MATH Clement Dunand CPGE1 Cours

Résumé d’un cours
de mathématiques approfondies
e
rehn è l
cuo H é
B
2021 − 2022
G 1
EC
Clément Dunand
Les mathématiques ne sont pas une
moindre immensité que la mer.
(Victor Hugo)
Table des matières
1 Éléments de logique 9
1 Assertions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Quantificateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Méthode de démonstration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Négation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Méthodes de démonstration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 Implication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Contraposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Méthodes de démonstration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Raisonnement par l’absurde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Équivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2 Méthode de démonstration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5 Autres types de raisonnements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.1 Raisonnement par récurrence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2 Démontrer existence et unicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
A - Algèbre 19
A1 Calculs algébriques 21
1 Sommes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Binôme de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Sommes doubles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
A2 Ensembles et applications 29
1 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Injectivité, surjectivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Notions de combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1 Ensembles et parties finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Coefficients binomiaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4
A3 Matrices et systèmes linéaires 35
1 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.2 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.3 Résolution d’un système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.1 Opérations matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
A4 Polynômes 43
1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4 Polynômes dérivés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5 Factorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
A5 Espaces vectoriels 53
1 Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2 Familles de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.1 Familles génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2 Familles libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
A6 Applications linéaires 65
1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
1.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
1.3 Bijectivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
1.4 Noyau, image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
1.5 Projecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2 En dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.1 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.2 Interprétation matricielle des applications linéaires . . . . . . . . . . . . . . . . . . . . 74
B - Analyse 77
B1 Fonctions usuelles 79
1 Notion de fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
1.3 Propriétés globales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2 Étude d’une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.1 Détermination de l’intervalle d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.2 Limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5
2.3 Asymptotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.4 Dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.5 Variations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3 Fonctions usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.1 Fonctions polynomiales et rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.2 Exponentielle et logarithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.3 Puissances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4 Croissances comparées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.5 Fonctions circulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
B2 Nombres réels et suites numériques 95

1 Suites numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
1.2 Suites usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
1.3 Étude d’une suite récurrente linéaire à deux termes . . . . . . . . . . . . . . . . . . . . 98
2 Corps des nombres réels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2.1 Intervalles de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2.2 Valeur absolue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2.3 Partie entière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.4 Bornes supérieure et inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3 Convergence, divergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.1 Limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.2 Premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.3 Opérations sur les limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.4 Suites extraites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.5 Monotonie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
B3 Continuité et dérivabilité 107

1 Étude locale des fonctions réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
1.1 Limites, continuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
1.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
1.3 Fonctions continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
2 Dérivation des fonctions réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.1 Dérivabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.2 Dérivées successives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
2.3 Étude globale des fonctions dérivables . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
B4 Intégration sur un segment 119

1 Intégrale d’une fonction continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
2 Primitives et intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4 Sommes de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
B5 Relations de comparaison 127

1 Les deux relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
2 Utilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3 Calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6
B6 Séries, intégrales généralisées 133
1 Questions de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
1.1 Séries numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
1.2 Intégrales sur un intervalle quelconque . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
2 Premiers exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
2.1 Georg Friedrich Bernhard Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
2.2 Autres séries de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
2.3 Autres intégrales de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.1 Pour les séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.2 Propriétés d’intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4 Étude de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.1 Cas positif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.2 Cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
B7 Développements limités 141

1 Formules de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2 Développements limités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
2.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
2.3 Développements limités usuels en 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B8 Compléments d’analyse fonctionnelle 145

1 Extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
2 Convexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
C - Probabilités 149
C1 Probabilités sur un univers fini 151
1 Expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
2 Loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
3 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
C2 Variables aléatoires finies 157

1 Variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
2 Espérance, variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
3 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
C3 Probabilités sur un univers quelconque 163

1 Cadre général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
1.2 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
1.3 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
1.4 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
1.5 Variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7
2.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
2.3 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
3 Variables aléatoires à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
3.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
3.2 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
C4 Variables aléatoires discrètes 185

1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
3 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
C5 Couples et suites de variables aléatoires 193

1 Couple de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
1.1 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
1.2 Lois d’un couple de VA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
2 Suites de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
2.1 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
2.2 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Chapitre 1
Éléments de logique
1 Assertions
On admet pour commencer qu’il existe exactement deux valeurs logiques : vrai et faux.
1.1 Définitions
Définition 1.1
On appelle assertion ou proposition toute déclaration susceptible d’être vraie (V ) ou fausse

(F ).
Remarques.
• Un axiome est une proposition dont on admet la véracité et qui est à la base d’une théorie mathématique.
• Une conjecture est une assertion dont on soupçonne qu’elle est vraie sans pour autant pouvoir le
démontrer.
Définition 1.2
La démonstration d’une assertion A est une succession (finie) de propositions dont la (les)
premières sont établies (axiomes ou données), dont la véracité de chacune des suivantes se déduit
des précédentes par un lien logique et dont la dernière est A.
Remarque. Une assertion ainsi démontrée peut se décliner en plusieurs nuances :
• le théorème, résultat souvent important d’un domaine mathématique,
• la propriété, théorème secondaire ou décrivant un aspect ou énonçant un résultat technique propre à

un objet mathématique,
• le lemme, résultat préliminaire ou intermédiaire utile à la démonstration d’un théorème plus impor-
tant,
• le corollaire, conséquence d’un théorème ou d’une propriété, présentant souvent une utilisation pra-
tique et/ou fréquente de ce résultat.
9
10 1. Éléments de logique
1.2 Quantificateurs
Définition 1.3
Soit A(x) une assertion dépendant d’une variable x.

• L’assertion ∀x, A(x) est vraie lorsque l’assertion A(x) est vraie quel que soit l’objet x.
• L’assertion ∃x, A(x) est vraie lorsqu’il existe un objet x tel que l’assertion A(x) soit vraie.
• L’assertion ∃!x, A(x) est vraie lorsqu’il existe un unique objet x tel que l’assertion A(x)
soit vraie.
Définition 1.4
• Un exemple est un objet x particulier tel que A(x) soit vraie.

• Un contre-exemple est un objet x particulier tel que A(x) soit fausse.
1.3 Méthode de démonstration

Pour montrer une proposition du type ∀x ∈ E, A(x) :
• Commencer par Soit x ∈ E. .
• Écrire une démonstration de l’assertion A(x).
• Conclure : On a donc montré que ∀x ∈ E, A(x). .
Exemple. Démontrer que tous les entiers naturels sont divisibles par 1.
Pour montrer une proposition du type ∃x ∈ E, A(x) :
• Choisir judicieusement un élément x0 ∈ E : On pose x = x0 . .
• Écrire une démonstration de l’assertion A(x0 ).
• Conclure : On a donc montré que ∃x ∈ E, A(x). .
Exemple. Démontrer qu’il existe un entier supérieur à 28.
Pour montrer une proposition du type ∃!x ∈ E, A(x),
• Existence : Montrer que ∃x ∈ E, A(x).
• Unicité : poser x1 et x2 tels que A(x1 ) et A(x2 ) soient vraies ; montrer que x1 = x2 .
• Conclure : On a donc montré que ∃!x ∈ E, A(x). .
Exemple. Démontrer qu’il existe un unique x ∈ R+ dont la racine carrée vaut 7.
Combinaison de quantificateurs Bien évidemment on ne peut pas interchanger des quantificateurs ni

changer l’ordre de quantificateurs différents.
Exemples. Vrai ou faux ?
(1) ∀x ∈ R, ∀y ∈ R, y = 2x.
(2) ∀x ∈ R, ∃y ∈ R, y = 2x.
(3) ∃y ∈ R, ∀x ∈ R, y = 2x.
10
ECG1 2021–2022 H. Boucher 1. Éléments de logique 11
2 Opérations élémentaires
Dans la suite, A, B et C désignent des assertions.
2.1 Négation
Définition 1.5
On appelle négation ou contraire de A la proposition qui est vraie lorsque A est fausse et
fausse lorsque A est vraie.
Notation. A (ou ¬A) désigne la négation de A.

Remarque. A ≡ A.
Pour écrire la négation d’une assertion,
• on change les ∃ en ∀ et inversement,
• on change les égalités en différences, les inégalités en inégalités contraires (les inégalités strictes de-
viennent larges et vice-versa).
Exemple.
Il existe un chat dont tous les poils sont gris.

↓ ↓ ↓
Tous les chats ont au moins un poil pas gris.
2.2 Définitions
Définition 1.6
Deux assertions sont dites logiquement équivalentes lorsqu’elles prennent toujours la même
valeur de vérité.
Notation. Deux assertions logiquement équivalentes sont notées A ≡ B.

Définition 1.7
On définit le connecteur et (noté ∧) et le connecteur ou (noté ∨) par les tables de

vérité suivantes.
A B A∧B A B A∨B
V V V V V V
V F F V F V
F V F F V V
F F F F F F
Remarques.
• Si A est vraie, alors A ∨ B est toujours vraie (quelle que soit la valeur de B).
11
• Si A est fausse, alors A ∧ B est toujours fausse (quelle que soit la valeur de B).
Proposition 1.8 (Règles de calcul)
(i) Principe du tiers exclu : A ∨ A est toujours vraie et A ∧ A est toujours fausse.
(ii) (Lois de De Morgan) (A ∨ B) ≡ A ∧ B et (A ∧ B) ≡ A ∨ B,
(iii) A ∨ (B ∧ C) ≡ (A ∨ B) ∧ (A ∨ C),
(iv) A ∧ (B ∨ C) ≡ (A ∧ B) ∨ (A ∧ C).

Remarque. Les lois de De Morgan donnent aussi A ∨ B ≡ A ∧ B et A ∧ B ≡ A ∨ B . Il suffit d’en
écrire la négation (et d’utiliser A ≡ A).
Dém. 1.8
On écrit la table de vérité de chacun des termes de ces propositions.
(i)
A A A∨A A A A∧A
V F V et V F F
F V V F V F
(ii)
A B A ∨ B (A ∨ B) A B A∧B
V V V F F F F
V F V F F V F
F V V F V F F
F F F V V V V
Le second est sur le même principe et laissé au lecteur.
(iii)
A B C B∧C A ∨ (B ∧ C) A∨B A∨C (A ∨ B) ∧ (A ∨ C)
V V V V V V V V
V V F F V V V V
V F V F V V V V
V F F F V V V V
F V V V V V V V
F V F F F V F F
F F V F F F V F
F F F F F F F F
(iv) Sur le même principe ou en jouant avec les lois de De Morgan :

A ∧ (B ∨ C) ≡ A ∨ (B ∨ C) ≡ A ∨ (B ∧ C) ≡ (A ∨ B) ∧ (A ∨ C) ≡ A ∨ B ∨ A ∨ C.
Donc A ∧ (B ∨ C) ≡ (A ∧ B) ∨ (A ∧ C).
2.3 Méthodes de démonstration

Pour démontrer une assertion du type A et B ,
12
• écrire une démonstration de l’assertion A,

• écrire une démonstration de l’assertion A
• conclure par On a donc montré que A et B. .
Pour démontrer une assertion du type A ou B ,
• supposer l’assertion A,
• écrire une démonstration de l’assertion B
• conclure par On a donc montré que A ou B. .
3 Implication
3.1 Définition
Définition 1.9
On définit l’implication A ⇒ B (lire A implique B ) par A ∨ B.
Remarque. Le faux implique tout (et n’importe quoi).

Théorème 1.10
(i) Si A est vraie et si A ⇒ B est vraie, alors B est vraie.

(ii) Si A ⇒ B et B ⇒ C sont vraies, alors A ⇒ C est vraie.
Dém. 1.10
(i) M1 Supposons que A est vraie, ainsi que A ⇒ B, c’est à dire A ∨ B.

Comme A est vraie, A est fausse. Donc B est vraie.
M2 A ∧ (A ⇒ B) ≡ A ∧ (A ∨ B) ≡ (A ∧ A) ∨ A ∧ B ≡ A ∧ B (car A ∧ A est fausse).
Ceci implique que B est vraie.
(ii) Troisième méthode pour démontrer ce type d’assertions : écrire les tables de vérité. C’est
l’occasion de voir celle de A ⇒ B (qui n’est autre que celle de A ∨ B).
A B C A⇒B B⇒C (A ⇒ B) ∧ (B ⇒ C) A⇒C

V V V V V V V
V V F V F F F
V F V F V F V
V F F F V F F
F V V V V V V
F V F V F F V
F F V V V V V
F F F V V V V
13
3.2 Contraposée
Définition 1.11
On appelle contraposée de l’implication A ⇒ B l’implication B ⇒ A.
Proposition 1.12
Une implication et sa contraposée sont logiquement équivalentes.
Dém. 1.12
Simple jeu de négations en utilisant la commutativité du ou :
A ⇒ B ≡ A ∨ B ≡ B ∨ A ≡ B ∨ A ≡ B ⇒ A.
3.3 Méthodes de démonstration

Face à un énoncé du type
Montrer que si A alors B.
plusieurs méthodes possibles.
Méthode directe Pour montrer que A ⇒ B,

• commencer par On suppose A. ,
• écrire une démonstration de l’assertion B,
• conclure par On a donc montré que A ⇒ B. .
Exemple. Soit n un entier. Démontrer que si n est impair, alors n2 est impair.
Méthode par contraposée Pour montrer que A ⇒ B, on démontre que B ⇒ A, ce qui est logiquement
équivalent (prop. 3.2).
• Annoncer On va montrer par contraposée que A ⇒ B ,
• commencer par On suppose B. ,
• écrire une démonstration de l’assertion A,
• conclure par On a donc montré (par contraposée) que A ⇒ B. .
Exemple. Soit n un entier. Montrer que si n2 est pair, alors n est pair.
3.4 Raisonnement par l’absurde

Pour montrer une assertion A, on démontre que son contraire entraı̂ne une absurdité :
• commencer par On suppose A. ,
• démontrer une assertion fausse B,
• conclure par B étant fausse, on a démontré A par l’absurde. .

x+1
Exemple. Montrer que ∀x 6= −2, 6= 1.
x+2
14
4 Équivalence
4.1 Définitions
Définition 1.13
• On appelle réciproque de l’implication A ⇒ B l’implication B ⇒ A.

• On définit l’équivalence A ⇔ B (lire A équivaut à B ) par (A ⇒ B) ∧ (B ⇒ A).
Théorème 1.14
(i) A ⇔ B et B ⇔ A sont logiquement équivalentes.

(ii) Si A ⇔ B et B ⇔ C sont vraies, alors A ⇔ C est vraie.
Dém. 1.14
(i) (A ⇒ B) ∧ (B ⇒ A) est équivalente à (B ⇒ A) ∧ (A ⇒ B) (commutativité du et ).
(ii) Si A ⇔ B et B ⇔ C sont vraies, alors on a A ⇒ B et B ⇒ C et aussi B ⇒ A et
C ⇒ B, ce qui implique (d’après la transitivité de l’implication) que A ⇒ C et C ⇒ A,
d’où A ⇔ C.
4.2 Méthode de démonstration
Sauf dans les cas les plus simples, pour démontrer que A ⇔ B,
• démontrer que A ⇒ B,
• démontrer que B ⇒ A,
• conclure par On a donc montré que A ⇔ B. .
Remarque. Si la situation s’y prête, pour démontrer directement A ⇔ B, on part de A, puis on écrit une
succession d’assertions toutes équivalentes dont la dernière est B. L’équivalence doit être établie à chaque
étape ; en particulier PAS DE DONC .
5 Autres types de raisonnements
5.1 Raisonnement par récurrence
Il s’agit de démontrer qu’une assertion dépendant d’un entier naturel n est vraie quelle que soit la valeur
prise par cet entier.
15
Théorème 1.15 (Principe de récurrence simple)
Soit A(n) une assertion dépendant de n ∈ N. On suppose que

(i) A(0) est vraie,
(ii) pour tout n ∈ N, A(n) ⇒ A(n + 1).
Alors A(n) est vraie pour tout n ∈ N.
Utilisation. Pour démontrer A(n) pour tout n ∈ N,

• démontrer A(0),
• écrire Soit n ∈ N. On suppose A(n). ,
• écrire une démonstration de A(n + 1),
• conclure par On a donc démontré par récurrence que ∀n ∈ N, A(n). .
Remarque. Si on ne cherche à démontrer la propriété qu’à partir d’un certain rang, il suffit de remplacer
n ∈ N par n > n0 .
Théorème 1.16 (Principe de récurrence forte)
Soit A(n) une assertion dépendant de n ∈ N. On suppose que

(i) A(0) est vraie,
(ii) pour tout n ∈ N, (A(0) ∧ A(1) ∧ . . . ∧ A(n)) ⇒ A(n + 1).
Alors A(n) est vraie pour tout n ∈ N.
Utilisation. Pour démontrer A(n) pour tout n ∈ N,

• démontrer A(0),
• écrire Soit n ∈ N. On suppose A(k) pour tout 0 6 k 6 n. ,
• écrire une démonstration de A(n + 1),
• conclure par On a donc démontré par récurrence forte que ∀n ∈ N, A(n). .
Exemple. Tout nombre entier n > 2 peut se décomposer en produit de nombres premiers.
5.2 Démontrer existence et unicité

Pour démontrer une assertion du style Il existe un unique x vérifiant la propriété P , on démontre
séparément l’existence et l’unicité.
• Pour montrer l’existence, il suffit d’exhiber un x qui vérifie la propriété P . C’est le plus difficile en
général. Plus rarement, on peut avoir recours à un théorème déjà démontré qui établit directement
l’existence de l’élément x.
• Pour montrer l’unicité,
â on commence par Soient x1 et x2 qui vérifient la propriété P ,
â on montre que x1 = x2 .
Une autre technique est le raisonnement par analyse-synthèse. La partie analyse démontre l’unicité en
trouvant l’élément x voulu PUIS la synthèse vérifie son existence. En pratique,
16
• on suppose qu’on a un résultat : Analyse : soit x vérifiant la propriété P . ,

• on raisonne par conditions nécessaires pour en déduire qui est x : Alors . . . Alors x = . . ..
• on vérifie que le x trouvé vérifie bien la propriété P : Synthèse : soit x = . . .. Alors . . . Alors x vérifie
la propriété P .
Remarques.
• Si on regarde bien, on démontre en fait par double implication que
x vérifie la propriété P ⇔ x = . . . .
• Ce type de raisonnement s’étend à des questions du type Déterminer tous les x vérifiant la propriété
P . On examine un x qui y répond, on trouve (analyse) par conditions nécessaires tous les candidats,
puis on vérifie (synthèse) lesquels vérifient effectivement la propriété P .
Exemples.
x4 x2
• Déterminer tous les minima locaux de x 7→ − .
4 2
• Montrer que toute fonction réelle peut s’écrire de manière unique comme somme d’une fonction paire
et d’une fonction impaire.
17
18
Première partie
Algèbre
19
Chapitre A1
Calculs algébriques
Objectifs
• Notations et manipulations de sommes et produits.

• Sommes et produits usuels.
• Coefficients binomiaux.
Notations. Définissons une famille de nombres (réels), notés uk , pour tout k ∈ N et m, n ∈ N tels que
m 6 n. La somme et le produit de nombres successifs de notre famille se notent de la manière suivante.
n
X
um + . . . + un = uk ,
k=m
n
Y
um × . . . × un = uk .
k=m
Remarque. On peut aussi imaginer (et c’est la notation qu’on emploiera pour énoncer les propriétés en
toute généralité) une famille d’éléments indexée par un sous-ensemble I de N : (ui )i∈I , dont on écrit la
somme X
ui .
i∈I
1 Sommes usuelles
Proposition A1.1 (Somme télescopique)
Soit (an ) une famille de nombres réels. Alors

n
X
(ak − ak−1 ) = an − a0 .
k=1
Dém. A1.1
1
X
Init. ak − ak−1 = a1 − a0 ..
k=1
21
22 A1. Calculs algébriques
n
X
Hér. Soit n ∈ N∗ . On suppose que ak − ak−1 = an − a0 .
k=1
n+1
X n
X
ak − ak−1 = (ak − ak−1 ) + an+1 − an = an − a0 + an+1 − an = an+1 − a0 .
k=1 k=1
n
X n
X
Remarque. Plus généralement, (ak − ak−1 ) = an − am−1 et (ak − ak+1 ) = am − an+1 .
k=m k=m
Proposition A1.2
Soit n ∈ N. Alors
n
X n(n + 1)
k= .
2
k=0
Dém. A1.2
0
X 0(0 + 1)
Init. k=0= .
2
k=0
n
X n(n + 1)
Hér. Soit n ∈ N. On suppose que k= .
2
k=0
n+1 n
!
X X n(n + 1) (n + 1)(n + 2)
k= k +n+1= +n+1= .
2 2
k=0 k=0
Théorème A1.3 (Progression arithmétique)
Soient (uk )k une suite arithmétique de raison r et m, n ∈ N. Alors

n
X um + un
uk = (n − m + 1) × .
2
k=m
Dém. A1.3
(un ) est arithmétique donc pour tout k > m, uk = um + (k − m)r.
Xn Xn Xn Xn n
X
uk = (um + (k − m)r) = um + (k − m)r = (n − m + 1)um + r (k − m).
k=m k=m k=m k=m k=m
n n−m
X X (n − m)(n − m + 1)
Or (k − m) = k= .
2
k=m k=0
n
X n−m um + un
Donc uk = (n − m + 1)(um + ) = (n − m + 1) .
2 2
k=m
22
ECG1 2021–2022 H. Boucher A1. Calculs algébriques 23
Théorème A1.4 (Progression géométrique)
Soient (vk )k une suite géométrique de raison q et m, n ∈ N. Alors

n
X vm − vn+1 1 − q n−m+1
vk = = vm × .
1−q 1−q
k=m
Dém. A1.4
n
X n
X n
X n
X
(1 − q) vk = (vk − qvk ). Or qvk = vk+1 . Donc (1 − q) vk = (vk − vk+1 ) et on
k=m k=m k=m k=m
reconnaı̂t une somme télescopique.
n n
X X vm − vn+1
(1 − q) vk = vm − vn+1 , donc vk = .
1−q
k=m k=m
2 Propriétés
Proposition A1.5
Soit I un ensemble fini à p éléments et λ une constante. Alors

X Y
• λ = pλ, • λ = λp .
i∈I i∈I
n
X n
X
Remarque. Les plus courants : λ = nλ et λ = (n + 1)λ. Plus généralement, on note que les entiers
i=1 i=0
n
X
entre n et m inclus sont au nombre de n − m + 1, donc λ = (n − m + 1)λ.
i=m
Proposition A1.6
Soit I un ensemble fini et (ai )i ∈ I et (bi )i∈I deux familles de nombres réels. Soit λ une constante.
Alors
X X !λ
• λai = λ ai , Y Y
• aλi = ai ,
i∈I i∈I
i∈I i∈I
X X X Y Y Y
• ai + bi = ai + bi , • ai bi = ai × bi .
i∈I i∈I i∈I i∈I i∈I i∈I
Remarque. Par convention, une somme vide vaut 0 et un produit vide vaut 1.
23
Proposition A1.7 (Changements d’indice)
Soit m, n ∈ N tels que m 6 n et p ∈ N. Alors

n
X n+p
X
• ai = aj−p ,
i=m j=m+p
n
X n−m
X
• ai = an−j .
i=m i=0
n
X n+1
X n
X X
Exemples. Couramment : ai = ai−1 , ou encore ai = an−i .
i=0 i=1 i=0 i=0n
3 Binôme de Newton
Définition A1.8
Soit n ∈ N. On définit la factorielle de n par

n
Y
n! = k.
k=1
Proposition A1.9
Soit n ∈ N.
(i) 0! = 1,
(ii) (n + 1)! = (n + 1) × n!,
(iii) Si n > 1, n! = n × (n − 1)!.
Définition A1.10
Soit n ∈ N. Pour tout p ∈ Z, on définit le coefficient binomial k parmi n par

n!

si 0 6 p 6 n

n
= p!(n − p)! .
p
0 sinon

24
Proposition A1.11
Pour tout n ∈ N,

n n
(i) ∀p ∈ J0, nK, = ;
p n−p

n n
(ii) = = 1;
0 n

n n
(iii) = = n;
1 n−1
Dém. A1.11
Laissée au lecteur.
Théorème A1.12 (Formule de Pascal)
Soit n ∈ N et 0 6 p 6 n − 1. On a

n n n+1
+ = .
p p+1 p+1
Dém. A1.12

n n n! n!
+ = +
p p+1 p!(n − p)! (p + 1)!(n − p − 1)!
n!(p + 1) n!(n − p)
= +
(p + 1)!(n − p)! (p + 1)!(n − p)!
n!(p + 1 + n − p)
=
(p + 1)!(n − p)!
(n + 1)!
=
(p + 1)!(n − p)!
Théorème A1.13 (Binôme de Newton)
Soit x, y ∈ C et n ∈ N.
n
n
X n k n−k
(x + y) = x y .
k
k=0
Dém. A1.13
On procède par récurrence sur n ∈ N. L’initialisation revient à 1 = 1. Pour l’hérédité, on pose
n ∈ N pour lequel on suppose la propriété vraie.
25
(x + y)n+1 = (x + y)(x + y)n

n
X n k n−k
= (x + y) x y
k
k=0
n n
X n k+1 n−k X n k n+1−k
= x y + x y
k k
k=0 k=0
n+1
X n n
i n−i+1
X n k n+1−k
= xy + x y
i−1 k
i=1 k=0
| {z } | {z }
n n
n n+1 X n i n−i+1
X n
k n+1−k n n+1
= x + xy + x y + y
n i−1 k 0
| {z } i=1 k=1 | {z
| {z } }
n + 1 n+1 n n + 1
y n+1

x X n n
n+1 + xk y n+1−k 0
k k−1
k=1
n+1
X n+1
= xk y n+1−k ,
k
k=0
ce qui achève la démonstration.
Les étapes-clefs du calcul ci-dessous sont
• Développement
• Réindexation de la première somme
• Isolement d’un terme extrémal dans chaque somme

n n+1 n n+1
• Remplacement sans frais : = et =
n n+1 0 0
• Réunification dans la même somme
4 Sommes doubles
Notations. Étant donnés deux ensembles finis I et J, une famille d’éléments indexée par I et J se note
(ai,j )(i,j)∈I×J ou (aij ) i∈I . La somme de ces éléments est notée
j∈J
X X
aij ou aij .
(i,j)∈I×J i∈I
j∈J
Remarque. Dans le cas particulier où I = Jm, nK et J = Jp, q K sont des ensembles d’entiers successifs, on
note la somme
X
aij .
m6i6n
p6j6q
26
Théorème A1.14 (Indexation sur un rectangle)
Soient m, n, p, q ∈ N et (aij )m6i6n une famille de nombres réels. Alors

p6j6q
X X q
n X q X
X n
aij = aij = aij .
m6i6n i=m j=p j=p i=m
p6j6q
Théorème A1.15 (Indexation sur un triangle)
Soient m, n ∈ N et (aij )m6i6j6n une famille de nombres réels indexée par le triangle {(i, j) | m 6
i 6 j 6 n}. Alors
X X n Xn Xn X j
aij = aij = aij .
m6i6j6n i=m j=i j=m i=m
Méthodes
• Démonstration par récurrence.

• Calculer une somme ou un produit télescopique.
• Reconnaı̂tre une somme usuelle.
• Décaler ou inverser une indexation.
• Ajouter/extraire un ou plusieurs termes dans une somme.
• Interversion de sommes/produits doubles.
27
28
Chapitre A2
Ensembles et applications
Objectifs
• Notions d’ensemble et d’ensemble fini.

• Notion de partie d’un ensemble.
• Injectivité et surjectivité.
• Appréhender les coefficients binomiaux en termes combinatoires.
1 Ensembles
Un ensemble peut être vu comme une collection d’objets, appelés éléments. Un des axiomes de la
théorie des ensemble est l’existence d’un ensemble qui ne contient aucun élément, appelé ensemble vide
et noté ∅.
Notation. On note x ∈ E le fait qu’un objet x appartienne à un ensemble E.
Définition A2.1
On dit qu’un ensemble E est inclus dans un ensemble F et on note E ⊂ F si
∀x ∈ E, x ∈ F.
On dit aussi que E est une partie de F .
Notation. On note P(E) l’ensemble des parties d’un ensemble E.
29
30 A2. Ensembles et applications
Définition A2.2
Étant données deux parties A et B d’un ensemble E, on définit

(i) la réunion A ∪ B par
x ∈ A ∪ B ⇔ (x ∈ A ou x ∈ B) ;
(ii) l’intersection A ∩ B par
x ∈ A ∩ B ⇔ (x ∈ A et x ∈ B) ;
(iii) le complémentaire A de A (dans E) par
x∈A⇔x∈
/ A.
On dit que A et B sont disjointes si leur intersection est vide.
Proposition A2.3
Étant données 3 parties A, B et C d’un ensemble E, on a
(i) A ∪ (B ∪ C) = (A ∪ B) ∪ C ; (v) A ∪ B = A ∩ B ;
(ii) A ∩ (B ∩ C) = (A ∩ B) ∩ C ;
(vi) A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) ;
(iii) A = A ;
(iv) A ∩ B = A ∪ B ; (vii) A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) .
Remarque. À l’aide de ces relations, on peut encore définir la différence : A \ B = A ∩ B.
Définition A2.4
Étant donnés deux ensembles E et F , on définit l’ensemble produit E × F par
E × F = {(x, y), x ∈ E, y ∈ F }.
Exemple. On note R2 = R × R et on peut définir de manière récursive Rn pour tout n ∈ N∗ .
30
ECG1 2021–2022 H. Boucher A2. Ensembles et applications 31
2 Applications
2.1 Généralités
Définition A2.5
Soit E et F deux ensembles non vides. Une fonction ou application f de E vers F est une
correspondance qui à tout élément x ∈ E associe un unique élément de F , noté f (x).
Si y = f (x), on dit que y est l’image de x et que x est un antécédent de y par f .
E s’appelle ensemble de définition ou ensemble de départ de f et F son ensemble d’ar-
rivée.
On définit le graphe de f comme la partie Gf = {(x, f (x)), x ∈ E} de E × F .
Notation. L’ensemble des applications de E dans F est noté F (E, F ) ou F E .

Exemple. On appelle identité de E l’application idE : E → E définie par
∀x ∈ E, idE (x) = x.
Son graphe est appelé diagonale de E × E.

Définition A2.6
Soit f : E → F et g : F → G. On appelle composée de f et g et on note g ◦ f l’application

x 7→ g(f (x)) de E dans G.
Définition A2.7
Soit f : E → F . Étant donnée A ⊂ E, on appelle image directe de A par f
f (A) = {f (x) | x ∈ A}.
2.2 Injectivité, surjectivité
Définition A2.8
Soit f : E → F . On dit que

(i) f est injective si tout élément de F admet au plus un antécédent ;
(ii) f est surjective si tout élément de F admet au moins un antécédent ;
(iii) f est bijective si tout élément de F admet exactement un antécédent.
Remarques.
• Une application est bijective si et seulement si elle est injective et surjective.
• f : E → F est surjective si et seulement si f (E) = F .
31
• On utilise le plus souvent cette caractérisation de l’injectivité :
∀x, y ∈ E, f (x) = f (y) ⇒ x = y,
ou parfois sa contraposée.
Théorème et définition A2.9
Soit f : E → F une application bijective. Alors il existe une unique application g : F → E telle
que
g ◦ f = idE et f ◦ g = idF .
Cette application est appelée bijection réciproque de f et notée f −1 .
Remarque. C’est l’application de F dans E qui a tout élément y de F associe son unique antécédent
par f :
∀(x, y) ∈ E × F, y = f (x) ⇔ x = f −1 (y).
Proposition A2.10
Soit f : E → F et g : F → G.
(i) Si f et g sont injectives, alors g ◦ f est injective.
(ii) Si f et g sont surjectives, alors g ◦ f est surjective.
(iii) Si f et g sont bijectives, alors g ◦ f est bijective et (g ◦ f )−1 = f −1 ◦ g −1 .
(iv) Si f est bijective, alors f −1 l’est aussi et (f −1 )−1 = f .
Remarque. Évident mais pas anodin : par conséquent, la composée de deux bijections est une bijection.
3 Notions de combinatoire
3.1 Ensembles et parties finis
Notation. On notera désormais Jm, nK l’ensemble des entiers compris entre m et n.
On admet pour ce chapitre le résultat suivant dont la démonstration est accessible mais difficile.
Définition A2.11
On dit que l’ensemble E est un ensemble fini s’il est vide ou s’il existe n ∈ N et une bijection
entre E et J1, nK.
D’après le lemme ci-dessus, si un tel entier existe, il est unique ; on l’appelle cardinal de E, noté
Card E ou |E|. Par extension, l’ensemble vide a un cardinal nul.
Deux ensembles de même cardinal sont dits équipotents.
Remarque. Cette définition suppose qu’un tel cardinal est unique. Ce n’est pas du tout anodin et est
conséquence du lemme (admis) suivant : soit (m, n) ∈ N2 . S’il existe une bijection entre J1, mK et J1, nK,
alors m = n.
32
ECG1 2021–2022 H. Boucher A2. Ensembles et applications 33
Proposition A2.12
Soit E un ensemble fini et F une partie de E. Alors

(i) Card F 6 Card E ;
(ii) Card F = Card E ⇔ E = F .
Proposition A2.13
Soit A et B deux parties d’un ensemble fini E.

Alors A ∪ B est fini et Card(A ∪ B) = Card A + Card B − Card(A ∩ B).
Remarques.
• En particulier, si A et B sont disjointes, alors Card(A ∪ B) = Card A + Card B.
• En appliquant cela à A ∪ B et A ∪ B, on obtient Card(A \ B) = Card(A) − Card(A ∩ B).
3.2 Coefficients binomiaux
Proposition A2.14
SoitE un ensemble fini de cardinal n. Soit p ∈ N. Le nombre de parties à p éléments de E est

n n!
= .
p p!(n − p)!
Proposition A2.15 (Nombres de parties de E)
Soit E un ensemble fini de cardinal n. Alors
Card(P(E)) = 2n .
Méthodes
• Montrer l’inclusion ou l’égalité de deux ensembles.

• Montrer que deux applications sont égales.
• Montrer ou utiliser qu’une application est surjective ou injective.
• Dénombrer des ensembles simples
33
34
Chapitre A3
Matrices et systèmes linéaires
Objectifs
• Résoudre un système linéaire dans toutes les configurations.

• Appréhender la notion de matrices et les manipuler.
• Identifier les spécificités du calcul matriciel (non-commutativité
du produit, problème de l’inversibilité).
1 Systèmes linéaires
1.1 Définitions
Définition A3.1
On appelle système d’équations linéaires un système du type



 a11 x1 + a12 x2 + . . . + a1p xp = b1
 a21 x1

+ a22 x2 + . . . + a2p xp = b2
(S) .. .. .. ..


 . . . .
an1 x1 + an2 x2 + . . . + anp xp = bn

• Pour tous (i, j) ∈ J1, nK × J1, pK, les scalaires aij sont les coefficients du système.
• Les scalaires bi pour i ∈ J1, nK forment le second membre. Lorsque tous les bi sont nuls,
on parle de système homogène
• Les xj pour j ∈ J1, pK sont les inconnues du système.
35
36 A3. Matrices et systèmes linéaires
Définition A3.2
Avec les notations ci-dessus, on appelle solution du système (S) tout p-uplet (x1 , . . . , xp ) telles
que toutes les équations de (S) soient vérifiées.
• Un système admettant au moins une solution est dit compatible.
• Un système n’admettant aucune solution est dit incompatible.
1.2 Matrices
Définition A3.3
Soient n, p ∈ N∗ . On appelle matrice à n lignes et p colonnes une application
A : J1, nK × J1, pK → K .
(i, j) 7→ ai,j
Remarque. Il s’agit simplement d’une famille de nombre indexée par deux indices
Notations. Une matrice se note
colonne j
 
a1,1 ... a1,p
 
 
 .. .. 
ligne i  . ai,j . 
 
 
an,1 ... an,p
On dit qu’elle est de taille n × p ou (n, p).

Le coefficient en place (i, j) se note ai,j ou [A]i,j .
On note Mn,p (R) l’ensemble des matrices à coefficients dans R.
Notations. Le système d’équations défini dans le premier paragraphe peut être représenté par la matrice
A = [ai,j ](i,j)∈J1,nK×J1,pK , appelée matrice des coefficients ou matrice du système. Le second membre
se note comme la matrice colonne B = [bi ]i∈J1,nK . On note alors le système complet de la manière suivante,
appelée matrice augmentée du système.
 
a11 . . . a1j . . . a1p b1
 .. .. .. .. 
 . . . . 
 
(S)  a
 i1 . . . a ij ... aip bi  
 .. .. .. .. 
 . . . . 
an1 . . . anj . . . anp bn
36
ECG1 2021–2022 H. Boucher A3. Matrices et systèmes linéaires 37
1.3 Résolution d’un système
Définition et proposition A3.4
Étant donnés (i, j) ∈ J1, nK × J1, pK, on appelle opération élémentaire sur les lignes d’un système
linéaire (ou de sa matrice augmentée) une des opérations suivantes :
• transvection (addition d’une ligne à une autre ligne) : Li ← Li + λLj avec λ ∈ R,
• dilatation (multiplication d’une ligne par un scalaire) : Li ← λLi avec λ ∈ R∗ ,
• transposition (échange de deux lignes) : Li ↔ Lj .
Définition A3.5
(i) Deux systèmes linéaires sont dites équivalents par lignes lorsqu’on peut passer de l’un à
l’autre par une suite finie d’opérations élémentaires.
(ii) Deux matrices sont dites équivalentes par lignes lorsqu’on peut passer de l’un à l’autre
par une suite finie d’opérations élémentaires.
Définition A3.6
Un système ou une matrice est dite échelonnée lorsqu’elle vérifie les deux propriétés suivantes.
(i) Si une ligne est nulle, alors toutes les suivantes le sont aussi.
(ii) À partir de la deuxième ligne non nulle, le premier coefficient non nul est situé plus à droite
que celui de la ligne précédente.
Ces coefficients ainsi que le premier de la première ligne, sont appelés les pivots du système ou
de la matrice.
Théorème A3.7 (Gauß)
Toute matrice est équivalente par lignes à une matrice échelonnée.
Remarque. La démonstration de ce théorème est constructive et fournit un algorithme pour réaliser cette
opération en pratique, également connu sous le nom d’algorithme de Gauß. Si l’on excepte le cas particulier
où la première colonne est nul, le principe de cet algorithme est le suivant.
• Permuter les lignes de manière à obtenir un coefficient supérieur gauche (pivot) a1,1 non nul.
• Pour tout j > 2 on annule le premier coefficient aj,1 de la ligne Lj en effectuant
aj,1
Lj ← Lj − L1
a1,1
Pour la suite, on ne modifie plus L1 et on réitère ces opérations avec le système formé par toutes les autres
lignes (qui a également une colonne de moins). Enfin le processus s’arrête lorsqu’on a obtenu un système
échelonné.
37
Définition A3.8
On appelle rang d’un système ou d’une matrice le nombre de ses pivots.
Remarque. Pour un système n × p compatible de rang r, on peut déterminer r inconnues principales,

associées aux pivots, et les p − r autres, les inconnues secondaires. Chaque choix de valeurs fixées pour
ces dernières détermine une unique solution.
Définition A3.9
(i) Un système n × p de rang r échelonné est appelé triangulaire. Il en est de même pour sa
matrice.
(ii) Un système équivalent à un système triangulaire est dit de Cramer.
Proposition A3.10
Un système de Cramer admet une unique solution.
2 Calcul matriciel
2.1 Opérations matricielles
Définition A3.11
On définit sur Mn,p (R) deux opérations,

• l’addition de A = (aij ) et B = (bij ) :
∀(i, j) ∈ J1, nK × J1, pK, [A + B]i,j = aij + bij ,
• la multiplication de A = (aij ) par λ ∈ R :
∀(i, j) ∈ J1, nK × J1, pK, [λ · A]i,j = λaij
Définition A3.12
Pour tout (i, j) ∈ J1, nK × J1, pK, on définit la matrice élémentaire Eij par
(
1 si k = i et l = j,
∀(k, l) ∈ J1, nK × J1, pK, [Eij ]k,l =
0 sinon.
Autrement dit, la matrice Eij se représente de la manière suivante.
38
colonne j
 
0 ... 0
 
 
Eij =  ... ..  ligne i

 1 .
 
0 ... 0
Définition A3.13 (Symbole de Kronecker)
Étant donnés i, j ∈ N, on appelle symbole de Kronecker le nombre

(
1 si i = j,
δi,j =
0 sinon.
Définition A3.14 (Produit matriciel)
Étant données A = (aij ) ∈ Mn,q (R) et B = (bij ) ∈ Mq,p (R) deux matrices, on définit le produit
C = AB ∈ Mn,p (R) par
q
X
∀(i, j) ∈ J1, nK × J1, pK, cij = aik bkj .
k=1
Définition A3.15
On appelle matrice identité de taille n la matrice In = (δij )16i,j6n .
Proposition A3.16
Lorsqu’il est possible, le produit matriciel

• est distributif à gauche et à droite par rapport à la somme,
• est associatif,
• admet la matrice identité pour élément neutre.
Remarque. Attention le produit matriciel n’est pas commutatif.

Notation. On note Ak le produit de k matrices toutes égales à A.
Remarque. Par convention, A0 = In .
39
Proposition A3.17
Soient A, B ∈ Mn (R) telles que AB = BA. Alors pour tout p ∈ N∗ ,

(i) (AB)p = Ap B p ,
p
p
X p
(ii) (A + B) = Ak B p−k .
k
k=0
Définition A3.18
Soit A ∈ Mn,p (R). On définit la transposée de A, notée A| ou tA ∈ Mp,n (R) par
∀(i, j) ∈ J1, nK × J1, pK, [tA]i,j = [A]j,i .
Proposition A3.19
La transposition est linéaire, involutive et contravariante.
Dém. A3.19
Contravariance : montrons que ∀A ∈ Mn,q (R), ∀B ∈ Mq,p (R), t(AB) = tB tA.
On a AB ∈ Mn,p (R) et donc t(AB) ∈ Mp,n (R).
Soit 1 6 i 6 n et 1 6 j 6 p.
q
X
D’une part [t(AB)]j,i = [AB]i,j = [A]i,k [B]k,j .
k=1
q
X q
X
t t t t
D’autre part [ B A]j,i = [ B]j,k [ A]k,i = [B]k,j [A]i,k .
k=1 k=1
Définition A3.20
(i) On appelle matrice symétrique toute matrice carrée A qui vérifie tA = A.

(ii) On appelle matrice antisymétrique toute matrice carrée A qui vérifie tA = −A.
2.2 Matrices inversibles
Définition A3.21
On dit qu’une matrice A ∈ Mn (R) est inversible lorsqu’il existe B ∈ Mn (R) telle que
AB = BA = In .
40
Notations. La matrice inverse de A est notée A−1 . On appelle groupe linéaire, noté GLn (R) l’espace des
matrices inversibles de taille n.
Théorème A3.22
A ∈ Mn (R) est inversible si et seulement si elle est de rang n.
Remarques. Le système


 a11 x1 + a12 x2 + . . . + a1p xp = b1
 a21 x1 + a22 x2 + . . . + a2p xp = b2

(S) .. .. .. ..


 . . . .
an1 x1 + an2 x2 + . . . + anp xp = bn

peut s’écrire matriciellement AX = B avec A = (aij ), X la matrice colonne des (xi ) et B la matrice colonne
des (bi ). Si A est inversible, il admet pour unique solution X = A−1 B.
Étant donné un système représenté par sa matrice A, on a équivalence entre
(i) A est inversible,
(ii) A est de rang n,
(iii) le système est de Cramer,
(iv) AX = 0n admet pour seule solution X = 0n (où 0n est la matrice nulle de Mn,1 (R)),
(v) Pour tout Y ∈ Mn,1 (R), AX = Y admet une unique solution (X = A−1 Y ).
Proposition A3.23

a b
Soit A = ∈ M2 (R).
c d
A est inversible si et seulement si ad − bc 6= 0 et

−1 1 d −b
A = .
ad − bc −c a
Méthodes
• Résolution de systèmes linéaires et expression des solutions par

pivot de Gauß.
• Calcul de puissances de matrices
â en démontrant par récurrence une formule conjecturée,
â par le binôme de Newton,
â à l’aide d’une relation entre les premières puissances.
• Calcul d’inverse d’une matrice inversible
â avec la formule explicite pour une matrice 2 × 2,
â par résolution d’un système,
â à l’aide d’une relation entre les premières puissances.
41
42
Chapitre A4
Polynômes
Objectifs
• Vocabulaire des polynômes, coefficients, degré.

• Notions arithmétiques de divisibilité, division euclidienne, facto-
risation.
• Notion de racine, pont entre l’arithmétique et l’analyse.
1 Définitions
Définition A4.1
Une application P : R → R est appelée fonction polynôme ou polynôme s’il existe n ∈ N et

des éléments (ak )06k6n de R tels que
n
X
∀x ∈ R, P (x) = ak xk .
k=0
Définition A4.2
(i) Le polynôme nul, noté 0R[x] est l’application nulle : x 7→ 0.

n
X
(ii) Soit P : x 7→ ak xk un polynôme avec an 6= 0.
k=0
• les ak sont appelés coefficients de P ; a0 est le coefficient constant.
• n est appelé degré de P , noté deg(P ) et an est le coefficient dominant.
(iii) un polynôme dont le coefficient dominant est égal à 1 est dit unitaire (ou normalisé).
Remarque. Par convention, deg(0R[x] ) = −∞.

Notation. On note R[x] l’ensemble des polynômes à coefficients dans R et pour tout n ∈ N, on note Rn [x]
le sous-ensemble des polynômes de degré maximal n.
43
44 A4. Polynômes
Théorème A4.3
n
X m
X
Soit P : x 7→ ak xk de degré n (i.e. avec an 6= 0) et Q : x 7→ bk xk de degré m. Alors
k=0 k=0
P = Q ⇔ m = n et ∀k ∈ J0, nK, ak = bk .
n
X
Remarque. En particulier, ak xk = 0R[x] ⇔ ∀k ∈ J0, nK, ak = 0. C’est même équivalent au théorème
k=0
précédent. D’ailleurs, c’est cette remarque qu’on va démontrer. Pour l’appliquer au théorème, il suffit de
travailler avec P − Q.
Dém. A4.3
On va montrer par récurrence sur deg(P ) que si P = 0R[x] , alors ses coefficients sont tous nuls.
Init. Si n = 0, i.e. si P est constant égal à a0 , alors P = 0R[x] implique a0 = 0.
Hér. Soit n ∈ N∗ . Supposons que pour tout polynôme de degré maximum n − 1, P = 0R[x]
implique que ses coefficients sont nuls.
Xn
Soit P (x) = ak xk de degré n et supposons que P = 0R[x] .
k=0
n−1
X
Alors pour tout x ∈ R, P (2x) − 2n P (x) = (2k − 2n )ak xk . D’après l’hypothèse de
k=0
récurrence, cela donne, pour tout 0 6 k 6 n − 1, (2k − 2n )ak = 0, donc ak = 0.
Finalement, on a P (x) = an xn . Le calcul de P (1) donne alors an = 0.
2 Opérations
Définition A4.4
Étant donnés P, Q ∈ R[x], λ ∈ R, on définit les opérations suivantes :

• la somme : P + Q : x 7→ P (x) + Q(x) ;
• la multiplication par une constante λ ∈ R : λ · P : x 7→ λP (x) ;
• le produit : P × Q : x 7→ P (x)Q(x) ;
• la composition : P ◦ Q : x 7→ P (Q(x)).
Les règles de calcul sur les sommes et le regroupement par puissances de x donnent les propriétés
suivantes.
44
ECG1 2021–2022 H. Boucher A4. Polynômes 45
Théorème A4.5
n
X m
X
Soit P : x 7→ ak xk et Q : x 7→ bk xk , avec par exemple m 6 n. On a
k=0 k=0
n
X
• P + Q : x 7→ (ak + bk )xk (quitte à poser bk = 0 pour k > m.) ;
k=0
n
X
• λ · P : x 7→ (λak )xk ;
k=0
m+n
X X
• P × Q : x 7→ cp xp avec pour tout p ∈ N, cp = ak bp−k .
p=0 k
Remarques.
• Cette dernière formulation, légèrement imprécise, utilise la convention que ak = 0 si k < 0 ou k > n,
et de même pour les coefficients de Q. Cette formule porte le nom de produit de Cauchy.
• On admettra les propriétés d’associativité et de distributivité de ces opérations.
Proposition A4.6
Soit P, Q ∈ R[x]. Alors

(i) deg(P + Q) 6 max(deg P, deg Q),
(ii) deg(P × Q) = deg P + deg Q.
Proposition A4.7 (Intégrité)
Soit P, Q, R ∈ R[x]
• Si P × Q = 0R[x] , alors P = 0R[x] ou Q = 0R[x] .
• Si P × Q = P × R et P = 0R[x] , alors Q = R.
Définition A4.8 (Divisibilité)
Soit A, B ∈ R[x]. On dit que A divise B et on note A|B lorsqu’il existe Q ∈ R[x] tel que
B = A × Q. On dit alors aussi que B est multiple de A.
45
46 A4. Polynômes
Théorème A4.9 (Division euclidienne)
Soit (A, B) ∈ R[x]2 , B étant différent du polynôme nul. Alors il existe un unique couple (Q, R) ∈
R[x]2 tel que
• A = BQ + R,
• deg R < deg B.
Dém. A4.9
Existence Si A est nul, Q = 0 et R = 0 conviennent. Pour les autres cas, on va procéder

par récurrence forte sur le degré de A.
Init. Soit A constant, égal à a0 .
a0
• Si B est constant égal à b0 , Q =et R = 0 conviennent,
b0
• sinon Q = 0 et R = a0 conviennent.
Hér. Soit n ∈ N. On suppose la propriété d’existence vraie pour tous les polynômes A
tels que deg(A) < n.
Xn X m
k
Soit A = ak x et notons B = bk xk avec m = deg(B).
k=0 k=0
• si m > n, alors Q = 0 et R = A conviennent,
an n−m
• sinon, on pose A1 = A − x B.
bm
an n−m
Le terme dominant de x B étant an xn , le terme de degré n de A1 s’an-
bm
nule. Ainsi deg(A1 ) < n et on peut lui appliquer l’hypothèse de récurrence : il
existe Q1 , R tels queA1 = BQ1 + Ravec deg(R1 ) < deg(B).
an n−m
Finalement, A = B Q1 + x +R, ce qui achève la démonstration.
bm
| {z }
Q
Unicité Soit Q1 , Q2 , R1 R2 tels que A = BQ1 + R1 = BQ2 + R2 avec deg(R1 ) < deg(B)
et deg(R2 ) < deg(B).
Alors B(Q1 − Q2 ) = R2 − R1 .
Si Q1 − Q2 6= 0, alors deg(B(Q1 − Q2 )) > deg(B).
Or deg(R2 − R1 ) 6 max(deg(R1 ), deg(R2 )) < deg(B), ce qui est impossible.
Donc Q1 = Q2 et par conséquent, R1 = R2 .
3 Racines d’un polynôme
Définition A4.10
Soit P ∈ R[x] et α ∈ R. On dit que α est une racine ou un zéro de P lorsque P (α) = 0.
46
Proposition A4.11
Soit P ∈ R[x] et α ∈ R. Alors
α est une racine de P ⇔ (x − α)|P.
Dém. A4.11
On écrit la division euclidienne de P par x − α : P = (x − α)Q + R, avec deg(R) < 1, i.e. R
est constant. Ainsi
P (α) = 0 ⇔ R(α) = 0 ⇔ R = 0 ⇔ P = (x − α)Q ⇔ (x − α) divise P .
Théorème A4.12
Tout polynôme non nul de degré inférieur ou égal à n admet au plus n racines.
Remarque. On l’utilise souvent sous la forme : tout polynôme de degré n qui admet au moins n + 1
racines est le polynôme nul.
Dém. A4.12
On procède par récurrence sur le degré.
Init. Un polynôme constant non nul possède zéro racine.
Hér. Soit n ∈ N. Si l’on suppose le résultat vrai pour les polynômes de degré n et que l’on
considère A de degré n+1, s’il admet une racine α, alors on peut le factoriser sous la forme
(x − α)Q avec deg(Q) = n. Par hypothèse de récurrence, Q admet au plus n racines. Or
une racine de A est soit α, soit une racine de Q (en effet A(a) = 0 ⇒ (a − α)Q(a) =
0 ⇒ a = α ou Q(a) = 0). Donc A possède au plus n + 1 racines.
Définition A4.13 (Racines multiples)
Soit P ∈ R[x]. Soit α ∈ R une racine de P .

(i) L’ordre de multiplicité de α est le plus grand entier p ∈ N∗ tel que (x − α)p divise P .
(ii) Une racine d’ordre 1 est une racine simple
(iii) Une racine d’ordre strictement supérieur à 1 est une racine multiple.
Proposition A4.14
Soit P ∈ R[x] et α ∈ R. Alors α est une racine de P d’ordre p si et seulement s’il existe Q ∈ R[x]
tel que
• P = (x − α)p Q,
• Q(α) 6= 0.
Dém. A4.14
C’est une conséquence directe de la définition et on laisse le soin au lecteur d’en écrire une
47
48 A4. Polynômes
rédaction complète.
p est le plus grand entier tel que (x − α)p divise P si et seulement si ((x − α)p divise P et
(x − α)p+1 ne divise pas P ).
Cela revient à dire qu’il existe Q tel que P = (x − α)p Q mais (x − α) ne divise pas Q, soit
encore Q(α) 6= 0.
4 Polynômes dérivés
Définition A4.15 (Polynôme dérivé)
• Soit P = a0 + a1 x + . . . + an xn . On définit alors le polynôme dérivé de P par

n
X
P 0 = a1 + 2a2 x + . . . + nan xn−1 = kak xk−1 .
k=1
• Soit P ∈ R[x] et k ∈ N. On définit par récurrence le polynôme dérivé k-ième (ou k fois)
par
â P (0) = P ,
h i0
â ∀k ∈ N, P (k+1) = P (k) .
Proposition A4.16
Soit P ∈ R[x]. Alors

(i) si deg(P ) > 0, deg(P 0 ) = deg(P ) − 1,
(ii) P est constant si et seulement si P 0 = 0.
(iii) Pour k ∈ N, si deg(P ) > k, alors deg(P (k) ) = deg P − k.
(iv) Pour k ∈ N, si k > deg(P ), alors P (k) ) = 0R[x] .
Dém. A4.16
(i) Avec les notations de la définition, si an 6= 0, alors nan 6= 0. Le terme dominant de P 0

est donc nan xn−1 .
(ii) Lu sur la définition.
(iii) Par récurrence sur k 6 deg(P ) et en utilisant (i).
(iv) Suite de la récurrence précédente, à partir de k = deg(P ) + 1.
48
Proposition A4.17
Soit P, Q ∈ R[x] et α, β ∈ R. Alors

(i) (αP + βQ)0 = αP 0 + βQ0 ;
(ii) (P ◦ Q)0 = Q0 × (P 0 ◦ Q).
(iii) (P Q)0 = P 0 Q + P Q0 .
(iv) Soit n ∈ N. On a la formule de Leibniz :
n
X n
(P Q)(n) = P (k) Q(n−k) .
k
k=0
Dém. A4.17
Ces propriétés sont directement héritées de celles sur les fonctions. On peut démontrer la formule
de Leibniz par récurrence, le calcul est analogue à celui donnant la formule du binôme de Newton.
Proposition A4.18 (Formule de Taylor)
Soit n ∈ N et P ∈ R[x] un polynôme de degré inférieur ou égal à n. Soit a ∈ R ; alors

n
X P (k) (a)
P = (x − a)k .
k!
k=0
Dém. A4.18
n
X n
X
Soit P = ak xk . En développant P = ak (x − a + a)k à l’aide de formules du binôme, on
k=0 k=0
n
X
peut écrire P = bk (x − a)k avec les bk des scalaires un peu compliqués que l’on va exprimer
k=0
différemment :
Pour r ∈ J1, nK, on exprime P (r) en dérivant terme à terme. Cela donne
n
X
(r)
P = bk k(k − 1) . . . (k − r + 1)(x − a)k−r .
| {z }
k=r k!
(k−r)!
En calculant P (r) (a), il reste un terme non nul : P (r) (a) = br r!, formule également valable
P (r) (a)
(sans avoir dérivé) pour r = 0. Ainsi, br = .
r!
49
50 A4. Polynômes
Théorème A4.19 (Caractérisation des racines)
Soit P ∈ R[x], p ∈ N∗ et α ∈ R. Alors on a équivalence entre

(i) α est une racine de P d’ordre p,
(ii) P (α) = P 0 (α) = . . . = P (p−1) (α) = 0 et P (p) (α) 6= 0.
Dém. A4.19
Pour p 6 deg(P ), la formule de Taylor donne la division euclidienne de P par (x − a)p :
n p−1 (k) n−p
X P (k) (α) X P (α) X P (k) (α)
P = (x − α)k = (x − α)k +(x − α)p (x − α)k .
k! k! k!
k=0 k=0 k=0
| {z } | {z }
R Q
Ainsi, α est une racine de P d’ordre p si et seulement si (x − α)p divise P et Q(α) 6= 0.

Ceci équivaut à R = 0 et Q(α) 6= 0, soit encore P (k) (α) = 0 pour tout k < p et P (p) (α) 6= 0.
5 Factorisation
Théorème A4.20 (Factorisation dans R[x])
Soit P ∈ R[x]. Alors P peut s’écrire sous la forme

r
Y s
Y
P =a (x − αk ) (x2 + b` x + c` ),
k=1 `=1
avec
• a ∈ R∗ le coefficient dominant de P ,
• α1 , . . . , αr ∈ R les racines réelles de P , non nécessairement distinctes,
• (b1 , c1 ), . . . , (bs , cs ) ∈ R2 tels que, pour tout 1 6 ` 6 s, on ait ∆` = b2` − 4c` < 0.
Définition A4.21 (irréductibilité)
Soit P ∈ R[x] un polynôme non constant. On dit que P est irréductible lorsque
P = AB ⇒ A ∈ R ou B ∈ R.
Théorème A4.22
Les polynômes irréductibles de R[x] sont les polynômes de degré 1 et les polynômes de degré 2
dont le discriminant est strictement négatif.
50
Remarque. Le résultat de factorisation ci-dessus est en fait un cas particulier du théorème de décomposition
des polynômes : un polynôme non nul peut se décomposer (de manière unique à une constante près) en pro-
duit de polynômes irréductibles. À rapprocher du théorème de décomposition des entiers en produit de
facteurs premiers.
Méthodes
• Déterminer le degré d’un polynôme.

• Déterminer le reste dans une division euclidienne.
• Établir une divisibilité
â par division euclidienne,
â par comparaison des racines.
• Montrer qu’un polynôme est nul, que deux polynômes sont
égaux.
• Factoriser un polynôme en produit d’irréductibles.
51
52 A4. Polynômes
52
Chapitre A5
Espaces vectoriels
1 Structure
1.1 Espace vectoriel
Définition A5.1
Soit E un ensemble.
(i) Une application · de la forme
·: R×E → E
(λ, u) 7→ λ · u
est appelée loi de composition externe sur E.

(ii) Une application + de la forme
+: E×E → E
(u, v) 7→ u + v
est appelée loi de composition interne sur E.
Définition A5.2 (Espace vectoriel)
Soit E un ensemble muni d’une loi de composition interne notée + et d’une loi de composition
externe notée ·. On dit que E est un espace vectoriel lorsque
(i) (N)â La loi + admet un élément neutre dans E, noté 0E ,
(A)â la loi + est associative,
(S)â tout u ∈ E admet un symétrique par +, noté −u,
(C)â la loi + est commutative.
(ii) la loi · vérifie les propriétés suivantes :
(A’)â ∀u ∈ E, ∀λ, µ ∈ R, λ · (µ · u) = (λµ) · u,
(N’)â ∀u ∈ E, 1R · u = u,
(D1)â ∀u, v ∈ E, ∀λ ∈ R, λ · (u + v) = λ · u + λ · v,
(D2)â ∀u ∈ E, ∀λ, µ ∈ R, (λ + µ) · u = λ · u + µ · u.
53
54 A5. Espaces vectoriels
Remarques.
(i) Les quatre premières propriétés ont les significations suivantes.
(N)â ∀u ∈ E, 0E + u = u + 0E = u.
(A)â ∀u, v, w ∈ E, (u + v) + w = u + (v + w).
(S)â u + (−u) = (−u) + u = 0E .
(C)â ∀u, v ∈ E, u + v = v + u.
(ii) Les quatre propriétés suivantes sont étiquetées comme elles le sont car elles représentent respective-
ment des propriétés de pseudo-associativité, pseudo-neutre et deux pseudo-distributivités. À vous de
comprendre pourquoi pseudo !
Définition A5.3
Étant donné un espace-vectoriel E, les éléments de E sont appelés des vecteurs de E ; l’élément
0E est appelé vecteur nul. Les constantes réelles sont aussi appelées des scalaires.
Notation. Pour tous u, v ∈ E, on note u − v = u + (−v).

Proposition A5.4
Soit u ∈ E et λ ∈ R. Alors
(i) 0R · u = 0E , (ii) λ · 0E = 0E , (iii) −u = (−1) · u.
Dém. A5.4
(i) 0R · u = 0R · u + 0E (N ) (ii) λ · 0E = λ · (0E + 0E ) (N )

= 0R · u + (u + (−u)) (S) = λ · 0E + λ · 0E (D1)
= (0R · u + u) + (−u) (A) donc (en ajoutant des deux côtés le
= (0R · u + 1 · u) + (−u) (N 0 ) symétrique de λ · 0E ) : 0E = λ · 0E .
= (0R + 1) · u + (−u) (D2) (iii) u + (−1) · u = 1 · u + (−1) · u (N 0 )
= 1 · u + (−u) = (1 + (−1)) · u (D2)
= u + (−u) (N 0 ) = 0R · u
= 0E (S) = 0E (i)
Donc le symétrique de u est bien (−1)·u.
Proposition A5.5
Soit u, v ∈ E et λ, µ ∈ R. Alors
(i) λ · (u − v) = λ · u − λ · v ; (iv) λ · u = 0E ⇔ (λ = 0 ou u = 0E ) ;
(ii) (λ − µ) · u = λ · u − µ · u ; (v) Si u 6= 0E , alors λ · u = µ · u ⇔ λ = µ ;
(iii) −(λ · u) = (−λ) · u = λ · (−u) ; (vi) Si λ 6= 0 alors λ · u = λ · v ⇔ u = v.
54
ECG1 2021–2022 H. Boucher A5. Espaces vectoriels 55
Dém. A5.5
(i) λ · (u − v) = λ · (u + (−1) · v) = λ · u + λ · (−1) · v = λ · u + (−1) · (λ · v) = λ · u − λ · v ;
(ii) (λ − µ) · u = (λ + (−µ)) · u = λ · u + (−µ) · u = λ · u + (−1) · (µ · u) = λ · u − µ · u ;
(iii) −(λ · u) = (−1) · (λ · u) = (−λ · u) et −(λ · u) = (−1) · (λ · u) = λ · ((−1) · u) = λ · (−u) ;
(iv) • La prop A5.4 donne le sens ⇐
1 1
• Réciproquement, supposons λ · u = 0E . Si λ 6= 0, alors u =
· (λ · u) = · 0E = 0E .
λ λ
(v) λ · u = µ · u ⇔ λ · u − µ · u = 0 ⇔ (λ − µ) · u = 0 ⇔ λ − µ = 0 ⇔ λ = µ si u 6= 0E .
(vi) λ · u = λ · v ⇔ λ · u − λ · v = 0E ⇔ λ · (u − v) = 0E ⇔ u − v = 0E ⇔ u = v si λ 6= 0E .
Exemples.
• Pour tout n ∈ N, Rn est un espace vectoriel.
• Pour tous n, p ∈ N, Mn,p (R) est un espace vectoriel (dont le vecteur nul est la matrice nulle).
• R[x] est un espace vectoriel (dont le vecteur nul est le polynôme nul).
• Pour tout n ∈ N, Rn [x] est un espace vectoriel.
• RN est un espace vectoriel (dont le vecteur nul est la suite nulle).
• L’ensemble des fonctions réelles, des fonctions continues, dérivables, de classe C k ou encore C ∞ , définies
sur R ou sur un intervalle de R, sont des espaces vectoriels.
1.2 Sous-espaces vectoriels
Définition A5.6
Soit (E, +, ·) un espace vectoriel Un sous-espace vectoriel de E est une partie F ⊂ E qui, munie
des lois + et · possède une structure d’espace vectoriel.
Remarque. Le plus souvent, pour montrer qu’un ensemble F est un espace vectoriel, on s’attachera à
montrer qu’il est un sous-espace vectoriel d’un espace vectoriel connu E.
Proposition A5.7
Soit (E, +, ·) un espace vectoriel et F ⊂ E. Alors F un sous-espace vectoriel de E si et seulement

si
(i) 0E ∈ F,
(ii) â ∀u, v ∈ F, u + v ∈ F ,
â ∀u ∈ F, ∀λ ∈ R, λ · u ∈ F
Remarques.
• En théorie, il suffit de vérifier que F est non vide pour avoir 0E ∈ F, mais comme le vecteur nul est le
plus souvent le plus aisé à étudier, c’est le critère (en réalité équivalent) qu’on retiendra en pratique.
• En fait, pour montrer que F est un espace vectoriel, toutes les propriétés calculatoires (associativité,
distributivités...) sont automatiquement héritées de celles de E. Les seuls points à vérifier sont la
55
présence du neutre 0E dans F (conséquence de F 6= ∅ si on veut) et le fait que les lois, restreintes à
F , sont bien à valeurs dans F afin d’assurer le caractère de l.c.i. et l.c.e. sur F . On montre donc que
• F ⊂ E,
• F est non vide (en pratique le plus souvent : F contient 0E ),
• F est stable par +,
• F est stable par ·.
Proposition A5.8 (Intersection de sous-espaces)
Soit E un espace vectoriel. Soit F1 et F2 deux sous-espaces vectoriels de E. Alors F1 ∩ F2 est un

sous-espace vectoriel de E.
Remarque. Par récurrence, cette propriété est encore vraie avec une intersection de plusieurs sev.
2 Familles de vecteurs
À partir d’ici on omettra parfois le · dans l’écriture λ · u de la multiplication d’un vecteur u par une
constante λ.
Définition A5.9
Soit (ui )i=1...n une famille de vecteurs de E. On appelle combinaison linéaire des vecteurs ui
un vecteur de la forme
X n
λi ui ,
i=1
où λi ∈ R pour tout i = 1 . . . n.
Proposition A5.10
Soit F un sev de E. Soit (ui )i=1...n une famille de vecteurs de F . Alors toute combinaison linéaire
des ui est un élément de F .
Dém. A5.10
Par récurrence, conséquence directe des stabilités par + et ·.
56
2.1 Familles génératrices
Définition A5.11
Soit (ui )i=1...n une famille de vecteurs de E. On appelle sous-espace engendré par les ui , noté
Vect(u1 , . . . , un ) l’ensemble des combinaisons linéaires des ui :
( n )
X
Vect(u1 , . . . , un ) = λi ui , ∀i ∈ J1, nK, λi ∈ R
i=1
Autrement dit, pour x ∈ E,

n
X
x ∈ Vect(u1 , . . . , un ) ⇔ ∃λ1 , . . . , λn ∈ R, x = λi ui .
i=1
Remarque. Plus généralement, F étant une famille quelconque de vecteurs de E, on appelle Vect(F )
l’ensemble des combinaisons linéaires d’un nombre fini de vecteurs de F .
Proposition A5.12
Soit F une famille de vecteurs de E. Alors Vect(F ) est le plus petit sev de E contenant F .
Autrement dit, F = Vect(F ) si et seulement si
(i) F est un sous-espace vectoriel de E,
(ii) F ⊂ F ,
(iii) pour tout sous-espace G de E tel que F ⊂ G, on a F ⊂ G.
Dém. A5.12
On note F = {u1 , . . . , un }.
⇒ Montrons que Vect(F ) est le plus petit sev de E contenant F .
(i) F est un sev de E. En effet c’est une partie de E et :
n
X
â il contient 0E , obtenu comme 0ui ,
i=1
n
X Xn n
X
â il est stable par + : λi ui + µi ui = (λi + µi )ui ∈ F ,
i=1 i=1 i=1
Xn n
X
â il est stable par · : λ · λi ui = (λλi )ui ∈ F .
i=1 i=1
n
X
(ii) Tout élément uj de F est dans F : c’est λi ui avec les λi = 0 sauf λj = 1.
i=0
n
X
(iii) Soit G sev de E contenant F . Alors pour tous λi ∈ R, on a λi ui ∈ G par
i=1
stabilités. Donc F ⊂ G.
57
⇐ Supposons les trois assertions (i), (ii) et (iii). Montrons que F = Vect(F ).
⊂ Vect(F ) est un sev de E contenant F donc d’après (iii), F ⊂ Vect(F ).

n
X
⊃ Soit λi ui ∈ Vect(F ). D’après (ii), ui ∈ F pour tout i et d’après (i), F est un
i=1
n
X
sev de E, donc λi ui ∈ F par stabilités.
i=1
Proposition A5.13
Soit F1 et F2 deux familles de vecteurs de E telles que F1 ⊂ F2 . Alors Vect(F1 ) ⊂ Vect(F2 ).
Dém. A5.13
Vect(F2 ) est un sev de E et contient F2 donc F1 . Donc Vect(F2 ) contient Vect(F1 ) d’après
(iii) dans A5.12.
Proposition A5.14
Soit (u1 , . . . , un ) une famille de vecteurs de E.

(i) si x est combinaison linéaire des ui , alors Vect(u1 , . . . , un ) = Vect(u1 , . . . , un , x).
(ii) Soit λ, λ1 , . . . , λn . Alors
n−1
!
X
Vect(u1 , . . . , un ) = Vect(u1 , . . . , λ · un ) = Vect u1 , . . . , un + λi ui .
i=1
Dém. A5.14
(i) ⊂ {u1 , . . . , un } ⊂ {u1 , . . . , un , x} donc Vect(u1 , . . . , un ) ⊂ Vect(u1 , . . . , un , x).

⊃ Vect(u1 , . . . , un ) est un sev de E contenant u1 , . . . , un et x (par stabiltiés). Donc
Vect(u1 , . . . , un , x) ⊂ Vect(u1 , . . . , un ) d’après (iii) dans A5.12.
Définition A5.15
Soit F une famille de vecteurs de E. On dit que E est engendré par F ou que F est une
famille génératrice de E lorsque E = Vect(F ).
58
2.2 Familles libres
Définition A5.16
On dit que la famille de vecteurs (u1 , . . . , un ) est liée (ou que les vecteurs sont linéairement
dépendants) lorsqu’il existe λ1 , . . . , λn non tous nuls tels que
λ1 u1 + . . . + λn un = 0E .
Une famille qui n’est pas liée est composée de vecteurs linéairement indépendants. On dit
qu’elle est libre.
Remarque. Dire qu’une famille est liée revient à dire que l’un des vecteurs est combinaison linéaire des
autres. Le but de ce qui suit sera, étant donnée une famille génératrice, de la réduire au strict minimum en
enlevant les vecteurs inutiles : tant qu’on a une famille liée, on peut la priver d’un vecteur sans changer son
caractère générateur.
Proposition A5.17
Une famille (ui )16i6n est libre si et seulement si pour tous λ1 , . . . , λn ∈ R,

n
X
λi ui = 0 ⇒ λ1 = . . . = λn = 0.
i=1
Dém. A5.17
n
X
Négation de ∀λ1 , . . . , λn ∈ R, λi ui = 0 ⇒ λ1 = . . . = λn = 0. :
i=1
n
X
∃λ1 , . . . , λn ∈ R, λi ui = 0 ET ∃i ∈ J1, nK, λi 6= 0.
i=1
C’est exactement la définition d’une famille liée.
Proposition A5.18
Étant donnée L = (`1 , . . . , `p ) une famille libre de E et x ∈

/ Vect(L), la famille (`1 , . . . , `p , x) est
aussi une famille libre de E.
Dém. A5.18
Supposons que (`1 , . . . , `p , x) est liée. Alors il existe (λi )16i6n et λ des constantes non toutes
n
X
nulles telles que λi ì + λx = 0.
i=1
n
X
• Si λ = 0, alors λi ì = 0, impossible car L est libre.
i=1
n
1X
• Si λ 6= 0, alors x = − λi ì , donc x ∈ Vect(L), faux par hypothèse.
λ
i=1
59
On a donc montré par l’absurde que (`1 , . . . , `p , x) est libre.
2.3 Bases
Définition A5.19
On dit qu’une famille de vecteurs (u1 , . . . , un ) est une base de E lorsque c’est une famille libre
et génératrice de E.
Une famille de vecteurs (u1 , . . . , un ) est une base de E si et seulement si tout vecteur x de E
s’exprime de manière unique comme combinaison linéaire des ui :
n
X
n
∀x ∈ E, ∃!(λ1 , . . . , λn ) ∈ R , x = λi ui .
i=1
Le n-uplet (λ1 , . . . , λn ) forme la famille des composantes (ou coordonnées) de x dans la base
(u1 , . . . , un ).
Dém. A5.20
• L’existence des λi équivaut par définition au caractère générateur de (u1 , . . . , un ).
• L’unicité des λi équivaut au caractère libre de (u1 , . . . , un ) :
X n Xn Xn
en effet, λi ui = µi ui ⇔ (λi − µ)ui = 0. La conclusion est laissée au lecteur.
i=1 i=1 i=1
Définition A5.21
On dit qu’un espace vectoriel est de dimension finie lorsqu’il admet une famille génératrice
finie. Sinon on dit qu’il est de dimension infinie.
Théorème A5.22 (base incomplète)
Soit p, q, n ∈ N∗ . Étant données dans E

â une famille libre L = (`1 , . . . , `p ),
â une famille génératrice G = (g1 , . . . , gq ),
il existe une base B de E de la forme
B = (`1 , . . . , `p , `p+1 , . . . , `n )
avec `p+1 , . . . , `n ∈ G.
60
Dém. A5.22 (idée)

On va utiliser de manière répétée la propriété A5.18 en suivant l’algorithme suivant.
On pose pour commencer B = (`1 , . . . , `p ) = L. Puis pour k allant de 1 à q :
• si gk ∈ Vect(B), on garde B inchangée,
• si gk ∈
/ Vect(B), on ajoute gk à B. Ainsi par notre propriété, B est encore libre.
Bien sûr ce procédé est fini car G contient un nombre fini de vecteurs. À la fin, on a une
famille B qui est toujours libre mais aussi génératrice de E. En effet Vect(B) contient G donc
Vect(G) = E.
Remarque. Ce théorème a deux conséquences très utiles.

• Théorème d’existence de base : tout espace vectoriel non réduit à {0} de dimension finie admet une
base.
• Théorème de la base incomplète : étant donnée une famille libre dans un ev E de dimension finie, on
peut la compléter en une base de E.
Remarque. On peut mettre en place le même raisonnement dans l’autre sens afin d’obtenir le théorème
suivant, dit de la base extraite : de toute famille génératrice, on peut extraire des vecteurs formant une base
de E. Le processus est aussi récursif : partant de la famille génératrice de départ, tant qu’elle est liée, on peut
enlever un vecteur (appartenant à l’espace engendré par les autres) qui n’altère pas son caractère générateur.
C’est un bon exercice de rédiger cela.
2.4 Dimension d’un espace vectoriel
Lemme A5.23
Le cardinal d’une famille libre de E est toujours inférieur ou égal au cardinal d’une famille
génératrice.
Dém. A5.23
Démonstration délicate. On montre par récurrence (sur n ∈ N∗ ) que : si un espace possède une
famille génératrice à n vecteurs, alors toute famille de n + 1 vecteurs est liée.
Init. Soit F = Vect(u) et v1 , v2 ∈ F ; montrons que (v1 , v2 ) est liée. On a v1 = a1 u et
v2 = a2 u.
• si a1 = 0, alors v1 = 0E et la famille est liée.
a2
• si a1 6= 0, alors v2 = u donc (v1 , v2 ) est liée.
a1
Hér. Soit n ∈ N∗ , supposons le résultat vrai pour cet entier n.
Considérons F = Vect(u1 , . . . , un+1 ) un espace engendré par n+1 vecteurs. Soit v1 , . . . , vn+2
des vecteurs de F .
Pour tout k, vk est combinaison linéaire des ui . On va isoler la contribution de un+1 :
Pour tout 1 6 k 6 n + 2, on pose vk = λ1 u1 + . . . + λn un +λk un+1 .
| {z }
wk
• Si les λk sont tous nuls, (vk )16k6n+1 constituerait une famille de n + 2 vecteurs
dans Vect(u1 , . . . , un ), et serait donc une famille liée par H.R.
61
• Sinon on peut supposer (quitte à changer l’ordre des vecteurs) que λn+2 6= 0.
1 λk
Alors un+1 = (vn+2 − wn+2 ). On peut alors écrire vk = wk + (vn+2 −
λn+2 λn+2
wn+2 ).
λk λk λk
Ainsi on a vk − vn+2 = wk − wn+2 . Les vecteurs vk − vn+2
λn+2 λn+2 λn+2 16k6n+1
forment une famille de n + 1 vecteurs de Vect(u1 , . . . , un ) et donc liée par H.R. La
relation de dépendance linéaire entre ces vecteurs donne une relation de dépendance
linéaire entre les (wk )16k6n+2 qui forment donc une famille liée.
Toutes les bases d’un espace vectoriel E de dimension finie ont même cardinal, appelé dimension
de E et noté dim E.
Dém. A5.24
Conséquence facile du lemme précédent. Soit B une base de E. Supposons B de cardinal n et
soit B 0 une autre base de E, que l’on suppose de cardinal n0 .
• Comme B est libre et B 0 est génératrice de E, alors n 6 n0
• Comme B 0 est libre et B est génératrice de E, alors n0 6 n
Remarque. Par convention la dimension de l’espace {0} est 0.
Théorème A5.25
Soit E un espace vectoriel de dimension n et F une famille de p vecteurs de E.

(i) Si F est libre, alors p 6 n et on a égalité si et seulement si F est une base de E.
(ii) Si F est génératrice, alors p > n et on a égalité si et seulement si F est une base de E.
Dém. A5.25
Soit B une base (donc composée de n vecteurs) de E.
(i) • F est libre et B est génératrice donc p 6 n.
• ⇒ Supposons p = n. Si F n’était pas une base, c’est qu’elle ne serait pas génératrice
(car elle est libre par hypothèse). Donc on aurait x ∈ E tel que x ∈ / Vect(F).
Ainsi F ∪ {x} serait encore libre (c.f. A5.18) mais avec n + 1 vecteurs, ce qui
est impossible.
⇐ d’après théorème précédent
(ii) idem mais dans l’autre sens, laissé en exercice.
62
Théorème A5.26
Soit F un sev de E. Alors

(i) dim F 6 dim E,
(ii) dim F = dim E ⇔ F = E.
Dém. A5.26
(i) Toute base de F est une famille libre de E.
(ii) F = E si et seulement si toute base de F est base de E.
Exemples. Bases canoniques et dimensions d’espaces vectoriels classiques.

2 1 0
• R est de dimension 2 et a pour base canonique , ,
0 1
     
1 0 0
3
• R est de dimension 3 et a pour base canonique   0 , 1 , 0
   
0 0 1
• Rn [x] est de dimension n + 1 et a pour base canonique (1, x, x2 , . . . , xn ).

1 0 0 1 0 0 0 0
• M2,2 (R) est de dimension 4 et a pour base canonique , , , .
0 0 0 0 1 0 0 1
• Mn,p (R) est de dimension np et sa base canonique s’écrit sur le modèle précédent.
63
64
Chapitre A6
Applications linéaires
Objectifs
• Notion de linéarité.
• Notion de noyau, lien avec l’injectivité.
• Applications linéaires usuelles.
• Intérêt de la dimension finie dans la description d’une application
linéaire.
Dans la suite, E et F désignent des espaces vectoriels.
1 Généralités
1.1 Définitions
Définition A6.1
On dit qu’une application f : E → F est linéaire de E dans F lorsque

(i) ∀x, y ∈ E, f (x + y) = f (x) + f (y),
(ii) ∀x ∈ E, ∀λ ∈ R, f (λ · x) = λ · f (x).
Remarque. On parle aussi de morphisme ou d’homomorphisme d’espaces vectoriels.
Définition A6.2
Une application linéaire E → E est appelée endomorphisme de E.
Notations. On note L(E, F ) l’ensemble des applications linéaires de E dans F et L(E) (on trouve parfois
End(E)) l’ensemble des endomorphismes de E.
65
66 A6. Applications linéaires
Proposition A6.3
Soit f : E → F une application linéaire. Alors

(i) f (0E ) = 0F ,
(ii) ∀x ∈ E, f (−x) = −f (x).
Dém. A6.3
(i) f (0E ) = f (0E + 0E ) = f (0E ) + f (0E ) donc 0F = f (0E ).
(ii) f (x) + f (−x) = f (x + (−x)) = f (0E ) = 0F . Donc f (−x) = −f (x).
1.2 Opérations
Proposition A6.4 (Structure)
L’ensemble L(E, F ) des morphismes de E dans F est un sous-espace vectoriel de F(E, F ).
Dém. A6.4
non vide : L’application nulle N : E → F est linéaire.

x 7→ 0F
En effet, ∀x, y ∈ E, ∀λ ∈ R, N (x + y) = 0F et N (x) + N (y) = 0F + 0F = 0F .
Et N (λ · x) = 0F = λ · 0F = λ · N (x).
stable par + : Soit f, g ∈ L(E, F ). Alors f + g : E → F est linéaire : soit x, y ∈ E, λ ∈ R.
(f +g)(x+y) = f (x+y)+g(x+y) = f (x)+f (y)+g(x)+g(y) = (f +g)(x)+(f +g)(y).
Et (f +g)(λ·x) = f (λ·x)+g(λ·x) = λ·f (x)+λ·g(x) = λ·(f (x)+g(x)) = λ·((f +g)(x)).
stable par · : exercice.
Remarque. En particulier, l’application nulle et la combinaison d’applications linéaires sont des applica-
tion linéaires.
Proposition A6.5 (Composition)
Soient E, F , G trois espaces vectoriels. Si f : E → F et g : F → G sont deux applications

linéaires, alors g ◦ f est une application linéaire de E dans G.
Dém. A6.5
On a bien g ◦ f : E → G. Soit x, y ∈ E et λ ∈ R.
(g ◦ f )(x + y) = g(f (x + y)) = g(f (x) + f (y)) = g(f (x)) + g(f (y)) = (g ◦ f )(x) + (g ◦ f )(y).
(g ◦ f )(λ · x) = g(f (λ · x)) = g(λ · f (x)) = λ · g(f (x)) = λ · ((g ◦ f )(x)).
66
ECG1 2021–2022 H. Boucher A6. Applications linéaires 67
Proposition A6.6
Soient f, f1 , f2 ∈ L(E, F ) et g, g1 , g2 ∈ L(F, G). Soit λ ∈ R. Alors

(i) g ◦ (f1 + f2 ) = g ◦ f1 + g ◦ f2 ,
(ii) (g1 + g2 ) ◦ f = g1 ◦ f + g2 ◦ f ,
(iii) g ◦ (λ · f ) = λ · (g ◦ f ) = (λ · g) ◦ f .
Dém. A6.6
Pour montrer que deux fonctions sont égales, on montre que les images de tout élément sont
les mêmes par les deux fonctions.
(i) Soit x ∈ E. (g ◦ (f1 + f2 ))(x) = g((f1 + f2 )(x)) = g(f1 (x)) + g(f2 (x)) = (g ◦ f1 )(x) +
(g ◦ f2 )(x) = (g ◦ f1 + g ◦ f2 )(x).
(ii) exercice.
(iii) exercice.
Définition A6.7
(
f 0 = idE
Soit f un endomorphisme de E. On définit les puissances de f par : .
∀k ∈ N, f k+1 = f ◦ f k
Remarques.
n
X
• Cela permet d’associer à tout polynôme P un polynôme d’endomorphisme P (f ) = ak f k .
k=0
• Dans le cas où f est bijective, on peut aussi définir les puissances négatives :
pour tout n ∈ N, f −n = (f −1 )n = (f n )−1 .
Proposition A6.8
Soit f, g ∈ L(E). Si f ◦ g = g ◦ f , alors pour tout n ∈ N, on a

n
n
X n k
(f + g) = f ◦ g n−k .
k
k=0
Dém. A6.8
Par récurrence, à calquer sur la démonstration de la formule du binôme de Newton.
67
1.3 Bijectivité
Proposition A6.9
Soit f : E → F une application linéaire et bijective. Alors la réciproque de f est une application
linéaire f −1 : F → E.
Dém. A6.9
∀x, y ∈ F, ∀λ ∈ R,
f (f −1 (x) + f −1 (y)) = f (f −1 (x)) + f (f −1 (y)) = x + y. Donc f −1 (x + y) = f −1 (x) + f −1 (y).
f (λ · f −1 (x)) = λ · f (f −1 (x)) = λ · x. Donc f −1 (λ · x) = λ · f −1 (x).
Définition A6.10
(i) On dit que f : E → F est un isomorphisme de E dans F lorsqu’elle est linéaire et

bijective.
On dit que E et F sont isomorphes lorsqu’il existe un isomorphisme de E dans F .
(ii) On dit que f : E → E est un automorphisme de E lorsqu’elle est linéaire et bijective.
On appelle groupe linéaire l’ensemble des automorphismes de E, noté GL(E).
Proposition A6.11
(i) Soient f : E → F et g : F → G deux isomorphismes. Alors g ◦ f : E → G est un

isomorphisme.
(ii) Soient f et g deux automorphismes de E. Alors f ◦ g et g ◦ f sont eux aussi deux automor-
phismes de E.
Dém. A6.11
(i) Comme pour les applications de E dans F , il suffit de vérifier que f −1 ◦ g −1 est bien la
bijection réciproque.
(ii) On applique ce qui précède dans le cas où G = F = E.
1.4 Noyau, image
Définition A6.12 (Noyau)
Soit f ∈ L(E, F ). On appelle noyau de f , noté Ker f , l’ensemble
Ker f = {x ∈ E, f (x) = 0F }.
68
Proposition A6.13
Soit f ∈ L(E, F ). Alors Ker f est un sous-espace vectoriel de E.
Dém. A6.13
non vide : f (0E ) = 0F donc 0E ∈ Ker f .
stable par + : Soit x1 , x2 ∈ Ker f . Alors f (x1 + x2 ) = f (x1 ) + f (x2 ) = 0F + 0F = 0F donc
x1 + x2 ∈ Ker f .
stable par · : Soit x ∈ Ker f , λ ∈ R. Alors f (λ·x) = λ·f (x) = λ·0F = 0F donc λ·x ∈ Ker f .
Théorème A6.14
Soit f ∈ L(E, F ). Alors f est injective si et seulement si Ker f = {0E }.
Dém. A6.14
⇒ Supposons f injective. Montrons que Ker f = {0E }.
⊃ Immédiat car Ker f est un sev de E.
⊂ Soit x ∈ Ker f . Alors f (x) = 0F = f (0E ). Comme f est injective, x = 0E .
⇐ Supposons Ker f = {0E } et montrons que f est injective.
Soit x1 , x2 ∈ E tels que f (x1 ) = f (x2 ). Alors f (x1 ) − f (x2 ) = 0F . Par linéarité,
f (x1 − x2 ) = 0F , d’où x1 − x2 = 0E , donc x1 = x2 .
Définition A6.15 (Image)
Soit f ∈ L(E, F ). On appelle image de f , notée Im f , l’ensemble
Im f = f (E) = {f (x), x ∈ E} = {y ∈ F, ∃x ∈ E, y = f (x)}.
Proposition A6.16
Soit f ∈ L(E, F ). Alors Im f est un sous-espace vectoriel de F .
Dém. A6.16
non vide : f (0E ) = 0F donc 0F ∈ Im f .
stable par + : Soit y1 , y2 ∈ Im f . On dispose de x1 , x2 ∈ E tels que y1 = f (x1 ) et y2 =
f (x2 ). Alors y1 + y2 = f (x1 + x2 ) ∈ Im f .
stable par · : Soit y ∈ Im f et λ ∈ R. on dispose de x ∈ E tel que y = f (x). Alors
λ · y = λ · f (x) = f (λ · x) ∈ Im f .
69
Théorème A6.17
Soit f ∈ L(E, F ). Alors f est surjective si et seulement si Im f = F .
Dém. A6.17
C’est la définition !
1.5 Projecteurs
On suppose dans ce paragraphe que F et G sont deux sous-espaces supplémentaires de E, c’est-à-dire
E = F ⊕ G.
Définition A6.18 (Projection)
Si pour tout x ∈ E, on note x = xF + xG avec xF ∈ F et xG ∈ G, la projection sur F

parallèlement à G est l’application
p : E → E
x 7→ xF .
Proposition A6.19
La projection p sur F parallèlement à G est linéaire et

(i) Ker p = G et Im p = F .
(ii) p|F = IdF et p|G = 0.
(iii) p ◦ p = p.
Remarque. Si on appelle q la projection sur G parallèlement à F , alors on a

(i) p + q = IdE ,
(ii) F = Ker q = Im p,
(iii) G = Ker p = Im q.
Définition A6.20 (Projecteur)
On appelle projecteur de E tout endomorphisme p ∈ L(E) qui vérifie
p ◦ p = p.
Proposition A6.21
Si p est un projecteur de E, alors c’est une projection sur Im p parallèlement à Ker p.
70
Dém. A6.21
Montrons que E = Im p ⊕ Ker p. Soit x ∈ E.
Analyse Supposons x = x1 + x2 avec x1 ∈ Im p et x2 ∈ Ker p.
On dispose alors de a ∈ E tel que x1 = p(a).
Alors p(x) = p(x1 ) + p(x2 ) = p(p(a)) + 0E = p2 (a) = p(a) = x1 .
Ainsi x1 = p(x) et par conséquent x2 = x − p(x).
Synthèse Soit x1 = p(x) et x2 = x − p(x).
• x1 ∈ Im p,
• p(x2 ) = p(x) − p(p(x)) = 0E donc x2 ∈ Ker p.
• x1 + x2 = x.
Étant donnée la décomposition de tout x ∈ E sur Im p + Ker p : x = p(x) + (x − p(x)), p(x)
est bien, par définition l’image de x par la projection sur Im p parallèlement à Ker p.
2 En dimension finie
Dans tout ce chapitre, E désigne un R-espace vectoriel, les xi sont des vecteurs de E et les λi sont des
scalaires de R.
2.1 Applications linéaires
Théorème A6.22
Soit (e1 , . . . , en ) une base de E. Étant donnée une famille F = (f1 , . . . , fn ) une famille de vecteurs
de F , il existe une unique application u : E → F telle que pour tout i, u(ei ) = fi . De plus,
• u est injective si et seulement si F est libre,
• u est surjective si et seulement si F est génératrice.
Dém. A6.22
n
X n
X
Existence Pour tout x = λi ei , on pose u(x) = λi fi . Alors on a bien u(ei ) = fi pour
i=1 i=1
tout i et u linéaire (facile à vérifier).
Unicité Supposons u et v linéaires construites telles que u(ei ) = v(ei ) = fi pour tout i.
n
X X n
Alors pour tout x = λi ei ∈ E, u(x) = λi fi = v(x), donc u = v.
i=1 i=1
n
X
Injectivité ⇒ Supposons u injective. Soit λi ∈ R tels que λi fi = 0F .
i=1
n n n
!
X X X
Alors λi u(ei ) = u λi ei = 0F . Or u est injective donc λi ei = 0E et
i=1 i=1 i=1
donc (base) λi = 0 pour tout i.
71
n
X
⇐ Supposons F libre. Soit x = λi ei ∈ E tel que u(x) = 0F .
i=1
n
X
Alors λi fi = 0 d’où (F libre) λi = 0 pour tout i, et donc x = 0E .
i=1
Surjectivité u est surjective ssi ∀y ∈ F, ∃x ∈ E, y = u(x)

n
!
X
ssi ∀y ∈ F, ∃(λi ) ⊂ R, y = u λi ei
i=1
Xn
ssi ∀y ∈ F, ∃(λi )16i6n ⊂ R, y = λi fi
i=1
ssi F est une famille génératrice de F .
Corollaire A6.23
Avec les notations précédentes et E et F de dimension finie, F est isomorphe à E si et seulement

si dim F = dim E = n.
Dém. A6.23
Soit n = dim E et (e1 , . . . , en ) une base de E
⇒ Il existe u : E → F isomorphisme (i.e. application linéaire bijective). Alors F = (u(e1 ), . . . , u(en ))
est une base (libre et génératrice d’après ce qui précède) de F , d’où dim F = n.
⇐ Supposons dim F = dim E = n et soit (f1 , . . . fn ) une base de F . D’après ce qui précède,
il existe une (unique) application u : E → F telle que u(ei ) = fi . Elle est de plus bijective
car F est libre et génératrice de F , donc réalise un isomorphisme entre E et F .
Remarque. Ceci permet d’établir un isomorphisme entre tout R-ev E de dimension n et Rn .

En effet, étant donnée une base (e1 , . . . , en ) de E, u : E −→  Rn  est un isomorphisme.
λ1
X  .. 
x= λi ei 7−→  . 
λn
Pour s’en convaincre, u envoie la famille (e1 , . . . , en ) sur la base canonique de Rn .
Définition A6.24 (Rang)
(i) Soient E un ev de dimension finie et F une famille de vecteurs de E. On appelle rang de

F la dimension de Vect(F).
(ii) Soit u ∈ L(E, F ). On appelle rang de u la dimension de Im u.
Notations. On note ces quantités rg F et rg u.
72
Proposition A6.25
Étant donnée (e1 , . . . , en ) une base de E, on a
rg u = rg(u(e1 ), . . . , u(en )).
Dém. A6.25
Comme (e1 , . . . , en ) est une base (en particulier génératrice) de E, (u(e1 ), . . . , u(en )) est
X n Xn
génératrice de Im u. En effet, ∀y ∈ Im u, ∃x = λi ei ∈ E, y = u(x) = λi u(ei ).
i=1 i=1
Théorème A6.26 (du rang)
Soient E et F deux espaces vectoriels, E étant de dimension finie et u ∈ L(E, F ). Alors
dim E = dim(Ker u) + dim(Im u) = dim(Ker u) + rg u.
Dém. A6.26
Soit (e1 , . . . , ep ) une base de Ker u et (ep+1 , . . . , en ).
Par le théorème de la base incomplète, on peut définir des vecteurs tels que (e1 , . . . , en ) soit
une base de E.
Montrons que n − p = rg u.
On remarque que si H = Vect(ep+1 , . . . , en ), on a E = Ker u ⊕ H (c’est le même argu-
ment qui est utilisé pour montrer l’existence d’un supplémentaire). Im u est engendrée par
(u(e1 ), . . . , u(en )) = (u(ep+1 ), . . . , u(en )) (car ∀i 6 p, u(ei ) = 0F ). Montrons maintenant que
cette famille est libre.  
Xn Xn
Soit λi ∈ R tels que λi u(ei ) = 0F . Alors u  λi ei  = 0F .
i=p+1 i=p+1
n
X n
X
Donc λi ei ∈ Ker u. Or λi ei ∈ H, qui est supplémentaire à Ker u.
i=p+1 i=p+1
Xn
Donc λi ei = 0E et comme (ep+1 , . . . , en ) est libre, λi = 0 pour tout p + 1 6 i 6 n.
i=p+1
Finalement rg(u) = n − p = n − dim(Ker u).
Corollaire A6.27
Soit u ∈ L(E, F ) avec E et F deux ev de même dimension finie. Alors on a équivalence entre
(i) u est injective,
(ii) u est surjective,
(iii) u est un isomorphisme.
73
Dém. A6.27
(i) ⇔(ii) u injective ⇔ Ker u = {0E } ⇔ rg(u) = n = dim F ⇔ Im u = F ⇔ u surjective.
(i) ⇔(iii) (i) ⇒ ((i) et (ii)) ⇒ (iii) et bien sûr (iii) ⇒ (i)
2.2 Interprétation matricielle des applications linéaires
Définition A6.28
Soit F un R-espace vectoriel de base F = (f1 , . . . , fn ) et V = (v1 , . . . , vp ) une famille de vecteurs

de F . On appelle matrice de la famille V dans la base F la matrice
v1 vj vp
 
a11 . . . a1j . . . a1p f1
 
 
 .. .. .. 
 . . . 
 
MatF (V) =  a
 i1 . . . a ij . . . aip  fi
 
 
 .. .. .. 
 . . . 
an1 . . . anj . . . anp fn
où les aij sont les composantes des vj dans la base F.
Définition A6.29
Soit E un espace vectoriel de base E = (e1 , . . . , ep ), F un espace vectoriel de base F = (f1 , . . . , fn )

et u ∈ L(E, F ). On appelle matrice du u relativement aux bases E et F la matrice
u(e1 ) u(ej ) u(ep )

 
a11 . . . a1j . . . a1p f1
 
 
 .. .. .. 
 . . . 
 
MatE,F (u) =  a
 i1 . . . a ij . . . aip  fi
 
 
 .. .. .. 
 . . . 
an1 . . . anj . . . anp fn
où
n
X
∀(i, j) ∈ J1, nK × J1, pK, u(ej ) = aij fi .
i=1
74
Remarque. Autrement dit,

MatE,F (u) = MatF (u(e1 ), . . . , u(ep )).
Notation. Pour un endomorphisme, on note simplement
MatE (u) = MatE,E (u)
Théorème A6.30
Soient E une base de E un espace de dimension p et F une base de F un espace de dimension n.

Alors l’application
Φ : L(E, F ) → Mnp (R)
u 7→ MatE,F (u)
est un isomorphisme d’espaces vectoriels.
Dém. A6.30
On note toujours E = (e1 , . . . , ep ).
• Φ est linéaire par opérations sur les matrices : pour tous u, v ∈ L(E, F ) et λ ∈ R, on a
(u + v)(ei ) = u(ei ) + v(ei ) et (λu)(ei ) = λu(ei ) pour tout i. Donc MatE,F (u + v) =
MatE,F (u) = MatE,F (v) et MatE,F (λu) = λ MatE,F (u).
• Φ est injective : en effet, si Φ(u) est la matrice nulle, alors u(ei ) = 0Rn pour tout i et
donc u est l’application nulle.
• Φ est surjective : en effet, pour toute matrice M , il existe d’après le premier théorème
une application linéaire correspondante, il suffit de poser poser u(ei ) la i-ième colonne de
M (dans la base F).
Remarque. En particulier, dim(L(E, F )) = dim(Mnp (R)) = p × n.

Proposition A6.31
Soient E et F deux espaces vectoriels avec pour bases respectivement E, F. Étant donné u ∈
L(E, F ), on a
MatF (u(x)) = MatE,F (u) × MatE (x).
Dém. A6.31
 
  1
p λ1 0 n
X  ..  X
Soit x = λi ei . Ainsi  .  = λ1  .  + . . . = λi MatE (ei ).
 
 .. 
i=1 λp i=1
0
Notons Ci le vecteur de E dont la matrice dans la base E est la i-ième colonne de MatE,F (u).
Par définition de cette  matrice, Ci = MatF (u(ei )).
1
0
On a MatE,F (u) ×  .  = C1 et de même MatE,F (u) × MatE (ei ) = Ci = MatF (u(ei )) (∀i).
 
 .. 
0
75
p p p
!
X X X
Donc MatE,F (u) × λi MatE (ei ) = λi MatE,F (u) × MatE (ei ) = λi MatF (u(ei )).
i=1 i=1 i=1
p
!
X
Donc MatE,F (u) × MatE (x) = MatF λi u(ei ) = MatF (u(x))
i=1
Proposition A6.32
Soient E, F et G trois espaces vectoriels avec pour bases respectivement E, F et G. Soient

u ∈ L(E, F ) et v ∈ L(F, G). Alors
MatE,G (v ◦ u) = MatF ,G (v) × MatE,F (u).
Dém. A6.32
Pour tout x ∈ E, MatF (u(x)) = MatE,F (u) × MatE (x).
Puis MatG (v(u(x))) = MatF ,G (v) × (MatE,F (u) × MatE (x)).
Donc MatG ((v ◦ u)(x)) = (MatF ,G (v) × MatE,F (u)) × MatE (x).
Ainsi, pour tout x ∈ E, MatE,G (v ◦ u) × MatE (x) = (MatF ,G (v) × MatE,F (u)) × MatE (x).
Il suffit d’appliquer cela avec x = ei pour tout i pour avoir l’égalité des matrices (colonne par
colonne).
Remarque. Avec A = MatE,F (u), X = MatE (x) et Y = MatF (u(x)), on retient la forme
Y = AX.
Remarque. Tous les résultats précédents peuvent s’interpréter dans le cas particulier où E = F et
établissent une correspondance bijective entre matrices carrées et endomorphismes.
Méthodes
• Vérifier qu’une application est linéaire.

• Déterminer le noyau d’une application linéaire.
• Déterminer la matrice d’une application linéaire dans les bases
données.
• Calculer l’action d’une application linéaire représentée matriciel-
lement.
76
Deuxième partie
Analyse
77
Chapitre B1
Fonctions usuelles
Objectifs
• Définition d’une fonction.

• Plan d’étude d’une fonction et réalisation technique.
• Notion de bijection et de bijection réciproque.
• Propriétés calculatoires des fonctions usuelles (exponentielle, lo-
garithme).
1 Notion de fonction
1.1 Définitions
Définition B1.1
Une fonction réelle d’une variable réelle est la donnée d’un sous-ensemble (non vide) D de R
et pour tout x ∈ D d’une valeur réelle appelée image de x par la fonction.
Notations. Si on appelle f cette fonction, on dit qu’elle est définie sur D ou que D est son ensemble de
définition. On écrit f : D → R et on note f (x) l’image de x par f .
Définition B1.2
Soit f : D → R une fonction réelle. D est appelé ensemble de définition de f .

Soit x ∈ D et y = f (x) ; on dit que x est un antécédent de y par f .
Dans le plan muni d’un repère, on appelle graphe de f la partie formée par tous les points de
coordonnées (x, f (x)) avec x ∈ D.
Dans le cadre du programme, l’ensemble de définition de f est un intervalle I de R. Cela n’empêche

pas d’étudier une fonction définie sur un ensemble de définition D plus général, par exemple R∗ . Il suffit de
scinder l’étude en deux temps : sur R∗+ et sur R∗− .
Dans le plan muni d’un repère orthonormé (O,~ı,~), on désigne par Cf sa courbe représentative, dont
l’équation cartésienne est y = f (x).
79
80 B1. Fonctions usuelles
1.2 Opérations
Définition B1.3
Soit f : D → R et A un sous-ensemble de D. On définit la restriction de f à A, notée f |A , par

f |A : A → R .
x 7→ f (x)
Définition B1.4
Soient f : D → R et g : D → R. Alors on peut définir

• la somme f + g par f + g : D → R ,
x 7→ f (x) + g(x)
• le produit f × g par f × g : D → R .
x 7→ f (x) × g(x)
Si de plus g(x) 6= 0 pour tout x ∈ D, alors on peut définir
1 1
• l’inverse par :D → R ,
g g
1
x 7→
g(x)
f f
• le quotient par :D → R .
g g
f (x)
x 7→
g(x)
Définition B1.5
Soient f : D → R et g : D0 → R. Si pour tout x ∈ D, f (x) ∈ D0 , alors on peut définir la fonction

composée de f par g, notée g ◦ f , par : g ◦ f : D → R .
x 7→ g(f (x))
Définition B1.6
Soit f : D → D0 . On dit que f est bijective (f est une bijection) lorsque
∀y ∈ D0 , ∃!x ∈ D, y = f (x),
i.e. lorsque tout élément de D0 admet un unique antécédent par f .

Dans ce cas on peut définir la bijection réciproque de f , notée f −1 : D0 → D, qui à tout
élément de J associe son unique antécédent par f .
80
ECG1 2021–2022 H. Boucher B1. Fonctions usuelles 81
1.3 Propriétés globales
Définition B1.7
L’application f : D → R est périodique lorsqu’il existe T > 0 (une période) tel que pour tout
x ∈ D,
x + T ∈ D et f (x + T ) = f (x).
Si elle existe, la plus petite période strictement positive de f s’appelle la période de f .
Définition B1.8
Soit f : D → R telle que D soit centré en zéro. On dit que f est

• paire lorsque ∀x ∈ D, f (−x) = f (x).
• impaire lorsque ∀x ∈ D, f (−x) = −f (x).
Proposition B1.9
Soient f : D → D0 et g : R → R avec D centré en 0.

(i) si f et g sont impaires, alors g ◦ f est impaire ;
(ii) si f est impaire et g est paire alors g ◦ f est paire ;
(iii) si f est paire alors g ◦ f est paire.
Dém. B1.9
g ◦ f est définie sur D qui est centré en 0.
(i) ∀x ∈ D, (g ◦ f )(−x) = g(f (−x)) par définition de la composée
= g(−f (x)) car f est impaire
= −g(f (x)) car g est impaire
= −(g ◦ f )(x) par définition de la composée.
Ceci montre que g ◦ f est impaire.
(ii) ∀x ∈ D, (g ◦ f )(−x) = g(f (−x)) par définition de la composée Ceci montre
= g(−f (x)) car f est impaire
= g(f (x)) car g est paire
= (g ◦ f )(x) par définition de la composée.
que g ◦ f est paire.
(iii) ∀x ∈ D, (g ◦ f )(−x) = g(f (−x)) par définition de la composée
= g(f (x)) car f est paire
= (g ◦ f )(x) par définition de la composée.
Ceci montre que g ◦ f est paire.
81
Définition B1.10
Soit f : D → R. On dit que f est

• majorée si ∃M ∈ R, ∀x ∈ D, f (x) 6 M (un tel M est un majorant de f ),
• minorée si ∃m ∈ R, ∀x ∈ D, f (x) > m (un tel m est un minorant de f ),
• bornée si elle est majorée et minorée.
2 Étude d’une fonction
2.1 Détermination de l’intervalle d’étude
Dans le cas d’une fonction périodique et/ou paire ou impaire, on peut d’emblée réduire l’intervalle d’étude
à l’aide des propriétés graphiques de la proposition suivante. On y donne aussi quelques interprétations
graphiques plus raffinées.
Proposition B1.11
Soit f : D → R une fonction et Cf sa courbe représentative dans un repère orthonormé.

(i) Si f est paire, alors Cf est symétrique par rapport à l’axe des ordonnées.
(ii) Si f est impaire, alors Cf est symétrique par rapport à l’origine du repère.
(iii) Si f est T -périodique, alors le graphe de f est invariant par la translation de vecteur (T, 0).
(iv) Le graphe de x 7→ f (x − a) est l’image de celui de f par la translation de vecteur (a, 0).
(v) Le graphe de x 7→ f (x) + b est l’image de celui de f par la translation de vecteur (0, b).
(vi) Le graphe de x 7→ f (x − a) + b est l’image de celui de f par la translation de vecteur (a, b).
Dém. B1.11
(i) Pour tout x, le point de Cf d’abscisse −x est de coordonnées (−x, f (−x)) = (−x, f (x)),
symétrique par rapport à l’axe du point d’abscisse x : (x, f (x)).
(ii) Même raisonnement.
(iii) Pour tout x, le point de Cf d’abscisse x + T est de coordonnées (x + T, f (x + T )) =
(x + T, f (x)), image du point (x, f (x)) par la translation annoncée.
(iv) Soit g : x 7→ f (x − a). Pour tout x, le point d’abscisse x de Cf est M (x, f (x)). Le point
d’abscisse x + a de Cg est M 0 (x + a, f (x)) car g(x + a) = f (x). Et M 0 est bien l’image
de M par la translation annoncée.
(v) et suivantes : même raisonnement
82
fonction paire fonction impaire fonction périodique
2.2 Limites
On définira dans un chapitre ultérieur la notion de limite de manière précise. Pour l’heure, on s’appuie
sur la notion que vous en avez acquise au lycée.
Soit f : D → R et soit a ∈ D ou au bord de D. Si elle existe, la limite de f en a (ou limite de f (x) quand x
tend vers a) est la valeur dont s’approche f (x) quand x s’approche de a.
Notations. Si f admet une limite ` en a, on note f (x) −−−→ `. Et cette valeur ` est notée lim f (x).
x→a x→a
On rappelle simplement ici les propriétés algébriques des limites.
Théorème B1.12 (Opérations algébriques)
Soient f, g deux fonctions définies sur un intervalle I et a un élément de I ou au bord de celui-ci.

On suppose que f (x) −−−→ `1 et g(x) −−−→ `2 . Alors
x→a x→a
(i) pour tous α, β ∈ R, (αf + βg)(x) −−−→ α`1 + β`2 ,
x→a
(ii) (f g)(x) −−−→ `1 `2 ,
x→a
(iii) avec `1 6= 0, (1/f )(x) −−−→ 1/`1 ,
x→a
(iv) si `1 = 0 , alors (1/f )(x) −−−→ +∞ et si `1 = 0− , alors (1/f )(x) −−−→ −∞
+
x→a x→a
Dém. B1.12
Admis pour l’instant : voir plus tard avec la définition formelle de la limite.
Remarque. Ces opérations se font aussi dans le cas de limites infinies avec les règles de calcul suivantes.
HH `
HH 1 −∞ ∈ R− 0 ∈ R+ +∞
HH ` `2
H 1 −∞ ∈R +∞ HH
`2 HH H −∞ +∞ +∞ F.I −∞ −∞
−∞ −∞ −∞ F.I ∈ R− +∞ `1 `2 0 `1 `2 −∞
∈R −∞ `1 + `2 +∞ 0 F.I 0 0 0 F.I
+∞ F.I +∞ +∞ ∈ R+ −∞ `1 `2 0 `1 `2 +∞
Somme de limites. +∞ −∞ −∞ F.I. +∞ +∞
Produit de limites.
83
2.3 Asymptotes
Définition B1.13
Soit f : I → R et Cf sa courbe représentative dans un repère orthonormé.

• Soit x0 ∈ R \ I une extrémité de I. On dit que Cf admet une asymptote verticale en x0
lorsque f admet pour limite +∞ ou −∞ en x0 . La droite d’équation x = x0 est asymptote
verticale à Cf .
• Soit a, b ∈ R. On dit que la droite d’équation y = ax + b est asymptote à la courbe Cf
lorsque f (x) − (ax + b) tend vers 0 lorsque x tend vers +∞ ou −∞. La courbe Cf admet
une asymptote oblique si a 6= 0 et une asymptote horizontale si a = 0.
Remarque. Bien sûr la définition d’asymptote oblique ou horizontale suppose que I soit non borné.
2.4 Dérivation
Définition B1.14
f (x) − f (a)
Une fonction f : I → R est dérivable en a ∈ I si lim existe et est finie. Dans ce
x→a x−a
cas, cette limite est appelée nombre dérivé de f en a, noté f 0 (a).
Proposition B1.15
Soient f : I → R une fonction dérivable en a ∈ I. Alors la tangente en a à Cf a pour équation
y = f (a) + f 0 (a)(x − a).
Dém. B1.15
La tangente à la courbe de f en a est la droite passant par le point (a, f (a)) et de pente f 0 (a)
(ceci peut être justifié topologiquement en voyant la tangente comme limite de cordes mais ces
considérations dépassent le cadre de ce cours).
Ceci étant établi, un autre point (x, y) du plan (avec x 6= a) appartient à cette droite si et
y − f (a)
seulement si = f 0 (a), ce qui donne exactement l’équation attendue.
x−a
Définition B1.16
Une fonction f : I → R est dite dérivable sur I si elle est dérivable en tout point a ∈ I. Dans
ce cas, on définit la fonction dérivée de f , notée f 0 par
f0 : I → R .
0
x 7→ f (x)
84
Proposition B1.17
Soient f, g deux fonctions dérivables sur I et λ ∈ R. Alors

(i) f + g est dérivable et (f + g)0 = f 0 + g 0 ,
(ii) f g est dérivable et (f g)0 = f 0 g + f g 0 ,
(iii) λf est dérivable et (λf )0 = λf 0 ,
0
f f f 0g − f g0
(iv) si g ne s’annule pas sur I, est dérivable et = ,
g g g2
Dém. B1.17
On raisonne sur le taux d’accroissement en un point a ∈ I.
(f + g)(x) − (f + g)(a) f (x) − f (a) g(x) − g(a)
(i) ∀x ∈ I \ {a}, = + −−−→ f 0 (a) + g 0 (a).
x−a x−a x−a x→a
(f g)(x) − (f g)(a) f (x)g(x) − f (a)g(a)
(ii) ∀x ∈ I\{a}, =
x−a x−a
f (x)g(x) − f (x)g(a) + f (x)g(a) − f (a)g(a)
=
x−a
g(x) − g(a) f (x) − f (a)
= f (x) + g(a)
x−a x−a
−−−→ f (a)g 0 (a) + f 0 (a)g(a)
x→a
car f est dérivable donc continue en a, d’où f (x) −−−→ f (a).
x→a
(iii) Facile.
1
g (x) − g1 (a) 1 g(a) − g(x) 1
(iv) Pour tout x ∈ I \ {a}, = −−−→ (−g 0 (a))
x−a g(x)g(a) x−a x→a g(a)2
car g est dérivable donc continue en a, d’où g(x) −−−→ g(a).
x→a
1
Puis on applique la formule du produit à f × .
g
Proposition B1.18 (Composée)
Étant données deux fonctions f : I → J et g : J → R, si f et g sont dérivables, g ◦ f est dérivable

sur I et (g ◦ f )0 = (g 0 ◦ f ) × f 0 .
Dém. B1.18
(g ◦ f )(x) − (g ◦ f )(a) (g(f (x)) − (g(f (a))
Pour tous a ∈ I et x ∈ I\{a}, =
x−a x−a
(g(f (x)) − (g(f (a)) f (x) − f (a)
=
f (x) − f (a) x−a
−−−→ g 0 (f (a))f 0 (a).
x→a
car f est dérivable donc continue en a donc f (x) −−−→ f (a).
x→a
85
Proposition B1.19 (Réciproque)
Soit f : I → J une fonction admettant une fonction réciproque f −1 : J → I.

• Si f est dérivable en a ∈ I et f 0 (a) 6= 0, alors f −1 est dérivable en b = f (a) ∈ J et
1 1
(f −1 )0 (b) = = .
f 0 (a) f 0 (f −1 (b))
• Si f est dérivable en a ∈ I et f 0 (a) = 0, alors f −1 n’est pas dérivable en f (a).

• Si f 0 ne s’annule pas, alors f −1 est dérivable sur J et
1
(f −1 )0 = .
f0 ◦ f −1
Dém. B1.19
Par définition de la réciproque, f ◦ f −1 = IdJ , donc en dérivant, (f ◦ f −1 )0 = 1.
1
D’où (f 0 ◦ f −1 ) × (f −1 )0 = 1, soit (f −1 )0 = 0 si le dénominateur ne s’annule pas.
(f ◦ f −1 )
2.5 Variations
Théorème B1.20
Soit f : I → R une fonction dérivable sur I.

(i) f est croissante (respectivement décroissante) sur I si et seulement si ∀x ∈ I, f 0 (x) > 0
(resp. f 0 (x) 6 0).
(ii) f est constante sur I si et seulement si ∀x ∈ I, f 0 (x) = 0.
(iii) Si ∀x ∈ I, f 0 (x) > 0 (resp. f 0 (x) < 0), alors f est strictement croissante (resp. décroissante)
sur I.
Dém. B1.20
Admis pour l’instant : conséquence du théorème des accroissements finis.
Proposition B1.21
Soit f : I → R une fonction dérivable et a un point intérieur à I. Si f admet un extremum local

en a, alors f 0 (a) = 0.
Remarque. Attention, ça ne marche que dans un sens : les éventuels extrema sont aux points d’annulation
de la dérivée. Lorsqu’on connaı̂t un point d’annulation de f 0 , seule une étude complémentaire (par exemple
examiner les variations au voisinage de ce point) permet de savoir si nous avons affaire à un minimum, à un
maximum local ou à une autre situation.
86
Proposition B1.22
Toute fonction f : I → R continue et strictement monotone réalise une bijection de I dans son
ensemble image.
Remarque. Attention, pour parler de bijection, il faut bien restreindre l’ensemble d’arrivée de f au seul
ensemble des images effectivement atteintes, c’est-à-dire {f (x), x ∈ I}.
3 Fonctions usuelles
3.1 Fonctions polynomiales et rationnelles
Définition B1.23
n
X
On appelle fonction polynomiale une fonction du type f : x 7→ ak xk avec n ∈ N. Si an 6= 0,
k=0
on dit que f est de degré n.
Proposition B1.24
Les fonctions polynomiales sont continues et dérivables sur R et la dérivée de x 7→ xk est x 7→

kxk−1 .
Dém. B1.24
Cette formule est vraie pour k = 0 et on la montre par récurrence pour k > 1. La dérivabilité
des fonctions polynomiales se déduit par combinaison linéaire de fonctions du type x 7→ xk .
Définition B1.25
Une fonction rationnelle est définie comme le quotient de deux fonctions polynomiales.
Remarque. En particulier, elle est définie sur R privé des zéros du dénominateur.
Proposition B1.26
Une fonction rationnelle est continue et dérivable sur son ensemble de définition et
u 0 u0 v − uv 0
= .
v v2
Dém. B1.26
Cela provient de la dérivabilité et de la formule de la dérivée d’un quotient.
87
Proposition B1.27
Les limites en +∞ et −∞ d’une fonction polynomiale (resp. rationnelle) sont celles de son terme
de plus haut degré (resp. du quotient de ses termes de plus haut degré).
Dém. B1.27
u
Supposons qu’une fonction rationnelle f s’écrive f = avec u et v polynomiales de degré m
v
et n respectivement. Alors pour tout x (différent des points d’annulation de v), on a u(x) =
am xm + am−1 xm−1 + . . . et v(x) = bn xn + bn−1 xn−1 + . . ., avec les ai et les bj des nombres
réels.
am xm + am−1 xm−1 + . . .
Ainsi, f (x) = , soit en mettant en facteur les termes dominants :
bn xn + bn−1 xn−1 + . . .
am xm (1 + am−1 1
am x + . . .)
f (x) = .
bn xn (1 + bn−1
bn x
1
+ . . .
am−1 1 bn−1 1
Or + . . . −−−→ 0 et de même + . . . −−−→ 0.
am x x→∞ bn x x→∞
am x m
Donc f (x) a la même limite en ±∞ que .
bn xn
3.2 Exponentielle et logarithme
Théorème et définition B1.28
Il existe une unique fonction de R dans R, dérivable sur R, notée exp et appelée exponentielle,
telle que (
exp(0) = 1,
exp0 = exp .
Remarque. Cette définition traduit ce que l’on appelle couramment une croissance exponentielle .
Dém. B1.28
On admet l’existence d’une telle fonction (conséquences de théorèmes d’analyse sur les équations
différentielles) et on en montre l’unicité.
• Montrons qu’une telle fonction ne ( s’annule pas.

f (0) = 1,
Soit f dérivable sur R vérifiant et posons h : x 7→ f (x)f (−x).
f0 = f
h est dérivable comme produit de fonctions qui le sont et pour tout x ∈ R, on a :
h0 (x) = f 0 (x)f (−x) − f (x)f 0 (−x) = f (x)f (−x) − f (−x)f (x) = 0.
h est donc constante égale à sa valeur en 0, soit : ∀x ∈ R, h(x) = h(0) = 1. Donc f (x)
n’est jamais nul.
• Montrons maintenant l’unicité à proprement parler.
88
( (
f (0) = 1, g(0) = 1,
Soit f et g deux fonctions dérivables sur R vérifiant 0
et .
f =f g0 = g
f (x)
On pose q : x 7→ qui est dérivable sur R car g ne s’annule pas.
g(x)
f 0 (x)g(x) − f (x)g 0 (x) f (x)g(x) − f (x)g(x)
Alors pour tout x ∈ R, q 0 (x) = 2
= = 0.
g(x) g(x)2
q est donc constante égale à q(0) = 1.
f (x)
Ainsi, pour tout x ∈ R, = 1, c’est-à-dire f (x) = g(x).
g(x)
On a donc montré que f = g.
Proposition B1.29
(i) Équation fonctionnelle :
∀x, y ∈ R, exp(x + y) = exp(x) exp(y).
(ii) ∀x ∈ R, exp(x) > 0.

(iii) exp est strictement croissante sur R.
(iv) lim exp(x) = 0 et lim exp(x) = +∞.
x→−∞ x→+∞
Dém. B1.29
exp(x + y)
(i) Soit y ∈ R. On pose f : x 7→ (on a montré que exp(y) 6= 0).
exp(y)
On constate que f est dérivable sur R et pour tout x ∈ R, f 0 (x) = f (x).
De plus f (0) = 1. Donc par unicité, f = exp.
Ainsi pour tout x ∈ R, exp(x) = f (x), soit exp(x) exp(y) = exp(x + y).
(ii) On a déjà montré que exp ne s’annule pas. x x
La formule précédente nous donne pour tout x ∈ R : exp(x) = exp + =
x x 2 2
exp exp > 0.
2 2
(iii) Conséquence directe du signe de exp, qui n’est autre que exp0 .
(iv) • On étudie g : x 7→ exp(x) − x, dérivable sur R et telle que pour tout x, g 0 (x) =
exp(x) − 1.
Or exp est strictement croissante et vaut 1 en 0. g 0 est donc positive sur R+ ,
négative sur R− . Et les variations qui en découlent indiquent un maximum en 0
pour la fonction g. Comme g(0) = 0, g(x) > 0 pour tout x ∈ R. En particulier,
exp(x) > x et par comparaison de limites, on obtient : exp(x) −−−−→ +∞.
x→+∞
• L’équation fonctionnelle donne, pour tout x ∈ R : exp(x − x) = exp(x) exp(−x).
1
D’où exp(−x) = .
exp(x)
D’où exp(−x) −−−−→ 0 et donc exp(x) −−−−→ 0.
x→+∞ x→−∞
Notation. On pose e = exp(1) et on note ex = exp(x).
89
Définition B1.30
La fonction logarithme népérien, définie sur ]0, +∞[ et notée ln, est la fonction réciproque de
la fonction exponentielle.
Proposition B1.31
• La fonction ln est strictement croissante, continue et dérivable sur R∗+ . De plus
1
∀x ∈ R∗+ , ln0 (x) = .
x
• Limites : lim ln(x) = −∞ et lim ln(x) = +∞.

x→0 x→+∞
• Équation fonctionnelle : ln(xy) = ln(x) + ln(y).
Dém. B1.31
• Étant continnue et strictement croissante, exp réalise une bijection de R dans R∗+ . Elle est
dérivable sur R et sa dérivée ne s’annule pas, donc sa bijection réciproque, ln, est dérivable
1 1 1
sur R∗+ et s’exprime : pour tout x ∈ R∗+ , ln0 (x) = 0
= = . Les
exp (ln(x)) exp(ln x) x
variations de ln découlent du signe de cette expression sur R∗+ .
• Les limites se déduisent de la symétrie entre les courbes représentatives de exp et ln.
• On exp(ln x + ln y) = exp(ln x) exp(ln y) = xy.
D’où, en composant par ln, ln x + ln y = ln(xy).
Remarque. L’exponentielle permet de définir les puissances dans le cas d’exposants irrationnels :
ax = ex ln a .
3.3 Puissances
Définition B1.32
Pour α ∈ R, on définit la fonction puissance α par
pα : R∗+ → R
x 7→ xα = eα ln x .
90
Proposition B1.33
Soit α ∈ R.
(i) La fonction pα est définie, continue et dérivable sur R∗+ .
(ii) Pour tout x ∈ R∗+ , p0α (x) = αxα−1 .
(iii) La fonction pα est strictement positive sur R∗+ : ∀x ∈ R∗+ , xα > 0.
(iv) La fonction pα est
â strictement croissante si α > 0,
â strictement décroissante si α < 0,
â constante égale à 1 si α = 0.
(v) Propriétés algébriques : pour tous α, β ∈ R et x, y ∈ R∗+ , on a
xα xβ = xα+β , (xα )β = xαβ et (xy)α = xα y α .
Dém. B1.33
(i) La fonction pα est définie, continue et dérivable sur R∗+ comme composée de fonctions :
ln est dérivable sur R∗+ et prend ses valeurs dans R et exp est dérivable sur R.
α
(ii) Pour tout x ∈ R∗+ , p0α (x) = eα ln x = αe(α−1) ln x = αxα−1 .
x
(iii) La fonction pα est strictement positive sur R∗+ car exp l’est.
(iv) Comme xα−1 > 0 pour tout x ∈ R∗+ , le signe de p0alpha (x) est celui de α.
(v) Ces propriétés découlent directement de celles sur les fonctions ln et exp.
• xα xβ = eα ln x eβ ln x = e(α+β) ln x = xα+β .
α ln x )
• (xα )β = eβ ln(e = eβα ln x = xαβ .
• (xy)α = eα ln(xy) = eα(ln x+ln y) = eα ln x eα ln y = xα y α .
y = xα a>1
α=1
0<α<1
1 • α=0
a<0
1 x
91
Proposition B1.34 (Limites aux bornes)
Si α = 0, alors pα est constante égale à 1. Dans les autres cas, on a
Valeur de α α<0 α>0

lim xα +∞ 0
x→0
lim xα 0 +∞
x→+∞
Dém. B1.34
Il s’agit de la limite de la fonction exponentielle alternativement en +∞ et en −∞.
3.4 Croissances comparées
Proposition B1.35
(i) On a les limites en +∞ :
ln x ex
lim = 0, lim = +∞ et lim xe−x = 0.
x→+∞ x x→+∞ x x→+∞
(ii) On a la limite en 0+ :
lim x ln x = 0.
x→0+
Dém. B1.35
ex
(i) • On va montrer que lim = +∞.
x→+∞ x
x2
On pose f : x 7→ ex − , définie et dérivable sur R et ∀x ∈ R, f 0 (x) = ex − x > 0
2
comme on l’a déjà montré.
f est donc croissante et vaut 1 en 0 donc pour tout x > 0, f (x) > 0.
x2 ex x ex
Donc ∀x > 0, ex > , d’où > et donc −−−−→ +∞.
2 x 2 x x→+∞
x
• xe−x = x −−−−→ 0 (inverse de la précédente).
e x→+∞
ln x ln x
• = ln x −−−−→ +∞ par composition.
x e x→+∞
1

ln 1
(ii) x ln x = − 1 x −−−→ 0 par composition car −−−→ +∞.
x
x→0 x x→0
92
Proposition B1.36
Soit a > 0 et b > 0.

(i) On a les limites en +∞ :
(ln x)b ebx

lim = 0, lim = +∞ et lim xa e−bx = 0.
x→+∞ xa x→+∞ xa x→+∞
(ii) On a la limite en 0+ :
lim xa (ln x)b = 0.
x→0+
3.5 Fonctions circulaires
Définition B1.37 y
J
• On définit les fonctions cosinus et sinus de la
tan t •T
manière suivante. Dans un repère orthonormé
sin t •M
(O,~ı,~), C étant le cercle trigonométrique, on
−−→
place un point sur C tel que (~ı, OM ) = t. On
appelle alors cos(t) et sin(t) l’abscisse et l’or- t
donnée de M .
O cos t I x
• S’il existe, on note T le point d’intersection de
(OM ) avec la tangente au cercle en I. On ap-
pelle tangente de t l’ordonnée de T , notée tan t.
Proposition B1.38
π
Pour tout t ∈ R \ + πZ,
2
sin t
tan t = .
cos t
Dém. B1.38
Relation de Thalès dans le triangle T OI.
93
cos sin tan

π
Dcos = R Dsin = R Dtan = R \ { + kπ, k ∈ Z}
2
paire impaire impaire
2π-périodique 2π-périodique π-périodique
cos0 (x) = − sin(x) sin0 (x) = cos(x) 0 1
tan (x) = = 1+tan2 (x)
cos2 (x)
strictement décroissante sur strictement croissante sur strictement croissante sur
π π π π
[0, π] [− , ] ]− , [
2 2 2 2
1 1
−π π
π −π π π −π π
2 2
−1 −1
Proposition B1.39
(i) Pour tout x ∈ R, cos2 x + sin2 x = 1.

(ii) Pour tout a, b ∈ R,
• cos(a + b) = cos a cos b − sin a sin b,
• cos(a − b) = cos a cos b + sin a sin b.
Méthodes
• Lever une indétermination dans un calcul de limite

â par factorisation,
â par croissances comparées,
â en reconnaissant un taux d’accroissement.
• Étude des variations d’une fonction.
• Déterminer le signe d’une fonction
â par résolution directe,
â par l’étude de ses variations.
• Déterminer une asymptote verticale, horizontale ou oblique.
• Déterminer la dérivabilité et la dérivée d’une bijection
réciproque.
94
Chapitre B2
Nombres réels et suites numériques
Objectifs
• Définition d’une suite.

• Expression des suites usuelles.
• Outils réels : valeur absolue, partie entière.
• Appréhender la notion de borne supérieure ou inférieure, l’iden-
tifier dans des cas simples.
• Notion de limite d’une suite.
1 Suites numériques
Définition B2.1
On appelle suite de nombres réels une famille de nombre réels indexée par N, c’est-à-dire une
application
u : N → R.
On note alors un = u(n), appelé terme général de la suite.
Notations. L’ensemble F(N, R) des suites réelles est noté RN et une suite u sera le plus souvent définie
par son terme général et notée (un )n∈N ou (un ) lorsqu’il n’y aura pas d’ambiguı̈té.
Remarque. Une suite peut être simplement définie à partir d’un certain rang (àpcr) n0 . On la note alors
(un )n>n0 .
95
96 B2. Nombres réels et suites numériques
Définition B2.2
Étant données deux suites (un ) et (vn ) et un nombre λ ∈ R, on définit sur RN les opérations de
somme, produit et multiplication par un scalaire par
• (un ) + (vn ) = (un + vn ),
• λ(un ) = (λun ),
• (un ) × (vn ) = (un vn ).
Définition B2.3 (Ordre)
Soit (un ) ∈ RN . On dit que (un ) est

(i) majorée si l’ensemble de ses termes est majoré dans R, c’est-à-dire si
∃M ∈ R, ∀n ∈ N, un 6 M ;
(ii) minorée si l’ensemble de ses termes est minoré dans R, c’est-à-dire si
∃m ∈ R, ∀n ∈ N, m 6 un ;
(iii) bornée si elle est minorée et majorée.
Définition B2.4 (Monotonie)
Soit (un ) ∈ RN . On dit que (un ) est

(i) croissante si
∀n ∈ N, un 6 un+1 ;
(ii) décroissante si
∀n ∈ N, un+1 6 un ;
(iii) monotone si elle est croissante ou décroissante.

(iv) On dit que (un ) est strictement croissante, strictement décroissante ou strictement
monotone si les inégalités ci-dessus sont strictes.
Remarque. On aura souvent simplement besoin de vérifier ces propriétés à partir d’un certain rang,
c’est à dire que la propriété en question sera vraie pour tout n > n0 avec n0 ∈ N. Une suite constante à
partir d’un certain rang s’appelle une suite stationnaire.
96
ECG1 2021–2022 H. Boucher B2. Nombres réels et suites numériques 97
1.2 Suites usuelles
Définition B2.5
Soit r ∈ R. On dit qu’une suite (un )n∈N est arithmétique de raison r lorsque pour tout n ∈ N,
un+1 = un + r.
Proposition B2.6
Soit r ∈ R et (un )n∈N une suite arithmétique de raison r. Alors

(i) ∀n ∈ N, un = u0 + nr,
(ii) ∀n, p ∈ N, un = up + (n − p)r.
Définition B2.7
Soit q ∈ R. On dit qu’une suite (vn )n∈N est géométrique de raison q lorsque pour tout n ∈ N,
vn+1 = vn × q.
Proposition B2.8
Soit q ∈ R et (vn )n∈N une suite géométrique de raison q. Alors

(i) ∀n ∈ N, vn = v0 × q n ,
(ii) ∀n, p ∈ N, vn = vp × q n−p .
Définition B2.9
On dit qu’une suite (un )n∈N est arithmético-géométrique lorsqu’il existe deux réels a 6= 1 et
b 6= 0 tels que pour tout n ∈ N, un+1 = aun + b.
Méthode d’étude :
• Si a = 1, se ramener à l’étude d’une suite arithmétique.
• Si a 6= 1, trouver c tel que c = ac + b (point fixe de la relation).
Détail.
c = ac + b ⇔ c(1 − a) = b
b
⇔ c=
1−a
• (wn ) = (un − c) est géométrique de raison a.

Détail.
Soit wn = un − c pour tout n.
97
wn+1 = un+1 − c
= aun + b − c
Pour tout n ∈ N, = aun + b − (ac + b)
= a(un − c)
= awn
• Exprimer wn en fonction de n.
• En déduire un en fonction de n pour tout n ∈ N.
Détail.
(wn ) est géométrique de raison a. Donc pour tout n ∈ N, wn = an w0 .
Donc un − c = an (u0 − c), soit un = an (u0 − c) + c.

n b b
Finalement, un = a u0 − + .
1−a 1−a
1.3 Étude d’une suite récurrente linéaire à deux termes
Définition B2.10
(i) On dit (un ) vérifie une relation de récurrence linéaire à deux termes (ou d’ordre 2)
s’il existe a, b, c ∈ R avec a, c 6= 0 tels que ∀n ∈ N, aun+2 + bun+1 + cun = 0.
(ii) Dans ce cas, on appelle équation caractéristique l’équation ax2 + bx + c = 0.
Théorème B2.11
Avec les notations ci-deussus, soit (un ) vérifiant : ∀n ∈ N, aun+2 + bun+1 + cun = 0. Soit ∆ le
discriminant de l’équation caractéristique associée.
• Si ∆ > 0, soit q1 et q2 ses deux solutions réelles.
Alors (un ) ∈ {(λq1n + µq2n ), λ, µ ∈ R}.
• Si ∆ = 0, soit q son unique solution réelle.
Alors (un ) ∈ {(λq n + µnq n ), λ, µ ∈ R}.
(
u0 , u1 donnés
Méthode d’étude pour :
∀n ∈ N, aun+2 + bun+1 + cun = 0
• Écrire et résoudre l’équation caractéristique : ax2 + bx + c = 0.
• En fonction du signe de ∆, donner les solutions générales (voir théorème ci-dessus).
• À l’aide de u0 et u1 , trouver les deux constantes (via un système à deux équations).
Remarque.
• La relation aun+2 + bun+1 + cun = 0 s’appelle relation de récurrence linéaire d’ordre 2.
• Si a = 0 ou c = 0, la suite un est simplement géométrique.
• Très souvent, on aura a = 1 et la relation sera donnée sous la forme un+2 = αun+1 + βun .
98
2 Corps des nombres réels

Notations. On appelle
• N l’ensemble des nombres entiers naturels,
• Z l’ensemble des nombres entiers relatifs,
• D l’ensemble des nombres décimaux,
• Q l’ensemble des nombres rationnels,
• R l’ensemble des nombres réels.
On s’intéresse à l’ensemble R sur lequel on suppose connue la relation d’ordre usuelle.
Proposition B2.12
La relation d’ordre sur R est compatible avec la somme et le produit de nombres positifs. En
particulier,

a6b
• ⇒ a + a0 6 b + b0 ;
a0 6 b0

06a6b
• ⇒ aa0 6 bb0 .
0 6 a0 6 b0
Remarque. Attention au sens des inégalités lors de la multiplication par un nombre négatif ou du passage
à l’inverse notamment.
2.1 Intervalles de R
Définition B2.13
Une partie X de R est un intervalle si et seulement si pour tous a, b ∈ X, [a, b] ⊂ X.
Remarque. [a, b] = {ta + (1 − t)b, t ∈ [0, 1]}.

Il y a 10 types d’intervalles de R : ∅, R, ]a, b[, [a, b], [a, b[, ]a, b], [a, +∞[, ]a, +∞[, ] − ∞, b[, ] − ∞, b] (avec
a, b ∈ R).
• Dans les cas ∅, R, ]a, b[, ]a, +∞[, ] − ∞, b[, on parle d’intervalle ouvert.
• Dans les cas ∅, R, [a, b], [a, +∞[, ] − ∞, b], on parle d’intervalle fermé.
2.2 Valeur absolue
Définition B2.14
(
x si x > 0
Soit x ∈ R. La valeur absolue de x est |x| =
−x sinon.
99
Proposition B2.15
Soit x, y ∈ R et r ∈ R∗+ . Alors
• |x| = 0 ⇔ x = 0 ; • ∀n ∈ N, |xn | = |x|n ;

• |xy| = |x||y| ; • −|x| 6 x 6 |x| ;
y |y|
• = (avec x 6= 0) ;

x |x| • |x| 6 r ⇔ −r 6 x 6 r ;
Proposition B2.16
La fonction x 7→ |x| est définie et continue sur R, dérivable sur R∗ et sa dérivée est
(
1 si x > 0
x 7→ .
−1 si x < 0
Remarque. Deux formules utiles et astucieuses :
1 1
• max(x, y) = (x + y + |x − y|) ; • min(x, y) = (x + y − |x − y|).
2 2
Théorème B2.17 (Inégalité triangulaire)
Soit x, y ∈ R. Alors
|x + y| 6 |x| + |y|.
Dém. B2.17
Soit x, y ∈ R.
x 6 |x| et y 6 |y| donc x + y 6 |x| + |y|.
−x 6 |x| et −y 6 |y| donc −(x + y) 6 |x| + |y|.
Ces deux majorations montrent que |x + y| 6 |x| + |y|.
Remarque. L’inégalité ci-dessus est valable (par récurrence) pour une somme de plusieurs termes.
2.3 Partie entière
Proposition et définition B2.18 (Partie entière)
Pour tout x ∈ R, il existe un unique entier p tel que p 6 x < p + 1, appelé partie entière de x
et noté bxc.
100
Proposition B2.19
Soit x ∈ R. On a les deux encadrements :
bxc 6 x < bxc + 1 et x − 1 < bxc 6 x.
Proposition B2.20
• Pour tout x ∈ R, bxc = x si et seulement si x ∈ Z.

• Pour tout x ∈ R et tout p ∈ Z, p 6 bxc si et seulement si p 6 x.
• La fonction partie entière est croissante sur R.
• Pour tous nombres réels a > 0 et x, il existe un unique couple (p, r) ∈ Z × [0, a[ tel que
x = pa + r. On a alors p = bx/ac.
Remarque. Ceci est utile pour définir les approximations décimales d’un nombre réel. Voir en exercice.
2.4 Bornes supérieure et inférieure
Définition B2.21 (Bornes supérieure et inférieure)
Soit A une partie de R. Sous réserve d’existence,

(i) on appelle borne supérieure de A le plus petit élément de l’ensemble des majorants de A.
(ii) on appelle borne inférieure de A le plus grand élément de l’ensemble des minorants de A.
Notations. On note sup A et inf A ces éléments.

Proposition B2.22
(i) Toute partie non vide et majorée de R admet une borne supérieure.
(ii) Toute partie non vide et minorée de R admet une borne inférieure.
Proposition B2.23 (Caractérisation de la borne supérieure)
Soit A une partie non vide de R. Alors on a équivalence entre

(i) s = sup A ;
(ii) s est un majorant de A et ∀ε > 0, ∃a ∈ A, s − ε < a.
(iii) s est un majorant de A et ∀x < s, ∃a ∈ A, x < a.
Remarque. De même on a équivalence entre

(i) i = inf A ;
(ii) i est un minorant de A et ∀ε > 0, ∃b ∈ A, b < i + ε.
(iii) i est un minorant de A et ∀x > i, ∃b ∈ A, b < x.
101
3 Convergence, divergence
3.1 Limites
Définition B2.24
On dit qu’une suite (un ) ∈ RN converge vers ` ∈ R lorsque tout intervalle ouvert contenant `
contient tous les termes de la suite (un ) sauf un nombre fini d’entre eux.
Si un tel réel ` existe, on dit que la suite est convergente et sinon on dit qu’elle est divergente.
Remarque. Définition quantifiée : on dit qu’une suite (un ) ∈ RN converge vers ` ∈ R lorsque :
∀ε > 0, ∃N ∈ N, ∀n > N, |un − `| 6 ε.
Définition B2.25
On dit qu’une suite (un ) tend vers +∞ (et on note un −−−−−→ +∞) si
n→+∞
∀A ∈ R, ∃N ∈ N, ∀n > N, un > A.
On dit qu’une suite (un ) tend vers −∞ (et on note un −−−−−→ −∞) si
n→+∞
∀A ∈ R, ∃N ∈ N, ∀n > N, un 6 A.
Remarque. On peut aussi donner la formulation suivante : (un ) tend vers +∞ lorsque tout intervalle de
la forme [A, +∞[ contient tous les termes de la suite sauf un nombre fini d’entre eux.
Théorème et définition B2.26 (Unicité de la limite)
Soit `, `0 ∈ R et soit (un ) ∈ RN une suite qui converge vers ` et vers `0 . Alors ` = `0 , ce nombre
s’appelle alors la limite de la suite u et on note lim un = `.
n→+∞
Remarque. On note R = R ∪ {+∞, −∞}, qui porte le nom de droite réelle achevée. Poser a ∈ R
signifie simplement qu’on considère un nombre a réel ou égal à +∞ ou −∞.
3.2 Premières propriétés
Proposition B2.27
La suite (un ) converge vers ` si et seulement si la suite (un − `) converge vers 0.
Proposition B2.28
Toute suite convergente est bornée.
102
Dém. B2.28
Soit ` sa limite.D’après la définition de la convergence, elle est bornée par ` − 1 et ` + 1 àpcr.
Remarque. Une suite qui tend vers +∞ (respectivement −∞) n’est pas majorée (resp. pas minorée). En
particulier, elle diverge.
Proposition B2.29 (Compatibilité avec la relation d’ordre)
(i) Soit (un ) ∈ RN une suite qui converge vers ` ∈ R et soit a, b ∈ R. Si un ∈ [a, b] àpcr, alors
` ∈ [a, b].
(ii) Soit (un ), (vn ) ∈ RN deux suites qui convergent respectivement vers ` et `0 . Si un 6 vn àpcr,
alors ` 6 `0 .
Remarque. Attention : les inégalités strictes ne passent pas à la limite.
Proposition B2.30
Soit (un ) ∈ RN une suite qui converge vers ` ∈ R et soit a ∈ R.

• Si ` 6= a, alors un 6= a àpcr.
• Si ` > 0, alors un 6= 0 (et même un > 0 àpcr.
3.3 Opérations sur les limites
Proposition B2.31 (Somme, produit)
Soit (un ) et (vn ) deux suites convergentes. On note ` = lim un et `0 = lim vn . Soit λ, µ ∈ R.
n→+∞ n→+∞
Alors
(i) la suite (λun + µvn ) converge vers λ` + µ`0 ;
(ii) la suite (un vn ) converge vers ``0 .
Proposition B2.32 (Inverse)
Soit (un ) une suite qui converge vers ` 6= 0. On peut supposer un 6= 0 (quitte à faire l’étude àpcr).
Alors la suite (1/un ) converge vers 1/`.
103
Proposition B2.33
— Soit (un ) ∈ RN telle que |un | tend vers +∞. Alors (1/un ) converge vers 0.
— Soit (un ) ∈ RN telle que |un | tend vers 0. Alors (1/un ) diverge. De plus,
1
â si un > 0 àpcr alors lim = +∞,
n→+∞ un
1
â si un < 0 àpcr alors lim = −∞,
n→+∞ un
Proposition B2.34 (Valeur absolue)
Si (un ) converge vers `, alors (|un |) converge vers |`|.
Théorème B2.35 (Encadrement, gendarmes)
Soit (un ), (vn ), (wn ) ∈ RN . On suppose

â un 6 vn 6 wn àpcr,
â (un ) et (wn ) convergent toutes deux vers ` ∈ R.
Alors (vn ) converge également vers `.
Remarque. Un cas particulier : si |un | 6 vn àpcr avec vn qui converge vers 0, alors un aussi.
3.4 Suites extraites
Définition B2.36
Soit (un ) ∈ RN . On dit que (vn ) est une suite extraite ou une sous-suite de (un ) s’il existe une
application strictement croissante ϕ : N → N telle que pour tout n ∈ N, vn = uϕ(n) .
Proposition B2.37
Toute suite extraite d’une suite convergente converge vers la même limite.
Remarque. En particulier pour montrer qu’une suite bornée n’est pas convergente, il suffit de trouver
deux suites extraites qui convergent vers deux limites différentes.
Proposition B2.38
Soit (un ) ∈ RN . Si (u2n ) et (u2n+1 ) tendent vers la même limite ` ∈ R, alors (un ) tend vers `.
104
3.5 Monotonie
Théorème B2.39 (Limite monotone)
(i) Soit (un ) ∈ RN une suite croissante.

• Si (un ) est majorée, alors elle converge vers ` = sup{un , n ∈ N}.
• Si (un ) n’est pas majorée, alors elle diverge vers +∞.
(ii) Soit (un ) ∈ RN une suite décroissante.
• Si (un ) est minorée, alors elle converge vers ` = inf{un , n ∈ N}.
• Si (un ) n’est pas minorée, alors elle diverge vers −∞.
Définition B2.40 (Suites adjacentes)
On dit que deux suites (un ) et (vn ) sont adjacentes si

(i) (un ) est croissante,
(ii) (vn ) est décroissante,
(iii) vn − un −−−−−→ 0.
n→+∞
Théorème B2.41
Soit (un ) et (vn ) deux suites adjacentes. Alors (un ) et (vn ) tendent vers la même limite ` qui, de
plus, vérifie un 6 ` 6 vn pour tout n ∈ N.
Dém. B2.41
• (vn − un ) est décroissante d’après les variations de (un ) et (vn ).
• ∀n ∈ N, vn − un > 0 car (vn − un ) décroı̂t vers 0.
• ∀n ∈ N, u0 6 un 6 vn 6 v0 . Ainsi (un ) est majorée (par v0 ) et (vn ) minorée (par u0 ).
• (un ) et (vn ) convergent. Soit ` et `0 leurs limites respectives.
• vn − un −−−−−→ `0 − ` donc `0 − `0 = 0 par unicité de la limite.
n→+∞
• ` = sup{un , n ∈ N} = inf{vn , n ∈ N} donc ∀n ∈ N, un 6 ` 6 vn .
105
Méthodes
• Déterminer l’expression d’une suite arithmético-géométrique en

se ramenant à une suite géométrique.
• Déterminer l’expression d’une suite récurrente d’ordre 2 en pas-
sant par son expression caractéristique.
• Enlever une valeur absolue en distinguant les cas.
• Déterminer une borne supérieure ou inférieure.
• Déterminer la limite d’une suite
â par calcul direct,
â par croissances comparées,
â par encadrement...
• Montrer la convergence d’une suite
â en calculant sa limite (cf. supra),
â par limite monotone.
106
Chapitre B3
Continuité et dérivabilité
Objectifs
• Notions de limite et de continuité en un point, à droite, à gauche.

• Fonctions continues et prolongements par continuité.
• Approche locale de la dérivabilité.
• Étude globale des fonctions continues, dérivables.
1 Étude locale des fonctions réelles
Les notions de ce chapitre sont présentées pour une fonction définie sur un intervalle de R. Elles s’étendent
(dans une mesure que l’on précisera) aux fonctions définies sur un domaine qui s’en rapproche ou s’y ramène
simplement (par exemple R∗ comme union de deux intervalles, etc.).
Dans toute la suite, on considère un intervalle I ⊂ R.
Notation. R désigne R ∪ {−∞, +∞}. On désigne par I l’intervalle I incluant ses bornes si elles sont finies.
Par exemple ]0, 1[ = [0, 1].
107
108 B3. Continuité et dérivabilité
1.1 Limites, continuité
Définition B3.1
Soit f une fonction définie sur I. Soit a un élément ou une extrémité de I et soit ` ∈ R. On dit
que f (x) tend vers ` quand x tend vers a et on note f (x) −−−→ ` lorsque,
x→a
• pour a ∈ R et ` ∈ R,
∀ε > 0, ∃η > 0, ∀x ∈ I∩]a − η, a + η[, |f (x) − `| < ε,
• pour a ∈ R et ` = +∞,
∀M > 0, ∃η > 0, ∀x ∈ I∩]a − η, a + η[, f (x) > M,
• pour a = +∞ et ` = +∞,
∀M > 0, ∃A ∈ R, ∀x ∈ I ∩ [A, +∞[, f (x) > M,
• pour a = −∞ et ` ∈ R,
∀ε > 0, ∃A ∈ R, ∀x ∈ I∩] − ∞, A], |f (x) − `| < ε.
Remarque. On peut encore écrire cinq autres définitions dans les autres cas pour a et `. Il est indispensable
de savoir le faire. On peut aussi utiliser la notion de voisinage pour résumer la définition de f (x) −−−→ ` en
x→a
une assertion :
pour tout voisinage V de `, il existe un voisinage W de a tel que pour tout x ∈ I ∩ W , f (x) ∈ V .
Proposition B3.2 (Unicité de la limite)
Si f (x) −−−→ `1 et f (x) −−−→ `2 , alors `1 = `2 .

x→a x→a
Notation. On peut donc noter lim f (x) = `.

x→a
Dém. B3.2
Supposons `1 6= `2 . Alors il existe un voisinage V1 de `1 et un voisinage V2 de `2 disjoints (par
`2 − `1
exemple si `1 et `2 ∈ R, on prend V1 =]`1 − ε, `1 + ε[ et V2 =]`2 − ε, `2 + ε[ avec ε = ).
2
Par définition, il existe W1 voisinage de a tel que pour tout x ∈ I ∩ W1 , f (x) ∈ V1 .
Et aussi il existe W2 voisinage de a tel que pour tout x ∈ I ∩ W2 , f (x) ∈ V2 .
Mais W1 ∩ W2 est un voisinage (non vide) de a. Or pour x ∈ W1 ∩ W2 , f (x) ∈ V1 ∩ V2 , ce qui
est impossible car on les a choisis disjoints.
Définition B3.3
Soit f définie sur I et a ∈ I. On dit que f est continue en a lorsque f (x) −−−→ f (a).
x→a
108
ECG1 2021–2022 H. Boucher B3. Continuité et dérivabilité 109
Remarque. On peut donc traduire cette définition en termes mathématiques : f est continue en a lorsque
∀ε > 0, ∃η > 0, ∀x ∈ I∩]a − η, a + η[, |f (x) − f (a)| < ε.
Définition B3.4 (À droite et à gauche)
Soit f définie sur I et a un élément ou une extrémité de I.

(i) • Si a 6= sup(I), on dit que f admet une limite à droite en a lorsque f |I∩]a,+∞[ admet
une limite en a.
• Si a 6= inf(I), on dit que f admet une limite à gauche en a lorsque f |I∩]−∞,a[ admet
une limite en a.
(ii) • Si a 6= sup(I), on dit que f est continue à droite en a lorsque f |I∩[a,+∞[ est continue
en a.
• Si a 6= inf(I), on dit que f est continue à gauche en a lorsque f |I∩]−∞,a] est continue
en a.
Notations. On note f (x) −−−−→ ` et f (x) −−−−→ ` ou encore, si on a l’existence de la limite, lim f (x) = lim f = `
x→a+ x→a− x→a+ a+
Proposition B3.5
(i) f admet une limite en a si et seulement si elle admet une limite à droite et à gauche en a
et qu’elles sont égales.
(ii) f est continue en a ∈ I si et seulement si elle est continue à droite et à gauche en a.
Théorème et définition B3.6
Soit a ∈ I et f définie sur I \ {a}. Supposons que f admette une limite finie ` ∈ R en a. Alors on
peut définir la fonction
f˜ : I −→ R ( .
f (x) si x ∈ I \ {a}
x 7−→
` si x = a
Cette fonction est continue en a et est appelée prolongement par continuité de f en a.
109
1.2 Opérations
Définition B3.7
Soit f définie sur I.

(i) Soit a ∈ I. On dit que f vérifie la propriété P au voisinage de a lorsqu’il existe η > 0 tel
que f vérifie la propriété P en tout x ∈ I∩]a − η, a + η[.
(ii) Supposons que +∞ est au bord de I. On dit que f vérifie la propriété P au voisinage de
+∞ s’il existe A > 0 tel que f vérifie la propriété P en tout x ∈ I ∩ [A, +∞[.
Remarque. Il existe bien sûr la même définition si l’on se place au voisinage de −∞.
Désormais f et g désignent deux fonctions définies sur une partie de R. Les limites considérées s’entendent
en un point de leur ensemble de définition ou au bord de ce dernier.
Proposition B3.8
(i) Si f −
→ ` ∈ R, alors f est bornée au voisinage de a.
a
(ii) Si f −
→ ` > 0, alors il existe m > 0 tel que f > m au voisinage de a.
a
Dém. B3.8
(i) On applique la définition avec ε = 1. Ceci montre que f est bornée au voisinage de a par
` − 1 et ` + 1.
`
(ii) Si ` ∈ R+ , on applique la définition avec ε = . Ceci montre que f (x) > ` − `/2 dans
2
un voisinage de a, ce qui est un minorant m strictement positif.
Si ` = +∞, on applique la définition avec n’importe quel seuil strictement positif.
Théorème B3.9 (Opérations algébriques)
Soit f, g deux fonctions définies sur I et a ∈ I. On suppose que f (x) −−−→ `1 et g(x) −−−→ `2 .
x→a x→a
Alors
(i) pour tous α, β ∈ R, (αf + βg)(x) −−−→ α`1 + β`2 ,
x→a
(ii) (f g)(x) −−−→ `1 `2 ,
x→a
(iii) |f (x)| −−−→ |`1 |.
x→a
(iv) avec `1 6= 0, (1/f )(x) −−−→ 1/`1
x→a
Dém. B3.9
Démonstration partielle de la première propriété dans le cas où `1 , `2 ∈ R.
(i) Soit ε > 0.

ε
Soit V1 voisinage de a tel que pour tout x ∈ V1 , |f (x) − `1 | < .
2|α|
110
ε
Soit V2 voisinage de a tel que pour tout x ∈ V2 , |g(x) − `2 | < .
2|β|
Soit V = V1 ∩ V2 voisinage de a. Alors pour tout x ∈ V ,
|(αf + βg)(x) − α`1 + β`2 | 6 |α||f (x) − `1 | + |β||g(x) − `2 | 6 ε.
Théorème B3.10 (Composition)
Si f −
→ b et g →
− `, alors g ◦ f −
→ `.
a b a
Corollaire B3.11
Si f est continue en a et g continue en f (a), alors g ◦ f est continue en a.
Proposition B3.12 (Compatibilité avec la relation d’ordre)
Si f 6 g au voisinage de a et f −
→ `1 et g −
→ `2 , alors `1 6 `2 .
a a
Dém. B3.12
On travaille avec g − f qui tend vers `2 − `1 . Si `1 > `2 , alors `1 − `2 > 0 et donc f − g admet
un minorant strictement positif dans un voisinage de a. Ceci contredit l’hypothèse sur le signe
de g − f .
Remarque. En particulier, si f 6 b au voisinage de a et f −

→ `, alors ` 6 b.
a
Théorème B3.13 (Gendarmes)
(i) Si g 6 f 6 h au voisinage de a et g, h −
→ `, alors f −
→ `.
a a
(ii) Si g 6 f au voisinage de a et g −
→ +∞, alors f −
→ +∞.
a a
Théorème B3.14 (Approche séquentielle)
Soit (un ) ∈ RN telle que un −−−−−→ a.

n→+∞
• Si f −
→ `, alors f (un ) −−−−−→ `.
a n→+∞
• Si un −−−−−→ a et f est continue en a, alors f (un ) −−−−−→ f (a).
n→+∞ n→+∞
Remarque. On utilise aussi la contraposée de ce théorème, notamment pour démontrer qu’une fonction
est n’admet pas de limite, ou est discontinue en un point.
111
Théorème B3.15 (Variations)
Soit f définie sur un intervalle de la forme [a, b[ ou ]a, b[ (avec a, b ∈ R) et croissante au voisinage
de b. Alors
soit f est majorée au voisinage de b, alors elle admet une limite finie en b,
soit f →
− +∞.
b
Remarque. On a un résultat similaire avec une fonction décroissante, en remplaçant la majoration par
une minoration, et +∞ par −∞.
1.3 Fonctions continues
Définition B3.16
On dit qu’une fonction f est continue sur I lorsqu’elle est continue en tout a ∈ I.
Notation. On désigne par C(I) l’algèbre des fonctions continues sur I.

Proposition B3.17
• Soit f, g ∈ C(I). Alors

(i) pour tous α, β ∈ R, (αf + βg) ∈ C(I) ,
(ii) f g ∈ C(I),
(iii) |f | ∈ C(I).
1
(iv) est continue sur I \ {x ∈ I, f (x) = 0}.
f
• Soit f ∈ C(I) et g ∈ C(J) où J est un intervalle de R tel que f (I) ⊂ J. Alors g ◦ f ∈ C(I).
Théorème B3.18 (Valeurs intermédiaires)
Si
â f est continue sur [a, b],
â γ est compris entre f (a) et f (b),
alors il existe c ∈ [a, b] tel que γ = f (c).
Théorème B3.19
L’image d’un intervalle (resp. d’un segment) par une fonction continue est un intervalle (resp. un
segment).
112
Notation. En particulier f continue sur [a, b] atteint son maximum et son minimum, notés max f (x) et
x∈[a,b]
min f (x)
x∈[a,b]
2 Dérivation des fonctions réelles

2.1 Dérivabilité
Définition B3.20
soit f : I → R et a ∈ I différent de inf I (resp. sup I).

f (x) − f (a)
(i) On dit que f est dérivable à gauche (resp. à droite) en a lorsque possède une
x−a
limite finie à gauche (resp. à droite), appelée nombre dérivé à gauche (resp. à droite).
(ii) On dit que f est dérivable en a lorsqu’elle est dérivable à gauche et à droite en a et que
les nombres dérivés à gauche et à droite sont égaux. Dans ce cas, leur valeur commune est
appelée nombre dérivé de f en a et noté f 0 (a).
(iii) f est dérivable sur I lorsqu’elle est dérivable en tout point a ∈ I. On peut alors définir
sur I la fonction f 0 : x 7→ f 0 (x) appelée fonction dérivée de f .
Remarque. Pour résumer, f est dérivable en a si et seulement si son taux d’accroissement admet une
limite finie lorsque x tend vers a et on a
f (x) − f (a)
f 0 (a) = lim .
x→a x−a
Définition B3.21
Étant donnés f une fonction dérivable en a, C sa courbe représentative et A le point de C

d’abscisse a, on définit la tangente en A à C comme la droite Ta d’équation
y = f 0 (a)(x − a) + f (a).
Remarque. Cette droite est (en un sens topologique qu’on ne précisera pas dans le cadre de ce cours) la
limite quand x tend vers a des droites sécantes à C en A et un point M d’abscisse x.
Proposition B3.22 (Développement limité à l’ordre 1)
soit f : I → R et a ∈ I. Alors on a équivalence entre :

(i) f est dérivable en a.
(ii) Il existe α ∈ R et une fonction ε tels que :
ε(x) −−−→ 0 et f (x) = f (a) + α(x − a) + (x − a)ε(x). (B3.1)

x→a
113
Remarque. L’équation de la condition (B3.1) peut s’écrire

f (a + h) = f (a) + f 0 (a)h + hε(h) avec ε(h) −−−→ 0.
h→0
Proposition B3.23
Si f est dérivable en a, alors f est continue en a.
Remarque. On peut écrire la même propriété à gauche et à droite.

Proposition B3.24 (Calcul de dérivées)
soit f et g dérivables en a et λ, µ ∈ R. Alors

(i) λf + µg est dérivable en a et (λf + µg)0 (a) = λf 0 (a) + µg 0 (a) ;
(ii) f g est dérivable en a et (f g)0 (a) = f 0 (a)g(a) + f (a)g 0 (a) ;
0
1 1 g 0 (a)
(iii) si g(a) 6= 0, g est dérivable en a et =− ;
g g(a)2
0
f f f 0 (a)g(a) − f (a)g 0 (a)
(iv) si g(a) 6= 0, g est dérivable en a et = ;
g g(a)2
(v) si g est dérivable en b = f (a), g ◦ f est dérivable en a et (g ◦ f )0 (a) = f 0 (a)g 0 (f (a)) ;
(vi) si f est strictement monotone sur I et à valeurs dans J, on peut définir sur J sa fonc-
1
tion réciproque f −1 . Dans ce cas, f −1 est dérivable en b = f (a) et (f −1 )0 (b) = 0 =
f (a)
1
0 −1
.
f (f (b))
Théorème B3.25
soit f : I → R dérivable en a qui n’est pas une borne de I. Si f présente un extremum local en
a, alors f 0 (a) = 0.
2.2 Dérivées successives
Définition B3.26
Soit f : I → R. On note f (0) = f .

(i) Soit k ∈ N∗ , supposons f (k−1) définie. On dit que f est k fois dérivable sur I lorsque
f (k−1) est dérivable. On note alors f (k) = (f (k−1) )0 , appelée dérivée k-ième de f .
(ii) f est infiniment dérivable lorsqu’elle est k fois dérivable pour tout k ∈ N∗ .
(iii) Si f est k fois dérivable et que f (k) est continue sur I, on dit que f est de classe C k sur I.
(iv) On dit que f est de classe C ∞ sur I lorsqu’elle est de classe C k pour tout k ∈ N∗ .
114
Remarques.
• On peut adapter ces définitions pour parler d’une fonction k fois (ou infiniment) dérivable en a ∈ I.
• Cependant, pour parler d’une fonction k fois dérivable en un seul point, l’existence de f (k−1) sur I
tout entier est nécessaire.
• On écrit le plus souvent f 0 et f 00 au lieu de f (1) et f (2) .
Notations. On note C k (I, R) (resp. C ∞ (I, R) l’ensemble des fonctions de classe C k (resp. C ∞ ) sur I.
Lorsqu’aucune confusion n’est possible, on peut écrire simplement C k (I) et C ∞ (I).
Proposition B3.27
soit f, g ∈ C k (I) et λ, µ ∈ R. Alors λf + µg est de classe C k et on a
(λf + µg)(k) = λf (k) + µg (k) .
Théorème B3.28 (Leibniz)
Étant donné n ∈ N, soit f, g ∈ C n (I) (resp. C ∞ (I)). Alors f g est de classe C n (resp. C ∞ ) et on a
n
X n
(f g)(n) = f (k) g (n−k) .
k
k=0
Remarque. Même si on ne peut donner ici aucune formule générale pour les dérivées, on peut montrer
que l’inverse d’une fonction C k et la composée de deux fonctions C k (moyennant les hypothèses usuelles)
sont également de classe C k .
2.3 Étude globale des fonctions dérivables
Dans tout ce paragraphe, on donne a < b.
Théorème B3.29 (Rolle)
Soit f : [a, b] → R. Si
â f est dérivable sur ]a, b[,
â f (a) = f (b),
alors il existe c ∈]a, b[ tel que f 0 (c) = 0.
Les conséquences de ce théorème sont multiples. Parmi les plus connues et utiles, les deux résultats
suivants.
115
Proposition B3.30
(i) Soit f : [a, b] → R une fonction continue sur [a, b] et dérivable sur ]a, b[. Étant donné n ∈ N∗ ,
on suppose que f admet (au moins) n + 1 zéros sur [a, b]. Alors f 0 admet (au moins) n zéros
sur ]a, b[.
(ii) Soit f ∈ C n ([a, b]. On suppose que f admet (au moins) n + 1 zéros sur [a, b]. Alors il existe
c ∈ [a, b] tel que f (n) (c) = 0.
Théorème B3.31 (Accroissements finis)
alors il existe c ∈]a, b[ tel que f (b) − f (a) = f 0 (c)(b − a).
Proposition B3.32 (Inégalité des accroissements finis)
â ∃m, M ∈ R, ∀x ∈]a, b[, m 6 f 0 (x) 6 M ,
alors m(b − a) 6 f (b) − f (a) 6 M (b − a).
Corollaire B3.33
â ∃k ∈ R tel que ∀x ∈]a, b[, |f 0 (x)| 6 k,
alors |f (b) − f (a)| 6 k|b − a|.
116
Méthodes
• Prolongement d’une fonction par continuité.

• Étude et interprétation de la dérivabilité
â par taux d’accroissement,
â via le développement limité à l’ordre 1
• Calcul des dérivées successives d’une fonction
â par récurrence,
â par la formule de Leibniz.
• Obtenir l’existence d’une solution à une équation
â par théorème des valeurs intermédiaires,
â via une dérivée par théorème de Rolle ou des accroissements
finis.
• Obtenir une inégalité par l’IAF.
117
118
Chapitre B4
Intégration sur un segment
Objectifs
• Notion d’intégrale, vision géométrique et vision calculatoire.

• Lien entre primitives et calcul d’intégrales.
• Calcul approché d’intégrale (sommes de Riemann).
Dans tout le chapitre, I désigne un intervalle de R qui n’est pas réduit à un singleton.
1 Intégrale d’une fonction continue
Définition B4.1
Soit f : [a, b] → R une fonction continue telle que ∀x ∈

[a, b], f (x) > 0. On appelle intégrale de a à b de f l’aire
de la surface comprise entre la courbe représentative de
f , l’axe des abscisses et les droites d’équations x = a et
x = b.
a b
Z b
Notation. On note f (x) dx cette quantité.
a
Définition B4.2
Soit f : [a, b] → R. (
f (x) si f (x) > 0
On définit la partie positive de f comme f + : x 7→ .
0 si f (x) < 0
(
+ f (x) si f (x) 6 0
De même on définit la partie négative de f comme f : x 7→ .
0 si f (x) > 0
119
120 B4. Intégration sur un segment
Proposition B4.3
Les fonctions f + et f − sont positives sur [a, b].
Définition B4.4
Soit f : [a, b] → R continue. On appelle intégrale de a à b de f la quantité

Z b Z b Z b
f (x) dx = f + (x) dx − f − (x) dx
a a a
Z a Z b
Remarque. Toujours avec a < b, on peut aussi définir f (t) dt comme − f (t) dt.
b a
2 Primitives et intégrale
Théorème B4.5 (Théorème fondamental de l’analyse)
Soit f : I → R une fonction continue. Étant donné a ∈ I, on pose
F : I → RZ x .
x 7→ f (t) dt
a
Alors F est dérivable sur I et ∀x ∈ I, F 0 (x) = f (x).
Définition B4.6
Soit f, F : I → R. On dit que F est une primitive de f sur I lorsque F est une fonction dérivable
sur I et que F 0 = f .
Proposition B4.7
Soit F dérivable sur I. Alors

F 0 = 0 ⇔ F est constante.
Proposition B4.8
Soit f : I → R et F une primitive de f sur I. Alors G : I → R est une primitive de f sur I si et

seulement si G − F est constante.
120
ECG1 2021–2022 H. Boucher B4. Intégration sur un segment 121
Remarque. Soit f : I → R continue. Alors f admet des primitives sur I. Elles diffèrent toutes d’une
constante. Z x
Étant donné a ∈ I, Fa : x 7→ f (t) dt est l’unique primitive de f qui s’annule en a.
a
Proposition B4.9
Soit f et g deux fonctions de I dans R et F et G deux primitives de f et g respectivement. Alors

pour tous λ, µ ∈ R, λF + µG est une primitive de λf + µg sur I.
Théorème B4.10 (Théorème fondamental du calcul intégral)
Soit f : [a, b] → R continue et F une primitive de f sur [a, b]. Alors

Z b
f (t) dt = [F (t)]ba = F (b) − F (a).
a
3 Propriétés
Proposition B4.11 (Chasles)
Soit a < b < c et f : [a, c] → R continue. Alors

Z c Z b Z c
f (t) dt = f (t) dt + f (t) dt.
a a b
Dém. B4.11
Z b Z c Z c
f (t) dt + f (t) dt = F (b) − F (a) + F (c) − F (b) = F (c) − F (a) = f (t) dt.
a b a
Proposition B4.12 (Linéarité)
Soit f et g deux fonctions continues de [a, b] dans R et soit λ ∈ R. Alors

Z b Z b Z b
(f (t) + g(t)) dt = f (t) dt + g(t) dt,
a a a
Z b Z b
λf (t) dt = λ f (t) dt.
a a
121
Dém. B4.12
Z b
(λf (t) + µg(t)) dt = (λF (b) + µG(b)) − (λF (a) + µG(a))
a
= λ(F (b) − F (a)) + µ(G(b) − G(a))
Z b Z b
= λ f (t) dt + µ g(t) dt.
a a
Proposition B4.13 (Positivité)
Soit f : [a, b] → R continue avec f > 0. Alors

Z b
f (t) dt > 0.
a
Dém. B4.13
On applique l’égalité des accroissements finis à F , dérivable sur [a, b] et de dérivée F 0 = f :
∃c ∈]a, b[, F (b) − F (a) = (b − a)F 0 (c) = (b − a)f (c).
Z b
Or f est positive, donc f (t) dt = F (b) − F (a) > 0.
a
Corollaire B4.14 (Croissance)
Soit f et g continues de [a, b] dans R avec f 6 g. Alors

Z b Z b
f (t) dt 6 g(t) dt.
a a
Dém. B4.14
Appliquer la propriété précédente avec g − f qui est positive.
Théorème B4.15 (Stricte positivité)
Soit f : [a, b] → R continue avec f > 0. Alors

Z b
f (t) dt > 0.
a
122
Dém. B4.15
y
Soit x0 ∈]a, b[ et y = f (x0 ) > 0.
Par continuité, il existe un voisinage de x0 (i.e.
un intervalle [x0 − η, x0 + η] avec η > 0) sur y/2
y
lequel f est supérieure à .
2
x0 − η x0 x0 + η
Ainsi Z b Z x0 −η Z x0 +η Z b
f (t) dt = f (t) dt + f (t) dt + f (t) dt > 0.
a x0 −η
|a {z } | {z } |
x0 +η
{z }
>0 > 2η y2 >0 >0
Corollaire B4.16 (Stricte croissance)
Soit f et g continues de [a, b] dans R avec f < g. Alors

Z b Z b
f (t) dt < g(t) dt.
a a
Dém. B4.16
Appliquer le théorème précédent avec g − f .
Corollaire B4.17
Soit f : [a, b] → R continue et de signe constant. Alors

Z b
f (t) dt = 0 ⇒ f = 0.
a
Dém. B4.17
Contraposée du théorème précédent.
Théorème B4.18 (Moyenne)
On a Z b Z b

f (t) dt 6 |f (t)| dt.
a a
Dém. B4.18
On applique la propriété de croissance avec f qui vérifie f 6 |f | et avec −f qui vérifie −f 6 |f |.
Z b Z b Z b Z b
On obtient f (t) dt 6 |f (t)| dt et − f (t) dt 6 |f (t)| dt, d’où l’inégalité souhaitée.
a a a a
123
Théorème B4.19 (Intégration par parties)
Soit u, v : [a, b] → R de classe C 1 . Alors

Z b Z b
u0 (t)v(t) dt = [u(t)v(t)]ba − u(t)v 0 (t) dt.
a a
Théorème B4.20 (Changement de variable)
Soit I, J deux intervalles de R et ϕ : J → I une fonction dont la dérivée est continue sur I. Soit
f : I → R continue et α, β ∈ J. Alors
Z ϕ(β) Z β
f (t) dt = f (ϕ(u))ϕ0 (u) du.
ϕ(α) α
4 Sommes de Riemann
Soit f : [a, b] → R de classe C 1 . On essaie d’approcher l’intégrale de f comme l’intégrale sous sa courbe.
Pour cela, on la décompose en tranches verticales de plus en plus fines, dont les aires sont celles de tout
petits rectangles. Pour tout entier positif n, on subdivise l’intervalle [a, b] en n petits intervalles identiques
b−a
[ak , ak+1 ] pour 0 6 k 6 n − 1. Pour cela, on pose ak = a + k pour tout k 6 n. On peut maintenant
n
choisir d’approcher la fonction f par des petits rectangles à gauche ou à droite.
Définition B4.21
Les sommes de Riemann Sgn (f ) et Sdn (f ) sont définies pour tout n ∈ N∗ par
n−1 n
b−aX b−aX
Sgn (f ) = f (ak ) et Sdn (f ) = f (ak ).
n n
k=0 k=1
Théorème B4.22
Les sommes de Riemann de f forment des suites convergentes et

Z b
lim Sgn (f ) = lim Sdn (f ) = f.
n→+∞ n→+∞ a
On a des formules agréables quand l’intervalle d’étude est [0, 1].
124
Corollaire B4.23
Soit f : [0, 1] → R continue. Alors

n−1 n Z 1
1X k 1X k
lim f = lim f = f.
n→+∞ n n n→+∞ n n 0
k=0 k=1
Remarque. L’utilité principale de ces résultats est de calculer des sommes qui font apparaı̂tre du k/n à
l’aide d’un simple calcul d’intégrale.
Méthodes
• Comparaison d’intégrales.
• Calcul de primitive
â en reconnaissant une dérivée usuelle,
â par intégration par parties,
â par changement de variable.
• Calcul de limite à l’aide d’une somme de Riemann.
• Étudier une fonction définie par une intégrale.
125
126
Chapitre B5
Relations de comparaison
Objectifs
• Notions d’équivalence et de négligeabilité.

• Lien avec le comportement asymptotique.
1 Les deux relations
Définition B5.1 Définition B5.2
Soient (un ) et (vn ) deux suites réelles, (vn ) Soient f et g deux fonctions réelles définies
ne s’annulant pas àpcr. sur D et a ∈ D. En a,
(i) On dit que (un ) est négligeable de- (i) on dit que f est négligeable devant
un f (x)
vant (vn ) si −−−−−→ 0 et on note g lorsque −−−→ 0 et on note f =
vn n→+∞ g(x) x→a
un = o(vn ). o(g).
(ii) On dit que (un ) et (vn ) sont (ii) on dit que f et g sont équivalentes
un
équivalentes si −−−−−→ 1 et f (x)
vn n→+∞ lorsque −−−→ 1 et on note f ∼ g.
on note un ∼ vn . g(x) x→a
Notations. La notation ∼ est incomplète. On Notations. La notation ∼ est incomplète. On

devrait plutôt écrire un ∼ vn , et de même devrait plutôt écrire f (x) ∼ g(x). On note de
n→+∞ x→a
un = o (vn ). même f (x) = o (g(x)).
n→+∞ x→a
Exemples. Exemples.
√
(n2 ), n = o (n),

• n= o 1 2 1
n→+∞ n→+∞ • En +∞ : x = o (x ), 2 = o ,
x→∞ x x→∞ x
1 1 1 1
• 2 = o , = o √ . • En 0 : x3 = o (x2 ), x2 = o (x).
n n→+∞ n n n→+∞ n x→0 x→0
2
• n + 28 ∼ 2
n, n + 28n + 496 ∼ 2
n . • x + 28 ∼ x, x + 28x + 496 ∼ x2
n→+∞ n→+∞ x→+∞ x→+∞
127
128 B5. Relations de comparaison
Théorème B5.3 Théorème B5.4
Soient (un ) et (vn ) deux suites réelles. Alors Soit f et g deux fonctions réelles. Alors
un ∼ vn ⇔ un − vn = o(vn ). f ∼ g ⇔ f − g = o(g).
Dém. B5.4
f −g f f
f − g = o(g) ⇔ −→ 0 ⇔ − 1 −→ 0 ⇔ −→ 1 ⇔ f ∼ g.
g g g

2 2 2 21 2
Exemple. x + x ∼ x car x = o(x ). Voir aussi que x + x = x 1 + .
x→+∞ x
| {z }
→1
La relation ∼ est une relation d’équivalence, c’est-à-dire :
Proposition B5.5 Proposition B5.6
La relation ∼ est La relation ∼ est

réflexive : un ∼ un ; réflexive : f ∼ f ;
symétrique : un ∼ vn ⇔ vn ∼ un ; symétrique : f ∼ g ⇔ g ∼ f ;

un ∼ vn f ∼g
transitive : ⇒ un ∼ wn . transitive : ⇒ f ∼ h.
v n ∼ wn g∼h
Remarques. Remarques.
• Dire un = o(1) revient à dire un −−−−−→ 0. • Dire f = o(1) revient à dire f −−−→ 0.
n→+∞ x→a
• Si ` 6= 0, un ∼ ` revient à dire un −−−−−→ `. • Si ` 6= 0, f ∼ ` revient à dire f (x) −−−→ `.
n→+∞ a x→a
Remarques.
• On a aussi f ∼ g ⇔ f − g = o(f ). Comprendre que f et g sont équivalentes si et seulement si leur

différence est négligeable devant l’une des deux, i.e. leur ordre de grandeur (commun !).
• On peut avoir f ∼ g sans que f − g soit petit dans l’absolu. Par exemple x2 + x ∼ x2 et leur
x→+∞
différence vaut x, qui tend vers +∞ en +∞. Mais on a x = o(x2 ).
• Quand on donne un équivalent, inutile de donner plusieurs termes de différents ordres de grandeur.
Par exemple, x2 + x + 1 ∼ x2 + x est vrai mais inopérant car on a aussi x2 + x + 1 ∼ x2 + 28x.
x→+∞ x→+∞
Le seul équivalent immuable et donc le seul intéressant est x2 + x + 1 ∼ x2 .
x→+∞
128
ECG1 2021–2022 H. Boucher B5. Relations de comparaison 129
2 Utilisation
Proposition B5.7 (Comparaison et limites) Proposition B5.8 (Comparaison et limites)
Étant données deux suites (un ) et (vn ) à va- Étant données deux fonctions f et g à valeurs
leurs positives, positives,
) )
un ∼ vn f ∼g
vn −−−−−→ ` ∈ R ⇒ un −−−−−→ `; g(x) −−−→ ` ∈ R ⇒ f (x) −−−→ `;
n→+∞ x→a
n→+∞ x→a
) )
un = o(vn ) f = o(g)
vn −−−−−→ 0 ⇒ un −−−−−→ 0; g −−−→ 0 ⇒ f −−−→ 0;
n→+∞ x→a
n→+∞ x→a
) )
un = o(vn ) f = o(g)
un −−−−−→ +∞ ⇒ vn −−−−−→ +∞. f −−−→ +∞ ⇒ g −−−→ +∞.
n→+∞ x→a
n→+∞ x→a
3 Calcul
Proposition B5.10
Proposition B5.9
Soit un ∼ an et vn ∼ bn définissant quatre Soit a ∈ R et f ∼ u et g ∼ v définissant

a a
suites réelles. Alors quatre fonctions réelles. Alors
(i) un vn ∼ an bn ; (i) f g ∼ uv ;
a
un
(ii) si un et vn ne s’annulent pas àpcr, ∼ f
vn (ii) si g et v ne s’annulent pas, alors ∼
an g a
; u
bn ;
v
(iii) si un > 0 àpcr, alors uαn ∼ vnα pour tout (iii) si f > 0, alors f α ∼ uα pour tout α ∈
α ∈ R. a
R.
Dém. B5.10
fg f g f g fg
(i) = donc : si → 1 et → 1, alors → 1.
uv uv u v uv
f /g f v
(ii) = ...
u/v g u
α
fα f f fα
(iii) α = = eα ln(f /u) donc si → 1, ln(f /u) → 0, donc α → 1.
u u u u
129
Remarque. ! Attention !
• On ne somme pas d’équivalents : soit f (x) = x2 + x ∼ x2 et g(x) = −x2 + x ∼ −x2 . Bien sûr on ne
+∞ +∞
peut absolument pas écrire que f + g ∼ 0, c’est pire que faux !
Contre-exemple (légèrement) moins stupide : x + 1 ∼ x + 2 et −x ∼ −x mais on n’a pas 1 ∼ 2.
• On ne compose pas les équivalents à gauche (en particulier on ne les passe pas au log ou à l’exponen-
tielle). Contre-exemple : x + 1 ∼ x mais ex+1 = eex qui n’est pas équivalent à ex .
+∞
Proposition B5.11 Proposition B5.12
Soit (un ), (vn ) et (wn ) trois suites et α, β ∈ R. Soit f, g et h trois fonctions réelles et α, β ∈
Alors R. Alors
) )
un = o (wn ) f = o (h)
(i) ⇒ αun +βvn = o (wn ), (i) ⇒ αf + βg = o (h),
vn = o (wn ) g = o (h)
) )
un = o (vn ) f = o (g)
(ii) ⇒ un = o (wn ), (ii) ⇒ f = o (h),
vn = o (wn ) g = o (h)
(iii) Si un = o (wn ), alors un vn = o (wn vn ). (iii) Si f = o (h), alors f g = o (hg).
Dém. B5.12
αf + βg f g f f g fg f
(i) =α +β (ii) = (iii) = .
h h h h g h hg h
Proposition B5.13 (Suites de référence) Proposition B5.14 (Croissances comparées)
Soient x > 1 et α, β > 0. Alors Soient α, β, γ > 0 avec α < β. Alors

β α
• (ln n) = o (n ), (i) En 0 :
n→∞
α γ 1 1 1
• n = o (xn ), | ln x| = o et α = o .
n→∞ xα x xβ
• xn = o (n!), (ii) En +∞ : xα = o (xβ ), xα = o (ex ) et
n→∞
• n! = o (nn ). (ln x)γ = o (xα ).
n→∞
130
ECG1 2021–2022 H. Boucher B5. Relations de comparaison 131
Théorème B5.15 (Équivalents usuels)

Théorème B5.16 (Équivalents usuels en 0)
Soit (un ) une suite tendant vers 0. Alors On a les équivalents suivants.
(i) sin un ∼ un ; (i) sin x ∼ x ;
n→+∞
x→0
(ii) tan un ∼ un ; (ii) tan x ∼ x ;
n→+∞
x→0
(iii) ln(1 + un ) ∼ un ; (iii) ln(1 + x) ∼ x ;
n→+∞
x→0
un
(iv) (e − 1) ∼ un ; x
(iv) e − 1 ∼ x ;
n→+∞
x→0
α
(v) ((1 + un ) − 1) ∼ αun ; α
(v) (1 + x) − 1 ∼ αx ;
n→+∞ x→0
u2n (vi) Arctan x ∼ x.
(vi) 1 − cos un ∼ . x→0
n→+∞ 2
Remarque. Plus généralement, on peut rete-

Remarque. Plus généralement, si f est
nir que pour f une fonction dérivable en 0 avec
dérivable en a ∈ D avec f 0 (a) 6= 0, alors
f 0 (0) 6= 0 et (un ) qui converge vers 0, on a
f (x) − f (a) ∼ f 0 (a)(x − a).
(f (un ) − f (0)) ∼ f 0 (0)un . x→a
n→+∞
Dém. B5.16
f (x) − f (a) f (x) − f (a)
(i) −−−→ f 0 (a) donc 0 −−−→ 1.
x−a x→a f (a)(x − a) x→a
Méthodes
• Vérifier une équivalence ou une négligeabilité par quotient.

• Déterminer un équivalent
â d’un produit, d’un quotient,
â d’une somme en gardant une trace du reste,
â avec les équivalents usuels.
131
132
Chapitre B6
Séries, intégrales généralisées
Objectifs
• Problèmes de convergence d’une série ou d’une intégrale im-

propre.
• Séries et intégrales de référence.
• Techniques de comparaison.
1 Questions de convergence
1.1 Séries numériques
Définition B6.1
Soit (un )n∈N une suite d’éléments de R. On appelle série de terme général un la suite (Sn )n∈N
définie pour tout n ∈ N par
n
X
Sn = u0 + u1 + . . . + un = uk .
k=0
Le nombre Sn est appelé somme partielle d’ordre n de la série.
X
Notations. On note cette série un .
n∈N
Définition B6.2
X
• On dit que la série un converge si la suite (Sn )n∈N de ses sommes partielles admet une
n∈N
limite finie S ∈ R quand n tend vers +∞. On appelle alors somme de la série ce nombre
S.
• Si la suite des sommes partielles diverge, on dit que la série est divergente.
133
134 B6. Séries, intégrales généralisées
Notation. Dans le cas d’une série convergente, on écrit
+∞
X N
X
un = lim un = lim SN .
N →+∞ N →+∞
n=0 n=0
X
Remarque. Attention à ne pas confondre les notations. Malgré l’immuable présence du signe sigma, un
n∈N
+∞
X
désigne la série de terme général un ; c’est une suite et cela n’a aucun rapport avec sa somme, un qui,
n=0
lorsque la série converge, est un nombre fini et avec lequel on ne peut écrire des calculs qu’après avoir établi
son existence.
1.2 Intégrales sur un intervalle quelconque
On veut généraliser la notion d’intégrale à des fonctions qui ne sont pas définies sur un segment [a, b]
mais sur un intervalle [a, +∞[, ] − ∞, b], [a, b[, etc.
a b→
a b
Définition B6.3
Soit a ∈ R et b ∈ R ∪ {+∞} tels que a < b. Soit f : [a, b[→ R continue. On dit que l’intégrale
Z b Z x
f (t) dt converge lorsque f (t) dt admet une limite finie lorsque x → b− .
a Z b a Z x
Dans ce cas, on note f (t) dt = lim f (t) dt.
a x→b a
Dans le cas contraire, on dit que cette intégrale est divergente.
Remarques.
• Bien sûr on a une définition symétrique sur ]a, b] où a ∈ R ∪ {−∞}.
• Dans le cas d’une étude sur ]a, b[, on pose c ∈]a, b[ et on fait deux études, successivement sur ]a, c] et
[c, b[.
134
ECG1 2021–2022 H. Boucher B6. Séries, intégrales généralisées 135
2 Premiers exemples
2.1 Georg Friedrich Bernhard Riemann
Théorème B6.4 (Séries de Riemann)
X 1
Soit α ∈ R. Alors converge si et seulement si α > 1.
nα
Théorème B6.5 (Intégrales de Riemann)

Z +∞
1 1
• dt converge ⇔ a > 1 (elle vaut alors ).
1 ta a−1
Z 1
1 1
• a
dt converge ⇔ a < 1 (elle vaut alors ).
0 t 1−a
2.2 Autres séries de référence
Proposition B6.6
X
Cela implique que si un ne tend pas vers 0, alors un diverge.
Remarque. Bien évidemment la réciproque est fausse.

Définition B6.7
X
Soit (un )n∈N ∈ RN . Si la suite (un ) ne tend pas vers 0, on dit que la série un diverge
grossièrement (ou trivialement).
Proposition B6.8 (Série télescopique)

X
Soit (un ) ∈ RN . Alors (un ) converge si et seulement si (un+1 − un ) converge.
Théorème B6.9 (Séries géométriques)
+∞
X X 1
Soit q ∈ R. Alors q n converge si et seulement si |q| < 1. Dans ce cas, on a qn = .
1−q
n=0
135
Dans le cas où il est difficile de calculer la somme partielle, on peut, en présence de séries réelles positives
de terme général décroissant, utiliser nos connaissances sur les intégrales grâce au critère de comparaison
suivant.
n n
Proposition B6.10 (Comparaison entre série et intégrale)
Soient f : R+ → R continue, positive et décroissante et un = f (n) pour tout n ∈ N. Alors

X Z n
un converge ⇐⇒ f admet une limite finie.
n∈N 1
Proposition B6.11 (Dérivées d’une série géométrique)

X X
Soit q ∈ R. Alors nq n−1 et n(n − 1)q n−2 convergent si et seulement si |q| < 1. Dans ce cas,
n>1 n>2
+∞ +∞
X 1 X 2
on a nq n−1 = et n(n − 1)q n−2 = .
(1 − q)2 (1 − q)3
n=1 n=2
2.3 Autres intégrales de référence
Proposition B6.12
• Dans le cas de bornes finies, si f est prolongeable par continuité sur [a, b], alors son intégrale
converge.
• Dans le cas d’une borne infinie, si la limite de la fonction en cette borne n’est pas 0, alors
son intégrale diverge ; on parle de divergence grossière.
Proposition B6.13
Z +∞
• e−at dt converge ⇔ a > 0 (elle vaut alors 1/a).
0
Z 1
• ln(t) dt converge (et vaut −1).
0
136
3 Propriétés
3.1 Pour les séries

X X
Soient un , vn deux séries convergentes et λ ∈ R. Alors
X X
• λun et (un + vn ) sont des séries convergentes ;
• et les sommes suivent la propriété de linéarité :
+∞
X +∞
X +∞
X
(λun + vn ) = λ un + vn .
n=0 n=0 n=0
Remarque. En résumé, l’ensemble des séries convergentes (muni de l’addition des suites et de leur mul-
tiplication par un scalaire) forme un R-espace vectoriel ; et l’application qui à une série convergente associe
sa somme est linéaire.
3.2 Propriétés d’intégration
Dans ce paragraphe, on considère a, b, c ∈ R.
Proposition B6.15 (Chasles)
Soit f telle que les intégrales suivantes soient bien définies. Alors si deux d’entre elles convergent,
la troisième converge également et on a
Z c Z b Z c
f (t) dt = f (t) dt + f (t) dt.
a a b

Z b Z b
Soit λ, µ ∈ R. Soit f et g deux fonctions telles que f (t) dt et g(t) dt convergent. Alors
Z b a a
(λf (t) + µg(t)) dt converge et on a

a
Z b Z b Z b
(λf (t) + µg(t)) dt = λ f (t) dt + µ g(t) dt.
a a a
137
Proposition B6.17 (Positivité)
Supposons a < b. Soit f d’intégrale sur ]a, b[ convergente et telle que ∀x ∈]a, b[, f (x) > 0. Alors
Z b
f (t) dt > 0.
a
Corollaire B6.18 (Croissance)
Supposons a < b. Soit f et g d’intégrales sur ]a, b[ convergentes et telles que ∀x ∈]a, b[, f (x) 6
g(x). Alors
Z b Z b
f (t) dt 6 g(t) dt.
a a
4 Étude de convergence
4.1 Cas positif

Z x
Remarque. Soit f : [a, b[→ R+ (avec b ∈ R ∪ {+∞}) continue. La quantité I(x) = f (t) dt étant
Z b a
croissante en x, l’intégrale f (t) dt converge si et seulement si I(x) est bornée (majorée).

a
Théorème B6.19 (Comparaison)
Soit f, g : [a, b[→ R+ (avec b ∈ R ∪ {+∞}) continues.

(i) Si on a f 6 g ou f = o(g), alors
b
Z b Z b
• f (t) dt diverge ⇒ g(t) dt diverge,
a a
Z b Z b
• g(t) dt converge ⇒ f (t) dt converge.
a a
Z b Z b
(ii) Si on a f ∼ g, alors f (t) dt et g(t) dt sont de même nature.
b a a
Remarque. On aura évidemment les mêmes propriétés sur ]a, b] avec des critères de comparaison au
voisinage de a.
138
Théorème B6.20 (Comparaison)
Soient (un )n , (vn )n deux suites de nombres réels positifs.

â Si on a un 6 vn àpcr ou un = o(vn ), alors
X X
• un diverge ⇒ vn diverge,
X X
• vn converge ⇒ un converge.
X X
â Si on a un ∼ vn , alors un et vn sont de même nature.
+∞
4.2 Cas général
Définition B6.21
Z b Z b
Soit f :]a, b[→ R continue. On dit que f (t) dt est absolument convergente si |f (t)| dt
a a
est convergente.
Théorème B6.22
Z b
Si f (t) dt est absolument convergente, alors elle est convergente.
a
Z +∞
sin t
Remarque. La réciproque est fausse : un exemple classique est dt qui est convergente sans être
a t
absolument convergente.
Définition B6.23
X X
Une série un est dite absolument convergente si la série |un | est convergente
Proposition B6.24
X
Si un est absolument convergente, alors elle est convergente.
Remarque. Une série convergente mais non absolument convergente est dite semi-convergente. Par
X (−1)n+1
exemple n’est pas absolument convergente (voir les séries de Riemann plus loin) mais elle
n
n>1
converge vers ln(2) (ce n’est pas évident, on peut le montrer à l’aide de l’inégalité de Taylor-Lagrange).
139
Méthodes
•
• Établir la convergence d’une série ou d’une intégrale généralisée
â en reconnaissant une série ou intégrale de référence,
â en la comparant à une série ou intégrale de référence à
termes positifs,
â par le calcul.
• Calculer une somme de série
â par télescopage,
â en faisant apparaı̂tre des séries usuelles,
â par passage à la limite.
140
Chapitre B7
Développements limités
Objectifs
• Notion de développement limité d’une fonction.

• Description locale de l’allure d’une fonction.
1 Formules de Taylor
Théorème B7.1 (Formule de Taylor avec reste intégral)
Soit f : I → R une fonction de classe C n+1 . Alors pour tous a, x ∈ I,

n x
f (k) (a) (x − t)n (n+1)
X Z
k
f (x) = (x − a) + f (t) dt.
k! a n!
k=0
Remarque. Le polynôme
n
X f (k) (a)
Tn (x) = (x − a)k
k!
k=0
est appelé polynôme de Taylor de f de degré n et la fonction Rn définie par

Z x
(x − t)n (n+1)
Rn (x) = f (t) dt
a n!
est appelée reste intégral.
Théorème B7.2 (Inégalité de Taylor-Lagrange)
Soit f : I → R une fonction de classe C n+1 . Avec les notations ci-dessus et en appelant Mn+1 un
majorant de |f (n+1) | sur [a, x], on a
|x − a|n+1
|f (x) − Tn (x)| = |Rn (x)| 6 Mn+1
(n + 1)!
141
142 B7. Développements limités
Théorème B7.3 (Formule de Taylor-Young)
Soient f : I → R une fonction de classe C n et a ∈ I. Alors il existe une fonction ε : I → R telle

que pour tout x ∈ I, on ait
f (x) = Tn (x) + (x − a)n ε(x),
avec ε(x) −−−→ 0. Autrement dit,
x→a
n
X f (k) (a)
f (x) = (x − a)k + o ((x − a)n ) .
k! x→a
k=0
2 Développements limités
Définition B7.4
Soient f : I → R avec I un intervalle dont 0 est un élément ou une extrémité. On dit que f admet
un développement limité en 0 à l’ordre n si l’on peut écrire
f (x) = P (x) + xn ε(x)
avec
• P un polynôme tel que deg P 6 n, appelé partie régulière ou principale du
développement,
• ε : I → R une fonction telle que ε(x) −−−→ 0. La fonction x 7→ xn ε(x) est appelée reste du
x→0
développement limité de f .
Remarques.
• On pourrait donner les mêmes définitions en une abscisse a 6= 0. Mais si a ∈ R∗ on peut se ramener
1
par le changement de variable x → x − a au cas examiné ici. Et si a = ±∞, il suffit de poser u = .
x
• Le théorème de Taylor-Young garantit l’existence d’un DL à l’ordre n dès que la fonction est de classe
Cn.
Proposition B7.5 (Unicité)
Soit f : I → R afmettant un DL à l’ordre n. Alors la partie principale de ce DL est unique.

C’est-à-dire que s’il existe des polynômes P1 et P2 de degré n tels que
∀x ∈ I, f (x) = P1 (x) + o(xn ) = P2 (x) + o(xn ),
alors P1 = P2 .
142
ECG1 2021–2022 H. Boucher B7. Développements limités 143
Corollaire B7.6
• Si f admet un DL à l’ordre n en 0, alors pour tout p 6 n, f admet un DL à l’ordre p en 0.

• Si f est paire (respectivement impaire) et admet un DL en 0, alors ce DL ne contient que
des puissances paires (resp. impaires).
2.2 Opérations
Proposition B7.7 (Somme, produit)
Soit f et g deux fonctions admettant un DL à l’ordre n en 0 :
f (x) = P (x) + o (xn ) et g(x) = Q(x) + o (xn ).

x→0 x→0
Étant donnés α, β ∈ R, les fonctions αf + βg et f × g admettent un DL à l’ordre n en 0 et
(αf + βg)(x) = αP (x) + βQ(x) + o (xn ), (B7.1)

x→0
(f × g)(x) = S(x) + o(xn ), (B7.2)
où S est égal au produit P × Q privé de tous ses termes de degré (strictement) supérieur à n.
Proposition B7.8 (Primitive)
Soit f : I → R dérivable sur I. On suppose que

â f 0 admet un DL à l’ordre n en 0 : f 0 (x) = P (x) + o (xn ),
x→0
â f (x) −−−→ `.
x→0
Alors f admet un DL à l’ordre n + 1 en 0 donné par
f (x) = ` + Q(x) + o (xn ),

x→0
avec Q0 = P et Q(0) = 0.
Remarque. Pas de résultat général sur la dérivée !
2.3 Développements limités usuels en 0

n
x2 xn X xk
ex = 1 + x + + ... + + o (xn ) = + o (xn )
2 n! x→0 k! x→0
k=0
n
x3 x2n+1 X x2k+1
sin x = x − + . . . + (−1)n + o (x2n+2 ) = (−1)k + o (x2n+2 )
6 (2n + 1)! x→0 (2k + 1)! x→0
k=0
143
144 B7. Développements limités
n
x2 x2n X x2k
cos x = 1 − + . . . + (−1)n + o (x2n+1 ) = (−1)k + o (x2n+1 )
2 (2n)! x→0 (2k)! x→0
k=0
n
1 X
= 1 + x + x2 + . . . + xn + o (xn ) = xk + o (xn )
1−x x→0 x→0
k=0
n
1 X
= 1 − x + x2 + . . . + (−1)n xn + o (xn ) = (−1)k xk + o (xn )
1+x x→0 x→0
k=0
α(α − 1) 2 α(α − 1) . . . (α − n + 1) n
(1 + x)α = 1 + αx + x + ... + x + o (xn )
2 n! x→0
n
x2 x3 xn X xk
ln(1 − x) = −x − − − ... − + o (xn ) = − + o (xn )
2 3 n x→0 k x→0
k=1
n
x2 xn X xk
ln(1 + x) = x − + . . . + (−1)n+1 + o (xn ) = (−1)k+1 + o (xn )
2 n x→0 k x→0
k=1
n
x3 x2n+1 X x2k+1
Arctan x = x − + . . . + (−1)n + o (x2n+2 ) = (−1)k + o (x2n+2 )
3 2n + 1 x→0 2k + 1 x→0
k=0
Méthodes
• Utiliser les formules de Taylor pour

â obtenir des inégalités,
â obtenir un DL
• Écrire le DL d’une fonction simple.
144
Chapitre B8
Compléments d’analyse fonctionnelle
Objectifs
• Détermination et nature d’extrema.

• Interprétation des termes d’ordres 0, 1 et 2 dans un DL.
• Convexité : approche analytique, approche géométrique.
1 Extrema
Théorème B8.1
Soit f : [a, b] → R une fonction continue. Alors f est bornée sur [a, b] et atteint ses bornes.
Dém. B8.1
Théorème admis : conséquence (par exemple) du théorème de Bolzano-Weierstrass. On montre
que f atteint sa borne supérieure.
Théorème B8.2
Soit f : [a, b] → R dérivable sur ]a, b[ et x0 ∈]a, b[. Si f admet un extremum local en x0 , alors
f 0 (x0 ) = 0.
Dém. B8.2
Considérons le cas d’un maximum local (qu’on adaptera aisément à celui d’un minimum).
f (x) − f (x0 )
• ∀x < x0 , f (x) 6 f (x0 ) donc > 0. Donc (passage à la limite) f 0 (x0 ) > 0.
x − x0
f (x) − f (x0 )
• ∀x > x0 , f (x) 6 f (x0 ) donc 6 0. Donc (passage à la limite) f 0 (x0 ) 6 0.
x − x0
145
146 B8. Compléments d’analyse fonctionnelle
Définition B8.3
Soit I un intervalle de R et f : I → R une fonction dérivable sur I. On dit que x0 ∈ I est un

point critique de f lorsque f 0 (x0 ) = 0.
Théorème B8.4
Soit I un intervalle ouvert de R, soit f : I → R une fonction de classe C 2 et x0 ∈ I un point

critique de f .
(i) si f 00 (x0 ) > 0, alors f admet un minimum local en x0 ,
(ii) si f 00 (x0 ) < 0, alors f admet un maximum local en x0 .
Dém. B8.4
Si f 00 (x0 ) > 0, alors f 00 est positive au voisinage de x0 (car elle est continue).
Alors f 0 est croissante au voisinage de x0 . Comme f 0 (x0 ) = 0, on a f 0 (x) négatif puis positif
au voisinage de x0 , nul en x0 . Cela se traduit par un minimum local de f en x0 .
Remarque. DL à l’ordre 2 en x0 , point critique de f (i.e. f 0 (x0 ) = 0) :
f 00 (x0 )
f (x) = f (x0 ) + (x − x0 )2 + o((x − x0 )2 ).
2
2 Convexité
Définition B8.5
Soit I un intervalle de R. On dit que f : I → R est convexe sur I lorsque
∀x1 , x2 ∈ I, ∀t1 , t2 ∈ [0, 1] tels que t1 + t2 = 1, f (t1 x1 + t2 x2 ) 6 t1 f (x1 ) + t2 f (x2 ).
À l’inverse, on dit que f est concave lorsque
∀x1 , x2 ∈ I, ∀t1 , t2 ∈ [0, 1] tels que t1 + t2 = 1, f (t1 x1 + t2 x2 ) > t1 f (x1 ) + t2 f (x2 ).
Remarque. Interprétation géométrique : Soit M1 et M2 d’abscisses respectives x1 et x2 ∈ R deux points

de l’axe (Ox). Tout point du segment [M1 M2 ] aura pour abscisse x ∈ [x1 , x2 ]. Cette abscisse peut être
exprimée comme t1 x1 + t2 x2 avec t1 , t2 ∈ [0, 1] tels que t1 + t2 = 1. Par exemple, pour t1 = 1 et t2 = 0, on
obtient le point M1 et pour t1 = t2 = 1/2, on obtient le milieu du segment [M1 M2 ].
Avec ces notations, f est convexe si et seulement si l’arc de Cf compris entre M1 d’abscisse x1 et M2
d’abscisse x2 est situé en dessous du segment [M1 M2 ].
146
ECG1 2021–2022 H. Boucher B8. Compléments d’analyse fonctionnelle 147
Proposition B8.6
Avec les notations ci-dessus :

• f est convexe et concave si et seulement si Cf est une droite affine.
• f est concave si et seulement si −f est convexe.
Proposition B8.7 (Inégalité de convexité généralisée)
Soit n > 2 un nombre entier. Si f : I → R est convexe, alors pour tous x1 , . . . , xn ∈ I et

t1 , . . . , tn ∈ [0, 1] tels que t1 + . . . + tn = 1, on a
f (t1 x1 + . . . + tn xn ) 6 t1 f (x1 ) + . . . tn f (xn ).
Théorème B8.8
Soit f : I → R une fonction de classe C 1 . Alors les propositions suivantes sont équivalentes.
(i) f est convexe.
(ii) f 0 est croissante sur I.
(iii) Cf est au-dessus de ses tangentes.
Théorème B8.9
Soit f : I → R une fonction de classe C 2 . Alors

• f est convexe sur I ⇔ ∀x ∈ I, f 00 (x) > 0,
• f est concave sur I ⇔ ∀x ∈ I, f 00 (x) 6 0.
Définition B8.10 (point d’inflexion)
Soit I un intervalle ouvert de R et f : I → R. Soit x0 ∈ I. On dit que Cf admet un point

d’inflexion en x0 lorsqu’il existe α > 0 tel que sur les deux intervalles ]x0 − α, x0 [ et ]x0 , x0 + α[,
f soit respectivement convexe et concave ou inversement.
Théorème B8.11
Soit I un intervalle ouvert et x0 ∈ I. On suppose que f : I → R est de classe C 2 et que f 00 s’annule

et change de signe en x0 alors Cf admet un point d’inflexion en x0 .
Remarque. En particulier un point singulier en lequel f 00 s’annule correspondra à un point d’inflexion de

la courbe.
147
148 B8. Compléments d’analyse fonctionnelle
Théorème B8.12
Soit I un intervalle ouvert et x0 ∈ I. On suppose que f : I → R est de classe C 1 . Alors

• Si f est convexe sur I : f 0 (x0 ) = 0 si et seulement si f admet un minimum global en x0 .
• Si f est concave sur I : f 0 (x0 ) = 0 si et seulement si f admet un maximum global en x0 .
Méthodes
• Déterminer les extrema locaux d’une fonction réelle.

• Obtenir une inégalité
â par inégalité de convexité.
â par comparaison avec une tangente.
148
Troisième partie
Probabilités
149
Chapitre C1
Probabilités sur un univers fini
Objectifs
• Appréhender le formalisme des espaces probabilisés.

• Lire un arbre de probabilités conditionnelles dans tous les sens.
• Notion d’indépendance.
1 Expérience aléatoire
Définition C1.1
Une expérience aléatoire est une expérience dont on ne peut pas prévoir le résultat avec
certitude. Les différents résultats possibles d’une expérience aléatoire sont appelés issues et leur
ensemble est l’univers des possibles, souvent noté Ω.
Un événement est un sous-ensemble de Ω dont on dit qu’il se produit ou non suivant l’issue de
l’expérience.
Notation. Soit A ⊂ Ω un événement aléatoire. On dit que cet événement est réalisé lorsque l’issue ω de
notre expérience est un élément de A.
On a alors la correspondance suivante entre le vocabulaire des événements et celui des parties de Ω.
événement certain Ω
événement impossible ∅
événement élémentaire singleton {ω}
disjonction (A ou B) A∪B
conjonction (A et B) A∩B
événement contraire de A A
événements incompatibles A∩B =∅
système complet d’événements partition
Remarque. Un système complet d’événements (s.c.e.) permet de décomposer un événement en plusieurs

n
[
sous-événements : soit (Ai )16i6n un s.c.e. et B ∈ P(Ω). Alors B = B ∩ Ai .
i=1
151
152 C1. Probabilités sur un univers fini
2 Loi de probabilité
Définition C1.2
Soit Ω un univers fini. P : P(Ω) → [0, 1] est une loi de probabilité lorsque
• P(Ω) = 1,
• ∀A, B incompatibles, P(A ∪ B) = P(A) + P(B).
Dans ce cas, on dit que (Ω, P(Ω), P) est un espace probabilisé fini.
Définition C1.3
Soit (Ω, P(Ω), P) un espace probabilisé fini. Un événement A est dit presque sûr lorsque P(A) = 1
et négligeable ou presque impossible lorsque P(A) = 0.
Proposition C1.4
Soient (Ω, P(Ω), P) un espace probabilisé fini et A, B des événements. Alors

(i) P(Ā) = 1 − P(A),
(ii) (inégalité de Boole) P(A ∪ B) 6 P(A) + P(B),
(iii) (formule du crible) P(A ∪ B) = P(A) + P(B) − P(A ∩ B),
(iv) P(A \ B) = P(A) − P(A ∩ B),
(v) A ⊂ B ⇒ P(A) 6 P(B).
Remarques.
• Avec Ω fini, donner P({ω}) pour tout ω ∈ Ω suffit à définir la loi de probabilités P.
• L’inégalité de Boole se généralise à un nombre n quelconque d’événements (Ai )16i6n .
n n
!
[ X
P Ai 6 P(Ai )
i=1 i=1
• La formule du crible se généralise également. On l’énonce ici pour trois événements A, B et C.
P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C).
Théorème C1.5
Avec les mêmes notations et (Ai )16i6n une famille d’événements incompatibles,
n n
!
[ X
P Ai = P(Ai ).
i=1 i=1
152
ECG1 2021–2022 H. Boucher C1. Probabilités sur un univers fini 153
3 Probabilités conditionnelles
Théorème et définition C1.6
Soient (Ω, P(Ω), P) un espace probabilisé fini et A, B des événements. Si P(B) 6= 0, on définit
P(A ∩ B)
PB (A) = .
P(B)
Alors PB est une loi de probabilité et PB (A), aussi notée P(A|B), s’appelle la probabilité condi-
tionnelle de A sachant B.
Remarque. Soient (Ω, P(Ω), P) un espace probabilisé fini, B ∈ P(Ω) et (Ai )16i6n des événements incom-
patibles. Alors
n n
!
X [
PB (Ai ) = PB Ai .
i=1 i=1
En particulier, PB (A) + PB (A) = 1.

Théorème C1.7 (Formule des probabilités composées)
Soient (Ω,!P(Ω), P) un espace probabilisé fini et (Ai )16i6n des événements (avec n > 2) tels que
n
\
P Ai > 0. Alors
i=1
n
!
\
P Ai = P(A1 )PA1 (A2 )PA1 ∩A2 (A3 ) . . . PA1 ∩...∩An−1 (An ).
i=1
Remarque. En particulier, P(A ∩ B) = P(B)PB (A), ce qui n’est pas une grosse surprise au vu de la
définition.
Dém. C1.7
n
\
Par récurrence, l’hérédité étant assurée par P(A ∩ B) = P(B)PB (A) appliquée avec A = Ai
i=1
et B = An+1 .
Théorème C1.8 (Formule des probabilités totales)
Soient (Ω, P(Ω), P) un espace probabilisé fini, B ∈ P(Ω) et (Ai )16i6n un système complet
d’événements (non négligeables). Alors
n
X
P(B) = P(Ai )PAi (B).
i=1
153
Dém. C1.8
Les B ∩ Ai forment une partition de B, comme on l’a souligné en début de chapitre.
Xn Xn
Donc P(B) = P(Ai ∩ B) = P(Ai )PAi (B) par définition de PAi .
i=1 i=1
Corollaire C1.9
Soient (Ω, P(Ω), P) un espace probabilisé fini et A, B ∈ P(Ω) avec P(A) > 0. Alors
P(B) = P(A)PA (B) + P(A)PA (B).
Théorème C1.10 (Formule de Bayes)
Soient (Ω, P(Ω), P) un espace probabilisé fini et A, B ∈ P(Ω) avec P(A) et P(B) non nuls. Alors
PA (B)P(A)
PB (A) = .
P(B)
Remarque. On trouve une version générale de cette formule pour laquelle il suffit d’exprimer P(B) à
l’aide de la formule des probabilités totales avec (Ai )16i6n un système complet d’événements : pour tout
1 6 k 6 n,
PA (B)P(A)
P(A|B) = n .
X
P(Ai )PAi (B)
i=1
4 Indépendance
Définition C1.11
Soient (Ω, P(Ω), P) un espace probabilisé fini et A, B ∈ P(Ω). On dit que A et B sont
indépendants lorsque
P(A ∩ B) = P(A)P(B).
Proposition C1.12
Avec les notations ci-dessus, si A et B sont indépendants, alors

• A et B sont indépendants,
• PB (A) = P(A).
154
ECG1 2021–2022 H. Boucher C1. Probabilités sur un univers fini 155
Définition C1.13
Soient (Ω, P(Ω), P) un espace probabilisé fini. On dit que des événements (Ai )16i6n sont
(i) indépendants deux à deux lorsque
∀1 6 i, j 6 n, P(Ai ∩ Aj ) = P(Ai )P(Aj ),
(ii) mutuellement indépendants lorsque

!
\ Y
∀J ⊂ J1, nK, P Ai = P(Ai ).
i∈J i∈J
Proposition C1.14
Si des événements sont mutuellement indépendants, alors ils sont deux à deux indépendants. La
réciproque est fausse.
Méthodes
• Calculer des probabilités

â par dénombrement direct d’issues équiprobables,
â en parcourant un arbre par probabilités composées,
â en décomposant à l’aide des probabilités totales,
â par la formule de Bayes.
155
156
Chapitre C2
Variables aléatoires finies
Objectifs
• Notion de variable aléatoire.

• Reconnaı̂tre les expériences menant à des variables usuelles, cal-
culer et reconnaı̂tre leurs lois.
• Exprimer et manipuler des grandeurs telles que l’espérance, la
variance, l’écart-type.
Dans tout ce qui suit, (Ω, P(Ω), P) désigne un espace probabilisé fini.
1 Variables aléatoires réelles
Définition C2.1
On appelle variable aléatoire réelle (VAR) (discrète finie) sur Ω toute application X : Ω → R.
Son ensemble de valeurs est l’ensemble fini X(Ω) = {X(ω), ω ∈ Ω}.
Notations.
• Dans Ω, on note (X = x) ou {X = x} l’événement {ω ∈ Ω, X(ω) = x}.
• Si A est un sous-ensemble de X(Ω), on note (X ∈ A) l’événement {ω ∈ Ω, X(ω) ∈ A}.
Soit X une VAR sur Ω. Alors
LX : X(Ω) → [0, 1]
x 7→ P(X = x)
est appelée loi de la variable X et permet de définir une loi de probabilités sur X(Ω).
Remarque. Cela signifie que l’ensemble fini X(Ω) peut être vu comme un univers. Ses événements sont
157
158 C2. Variables aléatoires finies
des parties A ∈ P (X(Ω)). Avec les notations ci-dessus, on peut étendre la définition de LX à :
LX : P (X(Ω)) → [0, 1] .
A 7→ P(X ∈ A)
Définition C2.3
L
On dit que deux VAR X et Y sont égales en loi lorsque LX = LY . On note alors X = Y .
Proposition C2.4
Si on note X(Ω) = {x1 , . . . , xn }, alors (X = xi )16i6n est un système complet d’événements de

Ω.
Définition C2.5
Soit X une VAR sur un espace probabilisé fini (Ω, P(Ω), P). On appelle fonction de répartition
de X et on note FX la fonction
FX : R −→ [0, 1]
.
t 7−→ P(X 6 t)
Remarque. Une fonction de répartition est croissante, continue à droite en tout point, discontinue en les
x ∈ X(Ω), égale à 0 au voisinage de −∞ et à 1 au voisinage de +∞.
Proposition C2.6
Avec les notations ci-dessus, si X(Ω) = {x1 , . . . , xn } avec x1 < . . . < xn , alors on a pour tout
2 6 k 6 n, P(X = xk ) = FX (xk ) − FX (xk−1 ).
Théorème C2.7
Soit X et Y deux VAR sur un espace probabilisé fini (Ω, P(Ω), P). Alors on a équivalence entre :
L
(i) X = Y ,
(ii) ∀t ∈ R, FX (t) = FY (t).
158
ECG1 2021–2022 H. Boucher C2. Variables aléatoires finies 159
2 Espérance, variance
Définition C2.8
L’espérance d’une variable aléatoire X à valeurs dans E ⊂ R est

X
E(X) = xP(X = x).
x∈E
Une variable aléatoire d’espérance nulle est dite centrée.
Proposition C2.9
X
L’espérance d’une VAR X est donnée par E(X) = X(ω)P({ω}).
ω∈Ω
Proposition C2.10
Soient X et Y deux VAR et λ, µ ∈ R. Alors

• E(λX + µY ) = λE(X) + µE(Y ),
• si X est à valeurs positives, alors E(X) > 0.
• si P(X 6 Y ) = 1, alors E(X) 6 E(Y ).
Définition C2.11
La variance d’une variable aléatoire X à valeurs dans E ⊂ R est
V (X) = E (X − E(X))2

p
et son écart-type est σ(X) = V (X). Une variable centrée de variance égale à 1 est dite centrée
réduite.
Proposition C2.12
Avec les notations ci-dessus, on a

(i) V (X) > 0,
(ii) V (X) = 0 ⇔ P(X = E(X)) = 1
Proposition C2.13 (Koenig-Huygens)
Soit X une variable aléatoire réelle. Alors V (X) = E(X 2 ) − E(X)2 .
159
Proposition C2.14
Soient X, Y deux variables aléatoires réelles et a, b ∈ R. Alors V (aX + b) = a2 V (X).
Proposition et définition C2.15
X − E(X)
Si X est une VAR, est centrée et réduite. On appelle cette v.a. la centrée réduite
σ(X)
de X, notée X ∗
3 Lois usuelles
Définition C2.16
On dit que la variable X suit une loi certaine de paramètre a ∈ R lorsque
P(X = a) = 1.
Proposition C2.17
Si X suit une loi certaine de paramètre a ∈ R, alors E(X) = a et V (X) = 0.
Définition C2.18
On dit que la variable X à valeurs dans l’ensemble fini E suit une loi uniforme lorsque
1
∀x ∈ E, P(X = x) = .
|E|
On note alors X ,→ U (E).
Proposition C2.19
1+n n2 − 1
Soit n ∈ N∗ et X ,→ U (J1, nK). Alors E(X) = et V (X) = .
2 12
160
ECG1 2021–2022 H. Boucher C2. Variables aléatoires finies 161
Définition C2.20
On dit que la variable X à valeurs dans {0, 1} suit une loi de Bernoulli de paramètre p ∈ [0, 1]
lorsque
P(X = 1) = p et P(X = 0) = 1 − p .
On note alors X ,→ B(p).
Proposition C2.21
Soit p ∈ [0, 1] et X ,→ B(p). Alors E(X) = p et V (X) = p(1 − p).
Définition C2.22
On dit que la variable X à valeurs dans J0, nK suit une loi binomiale de paramètres n ∈ N∗ et
p ∈ [0, 1] lorsque
n k
∀k ∈ J0, nK, P(X = k) = p (1 − p)n−k .
k
On note alors X ,→ B(n, p).
Proposition C2.23
Soit p ∈ [0, 1], n ∈ N∗ et X ,→ B(n, p). Alors E(X) = np et V (X) = np(1 − p).
Méthodes
• Mettre en relation la loi et la fonction de répartition d’une va-

riable aléatoire finie.
• Établir la loi, l’espérance d’une variable aléatoire de la forme
Y = g(X).
161
162
Chapitre C3
Probabilités sur un univers quelconque
1 Cadre général
1.1 Tribu
Définition C3.1
Soit Ω un ensemble. Soit A une partie de P(Ω). On dit que A est une tribu (ou une σ-algèbre)
de Ω lorsque
(i) Ω ∈ A,
(ii) (stabilité par passage au complémentaire) ∀A ∈ A, A ∈ A,
+∞
[
(iii) (stabilité par union dénombrable) pour tout famille (An )n∈N d’éléments de A, An ∈ A.
n=0
Proposition C3.2
Soit A une tribu d’un ensemble Ω. Alors

(i) ∅ ∈ A,
+∞
\
N
(ii) ∀(An )n∈N ∈ A , An ∈ A.
n=0
Dém. C3.2
(i) Ω ∈ A donc Ω = ∅ ∈ A.
+∞
[ +∞
\
(ii) Pour tout n, An ∈ A, donc An = An ∈ A.
n=0 n=0
Définition C3.3
On appelle espace probabilisable tout couple (Ω, A) avec

• Ω un ensemble, appelé univers,
• A une tribu de Ω, appelée tribu des événements de Ω.
Remarque. L’intérêt de ces notions est de ne pas devoir considérer P(Ω) tout entier (souvent gigantesque)
lors de notre étude d’une expérience aléatoire, mais une tribu plus raisonnable et adaptée à la situation.
163
164 C3. Probabilités sur un univers quelconque
Définition C3.4
Soit (Ω, A) un espace probabilisable et (Ai )i∈I une famille d’éléments de A indexée par I ⊂ N.
On dit que (Ai )i∈I système complet d’événements (s.c.e.) lorsque
• pour tous i 6= j dans I, Ai ∩ Aj = ∅,
[
• Ai = Ω.
i∈I
Définition C3.5
Soit I ∈ N et (Ai )i∈I un s.c.e. On appelle tribu engendrée par les (Ai ) la plus petite (au sens
de l’inclusion) tribu qui contient tous les Ai .
Remarque. Son existence est admise et on la note σ(Ai , i ∈ I).
1.2 Probabilité
Définition C3.6
Soit (Ω, A) un espace probabilisable. On appelle probabilité sur (Ω, A) est une application
P : A → [0, 1] telle que
(i) P(Ω) = 1,
(ii) pour toute famille (An )n∈N d’événements deux à deux incompatibles, on a
! +∞
[ X
P An = P(An ).
n∈N n=0
On dit que P est σ-additive.

Le triplet (Ω, A, P) est alors appelé espace probabilisé.
Remarque. Cela sous-entend un résultat de convergence de série. On peut s’en tenir pour l’instant à la
+∞
X N
X
définition : l’existence de P(An ) signifie simplement que P(An ) admet une limite finie lorsque N tend
n=0 n=0
vers +∞.
164
ECG1 2021–2022 H. Boucher C3. Probabilités sur un univers quelconque 165
Proposition C3.7
Soit (Ω, A, P) un espace probabilisé. Soit A, B ∈ A. Alors

(i) P(A) = 1 − P(A),
(ii) P(∅) = 0,
(iii) P(A \ B) = P(A) − P(A ∩ B),
(iv) (formule du crible) P(A ∪ B) = P(A) + P(B) − P(A ∩ B),
(v) (inégalité de Boole) P(A ∪ B) 6 P(A) + P(B),
(vi) A ⊂ B ⇒ P(A) 6 P(B).
Dém. C3.7
(i) Conséquence de la σ-additivité avec A t A = Ω.

(ii) Conséquence de la précédente avec A = Ω.
(iii) Conséquence de la σ-additivité avec A = (A ∩ B) t (A ∩ B) = (A \ B) t (A ∩ B).
(iv) Conséquence de la σ-additivité avec A ∪ B = A t (B ∩ A) et de la précédente.
(v) Conséquence de la précédente car P(A ∩ B) > 0.
(vi) Conséquence de la σ-additivité car si A ⊂ B, alors B = A t (B \ A).
Définition C3.8
Soit (Ω, A, P) un espace probabilisé. Soit A ∈ A.

— On dit que A est presque sûr lorsque P(A) = 1 ;
— on dit que A est négligeable lorsque P(A) = 0.
Remarque. En cas d’ambiguı̈té, on parle d’événement P-négligeable ou P-presque sûr.

Théorème C3.9 (convergence monotone)
Soit (Ω, A, P) un espace probabilisé et (An )n∈N ∈ An monotone au sens de l’inclusion.

+∞
!
[
• Si (An ) est croissante, alors P An = lim P(An ).
n→+∞
n=0
+∞
!
\
• Si (An ) est décroissante, alors P An = lim P(An ).
n→+∞
n=0
Dém. C3.9
On va montrer la première assertion. Pour la seconde, on s’y ramène en passant aux complémentaires.
â (P(An ))n∈N est croissante et majorée (par 1) donc elle admet une limite finie `.
165
+∞
[
â Pour tout n > 0, on pose Bn = An \ An−1 . On pose aussi B0 = A0 . Soit A = An
n=0
+∞
[
Ainsi les Bn sont disjoints et on a A = Bn .
n=0
+∞
X +∞
X
Donc P(A) = P(Bn ) = P(B0 ) + (P(An ) − P(An−1 )).
n=0 n=1
N
X
Or (P(An ) − P(An−1 )) = P(An ) − P(A0 ) −−−−−→ ` − P(A0 ).
N →+∞
n=1
Donc P(A) = `.
Corollaire C3.10
Soit (Ω, A, P) un espace probabilisé et (An )n∈N ∈ An une famille quelconque d’événements. Alors
+∞ n
! !
[ [
• P An = lim P Ak .
n→+∞
n=0 k=0
+∞ n
! !
\ \
• P An = lim P Ak .
n→+∞
n=0 k=0
Dém. C3.10
Il s’agit d’appliquer le théorème précédent en posant
[n
• Cn = Ak , suite croissante d’événements,
k=0
n
\
• Dn = Ak , suite décroissante d’événements.
k=0
Exemple. Suite de Pile ou Face. On lance une pièce équilibrée plusieurs fois de suite. On cherche la
probabilité d’obtenir Pile à tous les lancers.
• On fait N lancers. On est dans le cas de probabilités sur un univers fini : Ω = {P, F }N . La tribu
1 1
utilisée est P(Ω). Le succès correspond à l’événement {(P, . . . , P }, de probabilité = N.
|Ω| 2
• On fait une infinité de lancers (indépendants). Une issue sera une suite de P et de F , par
exemple (P, F, F, P, P, P, F, . . .). L’univers est l’ensemble de ces suites, soit {P, F }N .
L’énoncé vous fera admettre qu’il existe une tribu A et une probabilité P qui modélisent cette expérience,
notamment telle que l’événement Pn : le n-ième lancer donne Pile soit une événement de A de
+∞
1 \
probabilité P(Pn ) = . On pose alors A = Pn : tous les lancers donnent Pile .
2
n=1
N
!
\
Le théorème précédent nous donne P(A) = lim P Pn .
N →+∞
n=1
N
! N
\ 1
Or P Pn = (par indépendance des lancers).
2
n=1
166
Finalement P(A) = 0. Ce qui est très instructif car c’est là un exemple d’événement négligeable (de
probabilité nulle) qui n’est pourtant pas l’événement impossible (∅). En effet, A = {(P, P, . . .)}.
1.3 Probabilités conditionnelles
Soient (Ω, A, P) un espace probabilisé et A, B des événements tels que P(B) 6= 0. On définit
P(A ∩ B)
PB (A) = .
P(B)
Alors PB est une loi de probabilité et PB (A), aussi notée P(A|B), s’appelle la probabilité condi-
tionnelle de A sachant B.
Dém. C3.11
P(Ω ∩ B) P(Ω)
• PB (Ω) = = = 0.
P(B) P(B)
• Soit (An ) une famille

! d’événements disjoints.!Alors les (An ∩ B) sont également disjoints.
+∞ +∞ +∞ +∞
[ 1 [ 1 X X
Ainsi PB An = P An ∩ B = P (An ∩ B) = PB (An ).
P(B) P(B)
n=0 n=0 n=0 n=0
Théorème C3.12 (Formule des probabilités composées)
Soient (Ω,!P(Ω), P) un espace probabilisé fini et (Ai )16i6n des événements (avec n > 2) tels que
n
\
P Ai > 0. Alors
i=1
n
!
\
P Ai = P(A1 )PA1 (A2 )PA1 ∩A2 (A3 ) . . . PA1 ∩...∩An−1 (An ).
i=1
Remarque. En particulier, P(A ∩ B) = P(B)PB (A), ce qui n’est pas une grosse surprise au vu de la
définition.
Dém. C3.12
Par récurrence, l’initialisation étant triviale, et l’hérédité étant assurée par P(A∩B) = P(B)PB (A)
\n
appliquée avec A = Ai et B = An+1 .
i=1
167
Théorème C3.13 (Formule des probabilités totales)
Soient (Ω, A, P) un espace probabilisé fini, B ∈ A et (Ai )16i6n un système complet d’événements
tels que pour tout i, P(Ai ) 6= 0. Alors
n
X
P(B) = P(Ai )PAi (B).
i=1
Dém. C3.13
Les B ∩ Ai forment une partition de B, comme on l’a déjà remarqué.
Xn Xn
Donc P(B) = P(Ai ∩ B) = P(Ai )PAi (B) par définition de PAi .
i=1 i=1
Corollaire C3.14
Soient (Ω, A, P) un espace probabilisé fini et A, B ∈ A. Alors
P(B) = P(A)PA (B) + P(A)PA (B).
Dém. C3.14
Le théorème précédent, appliqué avec le système complet d’événements {A, A}.
1.4 Indépendance
Définition C3.15
Soit (Ω, A, P) un espace probabilisé et A, B ∈ A. On dit que A et B sont indépendants lorsque
P(A ∩ B) = P(A)P(B).
Proposition C3.16
Soit (Ω, A, P) un espace probabilisé et A, B ∈ A tels que P(B) 6= 0. Alors A et B sont indépendants
si et seulement si PB (A) = P(A).
Dém. C3.16
P(A ∩ B) P(A)P(B)
A et B sont indépendants si et seulement si PB (A) = = = P(A).
P(B) P(B)
168
Proposition C3.17
Avec les notations ci-dessus, si A et B sont indépendants, alors

Dém. C3.17
• P(A ∩ B) = P(A) − P(A ∩ B) = P(A) − P(A)P(B) = P(A)(1 − P(B)) = P(A)P(B).

• On laisse les deux autres en exercice sur le même modèle.
Définition C3.18
Soit (Ω, A, P) un espace probabilisé et I ⊂ N. On dit que des événements (Ai )i∈I sont mutuel-
lement indépendants lorsque pour tout partie finie J ⊂ I
!
\ Y
P Ai = P(Ai ).
i∈J i∈J
Proposition C3.19
Soit (Ω, A, P) un espace probabilisé et (Ai )i∈I une famille d’événements mutuellement
indépendants. Alors
• Pour tout J ⊂ I, les événements de la sous-famille (Ai )i∈J sont mutuellement indépendants.
• Si pour tout i, on pose Bi = Ai ou Ai , alors les (Bi )i∈I sont mutuellement indépendants.
Remarque. Plus généralement, avec les mêmes notations, tout événement dépendant des (Ai )i∈J sera
indépendant de tout événement dépendant des (Ai )i∈I\J .
1.5 Variables aléatoires réelles
Définition C3.20
Soit (Ω, A) un espace probabilisable. On appelle variable aléatoire réelle (VAR) sur (Ω, A)
une application X : Ω → R telle que pour tout x ∈ R, {ω ∈ Ω, X(ω) 6 x} ∈ A.
Notations.
• On note alors [X 6 x] = {ω ∈ Ω, X(ω) 6 x}.
• Si A ⊂ R ∪ {+∞}, on note [X ∈ A] = {ω ∈ Ω, X(ω) ∈ A} et on admet que c’est bien un événement
de A.
169
Remarque. Cela donne aussi entre autres : [X = x] ∈ A et [a 6 X < b] ∈ A.
Définition C3.21
Soit X une VAR sur un espace probabilisé (Ω, A, P). On appelle fonction de répartition de X
et on note FX la fonction
FX : R −→ [0, 1]
.
x 7−→ P(X 6 x)
Proposition C3.22
Avec les notations ci-dessus,

• FX est croissante,
• FX est continue à droite en tout point,
• lim FX (x) = 0 et lim FX (x) = 1.
x→−∞ x→+∞
Dém. C3.22
• Soit x1 6 x2 . Alors [X 6 x1 ] ⊂ [X 6 x2 ] car pour tout ω ∈ Ω, X(ω) 6 x1 ⇒ X(ω) 6
x2 .
Ainsi P(X 6 x1 ) 6 P(X 6 x2 ).
• Soit x ∈ R et (xn )n∈N une suite décroissante tendant vers x.
Pour tout n, on pose An l’événement [x < X 6 xn ], ce qui fait de (An ) une suite
+∞
\
décroissante d’événements, telle que An = ∅.
n=0
+∞
!
\
F (xn ) − F (x) = P(An ) −−−−−→ P An = 0 par convergence monotone.
n→+∞
n=0
Ainsi F (xn ) −−−−−→ F (x) et donc F est continue à droite en x.
n→+∞
• Soit (bn ) suite décroissante tendant vers −∞ et (cn ) suite croissante tendant vers +∞.
On utilise la convergence monotone, d’une part avec Bn = [X 6 bn ] qui forment une
suite décroissante d’événements, d’autre part avec Cn = [X 6 cn ] qui forment une suite
+∞
\ +∞
[
croissante d’événements, avec Bn = ∅ et Cn = Ω.
n=0 n=0
On a besoin d’utiliser ici la notion de tribu borélienne notée B qui dépasse largement le cadre du
programme mais peut être pensée comme une tribu de R contenant les intervalles de tous types et tous les
ensembles descriptibles comme union(s) et/ou intersection(s) et/ou complémentaire(s) de ces intervalles.
170
Soit X une VAR sur (Ω, A, P). Alors
LX : B → [0, 1]
A 7→ P(X ∈ A)
est une probabilité, appelée loi de la variable X.
Dém. C3.23
directement hérité du fait que P est une probabilité.
Définition C3.24
L
On dit que deux VAR sont égales en loi lorsque LX = LY . On note alors X = Y .
Théorème C3.25 (caractérisation par la fonction de répartition)
Soit X et Y deux VAR sur un espace probabilisé (Ω, A, P). Alors on a équivalence entre :
L
(i) X = Y ,
(ii) ∀x ∈ R, FX (x) = FY (x).
Dém. C3.25
Admis, conséquence du lemme de classe monotone par exemple, et intrinsèquement lié à la
construction de notre tribu B.
2 Variables aléatoires discrètes
La notion d’espace discret dépasse légèrement le cadre du programme et en pratique on considérera la

plupart du temps une partie de N ou une partie de Z. Néanmoins :
Définition C3.26
Soit A ⊂ R. On dit que A est une partie discrète de R lorsque pour tout a ∈ A, il existe ε > 0
tel que ]a − ε, a + ε[= {a}.
En l’absence de précisions, (Ω, A) désigne un espace probabilisable et (Ω, A, P) un espace probabilisé

dans cette partie.
171
Définition C3.27
Soit X une VAR sur (Ω, A). On dit que X est une variable aléatoire réelle discrète (VARD)
lorsque son image X(Ω) est une partie discrète de R.
Théorème C3.28
Soit X et Y deux VARD sur (Ω, A, P). Alors on a équivalence entre :

L
(i) X = Y ,
(ii) ∀x ∈ R, P(X = x) = P(Y = x).
Remarque. En particulier pour décrire une VARD, il suffit de donner P(X = x) pour tout x ∈ X(Ω)
Soit X une VARD sur (Ω, A). La famille ([X = x])x∈X(Ω) est un système complet d’événements
et on note AX la tribu engendrée par cette famille d’événements, appelée tribu engendrée par
X.
Remarques.
• Intuitivement, c’est la tribu de tous les événements qui parlent de X.

X
• Avec X une VARD, on a P(X = x) qui est une série convergente et de somme 1. Autrement
x∈X(Ω)
N
X
dit dans le cas où X(Ω) = N : P(X = k) converge vers 1 lorsque N tend vers +∞.
k=0
Soit X une VARD sur (Ω, A). Soit g une application X(Ω) → R. Alors Y = g(X) est une variable
aléatoire réelle discrète sur (Ω, A) appelée transfert de X par g.
Remarque. Pour tout yX ∈ Y (Ω), notons Ay = {x ∈ X(Ω), y = g(x)} (l’ensemble des antécédents de y
par g). Alors P(Y = y) = P(X = x).
x∈Ay
172
2.2 Moments
Définition C3.31
X X une VARD sur (Ω, A, P). On dit que X admet une espérance
Soit X lorsque la série
|x|P(X = x) est convergente. Dans ce cas, on note E(X) = xP(X = x) sa somme,
x∈X(Ω) x∈X(Ω)
appelée espérance mathématique de X.
+∞
X N
X
Remarque. Là encore, dans le cas X(Ω) = N, E(X) = kP(X = k) = lim kP(X = k) et on dit
N →+∞
k=0 k=0
que X admet une espérance lorsque cette limite est finie.
Théorème C3.32 (Transfert)
X sur (Ω, A, P). Soit g : X(Ω) → R telle que g(X) admette une espérance. Alors
Soit X une VARD
E(g(X)) = g(x)P(X = x).
x∈X(Ω)
Dém. C3.32
Admis. Résultat naturel de regroupement des termes pour les familles sommables. On étend
simplement (avec les justifications ad hoc ce qui se passe dans le cas des probabilités finies.
Définition C3.33
Soit X une VARD sur (Ω, A, P). On dit que X admet un moment d’ordre r ∈ N lorsque X r
admet une espérance. Dans ce cas on note mr (X) = E(X r ), appelé moment d’ordre r de X.
Remarques.
• Une VARD admet toujours un moment d’ordre 0, égal à 1.
• S’il existe, le moment d’ordre 1 d’une VARD est simplement son espérance.
Définition C3.34
Soit X une VARD sur (Ω, A, P) admettant un moment d’ordre 2. On appelle variance de X la
quantité
V (X) = E (X − E(X))2 .

p
On appelle écart-type de X la quantité σ(X) = V (X).
Remarque. Si X admet un moment d’ordre r ∈ N, alors elle admet un moment d’ordre k pour tout
k ∈ J0, rK. C’est pourquoi admettre un moment d’ordre 2 suffit à admettre aussi une espérance et (et donc)
une variance.
173
Proposition C3.35
Soit X, Y VARD sur (Ω, A, P) et a, b ∈ R. Alors

(i) E(aX + b) = aE(X) + b,
(ii) V (aX) = a2 V (X).
(iii) V (X) = 0 si et seulement si X est presque sûrement constante ; dans ce cas, X = E(X)
presque sûrement.
Dém. C3.35
Les deux premières propriétés sont élémentaires et identiques au cas fini. Détaillons simplement
les éléments nouveaux.
(iii) Le sens ⇐ est immédiat.
Supposons que V (X) = 0. Alors E((X − E(X))2 ) = 0. Notons µ = E(X) (µ comme
moyenne). X
Cela donne : (x − µ)2 P(X = x) = 0. C’est une somme de nombres positifs ou nuls,
x∈X(Ω)
donc ils sont tous nuls.
2
Ainsi, pour tout x ∈ X(Ω), (x
X− µ) P(X = x) = 0, i.e. x = µ ou P(X = x) = 0.
Finalement P(X 6= µ) = P(X = x) = 0. Et donc P(X = µ) = 1.
x∈X(Ω)\{µ}
Théorème C3.36 (Formule de Koenig-Huygens)
Soit X une VARD admettant une variance. Alors V (X) = E(X 2 ) − E(X)2 .
Dém. C3.36
Identique au cas fini, conséquence de la linéarité de l’espérance.
(i) Si X admet une espérance, alors X − E(X) est centrée, c’est-à-dire qu’elle a une espérance
nulle. On l’appelle VARD centrée associée à X.
1
(ii) Si X admet un moment d’ordre 2, alors (X − E(X)) est centrée et réduite c’est-à-
σ(X)
dire qu’elle a pour espérance 0 et pour variance 1. On l’appelle VARD centrée réduite
associée à X, notée X ∗ .
174
2.3 Lois usuelles
Définition C3.38
Soit p ∈]0, 1[ et X une VARD sur (Ω, A, P). On dit que X suit une loi géométrique de pa-
ramètre p lorsque X(Ω) = N∗ et ∀k ∈ N∗ , P(X = k) = p(1 − p)k−1 .
Notation. On note alors X ,→ G (p).

Remarque. C’est la loi du rang du premier succès lors de la répétition d’une expérience de Bernoulli de
paramètre p.
Proposition C3.39
1 1−p
Si X ,→ G (p), alors X admet une espérance et une variance et on a E(X) = et V (X) = .
p p2
Dém. C3.39
N
X N
X N
X
Espérance : kP(X = k) = k(1 − p)k−1 p = p k(1 − p)k−1 .
k=1 k=1 k=1
N
X 1 − (1 − x)N +1
Soit f (x) = (1 − x)k = , dérivable sur ]0, 1[.
x
k=0
N
X (N + 1)(1 − x)N 1 − (1 − x)N +1 1
Alors k(1 − x)k−1 = −f 0 (x) = + 2
−−−−−→ 2 .
x x N →+∞ x
k=1
1 1
Finalement E(X) = p = .
p2 p
Variance : Même astuce pour E(X 2 ).

N
X N
X N
X
Pour tout x ∈]0, 1[, f 00 (x) = k(k − 1)(1 − x)k−2 = k 2 (1 − x)k−2 − k(1 − x)k−2
k=2 k=2 k=2
00 2
et f (x) −−−−−→ 3 .
N →+∞ x
N
X N
X
Ainsi p(1 − p)f 00 (p) = k 2 (1 − p)k−1 p − k(1 − p)k−1 p −−−−−→ E(X 2 ) − E(X).
N →+∞
k=2 k=2
2p(1 − p) 1 1 1−p
Finalement, V (X) = E(X 2 ) − E(X)2 = 3
+ − 2 = .
p p p p2
Proposition C3.40 (Fonction de répartition de G (p))
Si X ,→ G (p), alors ∀k ∈ N∗ , on a P(X 6 k) = 1 − (1 − p)k .
Dém. C3.40
k
X 1 − (1 − p)k
P(X 6 k) = (1 − p)i−1 p = p = 1 − (1 − p)k
1 − (1 − p)
i=1
175
Remarques.
• La fonction de répartition caractérisant la loi, la propriété précédente a une réciproque : si on obtient
une telle fonction de répartition, on peut conclure que X suit une loi géométrique.
• Parfois utile : P(X > k) = (1 − p)k et P(X > k) = (1 − p)k−1 .
Proposition C3.41 (Absence de mémoire)
Si X ,→ G (p), alors
∀s, t ∈ N∗ , P[X>s] (X > s + t) = P(X > t).
Remarque. Il est indispensable de comprendre le nom de cette propriété. C’est une caractéristique que
l’on retrouve fréquemment lors de l’étude de telles variables aléatoires. Heuristiquement, cela signifie qu’après
s échecs, l’expérience est la même que si les s premiers lancers n’avaient pas existé. En particulier, on ne va
pas faire plus rapidement FACE si on a déjà lancé plusieurs fois PILE que si on n’a pas encore joué.
Dém. C3.41
Remarquons tout d’abord que [X > s] ∩ [X > s + t] = [X > s + t].
P(X > s + t) (1 − p)s+t
Ainsi P[X>s] (X > s + t) = = = (1 − p)t = P(X > t).
P(X > s) (1 − p)s
Remarque. Cette propriété

( a également une réciproque : si une variable aléatoire X est à valeurs dans
∗
∀k ∈ N , P(X = k) ∈]0, 1[
X(Ω) = N∗ et vérifie , alors X suit une loi géométrique (son
∀s, t ∈ N∗ , P[X>s] (X > s + t) = P(X > t)
paramètre sera p = P(X = 1)).
Définition C3.42
Soit λ ∈ R et X une VARD sur (Ω, A, P). On dit que X suit une loi de Poisson de paramètre
λk −λ
λ lorsque X(Ω) = N et ∀k ∈ N, P(X = k) = e .
k!
Notation. On note alors X ,→ P(λ).

Proposition C3.43
Si X ,→ P(λ), alors X admet une espérance et une variance et on a E(X) = λ et V (X) = λ.
Dém. C3.43
+∞ k
X λ
On remarque tout d’abord que = eλ .
k!
k=0
Pour cela, on peut écrire une formule de Taylor à l’ordre N et faire tendre N vers +∞. On
choisit
Taylor-Lagrange
pour avoir un résultat global et une majoration.
N k N

λ X λ |λ|
e − 6M , où M = max(1, eλ ) majore et entre 0 et λ.
k! N!
k=0
Par croissances comparées (ou directement si |λ| 6 1), cet écart tend vers 0.
176
+∞
X
Remarque. Cette formule justifie la définition de la loi, puisque P(X = k) = 1, ce qui
k=0
nous sera utile par la suite.
N N N −1 k
X λk X λk−1 −λ X λ −λ
Espérance : k e−λ = λ e =λ e −−−−−→ λ.
k! (k − 1)! k! N →+∞
k=0 k=1 k=0
N N N
X λk −λ X λk X λk
Variance : k2 e = k(k − 1) e−λ + k e−λ .
k! k! k!
k=0 k=2 k=0
N N N −2 k
Or k(k − 1) e−λ =λ 2
e =λ 2
e −−−−−→ λ2
k! (k − 2)! k! N →+∞
k=2 k=2 k=0
N
X λk
et k e−λ −−−−−→ E(X) = λ.
k! N →+∞
k=0
Finalement, V (X) = E(X 2 ) − E(X)2 = λ2 + λ − λ2 = λ.
3 Variables aléatoires à densité

Définition C3.44
Soit X une VAR sur (Ω, A, P). On dit que X est à densité lorsque sa fonction de répartition FX
est continue sur R et de classe C 1 sauf éventuellement en un nombre fini de points.
Dans ce cas, on dit qu’une fonction f : R → R est une densité de X lorsqu’elle est positive et
égale à FX0 , sauf éventuellement en un nombre fini de points.
Théorème C3.45 (une densité caractérise la fonction de répartition)
Soit X une VAR à densité et fX une densité de X. Alors pour tout x ∈ R,

Z x
FX (x) = P(X 6 x) = fX (t) dt,
−∞
cette intégrale étant convergente.
Z x
Remarque. Rien de plus à savoir pour l’instant sur la notion d’intégrale convergente : on dit que fX (t) dt
Z x −∞
est convergente lorsque fX (t) dt admet une limite finie pour a → −∞. On a bien sûr une définition ana-
a
logue pour une intégrale présentant une borne supérieure égale à +∞.
Dém. C3.45
Z x
fX (t) dt = FX (x) − FX (a) −−−−→ FX (x) = P(X 6 x).
a a→−∞
177
Z +∞
Remarque. En particulier FX (x) −−−−→ 1, donc fX (t) dt existe et vaut 1.
x→+∞ −∞
Corollaire C3.46 (une densité caractérise la loi)
Soit X une VAR à densité et fX une densité de X. Alors pour tous réels a < b,
• P(X = a) = 0,
Z b
• P(X 6 b) = P(X < b) = fX (t) dt,
−∞
Z +∞
• P(X > a) = P(X > a) = fX (t) dt,
a
Z b
• P(X ∈ [a, b]) = P(X ∈]a, b]) = P(X ∈ [a, b[) = P(X ∈]a, b[) = fX (t) dt.
a
Dém. C3.46
Tout découle de la définition de FX et du fait que FX (b) − FX (a) = P([a < X 6 b]).
+∞
\
1 1
• [X = a] = a − < X 6 a . Donc P(X = a) = lim FX (a) − FX a − = 0.
n n→+∞ n
n=1
• Les autres points en sont une conséquence immédiate.
Théorème C3.47
Soit f : R → R. Alors f est la densité d’une VAR X si et seulement si :

(i) ∀x ∈ R, f (x) > 0,
(ii) f est continue sur R, éventuellement privé d’un nombre fini de points,
Z +∞
(iii) f (t) dt est convergente et vaut 1.
−∞
Dém. C3.47
Les trois points sont des conséquences directes deZ ce qui précède. Réciproquement, si f vérifie
x
ces trois points, alors on peut définir F : x 7→ f (t) dt. Cette intégrale est convergente
Z x −∞
car fX (t) dt est croissante et majorée quand a décroı̂t vers −∞, ce qui lui confère une
a
limite finie. Il suffit alors de poser X comme la VA telle que FX = F , la fonction de répartition
caractérisant la loi (conséquence de la construction de la tribu des boréliens).
178
Théorème C3.48 (Transformation)
Soit X une VAR à densité sur (Ω, A, P). Pour a, b ∈ R avec a 6= 0, on pose Y = aX + b. Alors Y
est une VAR à densité et
x−b
(i) si a > 0, alors ∀x ∈ R, FY (x) = FX ,
a

x−b
(ii) si a < 0, alors ∀x ∈ R, FY (x) = 1 − FX ,
a
et si fX est une densité de X,

1 t−b
(iii) fY : t 7→ fX est une densité de Y .
|a| a
Dém. C3.48

x−b x−b
(i) Y 6 x ⇔ aX + b 6 x ⇔ X 6 . Ainsi P(Y 6 x) = P X 6 .
a a
(ii) Exercice.

0 1 0 x−b 1 t−b
(iii) Si a > 0, fY (x) = FY (x) = FX = fX .
a a a a

1 t−b
Si a < 0, le même calcul donne fY (x) = − fX .
a a
Définition C3.49
Soit X une VAR à Zdensité sur (Ω, A, P) et fX une densité de X. On dit que X admet une
+∞
espérance lorsque |t|fX (t) dt existe. Dans ce cas on appelle espérance de X et on note
−∞
E(X).
Remarque. On peut naturellement adapter aux VAR à densité la notion de moment d’ordre m et de
variance.
Proposition C3.50
Soit X une VAR à densité possédant une espérance et (a, b) ∈ R∗ × R. Alors aX + b admet une
espérance et E(aX + b) = aE(X) + b.
Définition et proposition C3.51
On dit qu’une VAR est centrée si son espérance est nulle. Étant donnée X une VAR à densité
admettant une espérance, la VAR X − E(X) est centrée.
179
3.2 Lois usuelles
Définition C3.52
Soit a, b ∈ R tels que a < b. On dit que X suit la loi uniforme sur [a, b] lorsqu’elle admet pour
1
densité la fonction t 7→ 1 (t)
b − a [a,b]
Remarques.
1
b−a
a
• Rappel : courbe de la fonction indicatrice de [a, b] : b
• La densité d’une loi uniforme est constante sur son ensemble de valeurs. La valeur de cette constante
1
permet que X suive bien une loi de probabilité.
b−a
(
1 si t ∈ [a, b]
• Autrement dit : fX : t 7→ .
0 sinon
Notation. On note alors X ,→ U ([a, b]).
Proposition C3.53
a+b
Si X ,→ U ([a, b]), alors E(X) = .
2
Dém. C3.53
Z +∞ b 2 b
1 b2 − a2
Z
1 1 1 t a+b
t 1[a,b] (t) dt = t dt = = = .
−∞ b−a b−a a b−a 2 a b−a 2 2
Proposition C3.54 (Transformation affine)
Y ,→ U ([0, 1]) ⇔ a + (b − a)Y ,→ U ([a, b]).
Dém. C3.54
Conséquence directe de la propriété sur les transformations affines.
Définition C3.55
Soit λ ∈ R∗+ . On dit que X suit la loi exponentielle de paramètre λ lorsqu’elle admet pour
densité la fonction t 7→ λe−λt 1[0,+∞[ .
Notation. On note alors X ,→ E (λ).
180
Proposition C3.56
(
0 si x 6 0
Si X ,→ E (λ), alors FX : x 7→ .
1 − e−λx sinon
Dém. C3.56
Z x Z x
λe 1[0,+∞[ dt =
−λt
λe−λt dt = 1 − e−λx .
−∞ 0
Remarque. On remarque que FX (x) −−−−→ 1, ce qui est rassurant pour une fonction de répartition.
x→+∞
Proposition C3.57
1
Si X ,→ E (λ), alors E(X) = .
λ
Dém. C3.57
Z +∞ Z +∞
tλe −λt
1[0,+∞[ dt = tλe−λt dt sous réserve d’existence.
−∞ 0
b
1 − e−λb (1 + λb)
Z
−λt
L’intégrale te dt se calcule en intégrant par parties et donne et tend
0 λ2
1
vers 2 quand b → +∞ (à l’aide des croissances comparées).
λ
1
Finalement, E(X) = .
λ
Proposition C3.58
1
Y ,→ E (1) ⇔ Y ,→ E (λ).
λ
Dém. C3.58
Conséquence directe de la propriété sur les transformations affines.
Théorème C3.59 (Caractérisation d’une loi sans mémoire)
Une VAR X suit une loi exponentielle si et seulement si

(i) X(Ω) ∈ R+ ,
(ii) ∀x, y ∈ R+ , P[X>y] (X > x + y) = P(X > x),
(iii) ∀x ∈ R, P(X > x) 6= 0.
Dém. C3.59
181
• La loi exponentielle vérifie les points (i) et (iii). Pour le point (ii), on effectue le calcul en
utilisant [X > x + y] ⊂ [X > x].
1 − FX (x + y) e−λ(x+y)
Ainsi P[X>y] (X > x + y) = = = e−λx = 1 − FX (x) = P(X >
1 − FX (y) e−λy
x).
• On va admettre la réciproque, mais en voici l’ingrédient principal : si X vérifie les trois
propriétés, on détermine FX = 1 − G où G(x) = P(X > x). Les hypothèses font que
G vérifie l’équation fonctionnelle G(x + y) = G(x)G(y) et cette propriété est propre aux
fonctions exponentielles (voir cours sur les fonctions usuelles).
Définition C3.60
On dit que X suit une loi normale centrée réduite lorsqu’elle admet pour densité la fonction
1 t2
t 7→ √ e− 2 .
2π
Z +∞ t2 √
Remarque. Cela signifie que e− 2 dt = 2π. Ce résultat est à retenir sous cette forme ou une autre,
−∞
car nous n’avons pas les moyens de calculer cette intégrale de manière simple.
Notation. On note alors X ,→ N (0, 1).
Proposition C3.61
Si X ,→ N (0, 1), alors E(X) = 0.
Dém. C3.61
t2 t2
On effectue le calcul de l’intégrale en remarquant qu’une primitive de t 7→ te− 2 est t 7→ e− 2 .
Définition C3.62
On dit que X suit une loi normale de paramètres µ et σ 2 (aussi appelée loi de Laplace-
Gauß) lorsqu’elle admet pour densité la fonction
1 1 t−µ 2
t 7→ √ e− 2 ( σ ) .
σ 2π
Notation. On note alors X ,→ N (µ, σ 2 ).

Proposition C3.63
Si X ,→ N (µ, σ 2 ), alors E(X) = µ.
Dém. C3.63
On effectue le calcul direct d’intégrale, ou bien on se ramène à N (0, 1) à l’aide de la propriété
suivante.
182
Proposition C3.64
X −µ
X ,→ N (µ, σ 2 ) ⇔ X ∗ = ,→ N (0, 1).
σ
Remarque. On pourra aussi montrer, après l’avoir défini, que σ représente l’écart-type de cette loi normale
183
184
Chapitre C4
Variables aléatoires discrètes
Objectifs
• Notion de variable aléatoire discrète.

• Reconnaı̂tre les expériences menant à des variables usuelles, cal-
culer et reconnaı̂tre leurs lois.
En l’absence de précisions, (Ω, A) désigne un espace probabilisable et (Ω, A, P) un espace probabilisé

dans cette partie.
1 Généralités
Définition C4.1
Une fonction X : Ω → R est une variable aléatoire réelle discrète (VARD) lorsque
• son image X(Ω) est une partie discrète de R, i.e. X(Ω) = {ui }i∈I avec I une partie de N.
• pour tout i ∈ I, [X = ui ] est un événement de A.
Remarque. En pratique, on aura le plus souvent X(Ω) = N ou N∗ (sans parler des VA finies déjà étudiées).
Définition C4.2
Soit X : Ω → R une VARD sur (Ω, A). La loi de X est la donnée de P(X = x) pour tout
x ∈ X(Ω).
Proposition C4.3
Soit X une VARD sur (Ω, A). La famille ([X = x])x∈X(Ω) est un système complet d’événements.
X
Remarque. Avec X une VARD, on a P(X = x) qui est une série convergente et de somme 1.
x∈X(Ω)
XN
Autrement dit dans le cas où X(Ω) = N : P(X = k) converge vers 1 lorsque N tend vers +∞.
k=0
185
186 C4. Variables aléatoires discrètes
Soit X une VARD sur (Ω, A). Soit g une application X(Ω) → R. Alors Y = g(X) est une variable
aléatoire réelle discrète sur (Ω, A) appelée transfert de X par g.
Remarque. Pour tout yX ∈ Y (Ω), notons Ay = {x ∈ X(Ω), y = g(x)} (l’ensemble des antécédents de y
par g). Alors P(Y = y) = P(X = x).
x∈Ay
Définition C4.5
Soit X une VAR sur un espace probabilisé (Ω, A, P). On appelle fonction de répartition de X
et on note FX la fonction
FX : R −→ [0, 1]
.
x 7−→ P(X 6 x)
Proposition C4.6
Avec les notations ci-dessus,

• FX est croissante,
• FX est continue à droite en tout point,
• lim FX (x) = 0 et lim FX (x) = 1.
x→−∞ x→+∞
Dém. C4.6
• Soit x1 6 x2 . Alors [X 6 x1 ] ⊂ [X 6 x2 ] car pour tout ω ∈ Ω, X(ω) 6 x1 ⇒ X(ω) 6
x2 .
Ainsi P(X 6 x1 ) 6 P(X 6 x2 ).
• Soit x ∈ R et (xn )n∈N une suite décroissante tendant vers x.
Pour tout n, on pose An l’événement [x < X 6 xn ], ce qui fait de (An ) une suite
+∞
\
décroissante d’événements, telle que An = ∅.
n=0
+∞
!
\
F (xn ) − F (x) = P(An ) −−−−−→ P An = 0 par convergence monotone.
n→+∞
n=0
Ainsi F (xn ) −−−−−→ F (x) et donc F est continue à droite en x.
n→+∞
• Soit (bn ) suite décroissante tendant vers −∞ et (cn ) suite croissante tendant vers +∞.
On utilise la convergence monotone, d’une part avec Bn = [X 6 bn ] qui forment une
suite décroissante d’événements, d’autre part avec Cn = [X 6 cn ] qui forment une suite
+∞
\ +∞
[
croissante d’événements, avec Bn = ∅ et Cn = Ω.
n=0 n=0
186
ECG1 2021–2022 H. Boucher C4. Variables aléatoires discrètes 187
2 Moments
Définition C4.7
X X une VARD sur (Ω, A, P). On dit que X admet une espérance
Soit X lorsque la série
|x|P(X = x) est convergente. Dans ce cas, on note E(X) = xP(X = x) sa somme,
x∈X(Ω) x∈X(Ω)
appelée espérance mathématique de X.
+∞
X N
X
Remarque. Là encore, dans le cas X(Ω) = N, E(X) = kP(X = k) = lim kP(X = k) et on dit
N →+∞
k=0 k=0
que X admet une espérance lorsque cette limite est finie.
Proposition C4.8 (Domination)
Soit X et Y deux VARD telles que 0 6 |X| 6 Y . Si Y admet une espérance, alors X admet une
espérance et |E(X)| 6 E(Y ).
X sur (Ω, A, P). Soit g : X(Ω) → R telle que g(X) admette une espérance. Alors
Soit X une VARD
E(g(X)) = g(x)P(X = x).
x∈X(Ω)
Dém. C4.9
Admis. Résultat naturel de regroupement des termes pour les familles sommables. On étend
simplement (avec les justifications ad hoc) ce qui se passe dans le cas des probabilités finies.
Définition C4.10
Soit X une VARD sur (Ω, A, P). On dit que X admet un moment d’ordre r ∈ N lorsque X r
admet une espérance. Dans ce cas on note mr (X) = E(X r ), appelé moment d’ordre r de X.
Remarques.
• Une VARD admet toujours un moment d’ordre 0, égal à 1.
• S’il existe, le moment d’ordre 1 d’une VARD est simplement son espérance.
187
Définition C4.11
Soit X une VARD sur (Ω, A, P) admettant un moment d’ordre 2. On appelle variance de X la
quantité
V (X) = E (X − E(X))2 .

p
On appelle écart-type de X la quantité σ(X) = V (X).
Remarque. Si X admet un moment d’ordre r ∈ N, alors elle admet un moment d’ordre k pour tout
k ∈ J0, rK. C’est pourquoi admettre un moment d’ordre 2 suffit à admettre aussi une espérance et une
variance.
Proposition C4.12
Soit X, Y VARD sur (Ω, A, P) et a, b ∈ R. Alors

(i) E(aX + b) = aE(X) + b,
(ii) V (aX) = a2 V (X).
(iii) V (X) = 0 si et seulement si X est presque sûrement constante ; dans ce cas, X = E(X)
presque sûrement.
Dém. C4.12
Les deux premières propriétés sont élémentaires et identiques au cas fini. Détaillons simplement
les éléments nouveaux.
(iii) Le sens ⇐ est immédiat.
Supposons que V (X) = 0. Alors E((X − E(X))2 ) = 0. Notons µ = E(X) (µ comme
moyenne). X
Cela donne : (x − µ)2 P(X = x) = 0. C’est une somme de nombres positifs ou nuls,
x∈X(Ω)
donc ils sont tous nuls.
2
Ainsi, pour tout x ∈ X(Ω), (x
X− µ) P(X = x) = 0, i.e. x = µ ou P(X = x) = 0.
Finalement P(X 6= µ) = P(X = x) = 0. Et donc P(X = µ) = 1.
x∈X(Ω)\{µ}
Théorème C4.13 (Formule de Koenig-Huygens)
Soit X une VARD admettant une variance. Alors V (X) = E(X 2 ) − E(X)2 .
Dém. C4.13
Identique au cas fini, conséquence de la linéarité de l’espérance.
188
(i) Si X admet une espérance, alors X − E(X) est centrée, c’est-à-dire qu’elle a une espérance
nulle. On l’appelle VARD centrée associée à X.
1
(ii) Si X admet un moment d’ordre 2, alors (X − E(X)) est centrée et réduite c’est-à-
σ(X)
dire qu’elle a pour espérance 0 et pour variance 1. On l’appelle VARD centrée réduite
associée à X, notée X ∗ .
3 Lois usuelles
Définition C4.15
Soit p ∈]0, 1[ et X une VARD sur (Ω, A, P). On dit que X suit une loi géométrique de pa-
ramètre p lorsque X(Ω) = N∗ et ∀k ∈ N∗ , P(X = k) = p(1 − p)k−1 .
Notation. On note alors X ,→ G (p).

Remarque. C’est la loi du rang du premier succès lors de la répétition d’une expérience de Bernoulli de
paramètre p.
Proposition C4.16
1 1−p
Si X ,→ G (p), alors X admet une espérance et une variance et on a E(X) = et V (X) = .
p p2
Dém. C4.16
N
X N
X N
X
k−1
Espérance : kP(X = k) = k(1 − p) p=p k(1 − p)k−1 .
k=1 k=1 k=1
N
X 1 − (1 − x)N +1
Soit f (x) = (1 − x)k = , dérivable sur ]0, 1[.
x
k=0
N
X (N + 1)(1 − x)N 1 − (1 − x)N +1 1
Alors k(1 − x)k−1 = −f 0 (x) = + −−−−−→ 2 .
x x2 N →+∞ x
k=1
1 1
Finalement E(X) = p 2
= .
p p
Variance : Même astuce pour E(X 2 ).

N
X N
X N
X
00 k−2 2 k−2
Pour tout x ∈]0, 1[, f (x) = k(k − 1)(1 − x) = k (1 − x) − k(1 − x)k−2
k=2 k=2 k=2
00 2
et f (x) −−−−−→ 3 .
N →+∞ x
189
N
X N
X
00 2 k−1
Ainsi p(1 − p)f (p) = k (1 − p) p− k(1 − p)k−1 p −−−−−→ E(X 2 ) − E(X).
N →+∞
k=2 k=2
2p(1 − p) 1 1 1−p
Finalement, V (X) = E(X 2 ) − E(X)2 = + − 2 = .
p3 p p p2
Proposition C4.17 (Fonction de répartition de G (p))
Si X ,→ G (p), alors ∀k ∈ N∗ , on a P(X 6 k) = 1 − (1 − p)k .
Dém. C4.17
k
X 1 − (1 − p)k
P(X 6 k) = (1 − p)i−1 p = p = 1 − (1 − p)k
1 − (1 − p)
i=1
Remarques.
• La fonction de répartition caractérisant la loi, la propriété précédente a une réciproque : si on obtient
une telle fonction de répartition, on peut conclure que X suit une loi géométrique.
• Parfois utile : P(X > k) = (1 − p)k et P(X > k) = (1 − p)k−1 .
Proposition C4.18 (Absence de mémoire)
Si X ,→ G (p), alors
∀s, t ∈ N∗ , P[X>s] (X > s + t) = P(X > t).
Remarque. Il est indispensable de comprendre le nom de cette propriété. C’est une caractéristique que
l’on retrouve fréquemment lors de l’étude de telles variables aléatoires. Heuristiquement, cela signifie qu’après
s échecs, l’expérience est la même que si les s premiers lancers n’avaient pas existé. En particulier, on ne va
pas faire plus rapidement FACE si on a déjà lancé plusieurs fois PILE que si on n’a pas encore joué.
Dém. C4.18
Remarquons tout d’abord que [X > s] ∩ [X > s + t] = [X > s + t].
P(X > s + t) (1 − p)s+t
Ainsi P[X>s] (X > s + t) = = = (1 − p)t = P(X > t).
P(X > s) (1 − p)s
Remarque. Cette propriété

( a également une réciproque : si une variable aléatoire X est à valeurs dans
∗
∀k ∈ N , P(X = k) ∈]0, 1[
X(Ω) = N∗ et vérifie , alors X suit une loi géométrique (son
∀s, t ∈ N∗ , P[X>s] (X > s + t) = P(X > t)
paramètre sera p = P(X = 1)).
Définition C4.19
Soit λ ∈ R et X une VARD sur (Ω, A, P). On dit que X suit une loi de Poisson de paramètre
λk −λ
λ lorsque X(Ω) = N et ∀k ∈ N, P(X = k) = e .
k!
Notation. On note alors X ,→ P(λ).
190
Proposition C4.20
Si X ,→ P(λ), alors X admet une espérance et une variance et on a E(X) = λ et V (X) = λ.
Dém. C4.20
+∞ k
X λ
On remarque tout d’abord que = eλ .
k!
k=0
Pour cela, on peut écrire une formule de Taylor à l’ordre N et faire tendre N vers +∞. On
choisit
Taylor-Lagrange
pour avoir un résultat global et une majoration.
N k N
λ Xλ
|λ|
e − 6M , où M = max(1, eλ ) majore et entre 0 et λ.
k! N!
k=0
Par croissances comparées (ou directement si |λ| 6 1), cet écart tend vers 0.
+∞
X
Remarque. Cette formule justifie la définition de la loi, puisque P(X = k) = 1, ce qui
k=0
nous sera utile par la suite.
N N N −1 k
Espérance : k e−λ = λ e =λ e −−−−−→ λ.
k! (k − 1)! k! N →+∞
k=0 k=1 k=0
N N N
X λk X λk X λk −λ
Variance : k2 e−λ = k(k − 1) e−λ + k e .
k! k! k!
k=0 k=2 k=0
N N N −2 k
Or k(k − 1) e−λ = λ2 e = λ2 e −−−−−→ λ2
k! (k − 2)! k! N →+∞
k=2 k=2 k=0
N
X λk
et k e−λ −−−−−→ E(X) = λ.
k! N →+∞
k=0
Finalement, V (X) = E(X 2 ) − E(X)2 = λ2 + λ − λ2 = λ.
Méthodes
• Déterminer la loi d’une VARD

â en reconnaissant l’expérience d’une loi usuelle,
â en calculant la probabilité de chaque événement
élémentaire,
â en calculant la fonction de répartition.
191
192
Chapitre C5
Couples et suites de variables aléatoires
Objectifs
• Lois marginales et loi conjointe d’un couple de VAD.

• Indépendance.
• Inégalités de Markov et Tchbychev.
• Exemples de comportement asymptotique d’une suite de va-
riables aléatoires.
Dans tout le chapitre, (Ω, A) désigne un espace probabilisable et (Ω, A, P) un espace probabilisé discret.
En l’absence de précisions, les variables aléatoires considérées sont des variables aléatoires finies ou discrètes.
1 Couple de variables aléatoires

1.1 Indépendance
Définition C5.1
Deux VA X et Y sont indépendantes lorsque
∀(x, y) ∈ X(Ω) × Y (Ω), P(([X = x] ∩ [Y = y]) = P(X = x)P(Y = y).
1.2 Lois d’un couple de VA
Étant données X et Y deux VAD sur Ω, la loi du couple (X, Y ) est caractérisée par la donnée
de P([X = x] ∩ [Y = y]) pour tous x ∈ X(Ω) et y ∈ Y (Ω).
Notation. On note P ((X, Y ) = (x, y)) = P([X = x] ∩ [Y = y]), parfois aussi P (X = x, Y = y) (on peut
lire probabilité que X = x et Y = y ).
193
194 C5. Couples et suites de variables aléatoires
Remarque. On pourrait détailler la définition d’un couple de VA comme (X, Y ) : ω 7→ (X(ω), Y (ω)).
Mais on travaillera dans un premier temps essentiellement sur les lois associées. Les détails théoriques sont
donc passés sous silence pour l’instant.
Définition C5.3
Soit (X, Y ) un couple de VA. On appelle loi conjointe la loi du couple et lois marginales les
lois de X et Y (celle de X étant la première loi marginale et celle de Y la deuxième loi
marginale.
Proposition C5.4
Soit (X, Y ) un couple de VA.

X
• ∀x ∈ X(Ω), P(X = x) = P([X = x] ∩ [Y = y]).
y∈Y (Ω)
X
• ∀y ∈ Y (Ω), P(Y = y) = P([Y = y] ∩ [X = x]).
x∈X(Ω)
Proposition C5.5
Soit (X, Y ) un couple de VA et g : X(Ω) × Y (Ω) → R. Alors g(X, Y ) est une variable aléatoire
sur (Ω, A).
Exemples. Les cas les plus couramment étudiés sont X + Y , min(X, Y ), max(X, Y ), ou encore XY .
Si la VA Z = g(X, Y ) admet une espérance, alors

X
E(Z) = g(x, y)P([X = x] ∩ [Y = y]).
(x,y)∈X(Ω)×Y (Ω)
Remarques.
• Bien sûr dans le cas de VA discrètes, il peut y avoir une question de convergence de série à discuter.
• Cette propriété (admise) entraı̂ne également la linéarité de l’espérance.
Proposition C5.7
Soit X et Y deux VA indépendantes. On a
E(XY ) = E(X)E(Y ).
194
ECG1 2021–2022 H. Boucher C5. Couples et suites de variables aléatoires 195
2 Suites de variables aléatoires
2.1 Indépendance
Définition C5.8
Des VA X1 , . . . , Xn sont dites mutuellement indépendantes lorsque

n n
!
\ Y
∀(x1 , . . . , xn ) ∈ X1 (Ω) × . . . × Xn (Ω), P [Xi = xi ] = P(Xi = xi ).
i=1 i=1
2.2 Convergence
Théorème C5.9 (Approximation binomiale-Poisson)

λ
Soit λ ∈ R+ et (Xn )n∈N une suite de VA suivant toutes la loi binomiale B n, . Alors pour
n
tout k ∈ N,
λk −λ
P(Xn = k) −−−−−→ e .
n→+∞ k!
Autrement dit, si X est une VA suivant la loi de Poisson de paramètre λ, P(Xn = k) −−−−−→
n→+∞
P(X = k).
Remarques.
• On dit que la suite de variables (Xn ) converge en loi vers la variable X.
• En pratique on utilise cette approximation pour étudier l’apparition rare (λ < 15) d’événements
λ
suffisamment peu fréquents ( < 0, 1) lors d’expériences répétées (n > 30). On choisit
n
Théorème C5.10 (Inégalité de Markov)
Soit X une VA positive admettant une espérance. Soit a > 0. Alors
E(X)
P(X > a) 6 .
a
195
196 C5. Couples et suites de variables aléatoires
Dém. C5.10
Soit a ∈ R∗+ .
X X X
E(X) = xP(X = x) = xP(X = x) + xP(X = x).
x∈X(Ω) x∈X(Ω) x∈X(Ω)
x<a x>a
X
E(X) > a P(X = x) = aP(X > a).
x∈X(Ω)
x>a
Théorème C5.11 (Inégalité de Bienaymé-Tchebychev)
Soit X une VA admettant une espérance et une variance. Soit ε > 0. Alors
V (X)
P(|X − E(X)| > ε) 6 .
ε2
Dém. C5.11
On applique l’inégalité de Markov à la VAR (X − E(X))2 et a = ε2 .
Définition C5.12
Soit (Xn )n∈N une suite de VA. On appelle moyenne empirique de l’échantillon de VA (Xn ) :
n
1X
Xn = Xi .
n
i=1
Théorème C5.13 (Loi faible des grands nombres)
Soit (Xn )n∈N une suite de VA suivant la même loi et admettant une espérance m et une variance.
Alors pour tout ε > 0,
P(|Xn − m| > ε) −−−−−→ 0.
n→+∞
Remarque. On dit que (Xn ) converge en probabilité vers (la VA constante égale à) m.
196
ECG1 2021–2022 H. Boucher C5. Couples et suites de variables aléatoires 197
Méthodes
• Déterminer la loi d’un couple (X, Y ) de V.A.

â lorsque X et Y sont connues et indépendantes,
â lorsqu’on connaı̂t la loi de X et la loi conditionnelle de Y
sachant les événements [X = x].
• Déterminer les lois marginales connaissant la loi d’un couple de
V.A.
• Déterminer la loi d’une fonction d’un couple
â dans le cas des fonctions min, max avec la fonction de
répartition,
â dans le cas de la somme par produit de convolution.
• Déterminer l’espérance d’une fonction d’un couple
â par calcul direct,
â par théorème de transfert.
197

MATH Clement Dunand CPGE1 Cours

Transféré par

Informations du document

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

MATH Clement Dunand CPGE1 Cours

Transféré par

Droits d'auteur :

Formats disponibles

Résumé d’un cours

B2 Nombres réels et suites numériques 95

B3 Continuité et dérivabilité 107

B4 Intégration sur un segment 119

B5 Relations de comparaison 127

B7 Développements limités 141

B8 Compléments d’analyse fonctionnelle 145

C2 Variables aléatoires finies 157

C3 Probabilités sur un univers quelconque 163

C4 Variables aléatoires discrètes 185

C5 Couples et suites de variables aléatoires 193

On appelle assertion ou proposition toute déclaration susceptible d’être vraie (V ) ou fausse

Remarque. Une assertion ainsi démontrée peut se décliner en plusieurs nuances :

• le théorème, résultat souvent important d’un domaine mathématique,

• la propriété, théorème secondaire ou décrivant un aspect ou énonçant un résultat technique propre à

Soit A(x) une assertion dépendant d’une variable x.

• Un exemple est un objet x particulier tel que A(x) soit vraie.

1.3 Méthode de démonstration

Combinaison de quantificateurs Bien évidemment on ne peut pas interchanger des quantificateurs ni

Notation. A (ou ¬A) désigne la négation de A.

Il existe un chat dont tous les poils sont gris.

Notation. Deux assertions logiquement équivalentes sont notées A ≡ B.

On définit le connecteur  et  (noté ∧) et le connecteur  ou  (noté ∨) par les tables de

Proposition 1.8 (Règles de calcul)

(iv) Sur le même principe ou en jouant avec les lois de De Morgan :

2.3 Méthodes de démonstration

• écrire une démonstration de l’assertion A,

On définit l’implication A ⇒ B (lire  A implique B ) par A ∨ B.

Remarque. Le faux implique tout (et n’importe quoi).

(i) Si A est vraie et si A ⇒ B est vraie, alors B est vraie.

(i) M1 Supposons que A est vraie, ainsi que A ⇒ B, c’est à dire A ∨ B.

A B C A⇒B B⇒C (A ⇒ B) ∧ (B ⇒ C) A⇒C

On appelle contraposée de l’implication A ⇒ B l’implication B ⇒ A.

Une implication et sa contraposée sont logiquement équivalentes.

3.3 Méthodes de démonstration

Méthode directe Pour montrer que A ⇒ B,

3.4 Raisonnement par l’absurde

• On appelle réciproque de l’implication A ⇒ B l’implication B ⇒ A.

(i) A ⇔ B et B ⇔ A sont logiquement équivalentes.

4.2 Méthode de démonstration

5 Autres types de raisonnements

5.1 Raisonnement par récurrence

Théorème 1.15 (Principe de récurrence simple)

Soit A(n) une assertion dépendant de n ∈ N. On suppose que

Utilisation. Pour démontrer A(n) pour tout n ∈ N,

Théorème 1.16 (Principe de récurrence forte)

Soit A(n) une assertion dépendant de n ∈ N. On suppose que

Utilisation. Pour démontrer A(n) pour tout n ∈ N,

5.2 Démontrer existence et unicité

• on suppose qu’on a un résultat :  Analyse : soit x vérifiant la propriété P . ,

• Notations et manipulations de sommes et produits.

Proposition A1.1 (Somme télescopique)

Soit (an ) une famille de nombres réels. Alors

Théorème A1.3 (Progression arithmétique)

Soient (uk )k une suite arithmétique de raison r et m, n ∈ N. Alors

Théorème A1.4 (Progression géométrique)

Soient (vk )k une suite géométrique de raison q et m, n ∈ N. Alors

Soit I un ensemble fini à p éléments et λ une constante. Alors

Proposition A1.7 (Changements d’indice)

Soit m, n ∈ N tels que m 6 n et p ∈ N. Alors

Soit n ∈ N. On définit la factorielle de n par

Soit n ∈ N. Pour tout p ∈ Z, on définit le coefficient binomial  k parmi n  par

Théorème A1.12 (Formule de Pascal)

Théorème A1.13 (Binôme de Newton)

On définit le connecteur et (noté ∧) et le connecteur ou (noté ∨) par les tables de

On définit l’implication A ⇒ B (lire A implique B ) par A ∨ B.

• on suppose qu’on a un résultat : Analyse : soit x vérifiant la propriété P . ,

Soit n ∈ N. Pour tout p ∈ Z, on définit le coefficient binomial k parmi n par

SoitE un ensemble fini de cardinal n. Soit p ∈ N. Le nombre de parties à p éléments de E est