux boules blanches et trois boules noires, quatre
personne A, B, C et D tirent succéssivement une boule sans la remettre ; la première
personne qui tire une boule blanche gagne.
Calculons la probabilité de gain de chacune de ces quatre personnes :
P (A) = P (B1 ) = 25
P (B) = P (N1 )P (B2 |N1 ) = 35 × 42 = 10
3
i i
i i
i i
n
P n
P
P (B) = P (Ai ∩ B) = P (Ai )P (B|Ai )
i=1 i=1
Cette formule de Bayes permet de claculer les probabilités a posteriori P (Ai |B),
après réalisation d’un événement B à partir des probabilités a priori P (Ai ), 1 ≤ i ≤ n.
Exemple 11.2.3.
On tire au hasard entre trois urnes remplies de boules de trois couleurs comme
l’indique le tableau ci-dessous. Sachant qu’on a obtenu une boule verte, on se pose la
question de savoir quelle est la probabilité qu’elle provienne de l’urne U2 .
P (A ∩ B) = P (A) × P (B)
La probabilité de réalisation simultanée de deux événements indépendants est égale
au produit des probabilités que chacun de ces événements se produise séparément.
Conséquence 11.2.1
Soit A et B deux événements tels que P (A) > 0 et P (A) > 0
Alors A et B sont indépendants ⇐⇒ P (A|B) = P (A)
i i
i i
i i
18 1 6 1 3 1
P (A) = = , P (B) = = , P (A ∩ B) = =
36 2 36 6 36 12
P (A ∩ B) 1/12 1
P (B|A) = = = = P (B)
P (A) 1/2 6
P (B|A) = P (B) ⇐⇒ les deux événements A et B sont alors indépendants.
On remarque aussi que
1 1 1
P (A ∩ B) = = P (A) × P (B) = ×
12 2 6
Définition 11.2.3
Les événements A1 , A2 , ..., An (où n > 2) sont dits mutuellement indépendants si
pour tout k-uplet {i1 , i2 , ..., ik } de {1, 2, ..., n} on a :
Exemple 11.2.5
Pour montrer que trois événements A, B et C sont mutuellement indépendants, il
faut montrer que :
i i
i i
i i
P (A ∩ B) = P (A) × P (B)
P (A ∩ C) = P (A) × P (C)
P (B ∩ C) = P (B) × P (C)
P (A ∩ B ∩ C) = P (A) × P (B) × P (C)
11.3.1 Parties
Définition 11.3.1 : Soit un ensemble Ω composé de n différents élèments, alors le
nombre d’éléments de l’ensemble Ω est Card(Ω) = n, appelé cardinal de l’ensemble Ω.
L’ensemble des parties de Ω est noté P(Ω), et le nombre de parties (ou sous-
ensembles) de Ω est égal à :
Card(P(Ω)) = 2card(Ω) = 2n
Exemple 11.3.1
Jet d’un dé à 6 faces numérotées de 1 à 6, on a alors. Card(Ω) = 6 et
Card(P(Ω)) = 26 = 64.
Exemple 11.3.2
Une course comportant quatre vélos alors. Card(Ω) = 4 et
Card(P(Ω)) = 24 = 16
Exemple 11.3.3
Soient Ω un ensemble formé par a, b, c et d quatre voitures de rally prenant part à
une course.
Combien de façon y a-t-il de grouper les voitures ?
Réponse : ∅, {a}, {b}, {c}, {d},
{a,b},{a,c},{a,d},{a,e},
{a,b,c},{a,b,d},{a,b,e},....,
{a,b,c,d},{a,b,c,e},{a,c,d,e},{b,c,d,e},{a,b,d,c,e}
Card(P(Ω)) == 25 = 32
11.3.2 Factorielle
Etant donné un entier positif n, on note n! et on lit factorielle n, le nombre obtenu
par le produit de tous les nombres entiers de 1 à n.
i i
i i
i i
n
Q
n! = 1 × 2 × 3 × ... × n = k
k=1
n! n−m
Q
si m < n alors = (m + k)
m! k=1
Par convention 0! = 1.
Dans toute la suite p ∈ N, n ∈ N et p ≤ n.
11.3.3 Arrangements
On appelle arrangement p à p des n éléments d’un ensemble E tout sous ensemble
ordonné de E ayant p éléments.
Le nombre total de ces arrangements est noté Apn et on a :
n!
Apn = n(n − 1)(n − 2)...(n − p + 1) =
(n − p)!
C’est également le nombre d’injections d’un ensemble E à p éléments distincts
dans un ensemble F à n éléments.
11.3.4 Permutations
On appelle permutation de n éléments de l’ensemble E, tout ensemble ordonné formé
par ces n éléments.
Le nombre total de ces permutations est noté Pn .
C’est également le nombre de bijections de l’ensemble E dans lui même.
11.3.5 Combinaisons
On appelle combinaisons p à p des n éléments de l’ensemble E de n éléments distincts
tout sous-ensemble de E ayant p éléments.
Le nombre total de ces combinaisons est noté Cnp .
i i
i i
i i
n
(a + b)n = Cnp ak bn−k = ak + Cn1 an−1 b + Cn2 an−2 b2 + ... + Cnk ak bn−k + ... + bk
P
k=0
11.5 Exercices
11.5.1 Enoncés
Exercice 1
Soit Ω = {α, β, γ} et considérons les ensembles A1 = {∅, {α}, {β, γ}, Ω} et A2 =
{∅, {β}, {α, γ}, Ω}
1) Montrer que A1 et A2 sont des tribus sur Ω.
2) Les ensembles A1 ∩ A2 et A1 ∪ A2 sont-ils des tribus sur Ω ?
Exercice 2
On jette 12 fois un dé non truqué à 6 faces.
Soient A0 : ”on n’a pas obtenue la face 6"
A1 : ”on a obtenue exactement une seule fois la face 6"
B : ”on a obtenue au moins deux fois la face 6"
1) Montrer que A0 , A0 et B forment un système complet d’événements.
2) Calculer P (A0 ) et P (A0 ). En déduire P (B).
Exercice 3
Un étudiant doit tirer 3 questions d’oral sur les 22 préparées par un examinateur ;
ces 22 questions comprennent :
- 10questions d’algèbre
- 7 questions d’analyse
- 5 questions de probabilité
L’étudiant tire successeivement les trois questions sans remettre dans le tas une
question déjà tirée.
Quelle est la probabilité de tirer dans l’ordre une questoin d’algèbre, une d’analyse
et une de probabilité.
Exercice 4
Deux Chasseurs C1 et C2 aperçoivent ensemble un lièvre et tire simultanément.
1) Sachant uqe le chasseur C1 atteint et tue d’habitude 5 lièvres sur 6 et le chasseur
C2 tue 4 lièvres sur 5. Quelle est laprobabilité pour que le lièvre soit tué.
2) En fait c’est le chasseur C2 qui a tiré.
a) Quelle est la probabilité pour que C1 tue le lièvre sachant que si C2 tire est
manque, les chance de C1 d’atteindre le lièvre se trouvent diminuées de moitié ?
i i
i i
i i
i i
i i
i i
11.5.2 Corrigés
Exercice 1
1) Si on note A1 = {α} et A2 = {β}, les deux ensembles A1 = {∅, {α}, {β, γ}, Ω}
et A2 = {∅, {β}, {α, γ}, Ω},
s’écrivent Ai = {∅, Ai , Ai , Ω}, avec i = 1, 2, et sont donc des tribus sur Ω.
2) L’ensemble A1 ∩ A2 = {∅, Ω} est une tribu grossière.
L’ensemble A1 ∪A2 = {∅, {α}, {β}, {α, γ}, {β, γ}, Ω} n’est pas une tribu car {α, γ}∩
{β, γ} = {γ} ∈ / A1 ∪ A2
Exercice 2
Jet d’un dé 12 fois, et on s’interesse à la face numéro 6.
On a les événements :
A0 : ”on n’a pas obtenue la face 6",
i i
i i
i i
Exercice 3
C’est la probabilité de tirer dans l’ordre une question d’algèbre, une d’analyse et
une de probabilité.
Soient
A1 l’événement "la première question tirée est une question d’algèbre"
B2 l’événement "la deuxième question tirée est une question d’analyse"
C3 l’événement "la troisième question tirée est une question de probabilité"
L’objectif est de calculer P (A1 ∩ B2 ∩ C3 ).
Les événements A1 , B2 et C3 sont dépendants puisqu’on ne remet pas la question
tirée dans le tas, on a donc :
i i
i i
i i
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
5 4
or P (A) = 6 et P (B) = 5 donc
5 4 5 4 29
P (A ∪ B) = + − × = ≈ 0, 97
6 5 6 5 30
P (C2 ∩ C1 ) = P (C2 ) × P (C1 /C2 ) = [1 − P (C2 )] × 1 − P (C1 /C2 )
4 5 7
P (C2 ∩ C1 ) = (1 − ) × (1 − ) = ≈ 0, 12
5 12 60
Exercice 5
1) Dans un espace probabilisé (Ω, P(Ω), P ), on considère les événements :
B : " La pièce est bonne "
D : " La pièce est défectueuse "
T : " Le test indique que la pièce est bonne ".
Le texte indique
p = P (B) : la probabilité pour qu’une pièce choisie au hasard soit bonne.
a = P (T /B) : la probabilité pour que le test indique comme bonne une pièce qui
est effectivement bonne.
b = P (T /D) : la probabilité pour que le test indique comme bonne une pièce qui
est effectivement défectueuse.
L’objectif est de calculer P (B/T ) la probabilité pour qu’une pièce indiquée comme
bonne par le test soit effectivement bonne.
P (B) × P (T /B) pa
P (B/T ) = =
P (B) × P (T /B) + P (B) × P (T /M ) pa + (1 + p)b
i i
i i
i i
C42 × C28
2
C2 × C2
P (A) = 4 et P (R) = 4 4 28 .
C32 C32
Sachant que l’une des cartes tirées est un roi, on demande de calculer la probabilité
d’obtenir deux as et deux rois. Il s’agit donc de calculer :
Card C ∩ (A ∩ R)
P (A ∩ R/C) = .
Card(C)
On remarque bien que A ∩ R ⊂ C donc C ∩ (A ∩ R) = A ∩ R. Finalement on
obtient :
Card(A ∩ R) C 2 × C42 36
P (A ∩ R/C) = = 44 4 = 15485 ≈ 0, 0023.
Card(C) C 32 − C 28
i i
i i
i i
Exercice 7
Soient les événement suivants :
X : " L’ouvrier X quitte l’entreprise "
Y : " Le cadre Y quitte l’entreprise "
Les événements Xet Y sont supposés indépendants.
a) Soit l’événement A : " X et Y quittent l’entreprise ", alors on a A = X ∩ Y
P (A) = P (X ∩ Y ) = P (X) × P (Y )
1 1 1
P (A) = × = ≈ 0, 025
5 8 40
b) Soit l’événement B : " l’un des deux quitte l’entreprise ", alors on a B = X ∪ Y
P (B) = P (X ∪ Y ) = P (X) + P (Y ) − P (X ∩ Y )
1 1 1 12
P (B) = + − = = 0, 3
5 8 40 40
c) Soit l’événement C : " ni X, ni Y ne quittent l’entreprise ", alors on a C = X ∩ Y
P (C) = P (X ∩ Y ) = P (X ∪ Y ) = 1 − P (X ∪ Y )
P (C) = 1 − 0, 3 = 0, 7
Remaque :
Vu que les événements X et Y sont indépendants, alors X et Y sont aussi indé-
pendants.
et on a
4 7 28
P (X ∩ Y ) = P (X) × P (Y ) = × = = 0, 7
5 8 40
P (C ∩ E) = P (C) × P (E/C)
5 7
P (C ∩ E) = × ≈ 0, 05
27 26
i i
i i
i i
1 3 3
P (C ∩ D) = P (C) × P (D) = × = ≈ 0, 09.
4 8 32
2) Soit l’événement C : "la boule tirée dans A est rouge ". P (E) = 34 .
Soit l’événement D : "la boule tirée dans B est blanche ". P (D) = 58 .
L’événement Y :"Avoir retrouvé pour chaque boîte sa composition initiale " est
constitué par les événements C, D, E et F, et on a : Y = (C ∩ F ) ∪ (D ∩ E).
Or (C ∩ F ) et (D ∩ E) sont incompatibles, d’où
P [(C ∩ F ) ∪ (D ∩ E)] = P (C ∩ F ) + P (D ∩ E)
Les événements C et F sont indépendats, ainsi que les événements D et E donc
b) Il existe un seul tiercé possible pour lesquels les 3 chevaux de tête sont dans
l’ordre.
c) le nombre de tiercés possibles dans lesquels ils sont dans l’ordre ou le désordre
est égal à 3! = 6, autant que de permutations dans un ensemble de trois chevaux.
d) le nombre de tiercés possibles dans le désordre est : 6 − 1 = 5.
Exercice 11
Il y a 5! façons de placer les 5 premiers gants et 5! façons de placer les 5 autres,
donc :
i i
i i
i i
le nombre de cas possibles de ranger les gants, sachant que les cinq premiers gants
pouvant être déplacés est :
(5!)2 = 1202 manières de ranger les 10 gants.
Exercice 12
1) Le nombre de mots de 7 lettres.
Chaque mot formé de 7 lettres différentes A, B, C, D, E, F , G, représente une
permutation de ces 7 lettres. Avec 7 lettres différentes on peut donc former 7! = 5040
mots différents.
2) a- Nombre de mots où les lettres EF G sont toujours ensemble dans cet ordre
est :
Posons {EF G} = ∆, tout mot formé avec les lettres {EF G} dans cet ordre
représente une permutation de 5 éléments de l’ensemble {A, B, C, D, ∆}. On peut
donc former 5! = 120 mots différents où les lettres E, F et G sont ensemble dans cet
ordre.
b- les lettres EF G sont toujours ensemble dans un ordre quelconque.
Remarquons que ces lettres EF G peuvent être rangées de 3! = 6 manières diffé-
rentes, et ainsi on peut associer aux 120 disposition précédentes, 6 disposition des
trois lettre E, F et G, donc 120 × 3! = 720 mots où {EF G} sont ensemble mais dans
un ordre quelconque.
Exercice 13
2
1) Il peut y avoir dans un comité de 5 étudiants, 2 garçons (C12 ) et 3 filles (C83 )
3 2
ou l’inverse 3 garçons (C12 ) et 2 filles (C8 ).
Par conséquent, au total il y a :
2
C12 × C83 + C12
3
× C82 = 9856.
Exercice 14
S et D sont les développement respectifs de (1 + 1)n et (1 − 1)n .
I = 12 (S − D) = 12 2n = 2n−1
i i
i i
i i
CHAPITRE 12
Dans ce second chapitre de probabilité, nous allons définir la variable aléatoire discrète,
sa loi de probabilité, sa fonction de répartition, le calcul de différentes quantités comme
l’espérance, la variance et la covariance, et nous terminerons par énoncer les diiférentés
lois discrètes.
12.1 Définitions
Dans cette section, et après avoir définie une variable aléatoire discrète, nous allons
énoncés quelques propriétés, théorèmes et remarques liés à cette variable.
{5; 12, 4; −1; 2; 34, 6; 25; −8, 7; −14; 45; −6; ...}
Définition 12.1.1
Soit (Ω, A, P ) un espace de probabilité, une variable aléatoire discrète (notée,
v.a.d.) est une application X : Ω −→ R prenant un nombre fini ou dénombrable de
valeurs.
Exemple 12.1.3
Jet d’un dé à six faces, le résultat est
X(Ω) = {1, 2, 3, 4, 5, 6}
Propriété 12.1.1
Soit X v.a.d. et xk (k ∈ N) une valeur prise par X, alors {w; X(w) = xk } est un
événement noté {X = xk }.
i i
i i
i i
Propriété 12.1.2
Soit X v.a.d. à valeurs dans N, alors {w ∈ Ω; X(w) = k} est un événement noté
{X = k}.
Propriété 12.1.3
Soit X v.a.d. à valeurs dans R, alors {w ∈ Ω; X(w) ≤ k} est aussi un événement.
Exemple 12.1.4
Un jeu consiste à jetter deux dés et calculer la somme S des deux chiffres obtenus.
S est alors un v.a.d. définie par :
S : Ω −→ R
(i, j) −→ i + j
On a
Ω = {(i, j); 1 ≤ i ≤ 6; 1 ≤ j ≤ 6}
et S(Ω) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
et {S = 5} est un événement et on a
{S = 5} = {w ∈ Ω; S(w) = 5}
= {(1, 4); (2, 3); (3, 2); (4, 1)}
{S = 5} ⊂ Ω
{S ≤ 3, 5} = {S ≤ 3} = {S = 2} ∪ {S = 3}
{S ≤ 3, 5} = {(1, 1); (1, 2); (2, 1)}
PX (X = xk ) = P {X −1 (xk )} = P {ω ∈ Ω/X(ω) = xk }
Exemple 12.1.5
i i
i i
i i
xk 1 2 3 4 5 6 Total
pk 1/6 1/6 1/6 1/6 1/6 1/6 1
Définition 12.1.3
La variable certaine est une v.a. qui est constante i.e. qui prend la même valeur
connue a quel que soit le résultat de l’épreuve :
P ({X = a}) = 1.
On parle alors de loi de Dirac associée à cette variable certaine.
Définition 12.1.4
Soit A ∈ A un événement quelconque.La fonction indicatrice de cet événement A
est l’application définie par :
−→ R
1A : Ω
1 si w ∈ A
w 7−→
0 si w ∈ A
1A est une v.a.d. prenant les valeurs {0; 1} .
Exemple 12.1.6
Soit S la somme de deux chiffres obtenus d’un lancer de deux dés.
Alors on peut donner des exemples suivants de l’indicatrice de l’événement {S = 5} :
- 1{S=5} ((4; 2)) = 0 car le couple (4; 2) ∈
/ {S = 5}, en effet on a 4 + 2 = 6 6= 5.
- 1{S=5} ((2; 3)) = 1 car le couple (2; 3) ∈ {S = 5}, et on a 2 + 3 = 5.
Propriété 12.1.4
Soit A un événement quelconque alors on a :
1A = 1 − 1A
Propriété 12.1.5
Soient A et B deux événements quelconques alors on a :
1A∩B = 1A × 1B
F : R −→ [0; 1]
x 7−→ P ({X ≤ x})
F est une fonction croissante, en escalier, constante par morceaux, continue à
droite et on a X
F (x) = {pi /xi ≤ x}
i i
i i
i i
Conséquence 12.1.1
On peut déduire de la fonction de répartition F les porbabilités individuelles par :
Exemple 12.1.7
Pour une variable aléatoire certaine, on a F (x) = 0 pour x < a et F (x) = 1 pour
x ≥ a.
Exemple 12.1.8
La fonction de répartition d’une variable indicatrice est :
0 pour x < 0
F (x) = 1 − p pour 0 ≤ x < 1
1 pour x ≥ 1
Exemple 12.1.9
i i
i i
i i
La fonction de répartition d’une v.a.d. X prenant les valeurs les faces d’un dé à 6
faces est :
0P pour x < 1
F (x) = PX (X = k) pour 1 ≤ x < 6
1 pour x ≥ 6
Remarque 12.2.1
Si X prend un nombre fini de valeurs {x1 , x2 , ..., xn } alors E(X) est finie et si de
plus il y a une équiprobabilité i.e. P (X = xk ) = 1/n ∀k ∈ {1, ..., n}, alors
i i
i i
i i
x1 + x2 + ... + xn 1P n
E(X) = = xk
n n k=1
qui est dans ce cas la moyenne arithmétique x des xk , d’où l’utilisation de la
moyenne au lieu de l’espérance, uniquement dans le cas d’une équiprobabilité.
Exemple 12.2.1
Pour un lancer d’une pièce de monnaie, soit X la v.a. qui code 0 le résultat pile et
1 le résultat face alors :
E(X) = 0 × P (X = 0) + 1 × P (X = 1) = 0 × 12 + 1 × 21 = 21 .
Exemple 12.2.2
Pour un jet de dé à six faces numérotés, l’espérance de la v.a. X est
1P 6 7
E(X) = xk = = 3, 5
6 k=1 2
Il y a une équiprobabilité entre les différentes faces du dé.
Propriété 12.2.1
Soient X et Y deux v.a.d. et (α, β) ∈ R2 deux réels quelconques, on suppose que
l’espérance existe, alors on a :
i) E(α) = α, ∀α ∈ R
ii) E(X + α) = E(X) + α
iii) E(αX) = αE(X)
iv) E(X + Y ) = E(X) + E(Y )
v) E(αX + βY ) = αE(X) + βE(Y )
vi) Si les deux v.a. X et Y sont indépendantes, alors
E(XY ) = E(X) × E(Y )
vii) Soit A ∈ P(Ω), alors E(1A ) = P (A)
Définition 12.2.2
Soit X une v.a.d.et
P f une fonction numérique telle que f (X) est une v.a.d. alors si
la série numérique |f (xk )| P ({X = xk }) converge, alors E(f (X)) existe et vaut :
k≥0
P
E(f (X)) = f (xk )P ({X = xk })
k≥0
12.2.2 Moments
Définition 12.2.3
Le moment non centré d’ordre k ∈ N∗ , est la quantité, si elle existe, définie par :
Remarque 12.2.2
L’espérance mathématique d’une v.a. est le moment d’ordre k = 1, en effet :
P
m1 (X) = xi pi = E(X)
i≥0
i i
i i
i i
Exemple 12.2.3 P 2
Si la série numérique xi pi es convergente alors le moment d’ordre 2 d’une v.a.d.
i>0
est donnée par la quantité :
x2i pi = E(X 2 )
P
m2 (X) =
i≥0
Définition 12.2.4
Le moment centré d’ordre k ∈ N∗ , est la quantité, si elle existe, définie par :
Exemple 12.2.4
Le moment centré d’ordre k = 1 est
La variance est un indicateur qui mesure la dispersion des valeurs xk que peut
prendre une v.a.d. X.
Remarque 12.2.3
La variance est le moment centré d’ordre 2 et on a :
i i
i i
i i
p
σ(X) = V (X)
Exemple 12.2.5
Si on reprend l’exemple du lancer d’une pièce de monnaie on a calculé l’espérance
qui vaut E(X) = 1/2 et donc la variance est :
2 2
1 1 1 1 1 1
V (X) = 0− + 1− = +
2 2 2 2 8 8
1
V (X) =
4
Exemple 12.2.6
S’il existe une équiprobabilité alors E(X) = x et
n 1P n
pk (xk − x)2 = (xk − x)2
P
V (X) =
k=1 n k=1
c’est la variance empirique des valeurs possibles de la v.a. X.
Définition 12.2.7
Soient X et Y deux v.a.d. ayant des moments d’ordre 2 finis. On appelle covaraince
de X et de Y la quantité
i) Cov(X, X) = V (X)
ii) Cov(X, Y ) = Cov(Y, X)
iii) Si X et Y sont indépendantes alors
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = E(X)E(Y ) − E(X)E(Y )
Cov(X, Y ) = 0
iv) Cov(αX + γ, βY + ε) = αβCov(X, Y ) avec α, β, γ et ε des réels quelconques.
v) Cov(X + Y, Z + T ) = Cov(X, Z) + Cov(X, T ) + Cov(Y, Z) + Cov(Y, T )
avec Z et T deux v.a. ayant un moment d’ordre 1 fini
vi) Si X et Y ont un moment d’ordre 2 fini alors
V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y )
Définition 12.2.8
Soient X et Y deux v.a. ayant des moments d’ordre 2 finis. On appelle coefficient
de correlation de X et de Y , notée ρ(X, Y ) la quantité :
Cov(X, Y )
ρ(X, Y ) =
σ(X) σ(Y )
Remarque 12.2.4
i i
i i
i i
La corrélation entre deux v.a. est d’étudier l’intensité de la liaison qui peut exister
entre ces variables (la liaison recherchée est une relation affine)
Plus le coefficient de corrélation est proche des valeurs extrêmes −1 et +1, plus la
corrélation entre les deux variables est forte ; on emploie alors l’expression « fortement
corrélées » pour qualifier les deux variables.
Une corrélation égale à 0 signifie que les variables ne sont pas corrélées.
i i
i i
i i
P (X = 7) = 1/10
Exemple 12.3.2
Un jet de dé non truqué à 8 faces, numérotées de 1 à 8.
La probabilité d’avoir la face numéro 6 est
P (X = 6) = 1/8
i i
i i
i i
E(X 2 ) = P (A) = p
2
V (X) = E(X 2 ) − [E(X)] == p − p2 = p(1 − p) = pq
X = X1 + X2 + ... + Xn
i i
i i
i i
PX (X = k) = (1 − p)k−1 p; ∀k ∈ N∗
L’espérance est
∞
X p 1
E(X) = kpq k−1 = 2
=
(1 − p) p
k=1
∞ ∞
X X 2pq
E [X(X − 1)] = k(k − 1)pq k−1 = pq k(k − 1)q k−2 =
(1 − p)3
k=2 k=2
2q
E [X(X − 1)] = 2
p
On en déduit :
2 q
V (X) = E [X(X − 1)] + E(X) − [E(X)] =
p2
E(X) = np
et la variance est
N −n
V (X) = npq avec q = 1 − p = 1 − NR /N
N −1
i i
i i
i i
Remarque 12.3.5
Si la taille N de la population est grande par rapport à la taille n de l’échantillon,
la variance peut être approchée par : V (X) ' npq car le rapport
N −n 1 − n/N
= '1
N −1 1 − 1/N
Par conséquent , pour une petite taille d’échantillon n et une taille de la population
N grande, la loi hypergéométrique peut être approximée par la loi binomiale et on
aura :
λk
PX (X = k) = e−λ ;k ∈ N
k!
∞
λk
Le développement en série entière de l’exponentielle donne : eλ =
P
k! , ce qui
k=0
permet de vérifier facilement que la somme des probabilités est égale à 1 :
∞ ∞ ∞
X X λk X λk
PX (X = k) = e−λ = e−λ = e−λ eλ = 1
k! k!
k=0 k=0 k=0
Le calcul de l’espérance mathématique repose aussi sur l’utilisation du développe-
ment en série entière de l’exponentielle :
∞ ∞ k ∞
X X
−λ λ −λ
X λk
E(X) = kPX (X = k) = ke =e k
k! k!
k=0 k=0 k=0
∞ ∞
X λk X λk−1
= e−λ = λe−λ = λe−λ eλ
(k − 1)! (k − 1)!
k=1 k=1
= λ.
Pour calculer la variance, nous allons calculer le moment factoriel suivant :
∞ ∞
X X λk
E [X(X − 1)] = k(k − 1)PX (X = k) = e−λ k(k − 1)
k!
k=0 k=0
∞ k ∞
X λ X λk−2
= e−λ 2 −λ
=λ e = λ2 e−λ eλ
(k − 2)! (k − 2)!
k=2 k=1
= λ2 .
i i
i i
i i
2
V (X) = E [X(X − 1)] + E(X) − [E(X)] = λ2 + λ − λ2
V (X) = λ.
Remarque 12.3.6
Si deux variables aléatoires X et Y sont indépendantes et suivent deux lois de
Poisson de paramètre λ > 0 et µ > 0, (X P(λ) et Y P(µ)), alors leur somme
X + Y suit aussi la loi de Poisson de paramètre (λ + µ) et on a :
X +Y P(λ + µ)
12.4 Exercices
12.4.1 Enoncés
Exercice 1
Une urne contient cinq boules, deux qui portent le numéro 1 et trois qui portent le
numéro 2. On effectue deux tirages succéssifs sans remise dans cette urne.
On appelle coïncidence le fait de tirer une boule de numéro i au ième tirage, avec
i = 1, 2.
1) Déterminer la loi de probabilité de la variable aléatoire X qui représente le
nombre de coïncidences observées.
2) Calculer l’espérance E(X) et la variance V (X).
Exercice 2
Une urne contient une boule qui porte le numéro 0, deux qui portent le numéro 1,
et quatre qui portent le numéro 3.
On extrait simultanément deux boules dans cette urne.
1) Déterminer la loi de probabilité de la variable aléatoire X qui représente la
somme des numéros obtenus.
2) Calculer l’espérance E(X) et la variance V (X).
Exercice 3
Trois urnes A, B, C contiennent respectivement :
A : une boule blanche et trois boules noires
B : deux boules blanches et deux boules noires
C : trois boules blanches et une boule noire.
On tire au hasard une boule dans chacune des trois urnes.Soit X le nombre total
de boules blanches obtenues.
1) Donner la loi de probabilité de X et son diagramme en bâtons.
2) Donner la fonction de répartition de X et sa courbe cumulative.
Exercice 4
Lors d’une enquête, on a intérogé cinq hommes et 3 femmes. On choisit au hasard
et sans remise les personnes une à une jusqu’à obtenir un homme.
Soit X le nombre de tirage nécessaire pour avoir le premier homme.
Déterminer la loi de probabilité de X, son espérance et sa variance.
i i
i i
i i
Exercice 5
Soit X une variable aléatoire de densité f (x) définie comme suit :
x + 2, pour x ∈ [−2, −1]
f (x) = −x + 2, pour x ∈ [1, 2]
0 sinon.
i i
i i
i i
Exercice 10
Trois usines A, B et C fournissent respectivement 25%, 35% et 40% des bois de
hêtre nécessaires à une entreprise de fabrication de meubles. Dans leurs livraison, il y
a en moyenne 5%, 4% et 2% de bois inutilisables. Un bois est choisi au hasard dans
un stock important, ce bois est mauvais et inutilisable. Notons M l’événement " le
bois est mauvais".
Calculer les probabilités conditionelles suivantes P (A/D), P (B/D) et P (C/D)
pour que ce bois inutilisable provienne des usines A, B ou C ?
12.4.2 Corrigés
Exercice 1
1) Le nombre possible de coïncidence est 0, 1, ou 2. Aucune coïncidence correspond
au tirage d’une boule 2, puis d’une boule 1 :
3 2 3
P (X = 0) = P (21) = × =
5 4 10
P (X = 0) = 0, 3
Une coïncidence unique peut se produire au premier ou au second tirage :
P (X = 1) = P (11) + P (22)
2 1 3 2 4
= × + × =
5 4 5 4 10
P (X = 1) = 0, 4
Pour deux coïncidences :
2 3 3
P (X = 2) = P (12) = × = = 0, 3
5 4 10
2) L’espérance est par définition égale à
P
E(X) = k.P (X = k)
k≥0
E(X) = 0 × P (X = 0) + 1 × P (X = 1) + 2 × P (X = 2)
4 3
E(X) = + 2× =1
10 10
Pour calculer la variance, calculons avant le moment d’ordre 2 :
E(X 2 ) = k 2 .P (X = k)
P
k≥0
= 02 × P (X = 0) + 12 × P (X = 1) + 22 × P (X = 2)
2 4 3 16
E(X ) = + 4× =
10 10 10
i i
i i
i i
On en déduit la variance :
2
V (X) = E(X 2 ) − [E(X)]
16 6 3
V (X) = −1= = = 0, 6
10 10 5
Exercice 2
1) On note (i, j) l’événement "avoir tiré les boules i et j" ; pour i = j il y a une
seule façon d’obtenir ce couple et deux pour i 6= j.
On obtient ainsi :
P (X = 0) = P (0; 0) = 0
1 2 2
P (X = 1) = P (0; 1) = 2 × × =
10 9 45
4
P (X = 2) = P (0; 2) + P (1; 1) =
45
10
P (X = 3) = P (0; 3) + P (2; 1) =
45
11
P (X = 4) = P (2; 2) + P (3; 1) =
45
12
P (X = 5) = P (3; 2) =
45
6
P (X = 6) =
45
2) L’espérance est :
P
E(X) = k.P (X = k)
k≥0
2 8 30 44 60 36 180
E(X) = + + + + + =
45 45 45 45 45 45 45
E(X) = 4
le moment d’ordre 2 est
E(X 2 ) = k 2 .P (X = k)
P
k≥0
160
E(X 2 ) =
9
Par suite la variance est égale à
2
V (X) = E(X 2 ) − [E(X)]
160 160 − 144
= − 16 =
9 9
16
V (X) = ≈ 1, 78
9
i i
i i
i i
Exercice 3
1) Soient les événements suivants :
E1 : ” tirer une boule blanche de A” : P (E1 ) = 41
E2 : ” tirer une boule blanche de B” : P (E2 ) = 12
E3 : ” tirer une boule blanche de C” : P (E3 ) = 34
Pour i 6= j, Ei et Ej , ainsi que Ei et Ej , sont indépendants.
Ne pas avoir de boule blanche :
[X = 0] = E1 ∩ E2 ∩ E3
donc
donc
donc
[X = 3] = (E1 ∩ E2 ∩ E3 )
i i
i i
i i
donc
P (X = 3) = P (E1 ∩ E2 ∩ E3 )
= P (E1 ) × P (E2 ) × P (E3 )
1 1 3
= × ×
4 2 4
3
P (X = 2) =
32
k 0 1 2 3 Total
3 13 13 3
P (X = k) 32 32 32 32 1
i i
i i
i i
Exercice 4
Le nombre de tirage minimum pour avoir un homme est 1 ; et le nombre maximun
est 4 tirages (si les 3 premiers tirages correspondent au choix des femmes).
La variable aléatoire X prend donc les valeurs 1, 2, 3 et 4.
La loi de X est
5
P (X = 1) =
8
3 5 15
P (X = 2) = × =
8 7 56
3 2 5 5
P (X = 3) = × × =
8 7 6 56
3 2 1 5 1
P (X = 4) = × × × =
8 7 6 5 56
Donc en résumé on a :
k 1 2 3 4 Total
35 15 5 1
P (X = k) 56 56 56 56 1
L’espérance de X est
P
E(X) = k.P (X = k)
k≥0
35 30 15 4 84
= + + + =
56 56 56 56 56
E(X) = 1, 5
i i
i i
i i
Le moment d’ordre 2 de X :
156
E(X 2 ) = k 2 .P (X = k) =
P
k≥0 56
On en déduit la variance de X :
2
V (X) = E(X 2 ) − [E(X)]
2
156 84 1680
= − =
56 56 3136
V (X) ≈ 0, 54
Exercice 5
1) Fonction de répartition :
0 si x < −2,
Rx x2
−2 (t + 2)dt = 2 + 2x + 2 si − 2 ≤ x ≤ −1
F (x) = F (−1) = 12 si − 1 ≤ x ≤ 1
Rx x2
F (1) + 1
(−t + 2)dt = − 2 + 2x − 1 si 1 ≤ x ≤ 2
1 si x ≥ 2
2) L’espérance est :
R −1 R2
E(X) = (x + 2)dx + 1 (−x + 2)dx
−2
2
x2
2
x
= + 2x−1
−2 + − + 2x
2 2 1
E(X) = 1
R −1 R2
E(X 2 ) = (x3 + 2x2 )dx + 1 (−x3 + 2x2 )dx
−2
4 −1 4 2
x x3 x x3
= +2 + − +2
4 3 −2 4 3 1
30 28
=− +
4 3
2 11
E(X ) =
6
Par suite la variance de X est :
2
V (X) = E(X 2 ) − [E(X)] .
i i
i i
i i
11 5
V (X) = −1= .
6 6
Exercice 6
1) La fonction de répartition de Y est
- pour y < 0, G(y) = 0
- pour y ≥ a, G(y) = 1 h iy
Ry t2 2y y
- pour 0 ≤ y ≤ a, G(y) = a2 0 (1 − at )dt = 2
a t− 2a = a 1− 2a
0
2) L’espérance de Y est :
y2 a2 a3
2R a 2 a
E(Y ) = 0
(y − )dy = − =
a a a 2 3a 3
Le moment d’ordre 2 est :
2 R a 2 y3 a3 a4 a2
2 2
E(Y ) = 0
(y − )dx = − = .
a a a 3 4a 6
D’où la variance de Y est égale à
2
V (Y ) = E(Y 2 ) − [E(Y )]
a2 a 2 a2
V (Y ) = − =
6 3 18
Exercice 7
1) La variable aléatoire X qui représente le nombre de matchs gagnés par une
équipe suit une loi binômiale de paramètre 5 et 1/2 :
1
X B(5; ).
2
On a donc k 5−k
1 1
P (X = k) = C5k
2 2
2) Soit l’événement G : " Gain du match de double en coupe Davis "
Un pays est gagnant s’il remporte 3 matchs, donc pour X ≥ 3. la probabilité que
le pays gagnant ait effectivement remporté le match de double est donc :
5
P 5
P
P {G ∩ (X ≥ 3)} = P {G ∩ (X = k)} = P (X = k) .P (G/ (X = k)
k=3 k=3
Si un pays a gagné k matchs, tous les choix parmi les cinq rencontres sont équipro-
bables, donc :
C4k−1
P (G/ (X = k) =
C5k
i i
i i
i i
Ainsi
5 C k C k−1 11
P 5 4
P (G ∩ (X ≥ 3)) = 5 k
= 5 ≈ 0, 34
k=3 2 C5 2
3) Soit l’événement D : " Gain de la rencontre en coupe Davis "
P (G ∩ (X ≥ 3)) 11/32 11
P (G/D) = = = ≈ 0, 69.
P (X ≥ 3) 1/2 16
L’affirmation de ce commentateur paraît fondée puisque cette probabilité est
supérieur à 1/2.
Exercice 8
Un étudiant a besoin d’aide d’un groupe d’amis de sa classe pour réviser ses
examens. Quand il téléphone à un ami, il y a une chance sur quatre qu’il accepte.
1) La variable aléatoire X représente le nombre d’amis que l’étudiant doit contacter
pour obtenir cette aide, donc X.suit une loi géométrique et on a pour tout entier
k≥1:
3k−1
P (X = k) =
4k
2) La probabilité d’avoir au plus trois amis dans le goupe est
3
P 37
P (X ≤ 3) = P (X = k) =
k=1 64
1
3) Le paramètre de la loi géométrique est 4 donc l’espérance est égale à
E(X) = 4
Exercice 9
1) La variable aléatoire X suit une loi hypergéométrique ; alors on a pour tout
entier 0 ≤ k ≤ 3 :
C4k C63−k
P (X = k) = 3
C10
On obtient alors les probabilités des différentes valeurs possibles de X :
1 1 3 1
P (X = 0) = ; P (X = 1) = ; P (X = 2) = ; P (X = 3) =
6 2 10 30
2) L’espérance d’une loi hypergéométrique est :
4
E(X) = np = 3 × = 1, 2
10
Exercice 10
En utilisant la formule des probabilités totales, on obtient :
0, 25 × 0, 05 125
P (A/D) = = = 0, 36
0, 25 × 0, 05 + 0, 04 × 0, 35 + 0, 02 × 0, 40 345
i i
i i
i i
0, 04 × 0, 35 140
P (B/D) = = = 0, 41
0, 25 × 0, 05 + 0, 04 × 0, 35 + 0, 02 × 0, 40 345
et
0, 02 × 0, 40 80
P (C/D) = = = 0, 23
0, 25 × 0, 05 + 0, 04 × 0, 35 + 0, 02 × 0, 40 345
i i
i i
i i
CHAPITRE 13
Dans ce chapitre, nous allons définir la variable aléatoire continue, sa loi de probabilité,
sa fonction de densité et nous terminerons par présenter les différentes lois usuelles
continues avec leurs espérances et variances respectives.
13.1 Définitions
13.1.1 Variable aélatoire continue
Au cours d’une expérience aléatoire continue dans le temps, on associe souvent au
résultat un nombre réel positif.
Exemple 13.1.1
Durée de vie d’une ampoule, le résultat en heure est
Exemple 13.1.2
Temps d’attente en minute dans une file devant un guichet
On remarque que dans ces deux exemples, les résultats obtenus sont des réels
positifs et non dénombrables, on a donc Ω = R+ .
On admettera dans ce chapitre que l’on peut construire une probabilité P sur Ω,
non dénombrables vérifiant les propriétés de la définition d’une probabilité dans le cas
discret.
Définition 13.1.1
On appelle variable aléatoire réelle, v.a.r., définie sur (Ω, A) un espace de probabilité,
une application X : Ω −→ R telle que pour tout intervalle I ⊂ R on ait :
X −1 (I) = {ω ∈ Ω/X(ω) ∈ I} ∈ A
cela exprime que l’image inverse d’un ontervalle quelconque est un événement.
i i
i i
i i
X −1 (] − ∞, x]) ∈ A
Exemple 13.1.3
La durée de vie d’un téléphone portable est représentée par une v.a.réelle continue.
Exemple 13.1.4
La loi de probabilité associé à une durée de vie d’un téléphone portable ou le temps
passé dans une file d’attente devant un guichet, sont représentés par des v.a. continues.
F (x) = P (X ≤ x) ≤ P (X ≤ y) = F (y).
Propriété 13.1.2
La fonction de répartition prend ses valeurs dans l’intervalle [0; 1] et on a :
0 ≤ F (x) ≤ 1
i i
i i
i i
Définition 13.1.4
Soit X une v.a. réelle définie sur un espace de probabilité et F sa fonction de
répartition.
On dit que X est v.a. continue s’il existe une fonction numérique f définie sur R
telles que :
(i) pour tout x ∈ R, f (x) ≥ 0
(ii) f est continue sur R Rx
(iii) pour tout x ∈ R, F (x) = −∞ f (t)dt et sa limite existe et vaut 1
Rx R +∞
lim F (x) = lim −∞ f (t)dt = −∞ f (t)dt = 1
x→+∞ x→+∞
Dans ce cas la fonction f est alors appelée une densité de probabilité de la v.a. X.
Remarque 13.1.2
La dérivée de la fonction de répartition donne la densité de probabilité et on a :
F 0 (x) = f (x)
Et il faut faire très attention à la notation entre F et f qui n’ont pas du tout la
même définition.
Définition 13.1.5
Soit f une fonction continue sur R, on définit alors on a les intégrales généralisées
suivantes :
R +∞ Rx
(i) pour a ∈ R, a f (t)dt = lim ( a f (t)dt)
x→+∞
Rb Rb
(ii) pour b ∈ R, −∞ f (t)dt = lim ( x f (t)dt)
x→−∞
R +∞ Rc R +∞
(iii) pour c ∈ R, −∞ f (t)dt = −∞ f (t)dt + c f (t)dt (la relation de Chasles)
Lorsque ces limites existent, on dit que l’intégrale est convergente. Dans le cas
contraire elle sera divergente (i.e. si la limite vaux ±∞ ou si elle n’existe pas)
Propriété 13.1.5
La probabilité d’un intervalle s’obtient en intégrant la densité sur cet intervalle :
Rx
PX {X ∈ [x1 , x2 ]} = x12 f (t)dt.
En effet :
PX (x1 ≤ X ≤ x2 ) = F (x
R x22) − F (x1 ) R x1
= −∞ f (t)dt − −∞ f (t)dt
R x2 R −∞
= −∞ f (t)dt + x1 f (t)dt
Rx
PX (x1 ≤ X ≤ x2 ) = x12 f (t)dt.
Propriété 13.1.6
Si la fonction F est continue on dit que X est une variable aléatoire réelle continue,
et on a :
∀x ∈ R, PX (X = x) = 0
i i
i i
i i
c’est à dire que la probabilité d’un point est toujours nulle, dans ce cas la loi est
dite diffuse.
Dans le cas où certains points ont une probabilité non nulle, alors la loi est dite
mixte, comprtant une partie continue et une partie discrète correspondante à ces
points.
Exemple 13.1.4
Soit la fonction de répartition F définie par :
0 si x < 0
x/2 si 0 ≤ x < 3
F (x) =
x/5 si 3 ≤ x < 5
1 si 5 ≤ x
Cette fonction est continue pour x = 0 et x = 5. Par contre, si elle est bien continue
à droite en x = 3, comme toute f.r., avec lim+ F (3 + h) = F (3) = 3/4, elle n’est pas
h→0
continue en ce point car :
1 3
lim F (3 − h) = lim+ (3 − h) = = F (3) + PX (X = 3)
h→0+ h→0 2 2
et par conséquent il s’agit d’une loi mixte, avec une partie continue sur les intervalles
]−∞, 1[ et ]1, +∞[, et une partie discrète concentrée au point 3 avec PX (X = 3) = 3/4.
Remarque 13.2.1
Les propriétés de l’espérance sont celles de l’intégrale et sont identiques au cas
discret i.e. il s’agit d’un opérateur linéaire :
Propriété 13.2.1
si X et Y sont deux v.a.c. et α, β deux réels quelconques, on suppose que l’espérance
existe, alors on a :
Exemple 13.2.1
i i
i i
i i
Soit une v.a.c. X suivant une loi de probabilité de densité f (x) = 5x3 définie sur
l’intervalle [0, 2] alors l’esperance de X est :
R2 R2
E(X) = 0 xf (x)dx = 0 x × 5x3 dx
5 2
R2 4 x 2
= 5 0 x dx = 5 = x5 0
5 0
E(X) = 25 = 32
Définition 13.2.2
Soit X une v.a.c.de densité f et ϕ une fonction numérique définie sur R (ϕ :
X(Ω) −→ R), telle que P (ϕ(X) ≤ x) existe pour tout x ∈ R, alors l’espérance de
ϕ(X) existe et vaut :
Z +∞
E(ϕ(X)) = ϕ(t)f (t)dt
−∞
13.2.2 Moments
Définition 13.2.3
Le moment non centré d’ordre k ∈ N∗ , est la quantité, si elle existe, définie par :
R +∞
mk (X) = E(X k ) = −∞ xk f (x)dx
Remarque 13.2.2
L’espérance mathématique d’une v.a. est le moment d’ordre k = 1, en effet :
R +∞ R +∞
m1 (X) = −∞ x1 f (x)dx = −∞ xf (x)dx = E(X)
Exemple 13.2.2
Si la série numérique R x2 f (x)dx est convergente alors le moment d’ordre 2 d’une
R
Définition 13.2.4
Le moment centré d’ordre k ∈ N∗ , est la quantité, si elle existe, définie par :
Z
µk (X) = E[X − E(X)] = [x − E(X)]k f (x)dx
k
R
i i
i i
i i
µ23
β1 =
µ32
(i) V (X) ≥ 0
(ii) V (α) = 0, ∀α ∈ R
(iii) V (X + α) = V (X)
(iv) V (αX) = α2 V (X)
(v) Si les deux v.a. X et Y sont indépendantes, alors
V (X + Y ) = V (X) + V (Y )
i i
i i
i i
Définition 13.2.6
Soient X et Y deux v.a.d. ayant des moments d’ordre 2 finis. On appelle covaraince
de X et de Y la quantité
Propriétés 13.2.3
Soient X et Y deux v.a. ayant un moment d’ordre 1 fini :
i) Cov(X, X) = V (X)
ii) Cov(X, Y ) = Cov(Y, X)
iii) Si X et Y sont indépendantes alors
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = E(X)E(Y ) − E(X)E(Y ) = 0
iv) Cov(αX + γ, βY + ε) = αβCov(X, Y ) avec α, β, γ et ε des réels quelconques
v) Cov(X + Y, Z + T ) = Cov(X, Z) + Cov(X, T ) + Cov(Y, Z) + Cov(Y, T )
avec Z et T deux v.a. ayant un moment d’ordre 1 fini
vi) Si X et Y ont un moment d’ordre 2 fini alors
V (X + Y ) = V (X) + E(Y ) + 2Cov(X, Y )
Définition 13.2.7
Soient X et Y deux v.a. ayant des moments d’ordre 2 finis. On appelle coefficient
de correlation de X et de Y la quantité :
Cov(X, Y )
ρ(X, Y ) = .
σ(X) σ(Y )
Définition 13.2.8
Soit X une v.a. de fonction de répartition F et α ∈]0; 1[. On appelle quantite
d’ordre α, tout réel xα tel que :
F (xα ) = α ⇐⇒ P (X < xα ) = α
i i
i i
i i
Le fractile d’ordre α ∈]0; 1[, qui est défini par F (xα ) = α,a pour valeur ici
xα = a + (b − a)α.
On en déduit la variance :
i i
i i
i i
= −e−λx − (−e−λ0 )
F (x) = 1 − e−λx
⇐⇒ P (X ≤ x) = P (X < x) = 1 − e−λx
On déduit que :
P (X ≥ x) = P (X > x) = 1 − P (X ≤ x) = 1 − 1 − e−λx = e−λx .
= 1/λ
On calcule aussi le moment d’ordre 2 de la même manière en utilisant l’intégration
par parties :
R +∞
E(X 2 ) = λ 0 t2 e−λt dt
Z +∞
2 −λt +∞
= −t e /λ 0 + 2 te−λt dt
0
2 2 1
= E(X) = ×
λ λ λ
2
= 2.
λ
Par conséquent, la variance d’une loi exponentielle de paramètre λ > 0 est :
2
2 2 2 1
V (X) = E(X ) − [E(X)] = 2 −
λ λ
1
= 2
λ
i i
i i
i i
i i
i i
i i
V (X) = .σ 2
1
E(Z) = [E(X) − m] = 0
σ
et
1 2
ϕ(z) = √ e−z /2
2π
On en déduit, d’après la définition d’une densité, que
R +∞ 2 √
−∞
e−z /2
dz = 2π
1 R x −z2 /2
Φ(x) = √ e dz
2π −∞
Cette fonction de répartition Φ(x) n’est pas exprimable au moyen d’une fonction
usuelle et par conséquent les valeurs de Φ(x) sont fournies dans les tables statistiques
(Annexe : loi normale centrée réduite) pour x ≥ 0.
Pour x < 0, et vu que la fonction ϕ est paire (ϕ(−x) = ϕ(x)) alors on a P (Z <
−x) = P (Z > x) (symétrie de la loi normale par rapport au centre 0)
Ce qui signifie que
Φ(−x) = 1 − Φ(x).
i i
i i
i i
θp −θx p−1
f (x) = e x ; x ≥ 0.
Γ(p)
Propriété 13.3.1
Pour tout p > 1, on a :
Propriété 13.3.2
Pour tout p > 0, on a :
Γ(p) = (p − 1)!
L’espérance mathématique d’une v.a. suivant une loi gamma est E(X) = pθ ,
p(p+1)
le moment d’ordre 2 est E(X 2 ) = θ2 ,
et la variance est V (X) = θp2
1
f (x) = e−x/2 x(n/2)−1
2n/2 Γ(n/2)
n/2
L’espérance d’une v.a. suivant une loi de khi-deux est E(X) = 1/2 = n,
n/2
et la variance est V (X) = 1/4 = 2n
Loi log-normale
On dit que X suit une loi log-normale de paramètre m et σ > 0, si ln(X) suit la loi
normale de paramètre m et σ > 0, (ln(X) N (m, σ 2 )).
Sa densité est la fonction f définie par :
(ln(x) − m)2
1 ln(x) − m 1
f (x) = ϕ = √ exp − ; ∀x > 0
σx σ σx 2π 2σ 2
i i
i i
i i
13.4 Exercices
13.4.1 Enoncés
Exercice 1
Soit la fonction F définie par :
ex
2pour x ≤ 0
F (x) =
1 pour x > 0
1) Montrer que la fonction f est une densité de probabilité sur son domaine de
continuité.
2) Déterminer sa fonction de répartition.
Exercice 3
Soit la fonction g définie sur R, par g(x) = ke−|x| .
1) Déterminer la valeur de k pour que g soit la densité de probabilité d’une variable
aléatoire X.
2) Déterminer la fonction de répartition de X admettant g pour densité de proba-
bilité.
3) Soit Y = X 2 . Déterminer la fonction de répartition et la densité de Y.
Exercice 4
On suppose que la durée de vie d’un individu est une variable aléatoire D, dont la
densité est définie par :
1) Déterminer la valeur de k.
2) Calculer E(D) l’espérance de la variable D.
3) Qu’elle est la probabilité pour qu’un individu meure entre 60 et 70 ans ?
i i
i i
i i
Exercice 5
Soit la fonction h définie comme suit :
h(x) = 0 pour x > 1 et x < 0
h(x) = α pour 0 ≤ x ≤ 1
y k+2
g(y) = , k > 0.
4
1) Calculer k pour que g(y) soit une densité de probabilité d’une variable aléatoire
Y sachant que g(y) = 0 pour y < 0 et y > 2.
2) Calculer E(Y ) l’espérance et V (Y ) la variance de la variable aléatoire Y.
3) Donner un minorant de la probabilité que Y soit supérieur à 1 en utilisant
l’inégalité de Bienaymé-Tchebychev.
4) Calculer P (Y ≥ 1) en utilisant la fonction de répartition de Y.
Exercice 8
Considérons une population d’atomes radioactifs à l’instant t = 0. On accepte
que, pour l’atome, la durée de vie, entre l’instant t = 0 et le moment où le noyau
se désintègre, est distribuée suivant une loi exponentielle de paramètre λ positif, de
densité :
0 pour t ≤ 0
f (t) =
λe−λt pour t > 0
1) Calculer la probabilité que la durée de vie soit comprise entre −2 et 5.
2) Calculer la probabilité F (t) que la durée de vie soit inférieure à t.
i i
i i
i i
4e pour x ≥ 0
13.4.2 Corrigés
Exercice 1
x
1) (i) La fonction F (x) = e2 est croissante pour x ∈ R− (évident pour une fonction
exponentielle), et constante pour x ∈ R∗+ donc elle croissante au sens large sur R.
(ii) Calculs de F aux limites
i i
i i
i i
x
(iii) Pour x = 0, F (0) = 1
2 et lim+ e2 = 1
2, donc F est continue à droite pour
x→0
x = 0.
Pour x 6= 0, F est continue, donc F est continue à droite.
Les trois conditions (i), (ii) et (iii) sont statisfaites, donc la fonction F est bien
une fonction de répartition.
2) La fonction f est telle que f (x) = F 0 (x) donc on a :
ex
0
f (x) = F (x) = 2 pour x ≤ 0
0 pour x > 0
Pour vérifier que la fonction f est une densité de probabilité, il faut que :
R +∞
−∞
f (x)dx = 1.
Ici on a :
x 0
R +∞ R 0 ex e e0 ex
−∞
f (x)dx = −∞ 2
dx = = − lim
2 −∞ 2 x→−∞ 2
R +∞ 1
−∞
f (x)dx = .
2
R +∞
Par consquent −∞ f (x)dx = 12 6= 1, on en déduit que la fonction f n’est pas une
densité de probabilité.
Exercice 2
1) On a
0 pour x ≤ 0
1
f (x) = √ pour 0<x≤1
2 x
0 pour x > 1
(i) f est positive ou nulle sur R.
(ii) f est continue par morceaux sur R
R +∞ R1 √ 1
(iii) −∞ f (x)dx = 0 2dx
√ = [ x] = 1.
x 0
Donc les trois conditions pour que f soit une densité de probabilité sont vérifiées.
2) La fonctionRde répartition correspondante est :
x
- pour x ≤ 0, −∞ f (t)dt = 0
Rx Rx √ x √
- pour 0 < x ≤ 1, −∞ f (t)dt = 0 2dt √ =
t
t 0= x
Rx R 1 dt √ 1
- pour x > 1, −∞ f (t)dt = 0 2√t = t 0=1
D’où :
√0 pour x ≤ 0
F (x) = x pour 0 < x ≤ 1
1 pour x > 1
i i
i i
i i
1
⇐⇒ 2k = 1 ⇐⇒ k =
2
car |x| = x si x ≥ 0 et |x| = −x si x ≤ 0.
En conclusion, pour que g soit une densité de probabilité il faut que k = 12 , on
aura alors g(x) = 12 e−|x| .
2) La Rfonction de répartition de X admettant g pour densité de probabilité.est
x
G(x) = 12 −∞ e−|t| dt.
- si x ≤ 0 :
1R x 1 t x 1
G(x) = −∞ et dt = e −∞ = ex
2 2 2
- si x ≥ 0 :
1R 0 t 1R x
G(x) = e dt + 0 e−t dt
2 −∞ 2
1 t 0 1 −t x
= e −∞ + −e 0
2 2
x
1 e 1 ex
= − + =1−
2 2 2 2
Exercice 4
1) On doit avoir :
R +∞ R 100 R 100
−∞
f (t)dt = 0 kt2 (100 − t)2 dt = k 0 t2 (100 − t)2 dt = 1
i i
i i
i i
3
100
t4 t5
2t
R 100 2 2 3 4
⇐⇒ k 0
(100 t − 200t + t )dt = k 100 − 200 + =1
3 4 5 0
Après le calcul, on trouve
30
k = 10 .
10
2) L’espérance de la variable D.est :
R +∞ R 100
E(D) = −∞ t.f (t)dt = 0 kt3 (100 − t)2 dt = 50
3) La probabilité pour qu’un individu meure entre 60 et 70 ans est donnée par :
R 70
P (60 < D < 70) = 60 kt2 (100 − t)2 dt = 0, 154
Exercice 5
1) Pour que la fonction h soit une densité de probabilité d’une variable aléatoire
X, il faut que :
R +∞ R1 R1 1
−∞
h(t)dt = 0 h(t)dt = 0 αdt = [αt]0 = α = 1
2) Soit H la fonction de répartition de X admettant h pour densité de probabilité,
alors : Rx
H(x) = P (X ≤ x) = −∞ h(t)dt
On obtient alors :
0 si x < 0
H(x) = x si 0 ≤ x < 1
1 si x > 1
3) L’espérance de X est :
1
x2
R1 1
E(X) = 0
xdx = =
2 0 2
Le moment d’ordre 2 est :
R1 1
E(X 2 ) = 0
x2 dx =
3
Par suite la variance de X est égale à :
2 1
V (X) = E(X 2 ) − [E(X)] = .
12
Exercice 6
1) Il est clair que f est positive et que :
R +∞ R0 R1
−∞
f (x)dx = −1 (x + 1)dx + 0 (−x + 1)dx
2 0 2 1
x x
= +x + − +x
2 −1 2 0
1 1
= (− + 1) + (− + 1)
2 2
=1
i i
i i
i i
3) On remarque que la fonction f est symétrique par rapport à l’axe des ordonnées.
Par suite l’espérance E(X) = 0.
On en déduit que la variance V (X) = E(X 2 ).
(x + 1)2 (1 − x)2
R0 R1
V (X) = −1 x dx + 0 x 1 − dx
2 2
1
V (X) =
6
4) L’inégalité de Bienaymé Tchebychev donne :
V (X)
P (|X − E(X)| > k) ≤
k2
1
Dans ce cas présent, ona E(X) = 0 et V (X) = 6 par suite on pour k > 0 :
1
P (|x| > k) ≤
6k 2
Exercice 7
1) Pour que g(y) soit une densité de probabilité d’une variable aléatoire Y , on doit
avoir :
R2
0
g(y)dy = 1
R 2 y k+2
= 0 dy
4
2k+3
=
4(k + 3)
on a donc :
2k+3 = 4(k + 3) ⇐⇒ k = 1
k = 1 est la seule solution positive.
2) L’espérance de Y est :
5 2
R 2 y4 y 32
E(Y ) = 0 4
dy = = = 1, 6
20 0 20
6 2
2
R 2 y5 y 64
E(Y ) = 0 dy = = ' 2, 67
4 24 0 24
i i
i i
i i
3)
P (X ≥ 1) = P (1 ≤ X ≤ 2, 2) (car P (X > 2, 2) = 0)
= P (E(X) − 0, 6 ≤ X ≤ E(X) + 0, 6)
4) Calculons directement
R 2 y3
P (Y ≥ 1) = 1 − F (1) = 1 − 0 4
dy
P (Y ≥ 1) = 0, 94
Exercice 8
Considérons une population d’atomes radioactifs à l’instant t = 0. On accepte
que, pour l’atome, la durée de vie, entre l’instant t = 0 et le moment où le noyau
se désintègre, est distribuée suivant une loi exponentielle de paramètre λ positif, de
densité :
0 pour t ≤ 0
f (t) =
λe−λt pour t > 0
1) Soit D la variable correspondante à la durée de vie
R2 5
λe−λt dt = −e−λt 0 = 1 − e−5λ .
P (−2 ≤ D ≤ 5) = 0
2)
Rt t
λe−λu du = −e−λu 0 = 1 − e−5t
F (t) = 0
3)
ln 2
F (α) = 0, 5 ⇐⇒ α = .
λ
4) En utilisant l’intégration par parties, l’espérance de la durée de vie d’un atome
est
R +∞
E(D) = λte−λt dt
0
+∞
1
= −t − − e−λt
λ 0
1
E(D) =
λ
i i
i i
i i
et
R +∞
E(D2 ) = 0
λt2 e−λt dt
+∞
2 2 2 −λt
= −t − t − 2 e
λ λ 0
2
E(D) = 2
λ
et sa variance est :
1
V (D) =
λ2
Exercice 9
Soit f l’application de R dans R définie par :
(
0 pour x < 0
f (x) = x − x8
2
4 e pour x≥0
i i
i i
i i
V (X) = 8 − 2π
Exercice 10
1) La demande moyenne est :
R +∞
E(D) = −∞ xf (x)dx
R 1/3 R 2/3 R1
= 0 (−3x2 + 2x)dx + 1/3 xdx + 2/3 (−3x2 + 3x)dx
10
E(D) =
27
Le moment d’ordre 2 est :
R +∞
E(D2 ) = −∞ x2 f (x)dx
R 1/3 R 2/3 R1
= 0 (−3x3 + 2x2 )dx + 1/3 x2 dx + 2/3 (−3x3 + 3x2 )dx
11
E(D2 ) =
54
La variance est égale à
2
2 11 10 97
V (D) = E(D2 ) − [E(D)] = − =
54 27 1458
V (D) ' 0, 067
3) a-
1 2
P (D < 0, 5) = F ( ) = .
2 3
b-
3 1 32
P (0, 2 < D < 0, 6) = F ( ) − F ( ) =
5 5 75
c-
P (D > 1) = 1 − P (D ≤ 1) = 1 − F (1) = 0
i i
i i
i i
4) Le nombre d’unités tel que la moitié 50% des demandes lui soit inférieure
représente la médiane M e.
1
F (M e) = P (D < M e) = .
2
Or F ( 13 ) = 12 .
Donc M e = d = 333 unités.
Exercice 11
On calculera la fonction de répartition de la variable aléatoire X.
On remarque que X ≤ x si et seulement si U ≥ e−x car on a X = −lnU.
Puisque la fonction f (x) = e−x est décroissante sur R.
On a donc
F (x) = P (X ≤ x) = P (U ≥ e−x )
Si x < 0 alors e−x > 1 donc F (x) = 0
Si x ≥ 0 alors e−x ∈ [0; 1] car on a U U[0,1] ; donc F (x) = 1 − e−x .
0 si x < 0
F (x) =
1 − e−x si x ≥ 0
i i
i i
i i
i i
i i
i i
CHAPITRE 14
Notions de convergence
E(|X|k )
k
P |X| ≥ λ ≤
λ
i i
i i
i i
V (X)
P (|X − E(X)| ≥ ε) ≤ .
ε2
On remarque que cette inégalité relie la probabilité pour X de s’écarter de sa
moyenne E(X), à sa variance qui est un indicateur de dispersion autour de la moyenne
de la loi.
L’inégalité de Bienaymé-Tchebychev appliquée à une variable centrée-réduite avec
ε = aσ(X) avec a > 1 et σ(X) l’écart-type de la v.a. X, fournie une nouvelle inégalité
qui s’écrit :
|X − E(X)| 1
P ≥a ≤ 2
σ(X) a
g[E(X)] ≤ E[g(X)]
L’ordonée (au sens de la fonction g) de la moyenne (au sens d’espérance) est plus
petite que la moyenne des ordonnées.
Exemple 14.1.2
En appliquant l’inégalité de Jensen à la fonction g(t) = t2 , on obtient :
[E(X)]2 ≤ E(X 2 ),
i i
i i
i i
Cela signifie que si la suite (Xn ) converge vers une v.a. X alors (Xn ) se rapproche
de X quand n est assez grand. On mesure alors la distance |Xn − X| qui sera très
petite quand n est assez grand.
Mais en terme de probabilité, on calculera la probabilité de l’événement "|Xn − X| <
ε" qui sera réalisé avec une probabilité presque certaine (proche de 1) quand n sera
assez grand, ce qui se traduit par la convergence en probabilité.
Propriété 14.1.1
Si. (Xn ) est une suite de v.a. telle que :
E(Xn ) −→ a
quand n → +∞
V (Xn ) −→ 0
alors :
Xn −→ a.
p
En posant Yn = Xn − X, avec (Xn ) qui converge vers la v.a. X puisque avec ces
conditions on a : Yn −→ 0 ⇐⇒ Xn −→ X quand n → +∞.
p
Les condition suffisantes de convergence en probabilité sont alors les suivantes :
E(Xn − X) −→ 0
quand n → +∞
V (Xn − X) −→ 0
alors :
Xn −→ X
p
Définition 14.1.2
On dit que la suite de v.a. (Xn ) converge en moyenne d’ordre p, avec
0 < p < ∞ vers la v.a. X si :
p
E(|Xn − X| ) −→ 0 quand n → +∞
et on écrit :
Xn −→ X.
Mp
i i
i i
i i
Par conséquent, pour p > 0, la convergence en moyenne d’ordre p est plus forte
que la convergence en probabilité, au sens où :
Xn −→ X =⇒ Xn −→ X
Mp p
En particulier on a :
Xn −→ X =⇒ Xn −→ X
Mp m.q.
Xn −→ X =⇒ f (Xn ) −→ f (X)
Mp p
∗ Xn + Yn −→ X + Y,
p
∗ Xn Yn −→ XY
p
Xn X
∗ −→ (avec P (Y = 0) = 0)
Yn p Y
i i
i i
i i
Si (Xn ) est une suite de v.a. mutuellement indépendantes qui admettent les mêmes
moments d’ordre 1 et d’ordre 2, c’est à dire pour tout entier n, E(Xn ) = m et
V (Xn ) = σ 2 , alors quand n → +∞ on a :
V (Xn ) σ2
P Xn − m ≥ ε ≤ 2
= 2 −→ 0
ε nε
⇐⇒ Xn −→ m
p
Ce théorème est applicable pour des v.a. Xn ayant un même moment d’ordre 1 et
d’ordre 2, mais pas nécessairement la même loi : c’est la loi faible des grands nombres.
Définition 14.1.2 : Convergence presque sûre
On dit que la suite (Xn ) converge presque surement vers la v.a. X si :
n o
P ω ∈ Ω/ lim Xn (ω) = X(ω) = 1
n→∞
et s’écrit :
Xn −→ X; n → +∞
p.s.
Si les v.a. Xn aient un même moment d’ordre 1 et la même loi on obtient alors la
loi forte des grands nombres.
Théorème 14.1.4 : Loi forte des grands nombres
Si (Xn ) est une suite de v.a. indépendantes et de même loi qui admettent une
espérance m, alors :
Xn −→ m; n → +∞
p.s.
Xn −→ X
loi
Les v.a. Xn ont toutes des lois différentes de fonctions de répartition notées Fn .
Théorème 14.2.1
La convergence en probabilité d’une suite (Xn ) implique sa convergence en loi :
Xn −→ X =⇒ Xn −→ X
p loi
i i
i i
i i
14.2.2 Propriété
Si (Xn ) et (Yn ) sont deux suites de v.a. telles que pour n → +∞ :
Xn −→ X et Yn −→ a
loi p
où a ∈ R,alors :
i) Xn + Yn −→ X + a
loi
ii) Xn Yn −→ aX
loi
Xn X
iii) −→ si a 6= 0
Yn loi a
Théorème 14.2.2 : Théorème de Slutsky
Si g est une application réelle continue, alors :
Xn −→ X =⇒ g(Xn ) −→ g(X)
loi loi
√ Xn − m
n −→ N (0, 1)
σ loi
i i
i i
i i
Loi du Khi-deux
Si X suit une loi du Khi-deux dont le nombre de degrés de liberté ν −→ +∞, alors :
X −ν
√ −→ N (0, 1)
2ν loi
On approxime donc la loi du Khi-deux de paramètre ν par la loi normale centrée
réduite N (0, 1) quand ν −→ +∞.
i i
i i
i i
Loi de Student
Si X suit une loi de Student dont le nombre de degrés de liberté n −→ +∞, alors :
X −→ N (0, 1)
loi
14.4 Exercices
14.4.1 Enoncés
Exercice 1
Soit X une variable aléatoire de densité :
1 2
4 (1 + 3x ) si −1≤x≤1
f (x) =
0 sinon
i i
i i
i i
Exercice 6
On jette n fois de suite un dé à six faces.
Comment peut-on choisir n pour que le nombre de six obtenus soit compris entre
0 et n3 avec une probabilité au moins égales à 0, 9 ?
Exercice 7
Une urne contient trois boules numérotées 1, 2, 3.
On effectue une suite de n = 100 tirages indépendants avec remise. On note Xi le
numéro de la boule tirée lors du ième tirage.
Soit S = X1 + X2 + . . . + X100 . Au moyen de l’inégalité de Bienaymé-Tchebychev,
indiquer le plus petit nombre s que l’on peut trouver tel que :
P (200 − s ≤ S ≤ 200 + s) ≥ 0, 9
Exercice 8
Une enquête statistique portant sur 10 000 automobilistes débutants a révélé que 10
d’entre eux avaient provoqué un accident mortel dans leur première année de conduite
et que 200 d’entre eux avaient provoqué un accident corporel dans leur première année
de conduite.
1) Déterminer les probabilités P1 de provoquer un accident mortel durant une
première année de conduite et P2 de provoquer un accident corporel durant une
première année de conduite.
2) On choisit 100 débutants au hasard, et on désigne par X le nombre d’entre eux
qui ont eu un accident mortel au cours de leur première année de consuite.
A l’aide de quelle loi de probabilité peut-on étudier X ?.
Calculer P (X = 0) et P (X = 2).
Exercice 9
Dans un grand laboratoire pharmaceutique, les employés d’un bloc A ont souvent
besoin d’appeler au téléphone un bloc B. Le bloc A a 300 employés et on a constate
qu’aux heures d’affluence chacun d’entre eux veut téléphoner pendant en moyenne 3
minutes par heure au bloc B.
i i
i i
i i
14.4.2 Corrigés
Exercice 1
La densité est paire et l’espérance puisque l’intégrale se fait sur l’intervalle [−1, 1] ,
donc E(X) = 0.
La variance est alors égale à
R1
V (X) = E(X 2 ) = −1 xf (x)dx
1R 1
= −1 x2 (1 + 3x2 )dx
4
1
1 x3
3 5
= + x
2 3 5 0
7
V (X) =
15
on a :
P (|X| ≤ k) ≥ 0, 75 ⇐⇒ P (|X| > k) ≥ 0, 25
L’inégalité de Bienaymé-Tchebychev permet d’obtenir pour tout k > 0 fixé :
V (X)
P (|X| > k) ≤
k2
Si V (X) ≤ 0, 25k 2 alors l’inégalité est vérifiée.
Ce qui donne :
28
k2 ≥ ⇐⇒ k ≥ 1, 37
15
Or X prend ses valeurs dans l’intervalle [−1; 1], donc on retiendra cet intervalle
qui est de probabilité exacte égale à 1.
L’inégalité de Bienaymé-Tchebychev n’a pas permis dans ce cas de réduire l’inter-
valle demandé, par rapport à l’ensemble des valeurs possibles pour X.
k + k 3 − 1, 5 = 0 ⇐⇒ k = 0, 86
Exercice 2
Déterminons la loi de probabilité de mn pour pouvoir ensuite calculer son espérance.
i i
i i
i i
et sa densité par :
Il faut déterminer la fonction de répartition de X, qui est nulle pour x < λ, et qui
a comme valeur pour x ≥ λ :
Rx h ix
F (x) = λ e−(u−λ) du = −e−(u−λ) = 1 − e−(x−λ)
λ
g(x) = ne−n(x−λ)
E(mn − λ) 1
P (|mn − λ| ≥ ε) = P (mn − λ ≥ ε) ≤ = −→ 0
ε nε
pour tout ε > 0, ce qui permet d’écrire que mn converge en probabilité vers λ :
mn −→ λ
p
i i
i i
i i
Exercice 3
La fonction de répartition est définie par :
n n
P (Di < x) = F (x)n .
T Q
G(x) = P (Mn < x) = P (Di < x) =
i=1 i=1
Mn −→ t
p
Exercice 4
Calculons les moments d’ordre 1 et d’ordre 2 de la variable aléatoire |X| :
R +∞
E(|X|) = −∞ |x| f (x)dx
R +∞
= λ 0 xe−λx dx
1
E(|X|) =
λ
ce résultat est obtenu en faisant une intégration par parties.
De la même manière on a :
R +∞
E(X 2 ) = −∞ x2 f (x)dx
R +∞
= λ 0 x2 e−λx dx
2
E(X 2 ) = 2
λ
Et la variance de |X| est :
1
V (|X|) =
λ2
La variable aléatoire Un étant la moyenne des variables aléatoire |Xi | indépendantes,
la loi des grands nombres permet d’obtenir :
1P n 1
Un = |Xi | −→
n i=1 p λ
i i
i i
i i
Exercice 5
On a la variable aléatoire Vn définie par :
1P n
Vn = e−(Xi −λ)
n i=1
probabilité nulle pour y ≤ 0, et qui a pour valeur, obtenue par passage au logarithme
pour y > 0 :
où F est la densité de X.
La densité est donc nulle pour y ≤ 0, et a pour valeur pour y > 0 :
1
g(y) = f (λ − ln y) = e−y
y
Exercice 6
On pose : Xi = 0 si le 6 n’a pas été tiré au ième jet de dé
Xi = 1 si le 6 a été tiré au ième jet de dé
Les variables aléatoires Xi sont indépendantes, puisque les jets eux-mêmes sont
indépendantes. D’autre part :
5 1
P (Xi = 0) = et P (Xi = 1) =
6 6
d’où X1 + X2 + . . . + Xn est une variable aléatoire qui représente le nombre de 6
apparus au cours de n jets, on le notera nSn avec :
X1 + X2 + . . . + Xn
Sn =
n
n 1
On veut que : nSn ∈ 0, 3 d’où Sn ∈ 0, 3 .
i i
i i
i i
Mais
1
E(Sn ) = E(X1 + X2 + . . . + Xn )
n
1P n
= E(Xi )
n i=1
nE(X)
=
n
E(Sn ) = E(X)
c’est à dire
1
E(Sn ) = E(X) = E(Xi ) =
6
Donc Sn ∈ 0, 13 peut s’écrire Sn ∈ E(Sn ) − 16 ; E(Sn ) + 16 donc
Sn − 1 < 1
6 6
et d’après la loi faible des grands nombres on a :
1 1 V (X)
P (Sn − < ) ≥ 1 −
6 6 nε2
V (X) 1
il faut donc nε2 ≤ 10 d’où
10V (X) 10 × 61 × 5
6
n≥ =
ε2 1 2
6
n ≥ 50.
Exercice 7
a) Les variables aléatoires Xi prennent les valeurs 1, 2 et 3 avec des probabilités
égales à 13 .
De plus on a : E(Xi ) = 2 et V (Xi ) = 0, 66667.
D’où.
or
200 − s ≤ S ≤ 200 + s ⇐⇒ −s ≤ S − 200 ≤ s ⇐⇒ |S − 200| ≤ s
Le problème revient donc à trouver le plus petit nombre s tel que :
i i
i i
i i
2
La probabilité P (|S − 200| ≤ s) ≥ 0, 9 pour σs2 ≤ 0, 1
d’où √
s ≥ 66666 ' 258, 2
Exercice 8
1) La probabilité de provoquer un accident mortel durant une première année de
conduite est :
10
P1 = = 0, 001
10 00
La probabilité de provoquer un accident corporel durant une première année de
conduite est
200
P2 = = 0, 02
10 00
2) La variable aléatoire X suit une loi dinomiale de paramètre n = 100 et p =
0, 001 : X B(100; 0, 001).
On a n > 50 et np = 0, 1 < 5, on peut donc approcher la loi binomiale par une loi
de Poisson de paramètre np = 0, 1.
D’où
0
(0, 1) e−0,1
P (X = 0) = ' 0, 9
0!
et
2
(0, 1) e−0,1
P (X = 2) = ' 0, 0045
2!
Exercice 9
Supposons qu’il y ait n lignes téléphoniques installées entre A et B et appelons
X le nombre d’emplyés de A désirant téléphoner B, à un instant donné pendant une
heure d’affluence.
On cherche le plus petit nombre n, noté n0 tel que :
P (X > k) ≤ 0, 025
1
X suit une loi binomiale B(300; 20 ), c’est à dire que :
1 19
npq = 300 × × ' 14, 25 < 10
20 20
n ≥ 30; np ≥ 15.
i i
i i
i i
i i
i i
i i
Quatrième partie
STATISTIQUES
i i
i i
i i
i i
i i
i i
CHAPITRE 15
Statistique descriptive
Introduction
Le double but de la statistique à une dimension est d’une part la présentation
des données statistiques sous forme de tableaux ou de graphiques, diagrammes en
batôns, histogrammes, courbe cumulative ; et d’autre part l’analyse de ces données, qui
consiste à résumer un tableau à l’aide d’un petit nombre de valeurs caractéristiques.
- Les valeurs caractéristiques de position : mode, médiane, moyenne.
- Les valeurs caractéristiques de dispersion : variance, écart-type.
Définition 15.1.1
Tout ensemble P étudié en statistique s’appelle population. Les éléments sont
appelés individus. un sous-ensemble de P est un échantillon.
On appelle variable statistique ou caractère quantitatif toute application X de P
dans R. Une variable statistique peut être
- discrète : si elle ne prend que des valeurs isolées (nombre d’enfants d’une famille ;
nombre de pièces d’un appartement...)
- continue : si elle prend toutes les valeurs d’un intervalle (poids d’un individu,
taille d’un individu,...)
La statistique à une dimension a pour objet l’étude d’un caractère des éléments
d’une population.
- Caractère quantitatif (exprimable en un nombre : poids, taille, température, prix,
etc.)
- Caractère qualitatif (couleur, sexe, etc.). On donne un numéro et l’on se ramène
au caractère quantitatif.
Par conséquent,
- Série statistique quantitative : liste de la valeur du caractère pour les individus
de la population,
- Série statistique qualitative : liste des variétés du caractère.
i i
i i
i i
Exemple 15.1.1
On prélève un échantillon 200 individus dont on veut étudier leur taille (en cm), et
l’on a obtenu les résultats suivants :
Tableau 15.1.1
Remarque 15.1.1
Lorsque les effectifs ne sont pas précisés, ils sont sous -entendus égaux à 1, comme
par exemple : une production de céréale dans deux champs :
128 930 147 650 (ces deux valeurs sont les valeurs du caractère et non pas les
effectifs).
i i
i i
i i
Tableau 15.1.2
Définition 15.1.5
a) Dans le cas où la variable statistique est discrète, on appelle fonction cumulative
ou fonction de répartition la fonction F définie sur R par :
P
F (t) = fj
j<t
i i
i i
i i
15.1.4 Graphiques
Caractère à valeurs discrètes
Le diagramme en bâtons, s’obtient en traçant à partir du point de l’axe des x
d’abscisse xi un segment de longueur proportionnelle à ni .
Le polygone des effectifs s’obtient en joignant par un trait les différents points
de coordonnées (xi , ni ).
La courbe cumulative des effectifs est la représentation de la fonction de ré-
partition définie sur R : x 7→(somme des effectifs xi < x) qui est une fonction en
escalier.
La dominante ou mode est la valeur du caractère ayant le plus grand effectif.
1P p n1 x1 + n2 x2 + · · · + np xp
x= ni xi =
n i=1 n
i i
i i
i i
-Cas continu :
On remplace les classes de caractères par leur milieu (ou les extrémités droites ou
gauches lorsque le milieu n’existe pas) et l’on se ramène au cas précédent.
Dans ce cas, la moyenne x peut être interprétée comme l’espérance d’une variable
aléatoire X prenant les valeurs xi comme distribution :
ni
P (X = xi ) =
n
y = αx + β
Mode
Définition 15.1.7
Le mode est la valeur du caractère correspondant à l’effectif le plus grand.
Lorsqu’il s’agit de classe, on dit alors classe modale.
Médiane
Définition 15.1.8
La médiane M est la valeur d’un caractère quantitatif (cas continu) correspondant
à un effectif cumulé égal à la moitié de l’effectif. Autrement dit, M est la valeur telle
qu’il y ait 50% des effectifs pour lesquels la valeur du caractère soit inférieure à M. ’et
donc 50% supérieure).
En pratique, on rajoute une troisième colonne à un tableau dans lequel on calcule
les effectifs cumulés croissants en pourcentage.
Reprenons le tableau 15.1.2 et calculons les effectifs cumulés croissants en pourcen-
tage (3ème colonne) :
Tableau 15.1.3
i i
i i
i i
Dans le cas où la valeur n’est pas égale à 50, une interpolation est alors nécessaire
pour obtenir M.
Tableau 15.1.4
50 − 44
M = 1550 + × (1650 − 1550) = 1600.
56 − 44
Quartiles
Définition 15.1.9
Soit une série statistique quantitative dont le caractère est continue et soit X une
variable aléatoire de fonction de répartition F et un réel α ∈]0, 1[.
On appelle quantile d’ordre α, tout réel xα tel que :
F (xα ) = α ⇐⇒ P (X < xα ) = α.
Le premier quartile, noté Q1 , est la valeur du caractère, telle que pour 25% des
effectifs la valeur du caractère soit inférieur (et donc 75% supérieure).
Donc le premier quartile n’est autre que le quantile d’ordre 1/4.
Le troisième quartile, noté Q3 , est la valeur du caractère, telle que 75% des effectifs
présentent une valeur inférieure à celle-ci (et donc 25% supérieure).
Q3 est aussi le quantile d’ordre 3/4.
Le second quartile coïncide avec la médiane : Q2 = M et qui est aussi le quantile
d’ordre 1/2.
i i
i i
i i
Ces résultats sont présentés dans une figure appelée Boite à moustache (ou boxplot)
Déciles
Définition 15.1.10
Dans le cas d’une série statistique quantitative à caractère continu, le premier
décile correspond à la valeur du caractère, telle que 10% des effectifs présentent une
valeur inférieures à celle-ci.
Le ième décile, noté Di est le quantile d’ordre i/10.
Le cinquième décile coïncide avec la médiane M = D5 .
i i
i i
i i
Données groupées
X \Y y1 y2 ··· ys Totaux
x1 n11 n12 ··· n1s n1.
x2 n21 n22 ··· n2s n2.
.. .. .. .. .. ..
. . . . . .
xr nr1 nr2 ··· nrs nr.
Totaux n.1 n.2 ··· n.s N
i i
i i
i i
15.2.2 Corrélations
Données non groupées
Dans le cas où les données sont non groupée, alors elle peuvent être présentées dans
un tableau comme le suivant :
xi yi x2i yi2 xi yi
x1 y1 x21 y12 x1 y1
x2 y2 x22 y22 x2 y2
.. .. .. .. ..
. . . . .
xn yn x2n yn2 xn yn
n n n n n
x2i yi2
P P P P P
xi yi xi yi
i=1 i=1 i=1 i=1 i=1
1P n 1P n
x= xi et y= yi
n i=1 n i=1
1P n 1P n
V (x) = σx2 = x2 − x2 et V (y) = σy2 = y2 − y2
n i=1 i n i=1 i
p p
σx = V (x) et σy = V (y)
On peut alors définir la covariance du couple (xi , yi ).
Définition 15.2.3
La covariance du couple (xi , yi ) est par définition le réel notée cov(x, y) ou σxy qui
vaut :
1Pn
cov(x, y) = σxy = (xi − x)(yi − y)
n i=1
Propriété 15.2.1
Pour un calcul numérique plus facile on a :
1) n
1P
cov(x, y) = xi yi − xy
n i=1
2) Soient α, β, λ, et µ quatre réels, alors on a :
i i
i i
i i
Données groupées
Dans le cas où les données sont non groupée, alors elle peuvent être présentées dans
un tableau comme le suivant :
s s
ni. x2i
P P
X\Y y1 y2 ··· ys ni. ni. xi nij yj xi nij yj
j=1 j=1
x1 n11 n12 ··· n1s n1.
x2 n21 n22 ··· n2s n2.
.. .. .. .. .. ..
. . . . . .
xr nr1 nr2 ··· nrs nr. !
r r
r
s
ni. x2i
P P P P
n.j n.1 n.2 ··· n.s N ni. xi xi × nij yj
i=1 i=1 i=1 j=1
s
P
n.j yj n.j yj
j=1
s
n.j yj2 n.j yj2
P
j=1
i i
i i
i i
Définition 15.2.5
La somme des effectifs partiels contenus dans la ligne de xi est égale à l’effectif des
éléments dont la valeur du caractère X est xi .
Elle est notée ni. :
s
P
ni. = ni1 + ni2 + · · · + nij + · · · + nis = nij
j=1
La somme des effectifs partiels contenus dans la colonne yj est égale à l’effectif des
éléments dont la valeur du caractère est yi .
Elle est notée n.j :
r
P
n.j = n1j + n2j + · · · + nij + · · · + nrj = nij
i=1
Les deux sommes ni. et n.j sont appelées les effectifs partiels marginaux :
r
P s
P r P
P s
N= ni. = n.j = nij
i=1 j=1 i=1j=1
Définition 15.2.6
Les fréquences marginales, notée fij , sont définies comme le rapport entre l’effectif
partiel marginal et l’effectif total.
ni. fi. fréquence marginale de xi
fi. = , où ni. effectif partiel marginal de xi
N
N effectif total
de la même manière on a :
n.j f.j fréquence marginale de yj
f.j = , où n.j effectif partiel marginal de yj
N
N effectif total
et on vérifie que :
r
P s
P r P
P s
fi. = f.j = fij = 1
i=1 j=1 i=1j=1
Définition 15.2.7
Les fréquences conditionnelles, notée fi/j , sont définies comme le rapport entre
l’effectif correspondant partiel et l’effectif partiel marginal .
nij fij fi/j fréquence conditionnelles de xi sachant yj
fi/j = = , où nij effectif correspondant partiel à X = xi et Y = yj
n.j f.j
nij effectif partiel marginal de yj
nij fij
fj/i = =
ni. fi.
i i
i i
i i
On a donc :
fij = fi. × fj/i = f.j × fi/j .
Définition 15.2.8
Les variables X et Y sont dites indépendantes si et seulement si, quel que soit le
couple (i, j), on a :
Covariance Soit une série statistique quantitative à deux variables. Notons, ni. et
n.j les sommes des effectifs partiels, N la taille de la population et (xi , yi ) les couples.
On les moyennes x et y sont définies par :
1 Pr 1 Ps
x= ni. xi et y= n.j yj
N i=1 N j=1
les variances et les écarts-types qui leur sont associés sont définis par :
!
1 Pr 1 Ps
2 2
V (X) = σx2 = ni. x2i − (x) et V (Y ) = σy2 = n.j yj2 − (y)
N i=1 N j=1
p p
σx = V (X) et σy = V (Y )
On peut donc définir la covariance du couple (xi , yi ).
Définition 15.2.9
On appelle covariance du couple (X, Y ) et on la note cov(X, Y ) ou σxy la moyenne
de (X − X)(Y − Y ).
Elle est définie par :
1 Pr Ps
cov(X, Y ) = σxy = nij (xi − x)(yi − y)
N i=1j=1
i i
i i
i i
Définition 15.2.11
Soient Mij les points du nuage de coordonnées (xi , yj ), dans un repère orthonormal,
et D la droite d’équation :
y = ax + b.
En interprétant les couples (xi , yj ) comme la donnée d’une série statistique quanti-
tative à deux variables, on obtient alors :
cov(x, y) σxy
a= = 2 et b = y − ax
V (x) σx
Propriétés 15.2.3
Ce sont celles de cov(x, y) et de V (x).
On peut utiliser les formules suivantes des coefficients a et b plus facilement à
claculer :
P
(xi − x)(yi − y)
a= P et y = ax + b
(xi − x)2
i i
i i
i i
Droites de régression
Définition 15.2.12
La droite d’ajustement déterminée par la méthode des moindres carrés est aussi
appelée la droite de régression de y en x, et on la note Dy/x , la droite d’équation :
cov(x, y) σxy
Dy/x : y − y = a(x − x), avec a = = 2
V (x) σx
cov(x, y) σxy
Dx/y : x − x = a0 (y − y), avec a0 = = 2
V (y) σy
cov(x, y)
D = Dy/x : y = ax + b avec a = et b = y − ax
V (x)
cov(x, y)
D0 = Dx/y : y 0 = a0 x + b0 avec a0 = et b0 = x − a0 y
V (y)
Remarque 15.2.1
Le produit des deux coefficients a et a0 n’est autre que le carré du coefficient de
corrélation : 2
2
0 [cov(x, y)] cov(x, y)
aa = = = ρ2 (x, y)
V (x)V (y) σ(x)σ(y)
Les coefficients, a et a10 sont de même signe, d’où :
si 0 < ρ < 1
alors Dy/x et Dx/y sont ascendantes
si − 1 < ρ < 0 alors Dy/x et Dx/y sont descendantes
si ρ = 1 alors Dy/x et Dx/y sont confondues et ascendantes
si ρ = −1 alors Dy/x et Dx/y sont confondues et descendantes
15.3 Exercices
15.3.1 Enoncés
Exercice 1
i i
i i
i i
R en Ohms Effectifs
[16, 0; 16, 1[ 1
[16, 1; 16, 2[ 4
[16, 2; 16, 3[ 4
[16, 3; 16, 4[ 10
[16, 4; 16, 5[ 17
[16, 5; 16, 6[ 20
[16, 6; 16, 7[ 20
[16, 7; 16, 8[ 14
[16, 8; 16, 9[ 8
[16, 9; 17, 0[ 2
i i
i i
i i
Exercice 3
Le tableau suivant représente la distribution de la taille des coquilles d’individus
adultes des escargots en France Deux régions ont été étudiées :
A : région du centre et B : Région du sud.
Pour chacune des deux distributions, calculer la moyenne, la médiane, les quartiles
et l’écart-type.
Exercice 4
On a relevé le nombre d’enfants dans 850 ménages ayant au moins un enfant.
On a obtenu la série statistique suivante :
i i
i i
i i
Exercice 6
Le tableau suivant donne la répartition du personnel d’une société suivant le salaire
annuel :
Salaire annuel
Cadres Employés Ouvriers
en miliers d’euros
[15; 16[ 0 5 15
[16; 17[ 2 13 37
[17; 18[ 3 15 58
[18; 19[ 3 18 74
[19; 20[ 4 14 40
[20; 25[ 3 4 16
[25; 30[ 8 5 10
[30; 40[ 3 0 0
[40; 50[ 4 0 0
1) Déterminer la médiane M e, les quartiles Q1 et Q3 et le dernier décile D9 des
trois catégories.
2) Trouver le pourcentage de personnel dans chaque catégorie dont le salaire est
inférieur à 20000 euros.
Exercice 7
Afin de mettre au point des méthodes d’action sanitaire sur la population d’un
pays en voie de développement, on étudie la répartition des poids et des tailles d’un
échantillon d’hommes de cette population, par comparaison avec la même répartition
dans un pays développé.
Dans ce but, on a relevé les poids et tailles d’un échantillon de N habitants de
chacun des deux pays. Cela a permis de présenter un tableau pour chaque pays donnant,
pour chaque taille xi et chaque poids yi le nombre nij d’individus ayant la taille xi et
le poids yj .
De ces tableaux, on a tiré, grâce aux calculs habituels, les caractéristiques suivantes :
Population du Population du
Caractéristiques
pays A pays B
Moyenne des tailles x 165 170
Variance des tailles V (x) 25 25
Moyenne des poids y 65 70
poids V (y)
Variance des P 9 25
(x−x)(y−y)
Covariance = N 12 12
i i
i i
i i
x 5, 1 7, 3 7, 2 5, 6 7, 1 5, 6 3 3, 3 8, 9 5, 2
y 11, 9 16 18 9, 4 15, 4 12, 3 5, 8 9, 3 14, 6 10, 1
x 4, 5 4, 1 7, 3 5, 7 4, 7 4, 8 2, 6 7, 6 6, 7 10, 1
y 7, 1 8, 9 19 12, 1 11, 5 16, 3 10, 5 9 17, 9 25, 8
x 9, 8 3, 1 6, 7 3, 7 3, 1 9, 2 5, 9 7, 2 6, 4 5, 4
y 25, 8 7, 3 13, 4 8, 9 9, 3 13, 6 8, 2 28, 2 14, 3 8, 2
x 2, 4 3, 5 4 5, 7 5, 3 4, 6 2, 8 6, 1
y 6, 1 6, 3 9, 9 14, 9 14, 6 13, 2 8, 6 19, 4
15.3.2 Corrigés
Exercice 1
1) Tableau des fréquences, les fréquences cumulées croissantes et décroissantes, les
effectifs cumulés croissants et décroissants.
Centre de
Dureté HRC ni fi % ni % fi % % ni & fi & %
classe xi
[52; 52, 5[ 52, 25 1 3, 33 1 3, 33 30 100
[52, 5; 53[ 52, 75 1 3, 33 2 6, 67 29 96, 67
[53; 53, 5[ 53, 25 2 6, 67 4 13, 33 28 93, 33
[53, 5; 54[ 53, 75 3 10 7 23, 33 26 86, 67
[54; 54, 5[ 54, 25 5 16, 67 12 40 23 76, 67
[54, 5; 55[ 54, 75 6 20 18 60 18 60
[55; 55, 5[ 55, 25 4 13, 33 22 73, 33 12 40
[55, 5; 56[ 55, 75 4 13, 33 26 86, 67 8 26, 67
[56; 56, 5[ 56, 25 2 6, 67 28 93, 33 4 13, 33
[56, 5; 57[ 56, 75 2 6, 67 30 100 2 6, 67
2) La médiane M e appartient à la classe [54, 5; 55[, on peut écrire par interpolation
linéaire :
50 − 40 10
M e = 54, 5 + (55 − 54, 5) × = 54, 5 + 0, 5 ×
60 − 40 20
M e = 54, 75 HRC
i i
i i
i i
On pourra aussi déterminer la médiane en traçant les deux courbes des fréquences
croissantes et décroissantes en pourcentage, l’abscisse de leur intersection permet
d’obtenir la médiane M e.
3) Pour le calcul de la moyenne et de l’écart-type, on effectuera le changement de
variable ui = xi −54,75
0,5 .
Calcul de la moyenne :
P
ni ui
u= =0
N
d’où
x = 54, 75 HRC
Calcul de l’écart-type :
rP
ni u2i
σ(u) = − u2
N
r
146
= −0
30
σ(u) = 2, 206 HRC
Exercice 2
Soit le tableau avec les colonnes qui seront les diverses classes, leurs centres,
i i
i i
i i
Calcul de la moyenne :
P
ni ui 600
u= = =6
N 100
d’où
x = x0 + hu
= 16, 5 + 0, 1 × 6
x = 16, 56 Ω
avec x0 = 16, 5 et h = 0, 01
Calcul de la variance :
ni u2i
P
σ 2 (u) = − u2
N
39700
= − 36 = 361
600
σ 2 (u) = 192
Exercice 3
En remplaçant chaque classe par son milieu, on obtient :
Région A : Moyenne xA = 19, 728 et l’écart-type σA = 1, 121
Région B : Moyenne xB = 19, 731 et l’écart-type σB = 1, 431
i i
i i
i i
Afin de calculer les médianes et les quartiles, dressons les tableaux des fréquences
cumulées en pourcentages :
Région A Région B
[17; 18[ 5, 83
[16; 17[ 3, 04
[18; 19[ 17, 49
[17; 18[ 9, 13
[19; 20[ 72, 89
[18; 19[ 25, 87
[20; 21[ 85, 13
[19; 20[ 68, 49
[21; 22[ 96, 79
[20; 21[ 80, 67
[22; 23[ 99, 42
[21; 22[ 89, 80
[23; 25[ 99, 88
[22; 23[ 99, 85
[25; 27[ 99, 94
[23; 24[ 100
[27; 28[ 100
Pour la Région A :
La médiane est :
50 − 17, 49
M e = 19 + (20 − 19) = 19, 59
72, 89 − 17, 49
Le premier quartile est :
25 − 17, 49
Q1 = 19 + (20 − 19) = 19, 14
72, 89 − 17, 49
Le troisième quartile est :
75 − 17, 49
Q3 = 20 + (21 − 20) = 20, 17
85, 13 − 17, 49
Pour la Région B :
La médiane est :
50 − 25, 87
M e = 19 + (20 − 19) = 19, 57
68, 49 − 25, 87
Le premier quartile est :
25 − 9, 13
Q1 = 18 + (19 − 18) = 18, 98
25, 87 − 9, 13
Le troisième quartile est :
75 − 68, 49
Q3 = 20 + (21 − 20) = 20, 53
80, 67 − 68, 49
Exercice 4
La moyenne est
1P n
x= ni xi = 2, 33
n i=1
i i
i i
i i
T
δ= = 0, 05
σ(T )
On peut situer la médiane entre 59 et 60.
Exercice 6
En remplaçant chaque classe par son milieu, l’on obtient :
i i
i i
i i
Le premier quartile :
25 − 16, 66
Q1 = 18 + (19 − 18) = 18, 834
26, 66 − 16, 66
Le troisième quartile :
75 − 50
Q3 = 25 + (30 − 25) = 29, 689
76, 66 − 50
Le dernier décile :
90 − 86, 66
D9 = 40 + (50 − 40) = 42, 5
100 − 86, 66
A 12
Dy/x : y − 65 = (x − 165)
25
A
Dy/x : y = 0, 48x − 14, 20
Pour la population B :
La droite de régression de y en x est :
B 12
Dy/x : y − 70 = (x − 170)
25
B
Dy/x : y = 0, 48x − 11, 60
cov(x, y) σxy
x − x = a0 (y − y), avec a0 = = 2.
V (y) σy
i i
i i
i i
Pour la population A :
0
A 12
Dx/y : x − 165 = (y − 65)
9
0
A
Dx/y : x = 1, 33y + 78, 34
Pour la population B :
La droite de régression de x en y est :
0
B 12
Dx/y : x − 170 = (y − 70)
25
0
B
Dx/y : x = 0, 48y + 136, 4
cov(x, y)
ρ(x, y) =
σ(x).σ(y)
On donc ici :
pour la population A :
cov(x, y) 12 12
ρA (x, y) = =√ √ = = 0, 8
σ(x).σ(y) 25 × 9 15
cov(x, y) 12 12
ρB (x, y) = =√ √ = = 0, 48.
σ(x).σ(y) 25 × 25 25
Exercice 8
1) En appliquant les formules de la moyenne, variance et covariance, on trouve :
x = 5, 56; y = 12, 92
Dy/x : y − y = a(x − x)
7, 98
Dy/x : y − 12, 92 = (x − 5, 56)
3, 97
Dy/x : y = 2, 01x + 1, 74
i i
i i
i i
cov(x, y) 7, 98
ρ(x, y) = = = 0, 83
σ(x).σ(y) 1, 99 × 4, 84
Le coéfficient de corrélation est proche de 1, on dit qu’il existe une relation causale
entre le nombre d’unités de nutrition et le nombre de milliers de calories consommées
par les ménages en une journée.
i i
i i
i i
i i
i i
i i
CHAPITRE 16
Echantillonnage et Estimation
Pour étudier une population statistique on a recours à deux méthodes l’une est coûteuse
et fiable, l’autre et beaucoup moins coûteuse mais moins fiable aussi.
1) la méthode exhaustive : ou recesement qui consiste à examiner chaque individu
de la population selon les caractères étudiés. Elle est peu employée, à cause de son
coût, sa durée, etc .
2) la méthode des sondage : qui consiste à examiner un échantillon de la population.
Cette méthode comprend deux parties
a- l’échantillonnage : qui permet de passer d’une population totale connue à
un échantillon.
b- l’estimation : qui consiste à induire à partir des résultats observés sur
l’échantillon des résultats concernant la population.
16.1 Echantillonnage
16.1.1 Distribution des moyennes d’échantillon
Soit une population mère P d’effectif N . On étudie un caractère pour lequel la moyenne
de la population est m et l’écart-type σ.
Soient tous les les échantillons Ei de taille n issus de la population
– E1 (effectif n,moyenne x1 , écart-type s1 = σ10 )
– E2 (effectif n,moyenne x2 , écart-type s2 = σ20 )
.
– ..
– Ek (effectif n,moyenne xk , écart-type sk = σk0 )
L’ensemble X = {x1 , x2 , x3 , . . . , xk } est une série statistique d’effectif k appelée
distribution des moyennes.
On peut montrer que :
1- La valeur espérée (espérance) de la moyenne de l’échantillon est la moyenne de
la population :
E X = m.
i i
i i
i i
Théorème 16.1.1
La variance d’un échantillon de taille n peut être considérée comme une variable
aléatoire s2 , définie sur Ω. On a alors :
n−1 2
E(s2 ) = σ .
n
Théorème 16.1.2
Soit n la taille d’un échantillon de moyenne X, m la moyenne de la population de
taille N et σ son écart-type.
1 - Si n ≥ 30 et si l’échantillon est non exhaustif alors :
A = X−m√σ suit une loi normale centrée réduite. A N (0, 1)
n
2 - Si n ≥ 30 et si l’échantillon est exhaustif alors :
B = σ X−m
p N −n suit une loi normale centrée réduite. B N (0, 1)
√
n N −1
Théorème 16.1.3
Soit n la taille d’un échantillon de pourcentage p (avec q = 1−p) dans la population,
N la taille de la population, σ son écart-type et f la fréquence des éléments possédante
le pourcentage p.
1 - Si n ≥ 30, np ≥ 10 et si l’échantillon est non exhaustif alors :
i i
i i
i i
f −p
C=√ pq suit une loi normale centrée réduite. C N (0, 1)
n
2 - Si n ≥ 30, np ≥ 10 et si l’échantillon est exhaustif alors :
f −p
D = p pq N −n
suit une loi normale centrée réduite. D N (0, 1)
n . N −1
16.2 Estimation
Connaissant la moyenne X, et l’écart-type σ 0 d’un échantillon de taille n, il s’ageit
d’estimer la moyenne m inconnue de la population-mère P . On a alors recours à deux
méthodes
- Soit choisir une valeur m0 de m, on parle alors d’une estimation ponctuelle
- Soit choisir un intervalle contenant m avec une probabilité donnée, on parle dans
ce cas d’une estimation par intervalle de confiance.
X −m
T = √ N (0, 1)
σ/ n
T suit une loi normale centrée réduite.
b- Si l’écart-type σ est inconnu dans la population, alors :
X −m
T = √ Tn−1
s∗ / n
i i
i i
i i
Estimation de (p) = f.
i i
i i
i i
P [|T | < tα ] = 1 − α
⇐⇒ P (m − tα √σn ≤ X ≤ m + tα √σn ) = 1 − α = 2Φ(t)
i i
i i
i i
or |T | < tα équivant à :
L’intervalle de confiance de 2Φ(t) est :
" r r #
f (1 − f ) f (1 − f )
p ∈ f − tα ; f + tα
n n
Une réalisation de cet intervalle aléatoire donne alors l’intervalle de confiance pour
le pourcentage p (ou fréquence) au seuil α (ou au risque d’erreur α). C’est à dire que
pour une valeur de f observée, l’intervalle aléatoire fournit un intervalle [a, b], dans
lequel p se trouvera avec une probabilité 1 − α = 2Φ(t).
16.3 Exercices
16.3.1 Enoncés
Exercice 1
On mesure les diamètres de pièces mécaniques dans un lot important fabriqué par
une même machine. Les valeurs observées suivent une loi normale de moyenne 10,06
mm et d’écart-type 0,18 mm.
Si l’on prélève dans ce lot 9 pièces au hasard, quelle est laprobabilité pour que le
diamètre moyen de cet échantillon soit :
1- inférieur à 10 mm
2- supérieur à 10,15 mm.
Exercice 2
Une machine automatique remplit des paquets de céréales, les poids en gramme
sur un échantillon de 10 paquets sont :
297; 300; 295; 297; 300; 310; 300; 295; 310; 300
1) Calculer le poids moyen du paquet de céréal de l’échantillon et son écart-type.
2) Donner une estimation de l’écart-type de la population.
Exercice 3
1) Soit X = {x1 , x2 , . . . , xn } une série statistique qui suit une loi normale de
moyenne inconnue m et d’écart-type σ = 0, 31.
On prélève un échantillon au hasard de taille n = 100, la moyenne des valeurs de
cet échantillon est x = 5, 2.
i i
i i
i i
i i
i i
i i
16.3.2 Corrigés
Exercice 1
1- Si l’on extrait au hasard des échantillons de taille n d’une population-mère
N (m, σ), la distribution des moyennes d’échantillon suit la loi
suivant une loi normale
normale N m, √σn .
Or ici on a m = 10, 06 et
σ 0, 18
√ = √ = 0, 06
n 9
La variable centrée réduite (normée) est :
m − 10, 06
z=
0, 06
Donc pour m < 10 on a :
10 − 10, 06
t<
0, 06
t < −1
m > 10, 15
10, 15 − 10, 06
=⇒ t >
0, 06
=⇒ t > 1, 5
i i
i i
i i
soit 6, 7%.
Exercice 2
Après avoir rangé les poids par ordre croissant, effectuons le changement d’origine
x0 = 300 d’où ui = xi − x0 = xi − 300.
i xi ui = xi − 300 u2i
1 295 −5 25
2 295 −5 25
3 297 −3 9
4 297 −3 9
5 300 0 0
6 3000 0 0
7 3000 0 0
8 3000 0 0
9 310 10 100
10 310 10 100
Total 20 − 16 = 4 268
On a donc la moyenne :
10
P
ui
i=1 4
u= = = 0, 4
10 10
d’où :
x = x0 + u = 300, 4g
La variance est :
1 P10 268
σ 02 = u2 − u2 = − (0, 4)2 = 26, 8 − 0, 16
10 i=1 i 10
σ 02 = 26, 64
d’où l’écart-type :
σ 0 = 5, 16.
2) Une estimation de l’écart-type de la population, d’après l’écart-type de l’échan-
tillon sera : r √
0 10 10
σ=σ = 5, 16 × = 5, 43.
9 3
Exercice 3
Si l’on a un intervalle de confiance de 2Φ(t), on a d’après la loi Laplace-Gauss
(Normale) :
σ σ
P x − t√ ≤ m ≤ x + t√ = 2Φ(t)
n n
or ici
2Φ(t) = 0, 95 ⇐⇒ Φ(t) = 0, 475
i i
i i
i i
Π(t) = Φ(t) + 0, 5 = 0, 99
0, 76 − 2, 33 × 0, 04 ≤ p ≤ 0, 76 + 2, 33 × 0, 04
0, 66 ≤ p ≤ 0, 85
i i
i i
i i
i i
i i
i i
65
L’estimateur ponctuel est pb = 400 = 0, 1625.
Grand échantillon n × p = 400 × 0, 1625 = 65 donc np > 20.
r r
pb(1 − pb) pb(1 − pb)
pb − t ≤ p ≤ pb + t
n n
pour n = 400, pb = 0, 1625
D’après la table de la loi normale on a t = 2, 58 pour un niveau de confiance de
99%.
Donc à 99% de confiance :
0, 12 < p < 0, 21
Exercice 7
1) On a xi = ln(yi )
La moyenne est
1P 1P
x= xi = ln(yi ) = 1, 92
n n
La variance est :
1 X 2 1 X 2
s2 = (xi − x) = (ln(yi ) − x) = 1
n−1 n−1
On a n < 30 et la variance de la population est inconnue, donc on utilisera la loi
de Student :
le degré de liberté ν = n − 1 = 8, et donc d’après la table de la li de Student on a :
tν,α = t8,0,05 = 2, 306
Donc :
s s
x − t√ ≤ m ≤ x + t√
n n
1, 15 ≤ m ≤ 2, 69
(n − 1)s2 2 (n − 1)s2
2 ≤ σ ≤
X1− α X α2
2 2
8×1 8×1
≤ σ2 ≤
17, 5 2, 18
2
0, 45 ≤ σ ≤ 3, 67
et donc l’écart-type
0, 68 ≤ σ ≤ 1, 92
i i
i i
i i
Exercice 8
1
P
1) La moyenne est x = n xi = 253, 5g et la variance est
1 X 2
s2 = (xi − x) = 8, 01
n−1
3) La population est normale, sa variance est inconnue, on utilise une loi de Student.
La variable aléatoire T définie par T = (x−m)
√s où x est la moyenne de l’échantillon
n−1
aléatoire de taille n de la variable aléatoire X, est distribuée selon la loi de Student à
n − 1 degrè de liberté.n = 17, T = (x−m) s est distribuée selon la loi de Student à 16
4
d.d.l.
On a t = 2, 12 lue sur la table de student à 16 d.d.l. et un niveau de signification
5%.
On obtient donc l’intervalle de confiance où x = 253.5 et s = 2, 8
h s si
x − 2, 12 × ; x + 2, 12 × = [253, 5 ; 255, 0] au niveau 5%
4 4
i i
i i
i i
i i
i i
i i
CHAPITRE 17
Dans les situations concrètes, il faut en général prendre des décisions sur des populations
à partir de renseignements recueillis sur des échantillons. On est alors amené à faire
des hypothèses sur la population concernée, hypothèses qui peuvent être vraies ou
fausses.
Ces hypothèses sont faites en général, soit pour les infirmer, soit pour les rejeter.
- Une hypothèse à rejeter est notée H0 on la désigne sous le nom d’hypothèse nulle.
- Toute hypothèse qui diffère d’une autre est notée H1 et on la désigne sous le nom
d’hypothèse alternative.
Il existe deux types de risque :
- Si l’on rejette une hypothèse vraie, on commet une erreur de première espèce.
- Si l’on accepte une hypothèse fausse, on commet une erreur de seconde espèce
Au cours du test d’une hypothèse, la probabilité maximale d’accepter de faire une
erreur de première espèce constitue le niveau de signification du test.
Dans une population, soit m la moyenne des valeurs d’un caractère quantitatif et p la
fréquence des éléments possédant le caractère A dans la population On voudrait savoir
si m (respectivement p) n’est pas différente d’une valeur fixée m0 (respectivement p0 ),
ou n’est pas plus petite, ou plus grande que cette valeur m0 (respectivement p0 ).
Si l’on ne peut pas mesurer le caractère sur tous les individus de la population,
on extrait de celle-ci un échantillon de taille n qui fournit une estimation M de m
(respectivement P de p).
i i
i i
i i
Test bilatéral
On veut tester l’hypothèse nulle H0 que la moyenne de la population m est égale à une
moyenne théorique m0 , contre l’hypothèse alternative m 6= m0 , .c0 est le cas bilatéral.
On a donc le système suivant :
H0 : m = m0
H1 : m 6= m0
X − m0
T = √ N (0, 1)
σ/ n
b- Si l’écart-type
Pn σ est inconnu dans la population, alors on l’estime par σ = s∗
(Xi −X)2
avec s∗2 = i=1n−1 :
X − m0
T = ∗ √ Tn−1
s / n
T suit une loi de Student à n − 1 degrès de liberté (d.d.l.).
Pour la valeur M observée, on obtient une valeur notée Tobs (valeur observée pour
T ). Soit, d’autre part, un réel α qui sera le seuil de signification du test.
On détermine le réel tα tel que :
P [|T | < tα ] = 1 − α
X −m
−1, 96 ≤ ≤ 1, 96.
√σ
n
Test unilatéral
On veut tester l’hypothèse que la moyenne de la population m est supérieure (respec-
tivement inférieure) à une valeur théorique m0 .
Dans ce cas le test est dit unilatéral à droite (respectivement à gauche)
On utilise toujours l’hypothèse nulle H0 qu’elle est égale à m0 .
On a donc le système suivant :
H0 : m = m0
test unilatéral à droite
H1 : m > m0
i i
i i
i i
P [T > tα ] = 1 − α
Si Tobs ≥ tα on accepte alors l’hypothèse H0 , sinon on la rejette
Exemple 17.1.2
On accepte H0 au niveau d’erreur α = 0, 05 ou un niveau de confiance 1 − α = 0, 95
si pour l’échantillon donnée on a :
X−m0
√σ < 1, 645 (respectivement X−m√σ
0
> 1, 645)
n n
La variance σ 2 peut être soit d’une population unique représentée par un échantillon
de n valeurs expérimentales ; soit la variance commune à k populations représentées
par k échantillons.
Soit la variable de décision T définie par :
Pn
(n − 1)s∗2 ∗2 i=1 (Xi − X)
2
Tobs = 2 , avecs =
σ0 n−1
Si la population suit une loi normale alors sous l’hypothèse nulle H0 la loi statistique
de T suit une loi de Khi-deux à ν = (n − 1) degrés de liberté, et notée Xν2 .
Cas bilatéral
On se propose de tester H0 : σ 2 = σ02 contre l’hypothèse alternative H1 : σ 2 6= σ02 . Le
2
risque de première espèce est α = α1 + α2 , et les limites de la région de rejet Xν,α 1
et
2
Xν,1−α2 sont données par la table statistique de Khi-deux à ν d.d.l. (Annexe).
La décision est prise en comparant la valeur observée Tobs (calculée à partir des
2 2
résultats expérimentaux) aux limites Xν,α 1
et Xν,1−α 2
.
2
Si Tobs ∈ Xν,α1 ; Xν,1−α2 on accepte alors l’hypothèse H0 : σ 2 = σ02 , sinon on la
2
rejette.
i i
i i
i i
Cas unilatéral
On souhaite tester H0 : σ 2 = σ02 contre l’hypothèse alternative H1 : σ 2 > σ02 .
(resp.H1 : σ 2 < σ02 ) c’est le cas unilatéral à droite (resp. à gauche)
Pour un risuqe de première espèce α, l’hypothèse nulle qui consiste en l’égalité des
variances est rejetée si :
(n − 1)s∗2 2 2
Tobs = > Xν,α (resp.Tobs < Xν,α ).
σ02
Cas Bilatéral
On veut tester l’hypothèse nulle H0 que la proportion de la population p est égale à
une valeur théorique p0 , contre l’hypothèse alternative p 6= p0 , .c0 est le cas bilatéral.
On a donc le système suivant :
H0 : p = p0
H1 : p 6= p0
P [|T | < tα ] = 1 − α
Cas unilatéral
On veut tester l’hypothèse nulle H0 que la proportion de la population p est égale à
une valeur théorique p0 , contre l’hypothèse alternative p > p0 (respectivement p < p0 ),
c0 est le cas unilatéral à droite (respectivement à gauche).
On a donc le système suivant :
H0 : p = p0
H1 : p > p0 (resp. p < p0 )
i i
i i
i i
i i
i i
i i
σ2 σ2
VX1 −X2 = 1 + 2
n1 n2
n1 s21 + n2 s22
s2 =
n1 + n2 − 2
et on a :
1- si le caractère est distribué normalement dans les deux populations, alors :
x1 − x2
T = q Tn1 +n2 −2
s n11 + n12
i i
i i
i i
x1 − x2
T = q ∗2 N (0, 1)
s1 s∗2
n1 + n2
2
Le test consiste à choisir entre deux hypothèses H0 : X1 − X2 = 0 contre
l’hypothèse alternative dans le cas bilatéral H1 : X1 − X2 6= 0
(ou H1 : X1 − X2 > 0 ou H1 : X1 − X2 < 0 : deux cas unilatéraux)
On détermine alors la loi de T et on calcule la valeur obervée Tobs .
Pour un niveau d’erreur α donné, la table de la loi normale centrée réduite (ou
celle de Student-Fischer) fournit le réel tα tel que :
P [|T | < tα ] = 1 − α
ou.P [T < tα ] = 1 − α,
ou P [T > tα ] = 1 − α
Si |Tobs | < tα (ou. Tobs < tα , ou Tobs > tα ) on accepte alors l’hypothèse nulle H0
au seuil de signification α, sinon on la rejette.
Soit z = f1 − f2
E(z) = E(f1 ) − E(f2 ) sous H0 , E(Z) = 0
et V (z) = V (f1 ) + V (f2 ) = npq1 + npq2 toujours sous l’hypothèse H0
c’est à dire que les deux échantillons E1 et E2 sont issus de la même population
qui présnete une proportion p d’éléments ayant le caractère A.
Or p est inconnu. on l’estime alors soit par f1 soit par f2
f1 (1 − f1 ) f2 (1 − f2 )
V (z) = +
n1 n2
i i
i i
i i
f1 − f2
Z=q N (0, 1)
f1 (1−f1 ) f2 (1−f2 )
n1 + n2
s∗2
1 s∗2
F = ∗2 (ou F = 2∗2 )
s2 s1
suit une loi de Fisher-Snedecor à ν1 = (n1 − 1) et ν2 = (n2 − 1) degrès de liberté (ou
ν2 = (n2 − 1) et ν1 = (n1 − 1) d.d.l.).
Le test d’égalité des variances consite à choisir entre les deux hypothèses :
H0 : σ12 = σ22
(cas du test bilatéral)
H1 : σ12 6= σ22
On calcule la valeur théorique Fα , obtenue par la lecture de la table de Fisher-
Snedecor (Annexe), en fonction du seuil de signification α (P [F ≥ Fα ] = α) où F est
la variable aléatoire définie ci-dessus.
La règle de décision est alors :
i i
i i
i i
17.3 Exercices
17.3.1 Enoncés
Exercice.1
La durée de vie moyenne d’un échantillon de 100 tubes fluorescents a été établie
par le calcul à 1570 heures avec un écart-type de 120 heures. Soit µ la moyenne de la
population.
1 / Est-ce que la durée de vie moyenne est significativement différente de 1600
heures à un niveau d’erreur α1 = 1% puis α2 = 5% ?
2 / Sur un autre échantillon, la moyenne observée a été de 1580 heures et au risque
d’erreur de 5% cet échantillon a été jugé représentatif de la population.
Quelle est la taille de cet échantillon ?
3 / Suite à des études préalables l’écart-type de la population a été établie à 100
heures. On réduit alors la taille initiale de l’échantillon de 75% et on a observé le même
écart-type. Est-ce que la variabilité des tubes fluorescents a augmenté à un niveau de
confiance de 90% ce qui induirait une baisse de leur qualité ?
Exercice.2
Le temps de réaction moyen des souris d’un certain élevage à un test déterminé est
de 19 minutes. On désire expérimenter un produit pharmaceutique sur ces souris. On
administre à huit d’entre elles une dose de ce produit et l’on observe le temps t de
réaction en minutes :
15 − 14 − 21 − 12 − 17 − 12 − 19 − 18
1 / L’action de ce produit est-elle significative à un niveau de confiance de 95% ?
2 / Un laboratoire affirme que son médicament est efficace à 90%. Sur 200 souris
atteintes, 160 sont guéries. Le laboratoire est-il un arnaqueur ? (α = 5%)
3 / Un autre test est appliqué sur un second échantillon, les temps de réaction
obtenus sont les suivants :
19 − 18 − 20 − 19 − 18 − 21 − 17
a-Peut-on admettre à une confiance de 99% que les deux tests ont un temps
de réaction moyen identique ?
b-La différence des variances du temps de réaction au test est-elle significative ?
α = 5%.
Exercice.3
i i
i i
i i
La durée de vie moyenne d’un échantillon de 100 ampoules est de 1500 heures,
avec un écart-type de 200 heures.
En appelant m la moyenne de la population, vérifier l’hypothèse m = 1550h
relativement à l’hypothèse m =6 1550 heures avec un niveau de signification de 0, 05 et
de 0, 01.
Exercice.4
Des appareils éléctriques de chauffage ont une moyenne de vie fonctionnement de
2000 heures avec un écart-type de 100 heures. A l’aide d’un changement de l’un de ses
composants, le fabricant affirme que la durée de vie moyenne peut-être accrue.
On a testé un échantillon de 50 appareils et on a observé une durée de vie moyenne
de 2100 heures, Peut-on soutenir cette affirmation au niveau de signification de 0, 01.
Exercice.5
Dans une livraison de 600 yaourts à une épicerie, l’épicier constate que 5, 3% de ces
yaourts sont cassés. D’autre part le contrat de vente autorise 4% de perte. Il réclame.
Cette réclamation est-elle justifiée, au seuil de confiance de 5% ?
Exercice.6
Le fabricant d’un nouveau produit de dégraissant annonce que son produit est
efficace à 90%, en supprimant la matière grasse en 30 minutes.
Dans un échantillon de 300 pièces le résultat a été probant pour 260 d’entre eux.
L’affirmation du fabriquant est-elle légitime au risque de 1%.
17.3.2 Corrigés
Exercice.1
On a n = 100 et la moyenne de l’échantillon est x = 1570 et son écart-type est
sx = 120.
1) On effectuera un test de conformité de la moyenne :
La variance de la population σ 2 étant incinnue mais la taille de l’échantillon est
√
grande n ≥ 30 donc la variable aléatoire T = n |x−µ sx
0|
suit la loi normale centrée
réduite.
√ |x − µ0 | √ |1570 − 1600|
T = n = 100 = 2, 5
sx 120
Nous avons un test bilatéral et les hypothèses à tester sont :
H0 : µ = 1600
H1 : µ 6= 1600
Pour niveau d’erreur α1 = 1% = 0, 01, on a t = 2, 57, par conséquent on a
T ≤ t1−α/2 , on en déduit que l’hypothèse nulle est acceptée.
La durée de vie moyenne des tubes fluorescents est égale à 1600 heures avec une
confiance de 99%.
Pour niveau d’erreur α2 = 5% = 0, 01, on a t = 1, 96, par conséquent on a
T > t1−α/2 , on en déduit que l’hypothèse nulle est rejetée.
La durée de vie moyenne des tubes fluorescents est significativement différente de
1600 heures avec une confiance de 95%.
i i
i i
i i
2) On a
√ |x − µ0 |
n ≤t
sx
t × sX 2
⇐⇒ n ≤
|x − µ0 |
2
1, 96 × 120
⇐⇒ n ≤ = 138, 29
|1580 − 1600|
n ≤ 138
H0 : σ 2 = 1002 = σ02
H1 : σ 2 > 1002
02
(n−1)sx
La variable aléatoire T = σ02
suit une loi de Chi-deux à ν = n − 1 = 24 d.d.l.
24 × 1202
T = = 34, 56
1002
2
La lecture de la table de la loi de Chi-deux donne X24;0,1 = 33, 20.
2
On remarque que T > X24;0,1 donc l’hypothèse nulle est rejetée à une confiance de
90%
On en conclut que la variabilité des tubes fluorescents a augmenté à un niveau de
confiance de 90% donc il y a une baisse de la qualité de sces tubes.
Exercice.2
1) Soit la v.a. X égale au temps de réaction moyen dans l’ensemble des échantillons
de taille n = 8.
On effectuera un test de conformité de la moyenne où la variance de la population
est inconnue et la taille de l’échantillon n = 8 < 30, donc
X −m
Tobs = √ Tν
s/ n
(Xi − X)2
P
X = 16 et s2 = ' 10, 86
n−1
i i
i i
i i
ntotal = n + n0 − 2 = 13 < 30
Donc
0
X − X
r
s2 s02
Tobs = Tν , où sbX−X 0 = + 0
sbX−X 0 n n
Tobs = 2, 25 et la valeur de la table de Student à une confiance de 99% et un d.d.l.
ν = 13 est égale à t = 3, 01.
Tobs < t =⇒ H0 : µ1 − µ2 = 0 est acceptée, par conséquent, les deux tests ont un
temps de réaction identique à 99% de confiance.
b- On testera un test de comparaison des variances.
Les hupothèses à tester sont :
H0 : σ1 − σ2 = 0
H1 : σ1 − σ2 > 0
i i
i i
i i
La v.a.
s2
F = F(ν1 , ν2 )
s02
F suit une loi de Fisher à ν1 = n − 1 = 7 et ν2 = n0 − 1 = 6 d.d.l.
Fobs = 10,86
1,81 ' 6 et
F(6, 6) + F(8, 6)
t = F(ν1 , ν2 ) = F(7, 6) = = 4, 22
2
Fobs > t =⇒ H0 : σ1 = σ2 est rejetée à 95% de confiance.
Donc la différence des variances du temps de réaction au test est significative à
95% de confiance.
Exercice.3
On doit choisir entre les deux hypothèses :
H0 : m = 1550
H1 : m 6= 1550
Pour un test bilatéral au niveau 0,05, la règle de décision est de :
√
Rejeter l’hypothèse nulle si T = n |x−m|
σ ∈/ [−1, 96; 1, 96], et acceptée H0 dans le
cas contraire.
La distribution d’échantillonnage de la moyenne de l’échantillon a pour moyenne
x = 1500 et un écart-type
σ0 200
s = σX = √ = √ ' 20, 1
n−1 99
On calcule
1500 − 1550
Tobs = = −2, 48 ∈ / [−1, 96; 1, 96]
20, 10
On rejette donc H0 au niveau de signification 0,05.
La durée de vie moyenne des ampoules n’est pas de 1500 heures avec une confiance
de 95%
Par contre au niveau de signification 0,01, l’intervalle devient [−2, 58; 2, 58] et dans
ce cas on :
Tobs = −2, 48 ∈ [−2, 58; 2, 58]
On accepte donc H0 au niveau de signification 0,01.
La durée de vie moyenne des ampoules est de 1500 heures avec une confiance de
99%.
Exercice.4
On va effectuer un test de conformité de la moyenne avec :
H0 : m = 2000 h, il n’y a pas de variation de la durée de vie
H1 : m > 2000 h, il y a une variation de la durée de vie
On utilise un test unilatéral au niveau 0,01, la valeur critique est t = 2, 33 d’après
la loi normale, et on calcule :
√ x−m 2100 − 200
Tobs = n = √ = 7, 07
σ 100/ 50
i i
i i
i i
p = 0, 04, d’où q = 1 − p = 0, 96
i i
i i
i i
Cinquième partie
ANALYSE NUMERIQUE
i i
i i
i i
i i
i i
i i
CHAPITRE 18
i i
i i
i i
Remarque 18.1.1 En pratique, il est difficile d’évaluer les erreurs absolue et relative,
car on ne connait généralement pas la valeur exacte de x et on n’a que x∗ . On
dispose en revanche d’une borne supérieure pour l’erreur absolue qui dépond de
la précision des instruments de mesures utilisées. Cette borne est quand même
appelée erreur absolue :
|x − x∗ | ≤ ∆x ⇐⇒ x∗ − ∆x ≤ x ≤ x∗ + ∆x.
On l’a note :
x = x∗ ± ∆x
(on a estimé la valeur exacte x avec une incertitude ∆x.
Définition 18.1.3 Un nombre est connu numériqument si l’on dispose de son écriture
dans la base 10. On se connait exactement que les nombres rationnels. On
considère qu’un nombre réel est connu numériquement si on connait un certain
nombre de chiffre de son développement décimal et la précision avec laquelle ce
développement approché est donné.
Exemple 18.1.1 e = 2.7183 ± 10−4 .
Définition 18.1.4 (Chiffres significatifs) Si l’erreur absolue vérifie
∆x ≤ 0.5 × 10m
5 × 10−(S+1)
i i
i i
i i
La soustraction est celle qui conduit à une erreur très "grande". Il est impossible de
faire une étude théorique de la propsgation des erreurs dans un calcul. Il est cependant
possible d’affirmer que la croissance de ces erreurs (arrondis) en fonctions du volume
des calculs (nombres d’opérations) à une allure exponentielle.
i i
i i
i i
x + y −→ f l (f l (x) + f l (y)) ,
x − y −→ f l (f l (x) − f l (y)) ,
x ÷ y −→ f l (f l (x) ÷ f l (y)) ,
x × y −→ f l (f l (x) × f l (y)) .
On remarque une légère perte de précision par rapport à la valeur de cet opération
qui est 1.
Remarque 18.2.2 Les opérations mathématiquement équivalentes ne le sont pas
forcément en arithmétique flottante.
Exemple 18.2.3 Si on choisit n = 3, on a : f l (122 × (333 × 695)) = 0.126 × 106
et f l (122 × 333 + 122 × 695) = 0.125 × 106 . Donc, une légère différence entre
les résultats, ce qui indique que les deux façons ne sont pas équivalente en
arithmétique flottante.
i i
i i
i i
Parmi ces normes, les plus utilisées sont kxk1 , kxk∞ et kxk2 . k.k2 s’appelle la
norme euclidienne.
√ Trouver les normes 1, 2 et ∞ de x = (1, 0, −1, −4) . kxk1 = 6,
Exemple 18.3.1
kxk2 = 18 et kxk∞ = 4.
Définition 18.3.3 (Norme d’une matrice) Une norme de matrice peut être dé-
finie à partir d’une norme pour les vecteurs. Soit A ∈ Cn×m une matrice. La
quantité
kAxk
kAk = sup
x6=0 kxk
est une norme pour la matrice A. Elle est appelée la norme matricielle subor-
donnée à la norme vectorielle x 7−→ kxk.
Remarque 18.3.2
1. Remplacer x par αx avec α ∈ C et kxk = 1 :
2. Ces normes de matrice vérifient les trois propriétés des normes, mais il existe
deux autres propriétés qui nous serons très utiles
3. Les normes de matrices les plus utilisées sont celles qui sont reliées à une norme
de Hölder pour les vecteurs, c’est à dire,
kAxkk
kAkk = sup
x6=0 kxkk
i i
i i
i i
où ρ AT A désigne le rayon spectral de AT A ∈ Cm×m , c’est à dire sa plus
grande valeur propore :
En effet,
or kIk = 1, alors
K (A) = kAk
A−1
≥ 1.
Exemple 18.4.1 Pour une matrice A ∈ Cm×m avec K (A) = 50000 en norme ∞.
Alors, K (A) est "grand" par rapport à 1. Ainsi, A est mal conditionnée.
Remarque 18.4.1 Si la précision de l’ordinateur avec laquel on travail est de 10−7 ,
un conditionnement de 105 sera considéré comme "grand". Par contre, si la
précision est de 10−16 , un tel conditionnement sera "petit".
i i
i i
i i
18.5 Exercices
18.5.1 Enoncés
Exercice 1 :
On considère la fonction f (x) = (1 + x)3 − 1 : (E).
1
1. Calculez f ( 1111 ) avec le maximum de précision puis arrondir le résultat à 4
chiffres.
2. Refaire le même calcul en arithmétique à 4 chiffres avec arrondi. Comparer les
résultats et commenter.
3. Trouver une expression équivalente à (E), qui vous permette d’obtenir le même
résultat qu’en (1) tout en travaillant à 4 chiffres.
Exercice 2 :
10
1
P
En arithmétique fottante, avec s = 3 trouver la valeur numérique de i2 :
i=1
1 1 1
1. En calculant 1 + 4 + ··· + 100 .
1 1
2. Puis, en calculant 100 + 81 + · · · + 11 .
3. Quel résultat est le plus précis, pourquoi ?
Exercice 3 :
Si on utilise l’arithmétique finie avec b = 10, s = 3, quelle est l’erreur relative
commise dans les calculs de
i i
i i
i i
Exercice 6 :
Soient A = (aij )1≤i,j≤n et B = (bij )1≤i,j≤n deux matrices triangulaires supérieures
de Mn (C). Montrer que la matrice AB est triangulaire supérieure.
Exercice 7 :
Soit A ∈ Mn,p (C). On pose B = AA∗ et C = A∗ A. Montrer que les matrices B et
C admettent les mêmes valeurs propres non nulles. En déduire que ρ (B) = ρ (C) .
Exercice 8 :
Soit D = (dij )1≤i,j≤n ∈ Mn (R) une matrice diagonale. Montrer que
Exercice 9 :
Soit A ∈ Mn (R) et soient U, V ∈ Mn (R) deux matrices orthogonales. Montrer
que kV AU k2 = kAk2 .
Exercice 10 :
Soient k.kv une norme vectorielle de Rn et k.km la norme matricielle subordonnée
associée.
1. Soit A ∈ Mn (R) inversible et soit λ une valeur propre de A. Montrer que
1
kAkm ≥ |λ| ≥ .
kA−1 k m
1 kAxkv
≤ ≤ kAkm .
kA−1 km kxkv
Exercice 11 :
Soit A ∈ Mn (R) la matrice donnée par :
4 1
1 4 1
. .
.. .. ..
A= . .
.. ..
. . 1
1 4
i i
i i
i i
100 100
3. Résoudre Ax1 = b1 puis Ax2 = b2 avec b1 = et b2 = .
1 0
4. Calculer
kx1 − x2 k1 kb1 − b2 k1
et .
kx1 k1 kb1 k1
5. Conclure.
18.5.2 Corrigés
Exercice 1 :
1. La valeur à 15 chiffres significatifs est 0.00270270124229435, ce qui arrondi à 4
chiffres donne 0.002703.
2. Si on travaille à 4 chiffres, avec x = f l(1/1111) = 0.0009001, x + 1 = 1.001 =⇒
(1 + x)3 = 1.003 =⇒ (1 + x)3 − 1 = 0.003. Nous n’avons qu’un chiffre significatif.
3. f (x) = (1 + x)3 − 1 = 3x + 3x2 + x3 = x(3 + x(3 + x)) = 0.002703 (si on travaille
à 4 chiffres).
Exercice 2 :
1 1 1
1. f l 1 + 4 + ··· + 100 = 0.153 × 101 .
1 1
+ · · · + 11 = 0.154 × 101 .
2. f l 100 + 81
3. La deuxième façon est la plus précise (moins d’erreurs possible).
Exercice 3 :
Exercice 4 : √
−b+ b2 −4ac
Une des racines de l’équation ax2 + bx + c = 0 est donnée par r1 = 2a .
1. r1 = −0.0109100804.
i i
i i
i i
2.
f l b2 = f l (b × b)
= f l 0.123454321 × 105
= 0.12345 × 105 .
f l (4ac) = f l 0.4000 × 101 × 0.12121 × 101
= 0.48484 × 101 .
f l b2 − 4ac = f l 0.12345 × 105 − 0.48484 × 101
= f l 0.123401516 × 105
= 0.12340 × 105 .
p
b2 − 4ac = f l 0.1110855526991 × 103
fl
= 0.11109 × 103 .
p
f l −b + b2 − 4ac = −0.02.
√ !
−b + b2 − 4ac
fl = −0.01.
2a
√
−b+ b2 −4ac
√
3. On multiplie la 2a b2 − 4ac en haut et en bas :
par b +
√ √
−b + b2 − 4ac b + b2 − 4ac −2c
× √ = √ .
2a 2
b + b − 4ac b + b2 − 4ac
Exercice 5 √:
Soit f (x) = 4 + x.
1. Le développement de Taylor P2 (x) à l’ordre 2 de la fonction f (x) au voisinage
de x0 = 0 est donné par
x2 00
f (x) = f (0) + xf 0 (0) + f (0) + x2 (x)
2
x x2
=2+ − + x2 (x) .
4 64
2. La valeur approchée de
√
3.9 = f (−0.1) = P2 (−0.1)
2
1 (−0.1)
'2+ (−0.1) −
4 64
' 1.97484375.
L’erreur absolue est
√
Eabs = 3.9 − 1.97484375 = 1. 984 2 × 10−6 .
i i
i i
i i
Exercice 7 :
Soit A ∈ Mn,p (C). On pose B = AA∗ et C = A∗ A.
– Montrer que les matrices B et C admettent les mêmes valeurs propres non nulles.
En effet, les matrices B et C sont hermitiennes. Soit λ 6= 0 une valeur propre de
B = AA∗ . Il existe alors v ∈ Cn \ {0} tel que Bv = λv, c’est à dire AA∗ v = λv. D’où,
AA∗ (A∗ v) = λA∗ v. Or, w = A∗ v 6= 0, car sinon λv = 0 ce qui est impossible car
λ 6= 0 et v 6= 0.
De même, on motre que toute valeur propre non nulle de C est une valeur propre
de B. D’où, le résultat.
– En déduire que ρ (B) = ρ (C) . On a ρ (B) = maxi |λi | , λi valeur propre de B.
1er cas : ρ (B) 6= 0. Alors, il est clair, d’après ce qui précède, que ρ (B) = ρ (C) .
2ème cas : ρ (B) = 0. Alors, nécessairement ρ (C) = 0, car sinon il existe λ 6= 0
valeur propre de C, qui serait aussi valeur propre de B (ρ (B) = 0 alors toutes
les valeurs propres de B sont nulles.
Exercice 8 :
Soit D = (dij )1≤i,j≤n ∈ Mn (R) une matrice diagonale : dij = 0, i 6= j. Montrer
que
kDk1 = kDk∞ = kDk2 = max |dkk | .
1≤k≤n
On a :
n
X
kDk1 = max |dij | = max |djj | = ρ (D) ,
1≤j≤m 1≤j≤m
i=1
m
X
|dij | =
DT
1 = kDk1 = ρ (D) ,
kDk∞ = max
1≤i≤n
j=1
q p
kDk2 = ρ (DT D) = ρ (D2 ) = ρ (D) .
i i
i i
i i
Exercice 9 :
Soit A ∈ Mn (R) et soient U, V ∈ Mn (R) deux matrices orthogonales : U U T =
U U = I et V V T = V T V = I. Montrer que kV AU k2 = kAk2 .
T
On a :
2
2 kV AU xk2 hV AU x, V AU xi
kV AU k2 = sup 2 = sup 2
x6=0 kxk2 x6=0 kxk2
AU x, V T V AU x hAU x, AU xi
= sup 2 = sup 2
x6=0 kxk2 x6=0 kxk2
hAy, Ayi
= sup 2 (car y = U x)
y6=0 kU −1 yk2
2
kAyk2
car
U −1 y
2 =
U T y
2 = kyk2
= sup 2
y6=0 kyk2
2
= kAk2 .
Exercice 10 :
Soient k.kv une norme vectorielle de Rn et k.km la norme matricielle subordonnée
associée.
1. Soit A ∈ Mn (R) inversible et soit λ une valeur propre de A. Montrer que
1
kAkm ≥ |λ| ≥ .
kA−1 km
kAvk kAv k
On a : kAkm = supv6=0 kvk v ≥ kv00k v où v0 est un vecteur propre associé à
v v
λ : Av0 = λv0 .D’où, kAkm ≥ |λ| . Par ailleurs, comme λ = 6 0 est une valeur propre
de A alors λ1 est une valeur propre de A−1 : il existe w0 telque A−1 w0 = λ1 w0 .
kA−1 vk kAw k
Ainsi,
A−1
m = supv6=0 kvk v ≥ kw00k v = |λ| 1 1
, d’où |λ| ≥ kA−1 k .
v v m
Exercice 11 :
Soit A ∈ Mn (R) la matrice donnée par :
4 1
1 4 1
. . . ..
. ..
A= . .
.. ..
. . 1
1 4
i i
i i
i i
1. A = 4(In − N ), où
− 14
0
− 1 0 − 41
4
.. .. ..
N =
. . . .
.. ..
. . − 41
− 41 0
1
kN k∞ = 2 < 1, d’où In − N est inversible, et par suite A est inversible. De plus,
on a
1
−1
1 1 1
kA−1 k∞ =
(In − N )
≤ = .
4 ∞ 4 1 − kN k∞ 2
1
Ainsi, Cond∞ (A) = kAk∞ kA−1 k∞ ≤ 2 kAk∞ . Or,
n
X
kAk∞ = max |aij | = 6.
1≤i≤m
j=1
2.
k (A) = kAk1
A−1
1 = 101 × 101 = 10201.
3.
0 100
x1 = et x2 = .
1 0
4.
kx1 − x2 k1 kb1 − b2 k1 1
= 101 et = .
kx1 k1 kb1 k1 101
5. Le système est mal conditionné.
i i
i i
i i
i i
i i
i i
CHAPITRE 19
19.1 Introduction
AX = b,
avec
a11 a12 ··· a1n b1
a21 a22 ··· a2n b2
A= ∈ Cn×n , b = ∈ Cn .
.. .. .. .. ..
. . . . .
an1 ··· ··· ann bn
Mais, l’inversion des matrices n’est pas simple numériquement. Comme ces systèmes
apparaissent dans la résolution des équations différentielles, aux dérivées partielles et
dans différents problèmes pratiques nous allons apprendre de méthodes à les résoudre.
Par ailleurs, les systèmes linéaires s’attachent à un problème réel pouvent être classé
en deux types :
– à matrice dense mais d’ordre pas élevé
– à matrice creuse (à beaucoup d’éléments nuls) mais avec un ordre élévé.
A chaque type, il existe des méthodes adaptées.
i i
i i
i i
4. On fixe la deuxième ligne comme ligne pivot et a022 comme pivot et on recommence
les opérations précédentes
(a) Division de la deuxième ligne par a022
1 a012 a013 a014
0
x1 y1
0 1 a0023 a0024 x2 y200
= .
0 a032 a033 a034 x3 y30
0 a042 a043 a044 x4 y40
i i
i i
i i
19.2.2 Généralisation
En appliquant la marche précédente à un système linéaire d’ordre n :
AX = b
(k)
L’étape suivante consiste à prendre ak+1,k+1 comme pivot ; on divise la (k + 1)-ème
ligne par cet élément ce qui donne pour j = k + 1 à n
(k) (k)
a0ij = aij et yi0 = yi si i 6= k + 1,
(k) (k)
ak+1,j yk+1
a0k+1,j = (k)
0
et yk+1 = (k)
.
ak+1,k+1 ak+1,k+1
(k)
Puis à chaque ligne i 6= k + 1, on retranche la ligne k + 1, multipliée par ai,k+1 , ce qui
donne
A(k+1) X = y (k+1) ,
On remarque que les formules sur les y sont les mêmes que sur les a : on obtient donc
(k) (k)
les notations sur les y en posant yi = ai,n+1 . On reconsidère alors que les équations
sur les a en faisant varier j de k + 1 à n + 1. On obtient la procédure suivante :
(0)
1. A(0) = A et ai,n+1 = yi
2. Pour k = 0 à n − 1
i i
i i
i i
Procédure de Gauss
(0)
1. Triangularisation de la matrice A : A(0) = A et ai,n+1 = yi . Pour k = 0 à n − 1
(a) i = k + 1 et j = k + 1 à n + 1, alors
(k+1) (k) (k)
ak+1,j = ak+1,j /ak+1,k+1
(b) i = k + 2 à n, et j = k + 1 à n + 1, alors
(k+1) (k) (k) (k+1)
aij = aij − ai,k+1 × ak+1,j .
(n)
avec zi = ai,n+1 . On obtient de proche en proche xn , xn−1 , . . . , x1 :
xn = zn
n
X
j
x = zj − rjk xk pour j = n − 1 à 1.
k=j+1
i i
i i
i i
U = T3 T2 T1 A
i i
i i
i i
satisfaisant.
Cet exemple montre l’effet désastreux des erreurs d’arrondi qui proviennent de
la division par des pivots "trop petits". C’est pourquoi, dans la pratique, on utilise
l’une des deux stratégies suivantes, au début de la k-ème étape de l’élimination
1≤k ≤n−1:
i i
i i
i i
(k)
– stratégie du pivot partiel : le pivot est l’un des éléments apk , k ≤ p ≤ n, qui
vérifie
(k) (k)
apk = max aik .
k≤i≤n
(k)
– stratégie du pivot total : le pivot est l’un des éléments apq , k ≤ p, q ≤ n, qui
vérifie
(k) (k)
apq = max aij .
k≤i,j≤n
Si le pivot choisi par cette stratégie n’est pas dans la k-ème colonne, il faut donc
également effectuer un échange de colonnes en plus de l’échange de lignes.
19.4 Décomposition LU
19.4.1 Principe de la méthode
On suppose que A = LU. Comment résoudre AX = b ?
On a AX = LU X = b et on pose U X = Y. Alors, la résolution du système linéaire
se fait alors en deux étapes :
LY = b
UX = y
qui sont deux systèmes triangulaires.
Crout passe par une simple identification pour récupérer les n2 = 16 coefficients pour
16 équations.
Procédure de Crout
1. Première colonne de L : li1 = ai1 pour i = 1 à n
2. Première ligne de U : u1i = a1i /l11 pour i = 2 à n
3. Pour i = 2 à n − 1
i−1
X
(a) Calcul du pivot : lii = aii − lik uki
k=1
(b) Pour j = i + 1 à n
i i
i i
i i
i−1
X
i. Calcul de la i-ème colonne de L : lji = aji − ljk uki
k=1
i−1
!
X
ii. Calcul de la i-ème ligne de U : uij = aij − lik ukj /lii
k=1
n−1
X
(c) Calcul de lnn : lnn = ann − lnk ukn
k=1
i i
i i
i i
j−1
X
aij − sik sjk
k=1
sij = , j = 1, . . . , i − 1
sjj
i−1
! 21
X
sii = aii − s2ik .
k=1
Procédure de Cholesky
√
1. s11 = a11
ai1
2. Pour i = 2 à n, si1 = s11
i−1
! 21
X
3. Pour i = 2 à n − 1, skk = akk − s2ki
k=1
k−1
X
(a) Pour i = k + 1 à n, sik = aik − sij sjk /skk
j=1
n−1
! 21
X
4. snn = ann − s2ni .
k=1
Remarque 19.5.1 Le nombre d’opérations nécessaires pour décomposer la matrice
3
A via Cholesky est environ n3 , lorsque n est "assez grand".
Exemple 19.5.1 Factorier la matrice suivante
4 −6 8 2
−6 10 −15 −3
8 −15 26 −1
2 −3 −1 62
via Cholesky ? En effet, après identification, on trouve les coefficients de la
matrice S comme suit
2 −3 4 1
0 1 −3 0
S= .
0 0 1 −5
0 0 0 6
19.6 Exercices
19.6.1 Enoncés
Exercice 1 :
Soit à résoudre le système avec
1 2 4 3
A= 2 2 8 , b = 10 .
3 6 7 4
i i
i i
i i
2. Trouver P une matrice de permutation et B une matrice que l’on peut factoriser
suivant (E) tel que A = P B.
3. En déduire une factorisation LU de la matrice B.
4. Utiliser la factorisation résultante de A pour résoudre
x 1
A y = 0 .
z 1
Exercice 4 :
Soit la matrice
2 0 1
A= 0 3 0 .
1 0 2
i i
i i
i i
i i
i i
i i
1. Déterminer d1 et c1 en fonction de α.
2. Déterminer, pour k ≥ 2, dk en fonction de ck−1 et ck en fonction de α et dk .
3. En déduire la factorisation de Cholesky de la matrice A :
2 1 0 0
1 2 1 0
A= 0 1 2
.
1
0 0 1 2
···
b1 c1 0 0
.. ..
a2 b2
c2 . .
A=0
. .. . .. . ..
.
0
0 . . . an − 1 bn − 1 cn − 1
0 ··· ··· an bn
xk = pk xk+1 + qk , 1 6 k 6 n − 1 (E)
On peut alors calculer xn grâce à la dernière équation, puis on calcule
19.6.2 Corrigés
Exercice 1 :
i i
i i
i i
i i
i i
i i
3. La factorisation LU de
1 0 0 1 2 0
B= 0 1 0 0 3 0 .
3 − 13 1 0 0 2
T T
4. (x, y, z) = − 23 , 13 , 13 .
Exercice 4 :
1. det A = 9 > 0 et les valeurs propres de A sont positives (3 et 1). Donc, A admet
une factorisation de Cholesky.
2. Par identification, la décomposition de Cholesky de la matrice A est donnée par :
√ √ 1
√
2 √0 0 2 √0 2 2
A= √ 0 3 √0 √
0 3 √0 √
.
1 1 1
2 2 0 2 2 3 0 0 2 2 3
3.
2
− 31
3 0
A−1 = 0 1
3 0
− 13 0 2
3
Exercice 5 :
1. La factorisation
1 0 0 0 2 4 −4 −2
2 1 0 0
0
−1 2 −1
LU =
−2 −2 1 0 0 0 −1 −1
−1 1 1 1 0 0 0 3
i i
i i
i i
2. Une décomposition
1 0 0 0 2 0 0 0 1 2 −2 −1
2 1 0 0 0 −1 0 0 0 1 −2 1
LDLT =
−2 −2 1 0 0 0 −1 0 0 0 1 1
−1 1 1 1 0 0 0 3 0 0 0 1
3 1 1
x1 2 b1 − 2 b2 − 2 b3
3 1 1
2 b2 − 2 b1 − 2 b3
x2 = .
3 1 1
2 b3 − 2 b2 − 2 b1
x3
Exercice 7 :
Aα = BB T la factorisation de Cholesky de Aα
0 ··· 0
2 α
.
α 2 . . . . . . ..
Aα = 0 . . . . . . α 0
. .
.. .. α
2 α
0 ··· 0 α 2
d1 d1 c1
c1 d2
d2 c2
.. .. ..
= c2 .
. . .
..
dn−1 cn−1
. dn−1
cn−1 dn dn
i i
i i
i i
√ α α
1. Par identification, on a d21 = 2 et d1 c1 = α. Donc, d1 = 2 et c1 = d1 = √
2
.
2. On a
dk−1 ck−1 = α
c2k−1 + d2k = 2
ck dk = α.
q
Ainsi, pour k ≥ 2, dk = 2 − c2k−1 et ck = dαk .
3. La factorisation de Cholesky de la matrice A est donnée par :
√ √ 1
√
√2 √0√ 0 0 2 √
2 √ 2 √0 √ 0
1 2 1 2 3 0 0 0 1
2 3 1
2 3 0
2√ √ √ 3 √ √
A= 2 2 .
0 1 2 2 1
3 2 3 3√ 3 0
√
0 0 3 3 2 √3
1 1 1
0 0 2 3 2 5 0 0 0 2 5
i i
i i
i i
3. On a :
xn = pn−1 xn + qn−1 et an xn−1 + bn xn = dn .
D’où,
dn − an qn−1
xn = .
bn + an pn−1
4. La détermination des termes des suites (pk ) et (qk ) permet de remonter dans le
calcul de xk à partir de xk+1 .
5. Le système finale peut s’écrire sous la forme
P X = q (de taille n − 1)
avec
−p1 ···
1 0 0
.. .. q1
0 1 −p2 . .
q2
P = .. .. .. .. ..
, q =
. . . . 0 .
.. .. .. qn−1
. . . 1 −pn−2
qn−1 + pn−1 xn
0 ··· ··· 0 1
et
dn − an qn−1
xn = .
bn + an pn−1
6. Application :
1
p1 = , q1 = −1
2
2
p2 = , q2 = −2
3
3
p3 = , q3 = −3
4
x4 = 16, x3 = 9, x2 = 4, x1 = 1.
i i
i i
i i
i i
i i
i i
CHAPITRE 20
20.1 Introduction
Les méthodes itératives sont conçu principalement pour résoudre de très grands
systèmes linéaires avec des matrices creuses, dont une grande partie des coefficients
sont nuls. Pour les grandes matrices creuses, les méthodes directes s’avèrent parfois
très coûteuses et les méthodes itératives peuvent offrir une alternative intéressante
et conduisent à des résultats mais avec une convergence lente (un nombre infini
d’itérations).
i i
i i
i i
i i
i i
i i
A=D−E−F
avec
– D : la matrice diagonale composée de la diagonale de A (dii = aii et dij = 0
∀1 ≤ i, j ≤ n et i 6= j).
– (−E) : la matrice triangulaire inférieure constituée par les éléments de A situées
en dessous de la diagonale
AX = b ⇔ (D − E − F ) X = b.
X = D−1 (E + F ) X + D−1 b.
L’introduction de la matrice D−1 ne complique pas la résolution car l’inversion d’une
matrice diagonale est simple à réaliser.
Ainsi, la matrice d’itération de Jacobi est donnée par :
BJ = D−1 (E + F ) = I − D−1 A.
20.4.3 Itérations
Le passage de l’écriture matricielle à la formule itérative est immédiat, pour une
donnée initiale arbitraire X (0)
n
(k+1) 1 X (k)
Xi = b i − aij Xj
, i = 1, . . . , n.
aii j=1
j6=i
20.4.4 Généralisation
Une généralisation de la méthode de Jacobi est la méthode de sur-relaxation (ou JOR,
pour Jacobi over relaxation), dans laquelle on se donne un paramètre de relaxation ω
et pour une donnée initiale arbitraire X (0) , on calcule X (k+1) selon la formule
n
(k+1) ω bi −
X (k) (k)
Xi =
aii
aij Xj + (1 − ω) Xi , i = 1, . . . , n.
j=1
j6=i
i i
i i
i i
Lemme 20.4.1 Soit B ∈ Cn×n , alors les quatres propriétés suivantes sont équiva-
lentes :
1. B k tend vers 0, lorsque k tend vers +∞.
2. B k v tend vers 0 pour tout choix de v dans Cn , lorsque k tend vers +∞.
3. ρ(B) < 1.
4. kBk < 1 pour au moins une norme matricielle subordonnée.
Théorème 20.4.1 Soit A une matrice à diagonale strictement dominante, alors la
méthode de Jacobi pour la résolution d’un système linéaire de matrice A est
convergente.
Preuve On sait que A = P − N = D − E − F et aii > 0 pour 1 ≤ i ≤ n. Donc, D
est inversible. De plus, A est une matrice à diagonale strictement dominante si
n
X
et seulement si ∀1 ≤ i ≤ n, |dii | = |aii | > |aij | . Ainsi,
j=1
j6=i
a
− aij si i 6= j
BJ = D−1 (E + F ) = BJij =
ii
0 sinon
et
n n
X X aij
kBJ k∞ = max BJij = max
aii
1≤i≤n 1≤i≤n
j=1 j=1
n
n
X
aij
= max 1
X
= max aii 1≤i≤n aii |aij | .
1≤i≤n
j=1 j=1
i i
i i
i i
ρ(BJ ) < 1.
P = D − E, N = F
20.5.1 Généralisation
Une généralisation par analogie avec ce qui a été fait pour les itérations de Jacobi, on
introduit la méthode de sur-relaxation successive (ou méthode SOR pour successive
over relaxation)
i−1 n
(k+1) ω bi −
X (k+1)
X (k) (k)
Xi = aij Xj − aij Xj + (1 − ω) Xi , i = 1, . . . , n.
aii j=1 j=i+1
i i
i i
i i
Ainsi,
−1
(k+1) (k) 1
X =X + D−E R(k) , k ≥ 0
ω
où R(k) = b − AX (k) .
−1
Or, on peut vérifier que I − ωD−1 E est triangulaire inférieure à diagonale
unité et (1 − ω) I + ωD−1 F est triangulaire supérieure dont la diagonale est
identique à celle de la matrice (1 − ω) I. D’où,
Yn
n
det (B(ω)) = λi = (1 − ω) .
i=1
Par conséquent, au moins une valeur propre λi est telle que |λi | ≥ |1 − ω|. Pour
avoir convergence, il est donc nécessaire que |1 − ω| < 1, c’est-à-dire 0 < ω < 2.
Théorème 20.5.3 (Ostrowski) Si A est symétrique définie positive, alors la mé-
thode SOR ou de relaxation converge si et seulement si 0 < ω < 2.
i i
i i
i i
20.6 Exercices
20.6.1 Enoncés
Exercice 1 :
Soit a ∈ R et
1 a a
A= a 1 a .
a a 1
1. Déterminer la matrice d’itération relative à la méthode de Jacobi BJ .
2. Vérifier que λ = a est une valeur propre de BJ .
3. En déduire les autres valeurs propres de BJ .
4. Pour quelles valeurs de a, la méthode de Jacobi converge-t-elle ?
Exercice 2 :
On s’intéresse à la résolution du système linéaire
4x + y = 5
x + 4y + z = 6
y + 4z = 5
T
Si x(0) = (0, 0, 0) est le vecteur initial choisi, quelles sont les valeurs x(1) après un
pas de Jacobi et de x(2) après deux pas de Jacobi ?
Exercice 3 :
La matrice A d’un système linéaire AX = B peut s’écrire sous la forme A =
D − E − F où
– D est la matrice composée de la diagonale de A.
– −E est une matrice triangulaire inférieure composée des éléments de la matrice
A situés en dessous de la diagonale.
– −F est une matrice triangulaire inférieure composée des éléments de la matrice
A situés au dessus de la diagonale.
1. Montrer que X = C + M X avec C et M sont des matrices qu’on exprimera en
fonction de D−1 , B, E et F.
2. On veut résoudre par la méthode itérative de Jacobi (X (k+1) = C + M X (k) où
X (k+1) signifie la valeur de X à l’itération k + 1) le système suivant
4x + 2y = 64
x + 4y + 2z = 84
y + 5z = 77
i i
i i
i i
20.6.2 Corrigés
Exercice 1 :
0 −a −a
1. On a D = I, E + F = −a 0 −a . Alors,
−a −a 0
0 −a −a
BJ = −a 0 −a .
−a −a 0
i i
i i
i i
i i
i i
i i
10
d. La solution exacte X = 12 et
13
∆x 10 − 11 ∆y 12 − 93
2 10
= = 45%, = = 22.5%
x 10 y 12
et
∆z 13 − 56
5
= = 14%.
z 13
3
√ 3
√
e. Les valeurs propres de BJ sont − 20 10 = −0.474 34, 20 10 = 0.474 34 et
0. Puisque, ρ (BJ ) = 0.474 34 < 1 alors la méthode de Jacobi converge.
Exercice 4 :
Soient les matrices suivantes :
1 2 −2 2 −1 1
A= 1 1 1 , B = 2 2 2 .
2 2 1 −1 −1 2
Exercice 5 :
i i
i i
i i
Ainsi,
− aa12 − aa1n
0 11
··· ··· 11
..
− aa2122
0 . − aa2n22
aij
.. .. .. .. .. − aii si i 6= j
BJ = . . . . . =
0 si i = j
an−1,1 .. a
− an−1,n−1
. 0 n−1,n
− an−1,n−1
an,1 a
− an,n ··· · · · − n,n−1
an,n 0
P
|aij |
Or, kBJ k∞ = maxi i6|a=ii
j
| < 1. D’où, ρ (BJ ) < 1. Conclusion : La méthode
de Jacobi est convergente.
2. (a. et b.) Voir Cours.
Exercice 6 :
Soient A ∈ R2×2 et b ∈ R2 . La solution du systéme AX = b s’interprète géometri-
quement comme le point d’intersection de deux droites :
1. BJ = 11 et BGS = .
− aa21
11
0 0 − aa11
12 a21
a22
r
2
2. ρ (BJ ) = aa12
a21 a12 a21
11 a22
et ρ (B GS ) = a11 a22 .Donc, ρ (BJ ) = ρ (BGS ) . Lorsque les
deux méthodes sont convergentes alors la méthode de Gauss-Seidel converge
plus rapidement que la méthode de Jacobi.
i i
i i
i i
i i
i i
i i
CHAPITRE 21
21.1 Introduction
Supposons que nous désirons connaître les racines réelles de l’équation non linéaire
f (x) = 0 à coefficients réels. La résolution numérique nécessite de connaitre un
encadrement de la racine à déterminer. Nous devons déterminer un intervalle [a, b]
contenant la racine et ne contenant que cette racine. Malheureusement, il n’existe pas
de méthodes systématique et simple pour déterminer cet intervalle. Les deux méthodes
les plus utilisés sont :
– La représentation graphique de y = f (x) .
– L’assimilation de f (x) à la différence de deux fonctions
f (x) = h (x) − g (x) .
Définition 21.1.1 Une racine impaire correspond à la traversée de l’axe de x par la
courbe y = f (x) .
Selon le shéma ci-dessus, une racine impaire correspond à f (a) f (b) < 0.
Remarque 21.1.1 Si la racine est paire, on démentre que cette même racine est une
racine impaire de l’équation dérivée f 0 (x) = 0.
i i
i i
i i
Remarque 21.2.1 Dans le cas où la racine cherchée n’est pas impaire, on résoud
l’équation f 0 (x) = 0 en faisant attention à l’intervalle [a, b] car il peut contenir
plusieurs racines comme indique l’exemple suivant :
∃! racine de f (x) = 0 dans [a, b]
f (a) f (b) > 0 racine paire
3 racines de f 0 (x) = 0 dans [a, b] .
Principe de la méthode
Nous savons qu’il existe une racine dans l’intervalle [a, b] .
i i
i i
i i
a+b
c= ,
2
la méthode est appelée "méthode de dichotomie". Cette méthode est utilisée dans le
calcul par ordinateur :
– Si f (c) f (a) < 0, on réduit l’intervalle à [a, c] (b ←− c) .
– Si f (c) f (a) > 0, on réduit l’intervalle à [c, b] (a ←− c) .
Critique de la méthode
– Cette méthode consomme très peu de mémoires.
– Le temps de calcul dépend de l’expression de f (x) , mais en général le temps de
calcul est assez court. Ce temps dépend du tet d’arrêt. Plus est petit, plus le
temps est long. Il n’y a pas de limitation de la précision.
– On peut déterminer le nombre d’itérations nécessaire : à chaque itération, la
largeur de l’intervalle est divisée par 2. Ainsi, pour a et b fixes, on atteint la
précision imposée après n itérations tel que
|a − b|
< .
2n
i i
i i
i i
|a−b|
En effet, soit = 2n ⇔ ln |a−b|
= n ln 2. Donc,
ln |a−b|
n= .
ln 2
Principe de la méthode
Elle consiste à approcher la racine cherchée en remplaçant la fonction y = f (x) par
une droite.
On joint les deux points A (a, f (a)) et B (b, f (b)) par une droite. Le point c obtenu
donne une valeur approchée de la racine. On va s’en servir pour réduire l’intervalle
et on reprond la méthode sur l’intervalle [a, c] . On obtient ainsi une suite de points
c1 , c2 , . . . , cn qui se rapprochent de la racine.
f (a) − f (b)
y − f (x) = (x − a) .
b−a
L’intersection de cette droite avec l’axe des x est donnée par
y=0
y = f (a)−f
b−a
(b)
(x − a) + f (x) .
i i
i i
i i
Soit
b−a af (b) − bf (a)
c = a − f (a) = .
f (b) − f (a) f (b) − f (a)
Dans le shéma utilisé pour imposer le principe de la méthode, on a dessiné
une fonction ne représentant pas des points d’inflexion dans l’intervalle [a, b] . Une
complication appraît dans le cas contraire :
Les points c1 , c2 , . . . , cn ne sont pas tous du même côté de la racine. On doit alors
prévoir ces alternances.
Les encadrements successifs consuisent dans tous les cas après un certain nombre
d’itération à un intervalle ne contenant plus de point d’inflexion. A partir de ce
momemnt les valeurs c1 , c2 , . . . , cn se trouvent toutes du côté concave de la courbe et
tendent vers la racine de ce côté.
Ainsi définie, cette méthode ne permet pas de connaître la précision sur le résultat
obtenu puisqu’on n’a pas un encadrement de plus en plus petit de la racine. Ce
problème est résolu en insérant un test de la forme :
– f c − 2 fc + 2 < 0,
si on s’intéresse à l’incertitude absolu.
– f c 1 + 2 f c 1 − 2 < 0, si on s’intéresse à l’incertitude relative.
Critique de la méthode
– Faible capacité de mémoire.
– Un temps de calcul en général plus petit par rapport à la méthode précédente.
– Pas de limitation sur la précision.
i i
i i
i i
Hyposthèse de la méthode
Au lieu d’utiliser la corde pour obtenir une valeur approchée de la racine, on prend la
tangente à la courbe à une extrimité de l’intervalle :
Par une extrimité de la courbe, soit par exemple A, on mène la tangente à la courbe.
L’intersection de cette tangente avec l’axe des x, donne une valeur approchée de la
racine soit c. On utilise c pour réduir el’intervalle et on recommence avec [c, b] .
y − f (a) = f 0 (a) (x − a) .
f (a)
c=a− .
f 0 (a)
Remarque 21.2.2 Dans certain cas, le point C a une abscisse c en dehors de [a, b] . Il
faut donc tester cette éventualité. Dans ce cas où elle apparaît, la tangente menée
de l’autre extrimité conduit forcément à un point à l’intérieur de l’intervalle [a, b]
car cet intervalle ne contenant pas un point d’inflexion.
i i
i i
i i
x1 = g (x0 )
x2 = g (x1 )
x3 = g (x2 )
..
.
xn+1 = g (xn )
– On montre que la suite x1 , x2 , . . . , xn tend vers une limite x∗ qui est solution de
l’équation.
i i
i i
i i
C’est à dire
xn − xn−1
xn−1 − xn−2 < 1
⇔
g (xn−1 ) − g (xn−2 )
< 1.
xn−1 − xn−2
Donc,
(xn−1 − xn−2 ) g 0 (ξn−1 )
< 1.
xn−1 − xn−2
Ainsi,
|g 0 (ξn−1 )| < 1, pour ξn−1 ∈ [xn−2 , xn−1 ] .
i i
i i
i i
21.4 Exercices
21.4.1 Enoncés
Exercice 1 :
On considère la méthode de la bissection pour chercher une racine de
f (x) = 0.
ex − (x − 5) = 0 (E)
i i
i i
i i
2. Montrer que
1
xk+1 − ζ1 = (xk + ζ1 ) (xk − ζ1 ) , k = 1, 0, ...
2
3. En déduire que si 0 < x0 < ζ2 , alors limk→∞ xk = ζ1 .
21.4.2 Corrigés
Exercice 1 :
1. Soit N le nombre d’itérations nécessaire pour trouver x tel que f (x) = 0 avec la
précision et comme test d’arrêt : |IN | < .
Itération 0 : I0 = x2 − x1
x2 − x1
Itération 1 : I1 =
2
x2 + x1
Itération 2 : xM =
2
x2 −xM x2 −x1
soit x1 = xM ou x2 = xM . I2 = 2 = 4 .
x2 − x1
I2 = .
4
i i
i i
i i
x2 − x1
Itération 3 : I3 =
8
..
.
x2 − x1
Itération N : IN = .
2N
Ainsi,
ln x2 −x
x2 − x1
1
|IN | =
<⇔N > .
2N ln 2
ln( 1−3 )
2. Pour = 10−3 ⇒ N > 10
ln 2 = 9.9658. Il suffit de choisir alors N = 10
itérations.
Exercice 2 :
On pose f (x) = ex − (x + 5) = 0
La racine de f (x) = 0 est le projeté sur l’axe des abscisses où les courbes se
coupent (situées dans x ≥ 0). Aisni, d’après le graphe, il existe une unique racine
de f (x) = 0 dans R+ , plus précisément sur [0, 2] .
2. L’algorithme de la bissection :
i i
i i
i i
i i
i i
i i
Exercice 4 :
√
On considère la fonction f (x) = ex + 3 x − 2 sur l’intervalle [0; 1] .
1. f est continue, dérivable sur [0; 1] et f 0 (x) = ex + 2√
3
x
> 0. Alors, f est srictement
croissante sur ]0, 1[ . De plus,
et √ 2
2
(2 − eα ) (3 α)
Φ2 (α) = = = α (α > 0) .
9 9
√ √
(a) On commence par Φ1 (x) = ln (2 − 3 x) . Pour x ≥ 0, 2 − 3 x ≥ 0 alors
0 ≤ x ≤ 49 . Donc, 4 4
4 Φ1 est définie sur 0, 9 . Φ1 est continue sur 0, 9 ,
dérivable sur 0, 9 ,
3 4
|Φ01 (x)| = √ , ∀x ∈ 0, .
4 x − 6x 9
On voit que |Φ01 (x)| tends vers +∞ quand x −→ 0 et |Φ01 (x)| tends vers
+∞ quand x −→ 49 , donc on cherche le minimum de Φ01 dans 0, 49 . On
résout alors √
0 0 6 (1 − 3 x)
|Φ1 (x)| = √ √ 2 = 0.
x (4 x − 6x)
Alors, pour x = 19 , Φ01 91 = 92 > 1 et pour tout x ∈ 0, 49 , |Φ01 (x)| > 1.
|1 − 0|
< tol = 10−10 ?
2n
Ainsi, il suffit d’établir n = 34 itérations.
Exercice 5 :
1
Soit f (x) = cos x − chx .
i i
i i
i i
x1 3π
Les deux racines et x2 les plus proches de 0 sont Localisées respectivement
sur −2π, − 3π2 et 2 , 2π .
3π
(a) 1ère itération (a = π, b = 2π) : f (π) = −0.94 et f (2π) = 0.996 ⇒ c = 2
et f (c) = −0.18.
(b) 2ème itération (a = 3π 7π
2 , b = 2π) ⇒ c = 4 et f (c) = 0.699.
(c) 3ème itération (a = 2 , b = 4 ) ⇒ c = 13π
3π 7π
8 ' 5.1.
Exercice 6 :
1 1
, x0 donnée. On a x = 12 x2 + 41 =⇒ et
1. Soit xk+1 = 2 x2k + 4
√ √
3 3
ζ1 = 1 − ' 0.1339 et ζ2 = 1 + ' 1.866.
2 2
Donc
0 < ζ1 < 1 < ζ2 .
ζ1 est un point fixe donc ζ1 = 21 ζ12 + 14 ⇔ −ζ12 = −2ζ1 + 14 . Ainsi,
2.
1 2 1
xk+1 − ζ1 = xk + − ζ1
2 4
1 2 1
= xk − 2ζ1 +
2 4
1 2
x − ζ12
=
2 k
1
= (xk + ζ1 ) (xk − ζ1 ) , k = 1, 0, ...
2
i i
i i
i i
1
3. On a xk+1 − ζ1 = 2 (xk + ζ1 ) (xk − ζ1 ) alors
|xk+1 − ζ1 | 1
= (xk + ζ1 ) .
|xk − ζ1 | 2
√
Si x0 = 0 alors 12 (x0 + ζ1 ) = 12 1 − 23 < 1 et x0 = ζ2 alors 1
2 (ζ2 + ζ1 ) = 1. Donc,
1
si 0 ≤ x0 < ζ2 alors 2 |x0 + ζ1 | < 1 donc
|x1 − ζ1 |
<1
|x0 − ζ1 |
d’où
|x1 − ζ1 | < |x0 − ζ1 |
x1 plus proche de ζ1 0 ≤ x1 < ζ2 . De même,
i i
i i
i i
i i
i i
i i
CHAPITRE 22
22.1 Introduction
où f est une fonction continue sur l’intervalle [a, b] . On doit utiliser une méthode
numérique si :
– On ne connait pas de primitive F (x) de f.
– La quantité F (b) − F (a) sont difficile à évaluer.
– f n’est pas donnée sous forme analytique mais elle est définie en un ensemble
discret de points (résulte de mesures expérimentales).
On sait que l’intégrale I est la mesure de la surface délimitée par l’axe des x, les
droites d’équations x = a et x = b et la courbe de f (x) :
Les méthodes exposées par la suite consiste à remplacer la courbe de f (x) par une
courbe plus "sympatique", c’est à dire pour laquelle l’intégration (calcul de la surface)
soit facile.
i i
i i
i i
22.2.1 Principe
Le segment [a, b] est divisé en un grand nombre de petits segments à l’aide des points
x1 , x2 , . . . , xn−1 et la courbe y = f (x) est remplacée sur chaque segment par une
droite.
La surface approchée I ∗ est la somme des surfaces des petits trapèzes ainsi définis.
22.2.2 Formules
xi − xi−1 = h
la formule se simplifie en
n
X f (xi ) + f (xi−1 )
I∗ = h
i=1
2
" n−1
#
f (a) + f (b) X
=h + f (xi ) .
2 i=1
Les points xi étant générés par l’ordinateur, au fur et à mesure que les calculs avancent,
les erreurs d’arrondi se glissent dans ces calculs et souvent
b − xn−1 6= h.
i i
i i
i i
i = Ii − Ii∗
Z xi
f (xi ) + f (xi−1 )
= f (x) dx − h .
xi−1 2
= I − I∗
Xn
= i
i=1
n
h3 X 00
=− f (xi−1 ) .
12 i=1
Ainsi,
n
h3 X 00
|| ≤ |f (xi−1 )| .
12 i=1
Or,
|f 00 (xi−1 )| ≤ max |f 00 (x)| .
x∈[a,b]
D’où,
3
(b − a) b−a
|| ≤ max |f 00 (x)| . puisque h =
12n2 x∈[a,b] n
Il est évident que plus le pas h est petit (n est élevé), plus la méthode est précise.
i i
i i
i i
i i
i i
i i
Ai = I (xi+1 ) − I (xi−1 )
∆x3 00
= 2∆xf (xi ) + f (xi ) + o(∆x5 ).
3!
Or,
f 0 (xi+1 ) − f 0 (xi )
f 00 (xi ) =
∆x
f (xi+1 ) − f (xi ) − f (xi ) + f (xi−1 )
= + o(∆x2 )
∆x2
f (xi−1 ) − 2f (xi ) µ + f (xi+1 )
= + o(∆x2 ).
∆x2
D’où,
∆x
Ai = 2∆xf (xi ) + (f (xi−1 ) − 2f (xi ) + f (xi+1 )) + o(∆x5 )
3
∆x
= (f (xi−1 ) + 4f (xi ) + f (xi+1 )) + o(∆x5 ).
3
L’aire totale entre a et b est
Z b
I= f (x) dx = A1 + A2 + · · · + An−1 .
a
∆x ∆x ∆x n
I= (f0 + 4f1 + f2 ) + (f0 + 4f1 + f2 ) + · · · + (f0 + 4f1 + f2 ) + o(∆x5 ).
3 3 3 2
Or,
n b−a
o(∆x5 ) = o(∆x5 ) = o(∆x4 ).
2 2 (∆x)
Ainsi,
n−1 n−2
∆x X X n
I= [f (a) + f (b) + 4 f (xi ) + 2 f (xi )] + o(∆x5 ).
3 i=1 i=2
2
| {z } | {z }
i impair i pair
i i
i i
i i
22.4.1 Principe
On estime I par extrapolation à partir du résultat obtenu par la méthode des trapèzes,
on obtient
Z b
I= f (x) dx
a
2 4 6
= T (∆x) + c2 (∆x) + c4 (∆x) + c6 (∆x) + · · ·
avec
n−1
∆x X
T (∆x) = [f (a) + f (b) + 2 f (a + j∆x)] :
2 j=1
i i
i i
i i
22.4.2 Procédure
Afin d’expliciter la procédure, les évaluations par la méthode des trapèzes sont notées
T1,q , où 2q−1 désigne le nombre d’intervalles. On aure :
Pl
T1,q = ∆x2 [f (a) + f (b) + 2 j=1 f (a + j∆x)]
∆x = 2b−a
q−1
l = 2q−1 − 1
Ainsi,
b−a
q = 1 ⇒ T1,1 = [f (a) + f (b)]
2
b−a b−a
q = 2 ⇒ T1,1 = f (a) + f (b) + 2f a + .
4 2
On en déduit les valeurs extrapolées Tp,q par :
1
4p−1 Tp−1,q+1 − Tp−1,q .
Tp,q =
4p−1 −1
Z 4
Exemple 22.4.1 Calculer I = ex dx. En effet,
0
4−0 0
q = 1 ⇒ T1,1 = [e + e4 ] = 111.1963
2
4−0 0
e + e4 + 2e2 = 70.376262.
q = 2 ⇒ T1,1 =
2
Ainsi,
1
T2,1 = (4T1,2 − T1,1 ) = 56.769583.
4−1
On s’arrête à 4 tranches (q = 3) : T3,1 = 53.670130 en calculant
T1,3 = 57.991950 et T2,2 = 53.863846.
On voit bien la convergence des valeurs extrapôlées est plus rapide quela méthode
des trapèzes puisqu’avec 4 tranches l’approximations est de 8.2 × 10−2 par les
trapèzes et 1.3 × 10−3 (soit 63 fois mieux) par les valeurs extrapôlées. De plus,
l’approximation est même meuilleure que par la méthode de Simpson.
22.5 Exercices
22.5.1 Enoncés
Exercice 1 :
On considère la fonction connue uniquement par les cinq valeurs représentées dans
le tableau suivant :
x 0.2 0.4 0.6 0.8 1
f (x) 0.19 0.38 0.56 0.71 0.84
i i
i i
i i
0
1. Calculer f (x) aux cinq points.
00
2. Calculer f (x) aux cinq points.
R1
3. Calculer 0.2 f (x) dx par la méthode de trapèzes
R4
4. Calculer la valeur approchée de I = 3 2sin x dx par la méthode de trapèzes à 4
intervalles.
Exercice 2 :
Soit f une fonction continue sur l’intervalle [−4; 2]. On désire trouver un encadre-
ment de Z 2
f (x) dx.
−4
Pour cela, on subdivise l’intervalle [−4; 2] comme indiqué et on utilise la méthode des
rectangles. Quelle subdivision parmi celles proposées donnera le meilleur encadrement ?
Exercice 3 :
Soit f une fonction continue et convexe sur l’intervalle [0; 5]. On se donne les valeurs
suivantes de f pour les valeurs de x égales à 0 + i 59 , pour i allant de 0 à 9.
Ik = [xk−1 ; xk ]
de longueur
H = xk − xk−1 , k = 1, . . . , M
avec x0 = 0 et xM = 5, et on considère la formule composite du trapèze.
i i
i i
i i
c
1. On peut montrer que l’erreur commise par la formule du trapèze It,(k) (f ) sur
l’intervalle Ik est
H3
Z 00
t c
max f (ξ) si f ∈ C 2
E(k) = f (x) dx − It,(k) (f ) ≤
Ik 12 ξ∈I k
coupes de l’intervalle [−12; −6] qui est nécessaire pour que l’erreur de l’approximation
ne dépasse pas 0.27.
22.5.2 Corrigés
Exercice 1 :
1. et 2. On donne : " #
n−1
1b−a X
In = f (a) + f (b) + 2 f (xi )
2 n i=1
où xi = a + i b−a
n pour i = 0, 1, . . . , n.
∗ 5 0.2 + 0.825
I = + 0.2063 + 0.226 + 0.2601 + 0.3027 + 0.3757 + 0.4592 + 0.5612 + 0.6828
9 2
' 2.
Exercice 4 :
i i
i i
i i
x
Soirt f (x) = e− 5 sur [0, 5] et Ik = [xk−1 ; xk ] de longueur
xM − x0 5
H = xk − xk−1 = = , k = 1, . . . , M
M M
avec x0 = 0 et xM = 5.
R xk
c
(f ) = h f (xi )+f2 (xi−1 ) . Or,
R
1. On a Ik f (x) dx = xk−1 f (x) dx et It,(k)
Z xk Z h
f (x) dx = f (xk−1 + u) du
xk−1 0
M
X 75 1 5
Etc = t
E(k) ≤ = .
12M 2 25 12M 2
k=1
2. On a
5
Etc ≤ ≤ 10−4 ⇔ M ≥ 64.550.
12M 2
Ainsi, Mmin = 65 coupes.
Exercice 5 :
On sait d’après l’exercice précedent que
63 00
Etc ≤ max (ξ)
2
12M ξ∈[−12,−6]
f
< 0.27.
Donc,
M > 15.64.
D’où, Mmin = 16 coupes.
i i
i i
i i
Sixième partie
ANNEXE
i i
i i
i i
i i
i i