M. Gohi

ALGEBRE ET PROBABILITE
CHAPITRE 1
CALCULS MATRICIELS
I- GENERALITES SUR LES MATRICES
1) Définitions
Un tableau rectangulaire ayant n lignes et p colonnes de la forme ci-dessous est appelé : matrice.
L’élément ou coefficient de la matrice se trouve à l’intersection de la i ème ligne et la jème

colonne.
La matrice s’écrit également sous la forme :
Une matrice ayant n lignes et p colonnes est appelée matrice de dimension
L’ensemble des matrices de dimension est notée :
Remarque :
 Si alors la matrice est dite matrice carrée d’ordre n.

Dans ce cas les éléments aii forment la diagonale principale de la matrice carrée
 Si alors la matrice est dite matrice rectangulaire d’ordre
 Si alors la matrice est dite matrice ligne
 Si alors la matrice est dite matrice colonne
Exemple :
matrice carrée d’ordre 3 ; matrice rectangulaire d’ordre ;
matrice ligne; matrice colonne.
Page 1
2) Matrices particulières :
a) Matrice nulle
Une matrice nulle est une matrice dont tous les éléments sont nuls. Elle est notée :
b) Matrice diagonale
Une matrice carrée est dite diagonale si tous ses éléments non diagonaux sont nuls.
Exemple :
; sont des matrices diagonales
c) identité ou matrice unité
Une matrice carrée d’ordre n ne comportant que des 1 sur la diagonale principale et des 0 partout
ailleurs, est notée et est appelée : matrice unité ou matrice identité.
Exemple :
: matrice identité d’ordre 2 , : matrice identité d’ordre 3.
d) Matrice triangulaire
Une matrice triangulaire est une matrice carrée dont les éléments au-dessous (respectivement au-
dessus) de la diagonale principale sont tous nuls.
Exemple :
: matrice triangulaire supérieure ; : matrice triangulaire inférieure
e) Matrice symétrique
Une matrice symétrique est une matrice carrée dont les éléments symétriques par rapport à la
diagonale principale sont égaux.
Page 2
Exemple : est une matrice symétrique d’ordre 3.
f) Matrice transposée
Définition
On appelle matrice transposée de la matrice A, notée : , toute matrice obtenue en échangeant

les lignes et les colonnes du même ordre entre elles.
Exemple :
, ; ,
Propriété 1:
Une matrice carrée A est symétrique si et seulement si
Exemple :
: la matrice A est symétrique
Propriété 2 :
Soient , , trois matrices et .
II-Opérations sur les matrices :
1. Égalité de deux matrices
Soient et deux matrices toutes deux de même dimension .
et sont égales si et seulement si
Page 3
2) Addition de deux matrices
Définition
Soient deux matrices et , toutes deux de dimension .
On additionne terme à terme pour obtenir : de dimension .
Exemple : et calculer
Propriétés :
Soient , et trois matrices de dimension et O la matrice nulle de dimension .
(Associativité)
(Élément neutre)
(Opposé)
(Commutativité)
Remarque :
3) Multiplication d’une matrice par un scalaire
Définition
Soient une matrice de dimension et .On définit la matrice comme la
matrice dont tous les coefficients sont multipliés par :
Remarque :
Propriétés :
Soient et deux matrices de dimension et , deux réels..
Page 4
et (ne pas confondre le réel et la matrice nulle)
4) Produit de matrices
Définition
Soient une matrice et une matrice .
Le produit de par est la matrice de dimension et s’écrit :
, pour et .
Remarque :
 Le produit n’est possible que si le nombre de la matrice est égal au nombre de colonne
de la matrice .
 L’expression s’obtient à partir de la ligne de et de la colonne de la matrice : on

dit que l’on fait le produit « ligne par colonne »
n colonnes
 ... ... a1 j ... ... 

 ... ... a 2 j ... 
 
     p lignes
 ... ... aij ... 
 
    
 ... ... a pj ... 

jième colonne
q lignes           
  
kième ligne  bk1 bk 2 ... bki ... bkp   ... ckj .... q lignes
 
          
P colonnes n colonnes
Page 5
Propriétés :
Soient , , , et .
Remarques :
 En général, le produit de deux matrices n’est pas commutatif :
- Si existe, alors n’existe pas forcément.

- Si existe, alors généralement .
APPLICATION :
On considère les matrices suivantes : et
Déterminer la matrice :
III-DETREMINANT D’UNE MATRICE CARREE
1) Définition
On appelle déterminant d’une matrice carrée d’ordre , le nombre réel noté tel que
2)Calcul du déterminant d’une matrice carrée
 Cas d’une matrice carrée 2 :
Page 6
Soit une matrice carrée d’ordre 2. Alors
Exemple : Soit la matrice . Calculer .

 Cas d’une matrice carrée d’ordre 3 : Règle de SARRUS
Soit la matrice carrée d’ordre 3. Alors
On recopie à la suite du déterminant de la matrice A, les deux premières colonnes(ou les deux
premières lignes) puis, on effectue le calcul : les éléments dont le produit doit être affecté du signe
(+) sont ceux situés sur les « parallèles à la diagonale principale» tandis que ceux affecté du signe (-)
sur les « parallèles à la diagonale non principale»
Disposition pratique :
Exemple : Soit la matrice . Calculer .

 Déterminant d’une matrice triangulaire et diagonale :
Le déterminant d’une matrice triangulaire et diagonale est égal au produit des éléments diagonaux :
Exemple : Soient les matrices et Calculer et
 Cas général : MÉTHODE DES COFACTEURS
L’astuce consiste à se ramener à des déterminants d’ordre inférieur jusqu’à obtenir des déterminants
d’ordre 2. Pour cela, on développe le déterminant suivant une ligne ou une colonne.
Page 7
Soit : un déterminant d’ordre n.
On a : développement suivant la ligne.
développement suivant la colonne.
Où : est le cofacteur de l’élément : et est le mineur de
l’élément c’est-à-dire le déterminant d’ordre extrait de la matrice après suppression de
la ligne et de la colonne.
Exemple :
Soient les matrices : et .calculer et par la

méthode des cofacteurs.
3) Manipulation de lignes et de colonnes

 Pour que le déterminant d’une matrice soit nul, il faut et il suffit que la famille des colonnes de
cette matrice soit liée. En particulier, si un déterminant a une colonne, ou deux colonnes, ce
déterminant est nul.Résultat analogue sur les lignes.
 On ne change pas la valeur d’un déterminant si on ajoute à l’une des colonnes une combinaison
linéaire des autres colonnes. Résultat analogue sur les lignes.
Exemple :
Soient les matrices : et .calculer et par la

manipulation de lignes et de colonnes.
4) Propriétés :
Soient A, B deux matrices carrées d’ordre n, I n une matrice unité d’ordre n et α un nombre réel.
 dét(In)=1.
 dét (αA)=αndét(A).
Page 8
 dét (AB)=dét(A) dét(B).
IV )INVERSION DE MATRICE CARREE :AMatrice adjointe :
Définition :
Considérons une matrice carrée d’ordre n, la matrice des cofacteurs des éléments de la
matrice notée : est appelée matrice adjointe de ou comatrice de notée :
2 )Matrice inversible :
Définition :
Une matrice carrée d’ordre n est inversible s’il existe une matrice carrée unique d’ordre n
telle que : .
La matrice est appelée inverse de la matrice et on la note :
Propriété 1:
Soit une matrice carrée d’ordre n. Alors est une matrice inversible si et seulement si
Propriété 2 :
une matrice carrée d’ordre n. Si alors est inversible et son inverse est
Soit
donnée par :
Propriété 3 :
Soient A et B deux matrices carrées d’ordre n inversibles.
Page 9
APPLICATION :
 Calculer l’inverse de la matrice carrée d’ordre 2 :
 On considère les matrices suivantes : et
1) Justifier que : la matrice est inversible.

2) Déterminer son inverse
3) A l’aide de la relation : , déduire que la matrice est inversible, puis
donner son inverse
IV.APPLICATION A LA RESOLUTION DES SYSTEMES D’EQUATIONS LINEAIRES
1) Système d’équations linéaires :
On appelle système d’équations linéaires de n équations à n inconnues, tout système de la forme :
Où les coefficients et sont donnés ; sont les inconnues.
Résoudre le système , c’est déterminer l’ensemble de ses solutions,c’est-à-dire l’ensemble des

valeurs de tels que les n équations soient simultanément vérifiées.
2) Écriture matricielle associée à un système linéaire:
A tout système linéaire de n équations à p inconnues est associé une écriture dite :
Page 10
Écriture matricielle
En posant : matrice associée au système, matrice des
inconnues, matrice du second membre
écriture matricielle associée au système

On a :
3) Rang d’un système de n équations à n inconnues :
Le rang d’un système de n équations à inconnues, auquel est associée la matrice A :
- Est égal à n si dét(A)≠0.
- Est inférieur à n si dét(A)=0. Il est alors à l’ordre maximum r d’un des mineurs non nuls extraits
de A.
Exemple :
Rechercher le rang des systèmes suivant :
4) Méthodes de résolution des systèmes linéaires :
Résoudre un système d’équations linéaires consiste à rechercher les x i vérifiant toutes les équations
proposées.
a. Système de cramer
Il satisfait aux deux conditions :
- Le nombre d’équations n est égal au d’inconnues p.
- Le déterminant de la matrice associée au système est différent de zéro : le rang du système est
égal à n. il admet alors une solution unique.
Page 11
Nous envisageons la résolution d’un système, suivant trois méthodes différentes :
 Méthode de Cramer
 Méthode par inversion matricielle
 Méthode du pivot de Gauss.
 Méthode de Cramer :
- Un système linéaire de n équations à n inconnues est dit de Cramer (admet une solution
unique) si et seulement si la matrice associée à est inversible ( )
- La solution unique est donnée par : où est le déterminant
extrait de en remplaçant la colonne des par celle du second membre.

 Méthode matricielle :
Soit l’équation matricielle , avec
Si est inversible,
 Méthode du pivot de Gauss :

Pour résoudre un système linéaire par la méthode du pivot d GAUSS, on procède comme suit :
- On vérifie que, dans la première ligne , le coefficient de la première inconnue est non nul,
sinon on échange avec une ligne dont le coefficient de la première inconnue est non nul ;
- À l’aide de l’opération élémentaire on annule tous les coefficients de la première

inconnue dans les autres lignes ;
- On recommence le procédé pour la deuxième inconnue, la troisième inconnue,…, jusqu’
l’obtention d’un système triangulaire.
APPLICATION :
On considère le système suivant :
Résoudre le système par :
a. Méthode de Cramer
b. Méthode du pivot
c. Méthode matricielle
Remarque :
Nous pouvons rencontrer des systèmes à n inconnues comportant plus de n équations. Pour
résoudre un tel système on peut choisir n équations, résoudre le système composé de ces n
équations, puis vérifier si les solutions trouvées sont solutions ou non des autres équations.
Page 12
Exemple :
Résoudre les systèmes suivants :
b)Système singuliers (que nous n’étudions que dans le cas où n=p)
ils sont tels que le déterminant de la matrice associée au système est égal à 0. Leur rang sera donc
inférieur à n. leur résolution exclut la méthode par inversion matricielle et la méthode de cramer. Ils
admettront une infinité de solutions ou aucune.
Exemple :
Résoudre le système suivant :
c)Systèmeshomogènes
Un système d’équations linéaire est dit homogène si les seconds membres seconds sont nuls. Un tel
système admet toujours le triplet solution (0 ; 0 ; 0). C’est l’unique solution lorsque le rang du
système est égal à n c'est-à-dire lorsque dét(A) ≠ 0. Au contraire, si le rang du système est inférieur à
n (dét(A)=0), le système est indéterminé, la solution de chaque inconnue est égale à .
Exemple :
Résoudre les systèmes suivants :
Page 13
TRAVAUX DIRIGÉS SUR LES

CALCULS MATRICIELS
EXERCICE 1
1. Calculer :
| | | | | || |
2 3 x ab x 2 −1 0 0
1 2 3 x x x
a xx b ∆ 4= 3 1 0 0
y , ∆ 3=
2 3
∆ 1= 3 1 2 , ∆2= y y ,
b xx a 0 0 5 −3
2 3 1 z z2 z 3
xbax 0012
| | | |
1 cosa cos2a 1 sina cosa
∆ 5 = 1 cosb cos2b , ∆ 6❑ = 1 sinb cosb
1 cosc cos2c 1 sinc cosc
2. Déterminer le rang de chacune des matrices suivantes :
( ) ( )
3 5 4 1 2 m
A= 9 6 3 B = m 1 2 (m ∈ R) C = ¿
−12 −3 1 2 m 1
3. Trouver les inverses des matrices suivantes :
( )
1 10 0
( )
2 1 0
(
A= cos x sin x
sin x −cos x ) (x∈ R ) B= 1 2 1
0 1 2
1 11 0
et C = 0 1 1 1
0011
4. Résoudre les systèmes suivants :
Page 14
{ { { {
3 x-y +3 z =1 x + y + z =1 x-y +2 z =0 mx + y + z =1
( s 1 ) x + 3 z =-2 ( s2 ) x +2 y- 2 z =0 ( s3 ) x + y +2 z =0 ( s ) x + my + z =1
4 x + 2z =3 2 x+ 3 y-z=5 x + y +3 z =0 4 x + y + mz=1
EXERCICE 2
( ) ( )
−1 1 1 1 0 0
Soient les matrices : A= 3 5 3 et I = 0 1 0 .
1 1 −1 0 0 1
1. a) CalculerP ( x ) = det ( A-xI )

b) Résoudre dans R l’équation P ( x ) =0.
a) Calculer− A3 +3 A2 +16 A+12 I .
b) En déduire que A est inversible puis, calculer A−1.
{
yz
=e
x
A partir des résultats précédents, résoudre le système ( S ) x3 y 5 z3 = e2
xy -1
=e
z
Page 15
CHAPITRE 2 NOTION D’ESPACES VECTORIELS-
APPLICATIONS LINÉAIRES-
A. NOTION D’ESPACE VECTORIEL
I. Espace vectoriel
1. Définitions
Soit K un corps commutatif. On appelle espace vectoriel sur K un ensemble E muni de deux
opérations :
 Une addition, pour laquelle E est un groupe commutatif.
 Une opération externe :
Possédant les propriétés suivantes :
Page 16
Les éléments de E sont appelés vecteurs et ceux de K scalaires.
Si K = R, E est un espace vectoriel réel.
Si K= C, E est un espace vectoriel complexe.
EXEMPLE 1 :
L’ensemble A (IN, IK) des suites éléments de IK est donc un espace vectoriel sur IK. Les vecteurs sont
les suites (un) d’éléments de IK.
Loi + : (un)+(vn)=(un+ vn) et Loi . : a.(un)=(a. un)
2. Propriétés
Soit K un corps abélien, E un K espace vectoriel, 0 le zéro de le vecteur nul alors :
II.SOUS – ESPACES VECTORIELS
1. Définition
Soit E un espace vectoriel sur un corps K. une partie F de E est un sous espace vectoriel de E si :
(Stabilité pour l’addition)
(Stabilité pour la loi externe)
2.Remarques
Page 17
Tout sous espace vectoriel d’un espace vectoriel est un espace vectoriel.
L’intersection de deux sous –espaces vectoriels d’un même espace vectoriel E est un sous - espace
vectoriel de E.
EXEMPLE 2 :
a) Soit l’espace vectoriel et l’ensemble . Montrer que

l’ensemble A est un sous - espace vectoriel de .
b) Soit . Montrer que l’ensemble E est un

sous - espace vectoriel de . C(IR, IR) l’ensemble des fonctions continues de IR vers IR.
III. COMBINAISON LINEAIRE
Soient des éléments d’un espace vectoriel E, et x un élément de E. On dit que x est
combinaison linéaire de s’il existe n scalaires tels que :
EXEMPLE 3 :
Soient l’espace vectoriel et l’ensemble
. Montrer que tout vecteur de

est une combinaison linéaire d’éléments de A.
REMARQUE :
IV.PARTIE LIBRE- PARTIE LIEE- PARTIE GENERATRICE- BASE
Soient E un K espace vectoriel et A une partie non vide de E.
1. PARTIE LIBRE
On dit que A est une partie libre si :
On dit aussi que sont linéairement indépendants.
Page 18
EXEMPLE 4 :
a) Soient l’espace vectoriel et l’ensemble
. Montrer que A est une

partie libre.
b) Dans l’espace vectoriel des fonctions réelles définies sur R, démontrer que les trois fonctions :
sont linéairement indépendantes.
2. PARTIEE LIEE
On dit que A est une partie libre s’il existe , sont tous non
nuls dans K tels que :
On dit aussi que sont linéairement dépendants.
EXEMPLE 5 :
Soient l’espace vectoriel et l’ensemble .

Montrer que A est une partie liée.
3. PARTIE GENERATRICE :
Une famille de vecteurs d’un espace vectoriel E est une famille génératrice de E
Autrement dit, tout vecteur de E est combinaison linéaire des vecteurs
EXEMPLE 6 :
. Montrer que A est une partie

génératrice de .
4. BASE :
Soient E un K espace vectoriel et B une partie non vide de E. On dit que B est une base de E si B est à
la fois une partie génératrice et une partie libre de E.
Page 19
EXEMPLE 7 :
. D’après les exemples

précédents, justifier que A une base.
5. DIMENSION :
On appelle dimension d’un espace vectoriel E le nombre de vecteurs d’une base de E. La dimension
de E est notée dimE.
EXEMPLE 8 :
En déduire la dimension de A de l’exemple précédent.
V. MATRICE D’UN SYSTEME DE VECTEUR
1. Matrice d’un système de vecteur par rapport à une base
Soit E un espace vectoriel de dimension n sur R rapporté à une base
Soit et leur décomposition suivant la base
La matrice du système de vecteurs relativement à la base
Nous constatons que les colonnes de A correspondent aux vecteurs
2. Importance de la matrice d’un système
Pour montrer que des vecteurs sont linéairement indépendants il suffit de montrer que le
déterminant associé à la matrice du système de ces vecteurs est différent de zéro. Dans le cas
contraire, le cas contraire, les vecteurs sont linéairement dépendants.
Page 20
EXEMPLE 9 :
Dans rapporté à sa base canonique . Démontrer les vecteurs
Sont linéairement indépendants.
B. APPLICATIONS LINEAIRES
I. Définitions :
1. Applications linéaires
Soient E et F deux espaces vectoriels sur K. On dit qu’une application est K- linéaire ou
homomorphisme si l’on a :
Un homomorphisme bijectif est isomorphisme.
Une application linéaire de E dans lui- même s’appelle un endomorphisme de E.
On appelle automorphisme de E tout endomorphisme bijectif de E.
On appelle noyau de f une application linéaire de E dans F l’ensemble noté Ker(f) ou N(f) définie par :
EXEMPLE 10 :
L’application telle que est- elle une application linéaire ?
2. Image et noyau d’une application
Soit une application linéaire.

On appelle image de f, et l’on note Imf, l’ensemble f(E), des images par f des éléments de E.

On appelle noyau de f une application linéaire de E dans F l’ensemble noté Ker(f) ou N(f) définie
par :

Ker(f) est un sous-espace vectoriel de E et Imf est un sous-espace vectoriel de F.
Page 21
Théorème de la dimension
dimE = dimKerf +dimImf
la dimension de Imf est aussi appelée le rang de l’application linéaire f.
EXEMPLE 11 :
Soit E l’espace vectoriel des fonctions de R dans R , deux fois dérivables et l’application :
a) Montrer que est une application linéaire.
b) Déterminer une base du noyau deet sa dimension.
II. MATRICE D’UNE APPLICATION LINEAIRE
1. Définition
Soient E et F deux espaces vectoriels, de dimension finie sur K et f une application linéaire de E dans
F. Soient une base de E, une base de F.
Il existe un système unique de scalaire tel que
On appelle matrice de f notée
Par rapport aux bases B et F la matrice de type dont la colonne de type j est
constituée par les coordonnées du vecteur f de par rapport à la base F.
2. Remarque
Page 22
Soit et deux applications linéaires de matrices associées respectives A de
type (q, p) et B de type (n, q) alors la matrice de l’application est la matrice C de type
(n, p) avec : C = B X A.
De plus si f et g sont deux applications de E vers F de matrices associées respectives A et B de type
(n, p) alors la matrice de l’application f+g de E vers F est la matrice S de type (n, p) avec : S = A + B.
3. Conséquences
-
Si le déterminant de la matrice est différent de zéro , l’application f
est bijective, son noyau est le vecteur nul et on a : et
les vecteurs constituent une base nouvelle de F.

-
Si , l’application f n’est pas bijective, son noyau est différent de 0.
On a et les vecteurs sont linéairement
dépendants.
-
Pour déterminer l’image d’un vecteur V par l’application f (f(V)) on effectue le calcul
EXEMPLE 12 :
Soit un espace vectoriel E de dimension 3 rapporté à une base canonique
et l’endomorphisme f définie par :
1°) Ecrire la matrice M de l’endomorphisme relative à la base canonique. f est-elle bijective ?
2°) Déterminer le noyau de f.
3°) Soit de E ; déterminer son image par f. Donner une base de Im(f) et écrire les
composantes de f(V) dans cette base.
I-
CHANGEMENT DE BASE POUR UNE APPLICATION LINEAIRE
1)
Définition
Page 23
Soient E un K espace vectoriel de dimension n,
deux bases de E. On appelle matrice de passage de la base B à la base F la matrice carrée P
d’ordre n dont la colonne est formé par les composantes de par rapport à la base B.
Autrement dit, si
2)
Propriété
B, F deux bases d’un K espace vectoriel E de dimension finie. P la matrice de passage de B à F
alors P est inversible et est la matrice de passage de la base F à B.
3)
Influence d’un changement de bases sur les composantes d’un vecteur
Soient B et F deux K espace vectoriel de E de dimension finie et P la matrice de passage de B à F.
Soient X un vecteur de E, X (respectivement Y) la matrice colonne de ses coordonnées dans
l’ancienne base B (respectivement dans la nouvelle base F). On a la relation X = PY.
EXEMPLE 13 :
Dans l’espace vectoriel muni de la base canonique B, on donne les vecteurs :
1°) Montrer que les vecteurs forment une base F de
2°) Déterminer la matrice de passage de la base canonique B à la base F.
3°) Quelles sont les coordonnées du vecteur X dans la base F ?
4)
Influence d’un changement de bases sur la matrice d’une application linéaire
Soient B et F deux K espace vectoriel de E de dimension finie n, f un endomorphisme, P la matrice
de passage de B à F et A la matrice de f par rapport à la base B alors la matrice de f par rapport à
la base F est . On dira dans ce cas que M et A sont deux matrices semblables.
EXEMPLE 14 :
Page 24
On considère un espace vectoriel rapporté à une base canonique

et l’endomorphisme définie par :
Soient deux vecteurs de E :
1) Démontrer que est une base de E.

2) Ecrire la matrice A de f dans la base B.
3) Déterminer la matrice M de f dans la base F.
C/ DIAGONALISATION D’UNE MATRICE
I- Valeurs propres et vecteurs d’un endomorphisme
Soit f un endomorphisme d’un espace vectoriel E, c’est-à-dire une application linéaire de E dans E.
un scalaire est une valeur propre de f s’il existe un vecteur non nul x de E tel que :
les vecteurs x qui vérifient sont les vecteurs propres associés à la valeur propre. L’ensemble
de ces vecteurs est un sous-espace vectoriel de E, noyau de , appelé sous-espace propre
associé à la valeur propre . En dimension finie : dimE = n. Soit A la matrice de f dans une base B
de E. Les propositions suivantes sont équivalentes :
 est valeur propre de f.
 La matrice n’est pas inversible.
 .
est un polynôme de degré n appelé polynôme caractéristique de l’endomorphisme

f ou de la matrice A. ses racines sont les valeurs propres de f.
Dimension du sous-espace propre
II- Diagonalisation d’un endomorphisme
Diagonaliser un endomorphisme f ou diagonaliser sa matrice A consiste à trouver une base de E dans

laquelle la matrice de f est diagonale. S’il existe une base F de E formée uniquement de vecteurs
propres alors la matrice D de f dans cette base est diagonale et on a la relation :
où P est la matrice de passage de la base B à la base F et :
Page 25
Où les sont les valeurs propres de f , certaines d’entre elles pouvant être identiques. La
diagonalisation d’une matrice à coefficients réels n’est pas toujours possible. Par contre :

Les matrices à coefficients complexes sont toutes diagonalisables dans C.

Une matrice carrée d’ordre n qui a n valeurs propres distinctes est diagonalisable.

Les deux propositions suivantes sont équivalentes :
(1) A diagonalisable.
(2) pour toutes valeurs propres d’ordre k, dim = k.


Si A est une matrice symétrique réelle, alors A est diagonalisable et toutes ses valeurs
propres sont réelles.

III-
Trace d’une matrice
1)
Définition
Soit une matrice carrée d’ordre n. le scalaire s’appelle trace de la matrice M et
se note tr(M).
2)
Remarques

Deux matrices semblables ont même trace et si A et D une matrice diagonale sont
semblables on a

Deux matrices semblables ont même déterminant et si A et D une matrice diagonale sont
semblables on a
IV- Applications
Application 1 : Valeurs propres et vecteurs propres. Diagonalisation
Dans muni de la base canonique, on considère l’endomorphisme f défini par :
On note A la matrice de f dans la base
Page 26
1°) Ecrire la matrice A.
2°) Calculer les valeurs propres de A.
3°) Déterminer les sous-espaces propres associés aux valeurs propres de A.
4°) En déduire l’existence d’une base de vecteurs propres.
5°) Effectuer la diagonalisation de A. Quelle est la matrice de passage ?
Application 2 : Matrice carrée d’ordre 2 non diagonalisable
Soit f l’endomorphisme de de matrice dans la base canonique :
2°) Montrer que A n’est pas diagonalisable.
3°) Soit . Montrer que est vecteur propre de f et que

est une base de .
4°) Trouver la matrice de f dans la base B.
Application 3 : Calcul de la nième d’une matrice
Soit g l’endomorphisme de de représenté dans la base canonique par la matrice :
2°) Trouver une base B de vecteurs propres.
3°) Ecrire la matrice D de g dans la base B.
4°) Calculer .
5°) En déduire .
Application 4 : Ordre de multiplicité des valeurs propres
On considère la matrice :
Page 27
2°) A est-elle diagonalisable ?
Application 5 : Système linéaire récurrent
Soient deux suites numériques telles que :
1°) Ecrire le système sous matricielle.
2°) on pose . Exprimer en fonction de , puis en fonction de n.
3°) Diagonaliser la matrice.
4°) En déduire et en fonction de n.
Application 6 : Système différentiel linéaire
On considère le système différentiel suivant :
Où x et y sont deux fonctions de variable t. On pose X = (x, y).
1°) Ecrire le système sous forme matricielle.
2°) Diagonaliser la matrice.
3°) En déduire les solutions du système.
Page 28
TRAVAUX DIRIGÉS SUR LES ESPACES
VECTORIELS- APPLICATIONS
LINÉAIRES-DIAGONALISATION
EXERCICE 1
Soit les fonctions f1 et f2 définies sur IR par : .
Soit
1. Démontrer que E est un espace vectoriel sur IR.

2. Démontrer que (f1 , f2) est une base de E.
3. Soit définie par : .Démontrer que est un endomorphisme de E et
donner la matrice A de dans la base (f1, f2).
4. Calculer Anpour .
5. Calculer la dérivée nème de la fonction
EXERCICE 2
On considère l’espace vectoriel réel muni de sa base canonique On définit u
l’endomorphisme de par : et i l’application identique de
1) On désigne par A la matrice de l’endomorphisme i-u. Déterminer A.
2) On désigne par l’endomorphisme de défini par :
Ecrire la matrice de l’endomorphisme dans la base B.
3) On désigne par M (a,b) la matrice définie par :
On note A l’ensemble des matrices M (a, b) quand (a, b) décrit
a) Démontrer que A est un sous espace vectoriel de où désigne l’ensemble des

matrices carrées d’ordre 3 à coefficients réels.
b) Montrer que dim(A) = 2.
4) a) Déterminer le noyau de .
Page 29
b) Déterminer l’image de .
EXERCICE 3
On considère l’espace vectoriel muni de sa base canonique A tout triplet

(a ; b ; c) de nombres réels, on associe l’endomorphisme de , noté f(a ; b ; c) et dont la matrice,
relativement à la base B est : .
1) On donne
a) Montrer que est une base de .
b) On désigne par P la matrice de passage de la base B à la base et par Q la matrice de passage de

la base à la base B. Déterminer P et Q.
2) on note la matrice de l’endomorphisme f(a ; b, c) dans la base . Calculer
3) On donne a =1 : b = 0 ; c = 1. Et on pose g(a ; b ; c = f(1 ; 0 ; -1).
a) Déterminer une base et la dimension du noyau de g.
b) Déterminer le rang de g et une base de l’image de g.
EXERCICE 4
Soit , la base canonique de . Et soit f l’endomorphisme de dont la matrice,
relativement à est . On désigne respectivement par N(f) et Im(f),

le noyau et l’image de f.
1) Exprimer f(e1), f(e2), f(e3) en fonction de e1, e2, e3.
2) Pour quelles valeurs de , f est-il un automorphisme de ?
3) On pose
Déterminer N(f) et donner une base.
En déduire la dimension de Im(f).
Pour la suite de l’exercice, on pose
Page 30
4) a) Montrer que la matrice A est inversible et déterminer .
b) Soit le vecteur v = (1, 2, 3). Calculer f(v).
c) Résoudre le système suivant :
5) On pose .
a) Montrer que B1 est une base de .
b) Déterminer la matrice de passage P de la base B 0 à la base B1.
c) Déterminer l’inverse P-1 de la matrice P. En déduire la matrice de f relativement à la base B1.
EXERCICE 5
Dans R3, muni de sa base canonique B= { e1 , e 2 , e3 } , on considère les vecteurs :
u1 = e1 −e2 +e 3 , u 2 =- e 1−e3 , u3 = e 2−e3 et v = e1 +e 2 -2 e 3.
1. a) Vérifier que B1 = { u1 , u 2 , u 3 } est une base de R3 .
b) Déterminer les coordonnées de v dans la base B1.
2. On considère l’endomorphisme f de R3 définie par :
f ( e 1 ) =-2 e 1 + 3e2 -3 e3 , f ( e2 ) =4 e 2 -6 e3 et f ( e3 ) =3 e2 -5 e3 .
et les vecteurs: e'1 = e1 −e3 , e'2 = e2 -2 e 3 et e'3 = e 2−e3 .
a) Montrer que B = { e 1 , e 2 , e3 } est une base de R3 .

' ' ' '
b) Montrer que H= {u= ( x, y, z ) ∈ R 3 / f ( u ) =-2u } est un sous espace vectoriel de R3. En donner
une base.
' ' '
c) Calculer f( e1 ), f( e2 ) et f( e3 ) .
3. On note A la matrice de f relativement à la base B .
a) Déterminer la matrice A’ de f dans la base B’.
b) On pose g=fofo…of= f n . Déterminer la matrice M de g dans la base B .
EXERCICE 6
Page 31
On considère l’espace vectoriel réel muni de sa base canonique . Soit

l’endomorphisme fa, b, c de défini par : pour tout
où a, b et c sont des réels

x
quelconques et e désigne l’exponentielle népérienne de x.
1) Ecrire la matrice Aa, b, c de fa, b, c relativement à la base B.
2) Donner la condition sur a, b et c pour que f a, b, c soit un automorphisme.
1
3) On donne a = ln2, b =ln3, c = ln( ¿ et on pose simplement pour ces valeurs de a, b, c f a, b, c = f.
2
a) Montrer que f n’est pas un automorphisme.
b ) Déterminer une base du noyau N(f) et une base de l’image I(f) de f.
4) On donne dans cette question a = ln2, b =ln3, c = ln(2) et on note simplement dans ce cas f a, b, c = g.
on note la matrice de g relativement à la base canonique B.
On considère les matrices
a) Vérifier que PD = BP puis, au moyen d’un raisonnement par récurrence sur n que
b) En déduire Bn
Chapitre3
Page 32
INTEGRALES D’UNE FONCTION NUMERIQUE
I - Primitives
1 - Définition
Soientf etF deux fonctions définies sur un intervalleI.F est une primitive def surI si et
seulement siF est dérivable sur I et .
2 –Propriétés
2 - 1 - Primitives usuelles
Fonction f Primitives de f Sur l’intervalle

IR
IR
ou
ou
IR
IR
IR
IR
IR
NB : C est un nombre réel
2 - Opérations sur les primitives
Page 33
 Soient f et g deux fonctions admettant respectivement pour primitives sur un

intervalle I les fonctions F et G,
-La fonction f + g admet pour primitives sur I la fonction
-La fonction f admet pour primitives sur I la fonction F
 Soient u et v deux fonctions dérivables sur un intervalle I
Fonction f Une Primitive de f Sur l’intervalle

I
si
r<0
lnIuI
I
Exemple 1 :
1- Déterminer la primitive F de f vérifiant la condition indiquée :
2- Déterminer une primitive sur et une primitive sur
3- Déterminer une primitive de chaque fonction vérifiant la condition indiquée :
4- Déterminer une primitive de chaque fonction sur :
Page 34
5- En utilisant le fait qu’une primitive d’une fonction de la forme est

une fonction de la forme avec d°Q=d°P, puis en l’identifiant, déterminer
une primitive F de la fonction f définie sur par :
6- En utilisant le fait qu’une primitive d’une fonction de la forme

est une fonction de la forme
, puis en l’identifiant, déterminer une primitive
F de la fonction f définie sur par :
7- Déterminer une primitive de chacune fonction suivante :
II – Intégrale d’une fonction continue

1 - Définition
f une fonction continue sur un intervalle I de IR, F une primitive de f sur I, le réel
est l’intégrale de a à b de f. On note
2 - Propriétés
Soient f et g deux fonctions continues sur un intervalle
P1) P2)
P3) Relation de Chasles :
P4) Linéarité : et
P5) Positivité : si alors
P6) Inégalité : si alors
P7) Inégalité de la moyenne : f une fonction continue sur un intervalle
Si alors
P8) Valeur moyenne
f une fonction continue sur un intervalle . On appelle valeur moyenne de f sur
Page 35
, le réel tel que

P9) Valeur efficace
f une fonction continue sur un intervalle . On appelle valeur efficace de f sur
, le réel tel que

Exemple 2 :
Soit i la fonction définie par . Calculons sa valeur moyenne et efficace
sur l’intervalle
3 –Techniques de calcul
3 -1- Intégration par parties
Soient f et g deux fonctions dérivables sur un intervalle . Si les fonctions dérivées
f’ et g’ sont continue sur alors

Exemple 3 :calculer les intégrales suivantes :
3 - 2 - Changement de variable affine
Soit à calculer
-Faire le changement de variable
-Utiliser l’égalité
4:calculer les intégrales suivantes :
Exemple
Exemple d’autres changements de variables 5: calculer les intégrales suivantes :
3-3- intégration des fractions rationnelles :

Exemple6:Calculer les intégrales suivantes :
3-4- intégration par linéarisation:
Page 36
La linéarisation est la transformation d’un produit en somme. Cette méthode est

surtout employée pour intégrer les fonctions trigonométriques. On linéarise à l’aide
des formules de trigonométrie ou à l’aide des formules d’Euler.
Exemple7 :calculer les intégrales suivantes :
3-5- intégration de par indentification :

On utilisera ces théorèmes pour éviter une double intégration par parties.
Théorème 1
Si P est un polynôme de degré n, alors une primitive de est ,Q
étant un polynôme de degré n.
Théorème 2
Si , alors une primitive de est , avec
.
Exemple8 : calculer les intégrales suivantes :
3-6- intégration d’une fonction à valeurs complexes

F et G sont des primitives des fonctions f et g continues sur un intervalle I. La fonction
Z définie par Z(x)=f(x)+j g(x) avec j2=-1. a et b étant deux éléments de I, on appelle
intégrale de z sur I le nombre complexe défini par : .
Exemple9 : calculer les intégrales on utilisera

Z=I+j J pour calculer I et J avec j2=-1.
4 - Calcul d’aires
4 - 1 - Aire du domaine du plan limité par une courbe
 f étant une fonction continue et positive sur un intervalle

(Cf) sa représentation graphique dans un repère orthogonal (O, I, J), ua : l’unité d’aire
. ua, est l’aire de la partie du plan limitée par (Cf), (OI), les droites
d’équationsx = a et x = b
x=0 x=2
Exemple :
Aire de la partie hachurée du plan limitée par (Cf), l’axe

(Cf)
des abscisses, les droites d’équations
x = 0 et x = 2 est :
O
Page 37
 f étant une fonction continue et négative sur un intervalle

(Cf) sa représentation graphique dans un repère orthogonal (O, I, J) ,ua : l’unité d’aire
L’aire Ade la partie du plan limitée par (Cf), (OI), les droites d’équations x = a et x = b
est : A= - . ua
Exemple :
(Cf)
x = -2 x = 0
Aire de la partie hachurée du plan limitée par (Cf), l’axe des
abscisses, les droites d’équations x = 0 et x = -2 est :
O
A=
4 - 2 - Aire du domaine du plan limité par deux courbes
f et g deux fonctions continuent sur ; telles que x f(x)  g(x). (Cf) et (Cg)
leurs courbes respectives dans un repère orthogonal (O, I, J). L’aire de la partie du
plan limitée par (Cf), (Cg), les droites d’équations x = a et x = b est :
Exemple :
x=0 x=1
(Cg)
Aire de la partie hachurée du plan limitée par (Cf), (Cg), les droites
(Cf) O d’équations x = 0 et x = 1 est :
Page 38
III – Intégrale généralisée

1 –Définitions et convergence
1-1- Intégration sur un intervalle non borné
Soit f une fonction continue sur .
Si la fonction admet une limite finie quand , on dit que
l’intégrale généralisée est convergente et on note .

Dans le cas contraire, l’intégrale est divergente.
1-2- Intégrale d’une fonction non bornée
Soit f une fonction continue sur
Si la fonction admet une limite finie quand , on dit que
l’intégrale généralisée est convergente et on note .

Dans le cas contraire, l’intégrale est divergente.
Exemple10
Calculer les intégrales généralisées suivantes, puis donner leur nature :
1-3- Absolue convergence

Soit f une fonction continue sur
est absolument convergente si est convergente.
Si l’intégrale est absolument convergente, est convergente. De plus,
on a l’inégalité
Exemple11
Etudier la convergence de l’intégrale

2- Critère de Riemann
2-1- Critère de Riemann en +∞
Converge si et vaut , diverge si .
Page 39
2-2- Critère de Riemann en 0
Converge si , diverge si .
Exemple 12
Donner la nature des intégrales suivantes
3- Critère de convergence
3-1- Comparaison des fonctions positives
Soit f et g deux fonctions continues positives sur telles que, pour tout
.
Exemple13
Etudier la convergence des intégrales suivantes :
3-2- Intégration des équivalents

Soit f et g deux fonctions continues positives sur .
Si en b fg, alors les intégrales et sont de même nature.

Exemple14
3-3- Intégrales généralisées aux deux bornes

Soit f une fonction continue sur , avec éventuellement a=-∞ et b=+∞. Pour
déterminer la nature de l’intégrale , on choisit et on traite
séparément les deux intégrales et .
L’intégrale converge si les deux intégrales et convergent.

Dans ce cas la convergence est indépendante du point c choisi et on a la relation de
Chasles : pour tout
Page 40
Exemple15
TRAVAUX DIRIGÉS SUR LES INTEGRALES

Exercice 1
en
Dans chacun des cas suivants , donner la primitive de f sur I prenant
1)
2)
Exercice 2
Calculer les intégrales suivantes :
Exercice 3
et
On pose
1) Calculer I + J
2) Calculer I - J à l’aide d’une intégration par parties
3) En déduire les valeurs de I et J
Page 41
Exercice 4
Etudier la nature des intégrales suivantes :
Exercice 5
On considère l’intégrale : I =
1) Montrer que l’intégrale I est convergente
3) En utilisant le résultat précédent, calculer I
Chapitre 4 CALCULS DE PROBABILITÉS
I- ANALYSE COMBINATOIRE
On cherche la probabilité d’événements complexes, l’énumération des cas élémentaires est souvent
difficile, fastidieuse, ou l’un et l’autre. Pour faciliter la tâche, on utilisera les principes de base de
l’analyse combinatoire.
1) Principe fondamental
Lorsqu’un événement peut se réaliser suivant n1 manières, et qu’immédiatement après, un autre
événement peut se produire n2 façons, ainsi de suite jusqu’au k et dernier événement peut se
produire nk façons, les k événements peuvent alors se produire dans l’ordre considéré suivant
façons.
2) Factorielle
3) P-listes d’éléments d’un ensemble

Du principe fondamental lorsque n1=n2=…..=nk=n et k = p, les p événements peuvent alors se
produire dans l’ordre considéré façons.
4) Arrangements
Page 42
5) Combinaisons
6) Formule du binôme de Newton
Exemple 1
a°) Une agence de voyages veut organiser des circuits touristiques comprenant dans un ordre donné,
les six villes ivoiriennes : Abidjan, Divo, Gagnoa, Issia, Daloa, Man. Pour définir un circuit, on suppose
que chaque ville n’est visitée qu’une fois et on tient compte de l’ordre de visite de ces villes ; par
exemple, le circuit « Abidjan, Divo, Gagnoa, Issia, Daloa, Man » diffère du circuit « Man, Daloa, Issia,
Gagnoa, Divo, Abidjan ». Combien y-a-t-il de circuits possibles ?
b°) Cette agence propose également des excursions permettant de visiter deux villes parmi les six
villes citées précédemment ; les excursions du type, par exemple ; Divo-Gagnoa et Gagnoa-Divo sont,
pour des raisons financières, considérées comme des excursions différentes. Combien y a-t-il
d’excursions différentes ?
c°) En définitive, l’agence, pour la visite de deux villes déterminées, ne retient qu’une seule excursion
(par exemple, soit Daloa-Man, soit Man-Daloa). Combien, dans ces conditions, propose-t-elle
d’excursions ?
Solution :
a. Un circuit est déterminé par le choix d’un ordre de visite des villes mentionnés : il s’agit donc
de permutations. . 720 circuits sont possibles.
b. les excursions sont déterminées par le choix, dans un ordre déterminé, de deux villes parmi les six.
L’ordre et la nature des éléments interviennent. Il s’agit donc d’un arrangement d’ordre 2 parmi 6
éléments. .
c. Si l’on ne tient plus compte de l’ordre de visite des villes. Il s’agit des combinaisons des 6 villes
prises 2 à 2. .
II- CALCULS DES PROBABILITES
1) Vocabulaire de base
Ensemble : un ensemble est constitué d’éléments. Leur nombre, s’il est fini, est le cardinal de
l’ensemble.
Page 43
Expérience aléatoire : Une expérience est aléatoire lorsque son issue est imprévisible.
Exemple : on lance un dé.
L’univers : l’univers Ω est l’ensemble des résultats possibles (éventualités). Pour le lancer d’un dé
Evénement : Partie de l’univers notée A, B, C…. (A ⊂ Ω). P(Ω) est l’ensemble des événements de
l’univers Ω (A ϵ P(Ω)). L’ensemble des nombres impairs est A = {1, 3, 5} dans le cas du lancer de dé.
Evénement élémentaire : événement comportant une seule éventualité. Les ensembles {1}, {2}, {3},
{4}, {5}, {6} sont des événements élémentaires.
Evénement certain, impossible: respectivement Ω et Ø (ensemble vide).
Evénements contraires : A est l’événement contraire de A (ce sont des parties complémentaires
dans Ω ; on note symboliquement A = Ω – A). L’ensemble des nombres pairs est l’événement
contraire de l’ensemble des nombres impairs dans le cas de lancers de dé.
Evénement A ∩B : c’est l’événement A et B (A et B se réalise lorsque A et B se réalisent

simultanément).
Evénement A U B : c’est l’événement A ou B (A ou B se réalise lorsque l’un au moins des deux
événements se réalise.
Evénements incompatibles : A, B incompatibles lorsque A ∩B = Ø.
2) Théorèmes
3) Probabilité
a) Définition
Soit Ω un univers et P(Ω) l’ensemble des événements de cet univers. Une probabilité est une
application p : p : Ω → [0 ; 1] telle que :
b)Propriété
Page 44
Exemple 2 : tirage avec remise
On lance 4 fois de suite une pièce de monnaie.
1°) Quelle la probabilité d’obtenir 4 fois pile ?
2°) Quelle la probabilité d’obtenir au moins une fois face au cour des quatre lancers ?
Solution :
Soit A « obtenir 4 fois pile » et B « obtenir au moins une fois face »
1.
2. A et B sont deux événements contraires donc .
4)Probabilité conditionnelle
a)Définition
La probabilité conditionnelle de B sachant que A est réalisé est le nombre noté p(A/B) défini par :
b) Formule de probabilités composées

Soient A et B deux événements aléatoires. Alors on a :
c) Evénements indépendants :
Soient A et B deux événements. On dit que A est indépendant de B si : p(A∩B)= p(A) p(B)
Remarque
 A est indépendant de B si et seulement si p (A/B) = p(A). C'est-à-dire la réalisation de B n’a

d’influence sur celle de A.
Page 45
 A est indépendant de B si et seulement si p (B/A) = p(B). C'est-à-dire la réalisation de A n’a

d’influence sur celle de B.
Exemple 3 : Evénements indépendants
On lance deux dés non pipés simultanément. On note :
A «la somme des chiffres est 8 » ;
B «le 1er dé a donné un chiffre pair » ;
C «le 2ème dé a donné un chiffre pair ».
1°) Calculer P(A), P(A⋂B), P (B/A) et P(B⋂C).
2°) Les événements B et C sont-ils indépendants ?
Solution :
1er lancer 1 2 3 4 5 6
2ème lancer
1 (1 ; 1) (1 ; 2) (1 ; 3) (1 ; 4) (1 ; 5) (1 ; 6)
2 (2 ; 1) (2 ; 2) (2 ; 3) (2 ; 4) (2 ; 5) (2 ; 6)
3 (3 ; 1) (3 ; 2) (3 ; 3) (3 ; 4) (3 ; 5) (3 ; 6)
4 (4 ; 1) (4 ; 2) (4 ; 3) (4 ; 4) (4 ; 5) (4 ; 6)
5 (5 ; 1) (5 ; 2) (5 ; 3) (5 ; 4) (5 ; 5) (5 ; 6)
6 (6 ; 1) (6 ; 2) (6 ; 3) (6 ; 4) (6 ; 5) (6 ; 6)
1.
et . .
, ,
et
2. , et
par conséquent B et C sont indépendants.
d)Formule de probabilités totales
La formule des probabilités totales :
Page 46
d°) Formule de Bayes
Exemple 4 :
On a une pièce mécanique qui est fabriquée soit par l’usine 1, 2 ou 3. On suppose que 25%
(respectivement 30% et 45%) de la production provient de l’usine 1 (respectivement l’usine 2 et 3).
On suppose que 10% (respectivement 2% et 5%) des pièces produites par l’usine 1 (respectivement
l’usine 2 et 3) sont défectueuses.
1°) On prend une pièce, quelle est la probabilité pour qu’elle soit défectueuse ?
2 °) On tire une pièce au hasard. On constate qu’elle est défectueuse. Quelle est la probabilité pour
cette pièce provienne de l’usine 1.
Solution :
Soient Ui « la pièce choisie provient de l’usine i » et D « la pièce choisie est défectueuse ».
1.
2.
I- VARIABLE ALEATOIRES- LOIS DE PROBABILITES

1) Variables aléatoires
Soit un univers. On appelle variable aléatoire toute application de dans IR
est appelé valeur de la variable aléatoire . .
2) Variables aléatoires discrètes et loi de probabilités discrètes

a) Variables aléatoires discrètes
Lorsque X prend un nombre fini ou dénombrable de valeurs, la variable aléatoire est dite discrète.
b) loi de probabilités discrètes:

L’ensemble des couples constitue la loi de probabilité de la variable aléatoire qui
est le plus souvent consigné dans le tableau ci-dessous :
x1 x2 …
Page 47
p1 p2 …
Remarque : soit p(X = xi) = pi et de plus,
c) Espérance et variance
On appelle espérance mathématique de la variable aléatoire X le nombre réel, noté E(X)
On appelle variance de la variable aléatoire X le nombre réel positif, noté V(X) définie par :
L’écart -type de cette loi, noté (X), est la racine carrée de la variance : .
3) Fonction de répartition
On appelle fonction de répartition de la variable aléatoire X l’application F définie par :
F(x) est la probabilité de l’événement « obtenir une valeur de X inférieure ou égale à x »
Propriétés : Soit x et y deux nombres réels
La fonction F est croissante
Si , ; si ,
EXEMPLE 5 :
Deux urnes U1 et U2 contiennent trois boules numérotées respectivement 1, 2, 3 et 2, 3, 4. On tire au

hasard une boule dans chaque urne et on effectue le produit X des numéros tirés.
1°) Déterminer la loi de probabilité de X et tracer le graphe de sa fonction de répartition F.
2°) Calculer E(X), V(X) et
Solution :
2 3 4
U2
U1
Page 48
1 2 3 4
2 4 6 8
3 6 9 12
1. Les valeurs prises par X : . La loi de probabilités est :
xi 2 3 4 6 8 9 12
P(X=xi)
2.
2.
4) Lois de probabilités discrètes

a) Epreuve de Bernoulli
On appelle épreuve de Bernoulli une épreuve ayant deux éventualités. Où l'éventualité « succès »
est de probabilité et l'éventualité « échec » est de probabilité .
b) Loi binomiale
On considère un schéma de Bernoulli consistant en la répétition n fois de façons indépendantes
d’une même épreuve de Bernoulli pour laquelle la probabilité du succès S est .
On note X la variable aléatoire égale au nombre de succès obtenus sur les n répétitions,
pour tout tel que , .
On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p, notée en abrégé
Remarque : ; ; ;
c) Loi de Poisson
Une variable aléatoire X à valeurs dans IR suit une loi de Poisson de paramètre ( ), notée en
abrégé si la loi de probabilité de X est définie par : pour tout . Les
caractéristiques sont : E(X) = ; ;σ(X) = .
Page 49
d) Approximation de la loi binomiale par la loi de Poisson P( )

On admet qu'une loi binomiale de paramètre n et p telle que ; et
peut être approchée par une loi de Poisson de paramètre .
Exemple 6 :
Une fabrique de tubes électroniques produit en moyenne 1% de tubes défectueux. On considère une
commande de 300 tubes et on appelle X la variable aléatoire égale au nombre de tubes défectueux
parmi ces 300.
1°) Quelle est la loi de probabilité de X ?
2°) Déterminer le nombre moyen de tubes défectueux.
3°) Démontrer que cette loi peut être approchée par une loi de poisson dont on précisera le
paramètre.
4°) Calculer, en utilisant cette approximation, la probabilité pour que, parmi les 300 tubes livrés, il y
en ait moins de quatre défectueux (strictement).
Solution :
1. La variable aléatoire X qui désigne le nombre de tubes défectueux suit deux issues contraires :
Le succès « le tube est défectueux » de probabilité p= 0,01.
L’échec « le tube n’est pas défectueux » de probabilité q= 0,99.
Cette expérience est répétée 300 fois dans des conditions identiques et indépendantes. X suit la loi
binomiale de paramètres n=300 et p=0,01.
2. E(X)= np =300x0,01=3 donc le nombre moyen de tubes défectueux est 3.
3. n= 300, p =0,01, q=1-p=0,99 et np(1-p)=2,97 donc n > 30, et par conséquent

la loi X peut être approchée à la loi de poisson de paramètre .
4. P(X<4)= P(X=0) + P(X=1) + P(X=2) + P(X=3) = 0,05+0,149+0,224+0,224=0,647. (D’après la table).
5) Variables aléatoires continues
a)Variables aléatoires continues
Soit un univers. On dit qu’une variable aléatoire est continue si elle peut prendre toutes les
valeursdans un intervalle donné de IR.
b) Fonction de répartition d’une variable aléatoire continue
On appelle fonction de répartition de la variable aléatoire X l’application F définie par :
Page 50
Propriétés : Soit x, a et btrois nombres réels
et
La fonction F est croissante
et
La fonction F est continue sur IR
c) Densité de probabilité
Soit une variable aléatoire continue X est définie par une fonction f.
Une fonction f définie et positive sur IR est une densité de probabilité si et la loi X est
alors définie pour tout réel t par :
F(t) est l’aire de la surface délimitée par la courbe représentative de la densité f, l’axe des abscisses
et la droite d’équation x = t.
d°)Espérance mathématique , variance et écart-type
EXEMPLE 7 :
IR, a > 0 et soit X la variable aléatoire continue de densité de probabilité f avec :

Soit aЄ
1°) Trouver a afin que X suive bien une loi de probabilité.
2°) Calculer l’espérance et la variance de X.
3°) Déterminer la fonction de répartition de X.
Page 51
4°) Calculer les probabilités suivantes P(X=2) ; P(X< 2) ; P (2<X<3).
Solution :
1. On a toujours :
2.
3. Si F est la fonction de répartition de X, on a pour tout x Є IR, . Par

suite :
4. P(X=2)=0 en effet pour une variable aléatoire continue, la densité de probabilité en un point est
nulle.
P(X<2)=F(2)=0,5 et P(2<X<3)=F(3)-F(2)= .
6)Lois de probabilités continues :
a)Loi normale ou loi de Laplace-Gauss
La loi de probabilité d’une variable aléatoire continue X suit la loi normale ou loi de Laplace Gauss de
paramètres m et , notée N , si sa densité de probabilité f est définie par :
La fonction de répartition F de X est donnée par l’intégrale :
Page 52
les caractéristiques de la loi normale N sont: E(X) =m ; ;σ(X) = .
b) Loi normale centrée réduite
Si les paramètres de la loi normale sont respectivement m=0 et =1, alors on dit que la loi est
centrée réduite, on la note N (0 ; 1).la densité de probabilité associée à la normale N (0 ; 1) est la
fonction g définie par .
Sa courbe représentative C g est symétrique par rapport à l’axe ( ) car g est paire.
Théorème : Si la variable aléatoire X suit la normale N (m ; ), alors la variable aléatoire

suit la loi normale centre réduite N (0 ; 1).
c) Fonction de répartition associée à la loi normale centrée réduite
Soit T la variable aléatoire qui suit la loi normale centrée réduite N (0 ; 1). La fonction de répartition
de T est donnée par l’intégrale . Une table donne les

valeurs de cette fonction intégrale uniquement pour les valeurs positives de la
variable t.
Pour les valeurs négatives, on utilise la propriété de symétrie de symétrie de la courbe
Propriétés
Page 53
d) Approximation d’une loi binomiale par une loi normale
Pour n grand et , on peut approcher la loi binomiale par la loi normale
N en prenant et .
e) Approximation d’une loi binomiale par une loi normale
Pour , on peut approcher la loi de poisson par la loi normale N en prenant
et .
Exemple 8 :
On considère une population très nombreuse où chaque individu est susceptible de posséder un
caractère A, avec une probabilité p = 0,4. On effectue 900 observations et on désigne par X le
nombre d’individus ayant le caractère A dans cet échantillon.
1°) Déterminer la loi de probabilité de X.
2°) Déterminer l’espérance mathématique et la variance de X.
3°) Démontrer que cette loi peut être approchée par une loi normale dont on précisera les
paramètres.
4°) Calculer P ( ).
Solution :
1. La variable aléatoire X qui désigne le nombre d’individus ayant le caractère A suit deux issues
contraires :
Le succès « l’individu possède le caractère A » de probabilité p= 0,4.
L’échec « l’individu ne possède pas le caractère A » de probabilité q= 0,6.
Cette expérience est répétée 900 fois dans des conditions identiques et indépendantes. X suit la loi
binomiale de paramètres n=900 et p=0,4.
2. E(X)= np =900x0,4= 360.
3. n=900, p=0,4 et q=1-p=0,6 donc et par conséquent X peut être approchée par
une loi normale N en prenant et .
4.
Page 54
Exemple 9 :
Les deux parties de cet exercice sont indépendantes. Une entreprise fabrique en grande quantité des
tiges métalliques cylindriques pour l'industrie. Leur longueur et leur diamètre sont exprimées en
millimètres. Dans cet exercice, les résultats approchés sont à arrondir à 10 -2.
A. Loi normale
Une tige de ce type est considérée comme conforme pour la longueur lorsque celle-ci appartient à
l'intervalle [99,45; 100,55]. On note X la variable aléatoire qui, à chaque tige prélevée au hasard dans
la production, associe sa longueur. On suppose que X suit la loi normale de moyenne 100 et d'écart
type 0,25.
1°) Calculer la probabilité qu'une tige prélevée au hasard dans la production soit conforme pour la
longueur.
2°) Déterminer le nombre réel h positif tel que : P (100-h≤ X ≤100+h)= 0,95. Interpréter le résultat à
l'aide d'une phrase.
B. Loi binomiale et loi de Poisson
Dans un lot de ce type de tiges 3 % des tiges ne sont pas conformes pour la longueur. On prélève au
hasard 50 tiges de ce lot pour vérification de la longueur .Le lot est suffisamment important pour que
l'on puisse assimiler ce prélèvement à un tirage avec remise de 50 tiges. On considère la variable
aléatoire y qui, à tout prélèvement de 50 tiges, associe le nombre de tiges non conformes pour la
longueur.
1°) Justifier que la variable aléatoire y suit une loi binomiale dont on déterminera les paramètres.
2°) Calculer la probabilité que, dans un tel prélèvement, deux tiges ne soient pas conformes pour la
longueur.
3°) Calculer la probabilité que, dans un tel prélèvement, au plus deux tiges ne soient pas conformes
pour la longueur.
4°) On considère que la loi suivie par y peut être approchée par une loi de Poisson.
Déterminer le paramètre λ de cette loi de Poisson.
5°) On désigne par Z une variable aléatoire suivant la loi de Poisson de paramètre où a la valeur
obtenue au 4°.Calculer P(Z = 2) et P(Z < 2).
Solution :
Partie A:
1. On cherche . La variable aléatoire suit la loi normale donc
la variable aléatoire suit la loi normale réduite . Notons E l'évènement «la tige
est conforme ».
Page 55
sur la table de la loi normale centrée réduit on lit : . .

La probabilité qu'une tige tirée au hasard soit conforme est donc égale à 0,97.
2.
. Sur la table on lit , d’où

Si on tire au hasard une tige, il y a 95 % de chance que sa longueur soit comprise en et
Partie B:
1. On assimile ce prélèvement de 50 tiges à un tirage aléatoire avec remise, répété 50 fois. Les
expériences sont indépendantes et il n'y a que deux issues observées : non conformes ou conformes,
la probabilité qu'une tige soit non conforme est de : 0,03. On est donc dans le cadre d'un schéma de
Bernoulli et la variable Y suit la loi B (50 ; 0,03).
2. .
3. , les deux événements et sont

incompatibles donc
L
a probabilité que, dans un tel prélèvement, au plus deux tiges ne soient pas conformes pour la
longueur est de 0,81.
4. Z peut donc être approchée par une loi de poisson de paramètre = 50 0,03 soit = 1,5.
5.
Ces résultats correspondent bien à l'approximation faite sur la loi binomiale.

On peut aussi trouver cette valeur en utilisant la table :
EXEMPLE 10 :
Les trois parties de cet exercice peuvent être traitées de façon indépendante.
Une usine fabrique, en grande quantité, des rondelles d’acier, leur diamètre est exprimé en millimètres.
Dans cet exercice, sauf indication contraire, les résultats approchés sont à arrondir à 10 .
A. Loi normale
Une rondelle de ce modèle est conforme pour le diamètre lorsque celui-ci appartient à l'intervalle
[89,6; 90,4].
Page 56
1°) On note la variable aléatoire qui, à chaque rondelle prélevée au hasard dans la production,
associe son diamètre. On suppose que la variable aléatoire suit la loi normale de moyenne 90 et
d'écart type .Calculer la probabilité qu'une rondelle prélevée au hasard dans la production soit
conforme.
2°) L'entreprise désire améliorer la qualité de la production des rondelles : il est envisagé de modifier
le réglage des machines produisant les rondelles. On note D la variable aléatoire qui, à chaque rondelle
prélevée dans la production future, associera son diamètre. On suppose que la variable aléatoire D suit
une loi normale de moyenne 90 et d'écart type .
Déterminer pour que la probabilité qu'une rondelle prélevée au hasard dans la production future soit
conforme pour le diamètre soit égale à 0,99.
B. Loi binomiale Arrondir à10
On note E l'événement : « une rondelle prélevée au hasard dans un stock important a un diamètre
défectueux ».On suppose que P(E) = 0,02. On prélève au hasard quatre rondelles dans le stock pour
vérification de leur diamètre. Le stock est assez important pour que l'on puisse assimiler ce
Prélèvement à un tirage avec remise de quatre rondelles. On considère la variable aléatoire qui, à
tout prélèvement de quatre rondelles, associe le nombre de rondelles de ce prélèvement ayant un
diamètre défectueux.
1°) Justifier que la variable aléatoire suit une loi binomiale dont on déterminera les paramètres.
2°) Calculer la probabilité que dans un tel prélèvement, aucune rondelle n'ait un diamètre défectueux.
3°) Calculer la probabilité que, dans un tel prélèvement, au plus une rondelle ait un diamètre
défectueux.
C. Approximation d'une loi binomiale par une loi normale
Les rondelles sont commercialisées par lots de 1000. On prélève au hasard un lot de 1000 rondelles
dans un dépôt de l'usine. On assimile ce prélèvement à un tirage avec remise de 1000 rondelles. On
considère la variable aléatoire qui, à tout prélèvement de 1000 rondelles, associe le nombre de
rondelles non conformes parmi ces 1000 rondelles. On admet que la variable aléatoire suit la loi
binomiale de paramètres n = 1 000 et p = 0,02. On décide d'approcher la loi de la variable aléatoire par
la loi normale de moyenne 20 et d'écart type 4,43. On note Z une variable aléatoire suivant la loi
normale de moyenne 20 et d'écart type 4,43.
1°) Justifier les paramètres de cette loi normale.
2°) Calculer la probabilité qu'il y ait au plus 15 rondelles non conformes dans le lot de 1000 rondelles.
Solution:
A. Loi normale
1. On cherche .La variable aléatoire suit la loi normale donc la
variable aléatoire suit la loi normale réduite .
. La table de la loi
normale du formulaire donne : d’où .
Page 57
2. La variable aléatoire suit la loi normale donc la variable aléatoire suit la
loi normale réduite .On cherche pour que . Ce qui est
équivalent à : .
; ; .
La table de la loi normale du formule donne : , d’où , .
B. Loi binomiale
1. chaque prélèvement est constitué par quatre épreuves élémentaires indépendantes puisque le
prélèvement est associé à un tirage avec remise. Chaque épreuve peut déboucher sur deux résultats,
et deux seulement, la rondelle n’est pas conforme, Événement de probabilité et la rondelle
est pas conforme événement de probabilité donc la variable aléatoire suit la loi
binomiale .
2. .
3. On cherche : , les deux événements
sont incompatibles donc .
C. Approximation d'une loi binomiale par une loi normale

1. On sait que, lorsque certaines conditions sont remplies, la loi binomiale peut être
approchée par la loi normale avec et . Or et , on
obtient et .
2. On cherche .la variable aléatoire Z suit la loi normale , donc la variable
aléatoire suit la loi normale centrée réduite .
, pour tout nombre réel
, donc .
Page 58
La table de la loi normale du formulaire donne , d’où , en

arrondissant à , on obtient : .
Chapitre 6
ESTIMATION
Page 59
L’échantillonnage est l’étude des liens existant entre les paramètres (moyenne ou fréquence) des
échantillons issus de la population elle-même. Grâce à l’échantillonnage, on peut faire des
statistiques inférentielles. Pour prédire, dix jours avant l’élection, la proportion exacte d’ivoiriens qui
va voter pour tel ou tel candidat, il faudrait interroger tous les ivoiriens : c’est matériellement
impossible. On interroge donc un échantillon d’environ milles personnes (sondage) et on en déduit
une estimation de la proportion recherchée.
Une machine doit remplir des paquets de sucre de 1 kg. Il est matériellement impossible de vérifier
que la masse de chaque paquet est bien de 1 kg. Alors, pour contrôler le bon réglage de la machine,
on étudie un échantillon de 50 paquets et on prendra une décision grâce aux tests d’hypothèses,
théorie qui doit beaucoup au statisticien anglais KARL PEARSON.
I- ÉCHANTILLONNAGE
1) Théorème dit « loi faible des grands nombres »

Soit X1, X2,….,Xn , n variables aléatoires indépendantes de même loi, définies sur Ω telle que E(X i)=m et
V(Xi)= σ2. On définit les variables aléatoires :
Alors ou converge en probabilité vers E(X).
2) Théorème de la limite centrée (théorème central limite)

Soit X1, X2,….,Xn , n variables aléatoires indépendantes de même loi, définies sur Ω telle que E(X i)=m et
V(Xi)= σ2.
Pour n suffisamment grand, la variable aléatoire suit approximativement la
loi normale
3) Distribution d’échantillonnage
a) Principe
L’échantillonnage consiste, connaissant les propriétés d’une population, à déterminer les propriétés
des échantillons dans cette population.
Nous ne considérerons ici que des échantillons aléatoires et des tirages effectués avec remise, pour
que des tirages soient indépendants. Dans le cas où l’effectif de la population est grand, ce qui est
très souvent le cas des populations que l’on étudie, on peut assimiler les tirages exhaustifs (sans
remise) à des tirages avec remise. Un échantillon peut donc être considéré comme la réalisation
d’une suite de n variables aléatoires indépendantes de même loi de probabilité.
b) Distribution d’échantillonnage de moyennes
Page 60
Soit une population d’effectif N de moyenne m et d’écart type σ. On prélève un échantillon aléatoire
de taille n. soit la variable aléatoire qui associe à chaque échantillon sa moyenne. Alors pour n
suffisamment grand, la loi de peut être approchée par la loi normale
Exemple :
Une production de 10 000 objets est réglée pour un poids moyen de 250g et pour un écart type de
10g. On prélève 200 objets (tirage avec remise).
Calculons la probabilité pour que la moyenne de l’échantillon soit comprise entre 249g et 250g.
L’échantillon étant suffisamment grand, la loi d’échantillonnage peut êtreapprochée par la loi
normale
c) Distribution d’échantillonnage de fréquence

Soit une population d’effectif N dont éléments possèdent le caractère étudié. La fréquence du
caractère étudié est . Soit la variable aléatoire F donnant la fréquence du caractère étudié
pour chaque échantillon aléatoire de taille n prélevé. Alors pour n suffisamment grand, la loi de
peut être approchée par la loi normale
Remarque :
Ce théorème est un cas particulier du précédent et on est ici dans le cas d’une approximation de la
loi binomiale par la loi normale.
Exemple :
Au cours d’une consultation électorale, Monsieur Zozo, le candidat du PIFC a recueilli 55% des
suffrages exprimés.
Page 61
Calculons la probabilité d’avoir, dans un échantillon de taille 100 prélève parmi les suffrages
exprimés, moins de 50% des voix pour le candidat Zozo. La taille de l’échantillon étant suffisamment
grande, F suit approximativement la loi .
II- STATISTIQUE INFÉRENTIELLE : ESTIMATION
1) Principe
Je ne connais pas la fréquence ou la moyenne d’un caractère d’une population donnée et j’essaie de
l’estimer en observant un échantillon.
Par exemple, avant les élections, on ne connaît pas encore les résultats, mais on aimerait bien
savoir… on ne peut pas interroger toute la population, alors les instituts spécialisés effectuent des
sondages, c'est-à-dire interrogent 1000 personnes environ dans la population ivoirienne et, à partir
de là, ils évaluent les résultats que devraient obtenir les différents candidats.
L’estimation peut se faire à l’aide d’un nombre qui estime celui recherché ; c’est l’estimation
ponctuelle ou à l’aide d’un intervalle : c’est l’intervalle de confiance (ou la fourchette).
2) Estimation
Je ne connais pas m (moyenne de la population), et généralement pas non plus (écart type de
population) et je cherche à l’aide de la moyenne notée m e (ou ) et de l’écart type
a) Estimation ponctuelle de m et σ
Règle 1
La moyenne d’un échantillon de taille n prélevé au hasard dans une population est une bonne
estimation ponctuelle de la moyenne m de population.
Règle 2
L’écart type d’un échantillon de taille n prélevé au hasard dans une population n’est pas une
bonne estimation de l’écart type de la population. On admettra que le nombre est une
bonne estimation ponctuelle de (ce nombre est généralement noté sur les calculatrices).
b) Estimation d’une moyenne par intervalle de confiance

On considère la variable aléatoire , qui, à tout échantillon aléatoire de taille n associe sa moyenne
et on suppose que les conditions sont réunies pour considérer que la loi normale
Page 62
Règle :
L’intervalle centré sur la moyenne de l’échantillon, est l’intervalle de
confiance de la moyenne m de la population au niveau de confiance .
Conditions d’application :
Les résultats précédents sont valides si les conditions sont réunies pour considérer que la loi de
suit la loi normale c'est-à-dire si l’une des 3 conditions suivantes est réalisée :
1. La population suit une loi normale avec connu, quelle que soit la taille de
l’échantillon.
2. La population suit une loi normale avec inconnu, mais l’échantillon est de grande
taille (supérieure à 30) et le résultat s’applique alors en prenant pour écart type son estimation
ponctuelle.
3. La population suit une loi quelconque de moyenne m et d’écart type et l’échantillon est de
grande taille (supérieure à 50).
Exemple :
Pour mieux gérer les demandes de crédits de ses clients, le directeur d’une agence bancaire réalise
une étude relative à la durée de traitement des dossiers. Un échantillon aléatoire non exhaustif de 30
dossiers traités a donné :
Temps en
minutes
Nombre de 4 9 16 13 5 3
personnes
Moyenne de l’échantillon = 28 min. écart type de l’échantillon :
On en déduit :
Estimation ponctuelle de la moyenne m de la population : 28 min.
Estimation ponctuelle de l’écart type de la population :
Intervalle de confiance de la moyenne au niveau de confiance de 95% :
Page 63
Si est la variable aléatoire qui, à chaque échantillon de taille 50, associe la moyenne des durées de
traitement des dossiers de l’échantillon, alors suit approximativement la loi normale
On remplace par son estimateur :
On a :
D’où l’intervalle de confiance de la moyenne au niveau de confiance de 95% (ou seuil de 5%) :
Soit .
On peut estimer (et on est « sûr à 95% ») que la moyenne du temps passé dans l’agence pour le
traitement d’un dossier est compris entre 24,45 min et 31,55min.
Remarques :
1. Avec d’autres échantillons de même effectif, on obtiendrait de nouveaux intervalles de confiance

de cette moyenne avec le même coefficient de confiance.
Si on prélevait un très grand nombre de tels échantillons, environ 95 pour 100 d’entre eux
contiendraient la moyenne inconnue m de la population. En fait, on n’en prélève qu’un seul et on ne
peut pas savoir si celui-ci contient ou non le nombre m, mais la méthode mise en œuvre permet
d’obtenir un « bon » intervalle dans 95 cas sur 100 (un « bon »intervalle contient m).
2. Cet intervalle de confiance de la moyenne m de la population a pour centre la moyenne de

l’échantillon qui sert à le définir.
3. Il ne faut pas écrire, car dans ces inégalités, il n’ya que des constantes.
4. On obtient un intervalle de longueur moindre en augmentant la taille de l’échantillon, mais

prendre un échantillon plus grand demande plus de temps de traitement statistique et augmente
donc le prix de l’étude.
3) Estimation d’une proportion
a) Estimation ponctuelle de p
Règle : La proportion pn du caractère dans un échantillon de taille n prélève au hasard dans une
population est une bonne estimation ponctuelle de la proportion p du caractère dans la population.
Page 64
b) Estimation d’une proportion par intervalle de confiance

On considère une population et un caractère de cette population en proportion p (ou fréquence ou
pourcentage). On considère la variable aléatoire F, qui, à tout échantillon aléatoire de taille n associe
la proportion du caractère considéré dans l’échantillon. On suppose que les conditions sont réunies
pour considérer que la loi de F peut être approchée par la loi normale
Règle :
L’intervalle centré sur une proportion p n de l’échantillon,
est l’intervalle de confiance de la proportion p de la
population au niveau de confiance .
Les conditions d’application de ce résultat sont réunies si l’échantillon est de grande taille
(supérieure 50).
Exemple :
Dans un sondage effectué 15 jours avant le scrutin auprès des 1000 personnes choisies de façon
aléatoire dans la commune Yopougon, 458 habitants de Yopougon se déclarent favorable à la
candidate Madame Konan.
La proportion d’électeurs favorables à Madame Konan dans cet échantillon est de :
L’estimation ponctuelle de la proportion d’électeurs favorables à Madame Konan dans la ville de

Yopougon 45,8%.
Déterminons l’intervalle de confiance au seuil de 5% de la proportion p d’électeurs qui vont voter

pour Konan :
D’où l’intervalle de confiance de la proportion au niveau de confiance de 95% (ou seuil de 5%) :
A partir du sondage effectué sur 1000 personnes, on peut estimer (avec un coefficient de confiance
de 95%) que le score de Madame Konan sera dans la fourchette .
Valeurs usuelles des coefficients de confiance :
Page 65
 Confiance à 90% ; risque de 10% :
TRAVAUX DIRIGÉS SUR LES

CALCULS DE PROBABILITÉS ET
ESTIMATION
EXERCICE1 :
En général quatre demandeurs d’emploi sur dix falsifient leur curriculum vitae. Une agence de
recrutement dispose d’u n fichier de 150 demandeurs d’emploi. On désigne par X la variable
aléatoire « égale au nombre de curriculum vitae falsifiés dans ce fichier ».
1) Montrer que X suit une loi binomiale B(n, p) que l’on précisera.
2) a- quel est en moyenne le nombre de curriculum vitae falsifiés que pourrait contenir ce fichier ?
b- Déterminer l’écart-type de la variable aléatoire X.
3) a- Montrer que la loi binomiale B(n, p) peut être approchée par une loi normale dont on
déterminera les paramètres.
b- Utiliser cette approximation de la loi binomiale pour calculer la probabilité de chacun des
événements suivants :
A « le fichier contient au moins 40 CV falsifiés »
B « le fichier contient au plus 50 CV falsifiés »
C « le nombre de CV falsifiés que contient le fichier est strictement compris entre 45 et 55 »
EXERCICE2 :
1) Un laboratoire a mis au point un test pratiqué par un « détecteur de mensonges » au cours d’une
KERMESS où les jeunes gens se rencontrent. Quand un jeune ment le test est positif dans le cas
contraire le test est négatif.
Page 66
- Lorsqu’un couple de sexe opposé se rencontre, pour 68% le test positif.
- Lorsqu’un couple de même sexe se rencontre, pour 24% le test positif.
Sachant que dans ce quartier 66% de jeunes couples de sexes opposés se forment au cours des
KERMESS ; calculer la probabilité qu’une rencontre du quartier dont le test de mensonge s’est révélé
positif ne soit pas un couple de sexes opposés. (Indication : théorème de BAYES).
2) A cause du détecteur de mensonge, les comportements ont changé dans le quartier et le

pourcentage moyen de couples mixtes testés positifs est de 8% par mois, le nombre de couple testés
positif par mois suit une loi de poisson. Chaque couple a la même probabilité pour être testé sur un
mois :
a) Aucun couple ne soit testé positif.
b) Trois couples soient testés positifs.
c) Au moins 2 couples soient testés positifs.
d) Plus de 3 couples soient testés positifs.
EXERCICE3 :
Les passagers de côte d’ivoire Airways arrivent généralement au poste de contrôle des bagages au
rythme de 5 passagers toutes les 15 minutes. On considère la variable aléatoire « X égale au nombre
de passagers arrivant toutes les 15 minutes au poste de contrôle des bagages ».
1) Montrer que X suit une loi de POISSON dont on précisera le paramètre.
2) Calculer la probabilité de chacun des événements suivants :
A : « Un seul passager arrive au poste de contrôle des bagages toutes les 15 minutes ».
B : « Toutes les 15 minutes, au plus 3 passagers arrivent au poste de contrôle des bagages »
C : «Toutes les 7,5 minutes, au moins 2 passagers arrivent au poste de contrôle des bagages ».
EXERCICE4 :
Une usine fabrique des moteurs électriques. Ces moteurs peuvent présenter deux types de défauts :
- Défaut M de nature mécanique.

- Défaut E de nature électrique.
Un moteur est déclaré en parfait état de marche s’il ne présente aucun des deux défauts.
1) On prélève un lot de 200 moteurs sur la production. On constate que :
- Le défaut M est observé sur 16 moteurs ;
- Le défaut E est observé sur 12 moteurs ;
- 180 moteurs sont déclarés en parfait état de marche.
Page 67
Recopier et compléter le tableau ci-dessous :
Avec le défaut E Sans le défaut E Total

Avec le défaut M 16
Sans le défaut M 180
Total 12 200
On admet que la répartition des deux types de défauts, observés dans le tableau, reflète celle de
l’ensemble de la production.
2) Le coût de fabrication d’un moteur est 360 000F. la garantie permet de faire les répartitions aux
frais du fabricant selon les tarifs suivants :
- 60 000F pour réparer le seul défaut M ;
- 78 000F pour réparer le seul défaut E ;
- 126 000F pour réparer les deux défauts M et E.
On note X la variable aléatoire qui, à chaque moteur choisi au hasard dans la production associe son
coût global, c'est-à-dire son coût de production augmenté éventuellement des frais de répartition.
a) Justifier que X prend les valeurs suivantes : 360 000, 420 000, 438 000, 486 000.
b) Reproduire et compléter le tableau ci-dessous :
Coût global 360 000F 420 000F 438 000F 486 000F

Nombre de
machines
c) Déterminer la loi de probabilité de X.
d) Calculer l’espérance mathématique E(X) de la variable aléatoire X. Que représente E(X) pour
l’usine ?
e) On admet que tous les moteurs produits sont vendus. L’usine veut réaliser un bénéfice moyen de
51 000F par moteur. Quel sera le prix de vente d’un moteur ?
EXERCICE 5 :
Une machine automatique remplit des paquets dont la masse théorique doit être de
250 grammes.
I. Les masses observées pour un échantillon de 100 paquets pris au hasard à la

sortie de la machine, ont donné les résultats suivants :
Masse en grammes Nombre de paquets

7
11
19
26
18
Page 68
13
1. Déterminer la masse moyenne me et l’écart-type de l’échantillon.
2. Déterminer une estimation ponctuelle de la moyenne m et de l’écart-type de la population.
3. Déterminer un intervalle de confiance au seuil de risque de 5% de la masse moyenne de la

population.
II. On suppose que la probabilité que la masse d’un paquet appartienne à
l’intervalle est 0,26. On effectue des contrôles sur des échantillons de n paquets au
hasard et avec remise. On note X la variable aléatoire qui, à tout échantillon ainsi défini de n paquets,
associe le nombre de paquets dont la masse est dans l’intervalle .
1. Quelle est la loi suivie par X ?
2. On suppose que n = 6.
Déterminer la probabilité d’obtenir dans un tel échantillon exactement 4 paquets dont la masse est
dans l’intervalle .
3. Déterminer la valeur minimale n0 de n, entier strictement positif, pour que la probabilité d’obtenir
au moins un paquet de masse appartenant à l’intervalle soit supérieure à 0,95.
III. Soit Y la variable aléatoire qui, à chaque paquet prélevé au hasard à la sortie de
la machine, associe la masse de ce paquet, exprimée en grammes ; on suppose que
la variable aléatoire Y suit une loi normale de moyenne m et d’écart-type 15,8g.
1. On prend m = 250g.
Déterminer la probabilité que la masse d’un paquet pris au hasard à la sortie de la

machine soit inférieure à 245g.
2. Un réglage de la machine permet de faire varier la valeur m (l’écart-type est

inchangé).
Sur quelle valeur de m, au gramme près, doit être réglée la machine pour que
? Justifier.
NB :Toutes les valeurs approchées seront données à 10-2près.
Page 69

M. Gohi

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

M. Gohi

Transféré par

Droits d'auteur :

Formats disponibles

ALGEBRE ET PROBABILITE

I- GENERALITES SUR LES MATRICES

L’élément ou coefficient de la matrice se trouve à l’intersection de la i ème ligne et la jème

La matrice s’écrit également sous la forme :

Une matrice ayant n lignes et p colonnes est appelée matrice de dimension

L’ensemble des matrices de dimension est notée :

 Si alors la matrice est dite matrice carrée d’ordre n.

matrice carrée d’ordre 3 ; matrice rectangulaire d’ordre ;

matrice ligne; matrice colonne.

; sont des matrices diagonales

c) identité ou matrice unité

ailleurs, est notée et est appelée : matrice unité ou matrice identité.

: matrice identité d’ordre 2 , : matrice identité d’ordre 3.

: matrice triangulaire supérieure ; : matrice triangulaire inférieure

Exemple : est une matrice symétrique d’ordre 3.

On appelle matrice transposée de la matrice A, notée : , toute matrice obtenue en échangeant

Une matrice carrée A est symétrique si et seulement si

: la matrice A est symétrique

Soient , , trois matrices et .

II-Opérations sur les matrices :

1. Égalité de deux matrices

Soient et deux matrices toutes deux de même dimension .

et sont égales si et seulement si

2) Addition de deux matrices

Soient deux matrices et , toutes deux de dimension .

On additionne terme à terme pour obtenir : de dimension .

Soient , et trois matrices de dimension et O la matrice nulle de dimension .

3) Multiplication d’une matrice par un scalaire

Soient une matrice de dimension et .On définit la matrice comme la

matrice dont tous les coefficients sont multipliés par :

Soient et deux matrices de dimension et , deux réels..

et (ne pas confondre le réel et la matrice nulle)

Soient une matrice et une matrice .

Le produit de par est la matrice de dimension et s’écrit :

 L’expression s’obtient à partir de la ligne de et de la colonne de la matrice : on

 En général, le produit de deux matrices n’est pas commutatif :

- Si existe, alors n’existe pas forcément.

On considère les matrices suivantes : et

III-DETREMINANT D’UNE MATRICE CARREE

2)Calcul du déterminant d’une matrice carrée

 Cas d’une matrice carrée 2 :

Soit une matrice carrée d’ordre 2. Alors

Exemple : Soit la matrice . Calculer .

Soit la matrice carrée d’ordre 3. Alors

Exemple : Soit la matrice . Calculer .

Exemple : Soient les matrices et Calculer et

 Cas général : MÉTHODE DES COFACTEURS

Soit : un déterminant d’ordre n.

On a : développement suivant la ligne.

développement suivant la colonne.

Où : est le cofacteur de l’élément : et est le mineur de

l’élément c’est-à-dire le déterminant d’ordre extrait de la matrice après suppression de

Soient les matrices : et .calculer et par la

3) Manipulation de lignes et de colonnes

Soient les matrices : et .calculer et par la

 dét (AB)=dét(A) dét(B).

IV )INVERSION DE MATRICE CARREE :AMatrice adjointe :

La matrice est appelée inverse de la matrice et on la note :

Soient A et B deux matrices carrées d’ordre n inversibles.

 Calculer l’inverse de la matrice carrée d’ordre 2 :

 On considère les matrices suivantes : et

1) Justifier que : la matrice est inversible.

IV.APPLICATION A LA RESOLUTION DES SYSTEMES D’EQUATIONS LINEAIRES