Académique Documents
Professionnel Documents
Culture Documents
Cours ECS2
Cours ECS2
Alain GUICHET
5 mars 2007
2
1 Suites réelles 13
1.1 Notions sur les suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Convergence et divergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Borne supérieure et borne inférieure d’une partie de R . . . . . . . . . . . . . . . . 15
1.4 Suites monotones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Suites négligeables, suites équivalentes, développements limités . . . . . . . . . . . 17
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.3 Autres exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3
4 TABLE DES MATIÈRES
5 Séries numériques 61
5.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Séries doubles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2.2 Séries doubles à termes positifs . . . . . . . . . . . . . . . . . . . . . . . . 64
5.2.3 Séries doubles à termes de signe variable . . . . . . . . . . . . . . . . . . . 65
5.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3.3 Autres exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
20.2.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
20.2.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
20.2.3 DL (voir l’énoncé à la page 34) . . . . . . . . . . . . . . . . . . . . . . . . 260
20.2.4 DL* (voir l’énoncé à la page 35) . . . . . . . . . . . . . . . . . . . . . . . . 264
20.3 Espaces vectoriels, applications linéaires, matrices . . . . . . . . . . . . . . . . . . 266
20.3.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
20.3.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
20.3.3 DL (voir l’énoncé à la page 49) . . . . . . . . . . . . . . . . . . . . . . . . 266
20.3.4 DL* (voir l’énoncé à la page 50) . . . . . . . . . . . . . . . . . . . . . . . . 268
20.4 Étude des fonctions numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
20.4.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
20.4.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
20.4.3 DL (voir l’énoncé à la page 57) . . . . . . . . . . . . . . . . . . . . . . . . 270
20.4.4 DL* (voir l’énoncé à la page 58) . . . . . . . . . . . . . . . . . . . . . . . . 273
20.5 Séries numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
20.5.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
20.5.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
20.5.3 DL (voir l’énoncé à la page 68) . . . . . . . . . . . . . . . . . . . . . . . . 274
20.5.4 DL* (voir l’énoncé à la page 68) . . . . . . . . . . . . . . . . . . . . . . . . 276
20.6 Variables aléatoires discrètes infinies . . . . . . . . . . . . . . . . . . . . . . . . . . 278
20.6.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
20.6.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
20.6.3 DL (voir l’énoncé à la page 84) . . . . . . . . . . . . . . . . . . . . . . . . 278
20.6.4 DL* (voir l’énoncé à la page 85) . . . . . . . . . . . . . . . . . . . . . . . . 281
20.7 Réduction des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
20.7.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
20.7.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
20.7.3 DL (voir l’énoncé à la page 99) . . . . . . . . . . . . . . . . . . . . . . . . 284
20.7.4 DL* (voir l’énoncé à la page 100) . . . . . . . . . . . . . . . . . . . . . . . 288
20.8 Intégrales sur un segment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
20.8.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
20.8.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
20.8.3 DL (voir l’énoncé à la page 107) . . . . . . . . . . . . . . . . . . . . . . . . 290
20.8.4 DL* (voir l’énoncé à la page 109) . . . . . . . . . . . . . . . . . . . . . . . 297
20.9 Intégrales sur un intervalle quelconque . . . . . . . . . . . . . . . . . . . . . . . . . 300
20.9.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
20.9.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
20.9.3 DL (voir l’énoncé à la page 124) . . . . . . . . . . . . . . . . . . . . . . . . 300
20.9.4 DL* (voir l’énoncé à la page 125) . . . . . . . . . . . . . . . . . . . . . . . 305
20.10Variables aléatoires à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.10.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.10.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.10.3 DL (voir l’énoncé à la page 139) . . . . . . . . . . . . . . . . . . . . . . . . 308
20.10.4 DL* (voir l’énoncé à la page 140) . . . . . . . . . . . . . . . . . . . . . . . 311
20.11Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
20.11.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
TABLE DES MATIÈRES 11
Suites réelles
n
(
X n+1 si q = 1
qk = 1−q n+1
1−q
6 1
si q =
k=0
Preuves
Récurrences élémentaires.
Exercices
1. Soit a un réel. On définit la suite (un )n∈N par :
u0 = a et ∀n ∈ N, un+1 = (1 − a)un + a
u0 = 0 u1 = a et ∀n ∈ N, un+2 = 2un+1 − a2 un
13
14 CHAPITRE 1. SUITES RÉELLES
∃n1 ∈ N, / ∀n ≥ n1 , |un − `| ≤ ε
∃n2 ≥ n1 / ∀n ≥ n2 , |un − `0 | ≤ ε
`0 + 2` 2`0 + `
un ≤ ` + ε = < = `0 + ε ≤ un
3 3
ce qui est absurde.
Théorème (QC)
Preuve
Soit ` la limite de d’une suite (un )n≥0 . Soit ε > 0. La convergence nous donne :
∃k ∈ N, / ∀n ≥ k, |un − `| ≤ ε donc ∀n ≥ k, ` − ε ≤ un ≤ ` + ε
Posons :
m = min{u0 , . . . , uk−1 , ` − ε} et M = max{u0 , . . . , uk−1 , ` + ε}
Alors, pour tout entier naturel n, on a : m ≤ un ≤ M ce qui assure que la suite est bornée.
Théorème (QC)
Si (un )n≥p et (vn )n≥p sont deux suites adjacentes telles que la suite (un ) est croissante et la suite (vn )
est décroissante alors :
∀n ≥ p, ∀m ≥ p, um ≤ vn
1.3. BORNE SUPÉRIEURE ET BORNE INFÉRIEURE D’UNE PARTIE DE R 15
Exercice
Soit t un réel. Pour tout entier naturel n, on note an X +bn le reste de la division euclidienne du polynôme
(cos(t)X + sin(t))n par X 2 + 1.
1. Déterminer les expressions de an et de bn en fonction de n.
2. Déterminer la nature de ces deux suites dans les deux cas : t = 0 et t = π2 .
Preuve
On suppose que A est non vide et majorée.
– Construction d’un candidat ` pour la borne supérieure.
Soit P(n) la proposition :
2n+2 x0 ≤ · · · ≤ xn ≤ yn ≤ · · · ≤ y0
∃(x0 , . . . , xn , y0 , . . . , yn ) ∈ R /
yn − xn = y02−xn
0
Comme A est non vide, choisissons x0 ∈ A. Comme A est majorée, choisissons un majorant y0 de A.
Alors x0 ≤ y0 et y0 − x0 = y02−x
0
0
donc P(0) est vraie. Soit n ∈ N et supposons que P(n) est vraie. Si
xn +yn
2
est un majorant de A alors on pose xn+1 = xn et yn+1 = xn +y2
n
, sinon on pose xn+1 = xn +y
2
n
et yn+1 = yn . Comme xn ≤ xn +y 2
n
≤ yn alors, dans les deux cas, on a :
x0 ≤ · · · ≤ xn ≤ xn+1 ≤ yn+1 ≤ yn ≤ · · · ≤ y0
De plus, dans les deux cas :
yn − xn y0 − x0
yn+1 − xn+1 = = n+1
2 2
ce qui prouve la proposition P(n + 1). La proposition P(n) est donc vraie pour tout entier naturel n.
De plus, les deux suites construites sont adjacentes donc convergentes vers la même limite `.
– Validation du candidat `.
– Soit x un élément de A. Par construction, la suite (yn ) est une suite de majorants de A donc :
∀n ∈ N, x ≤ yn
Par passage à la limite, on en déduit que x ≤ ` ce qui prouve que ` est un majorant de A.
– Soit y un majorant de A. Par construction, la suite (xn ) est constituée de réels dont aucun n’est un
majorant de A donc :
∀n ∈ N, xn ≤ y
Par passage à la limite, on en déduit que ` ≤ y ce qui prouve que ` est le plus petit des majorants
de A.
16 CHAPITRE 1. SUITES RÉELLES
Preuve
On suppose que A est non vide et majorée. Soit ε > 0. Si sup(A) ∈ A alors x = sup(A) convient.
Supposons maintenant que sup(A) 6∈ A. Si sup(A) − x > ε pour tout x ∈ A alors sup(A) − ε est un
majorant de A strictement inférieur à sup(A) ce qui est absurde. Ainsi :
∃x ∈ A / ε ≥ sup(A) − x = |x − sup(A)|
Preuve
On suppose que (un ) est croissante.
– Si (un ) est convergente alors (un ) est bornée donc majorée.
Supposons maintenant que (un ) est majorée et posons A = {un | n ∈ N}. Cet ensemble est non vide
et majoré donc admet une borne supérieure `. Soit ε > 0. D’après la propriété de la borne supérieure,
il existe n0 ∈ N tel que |un0 − `| ≤ ε. Par croissance de la suite (un ), on en déduit que :
∀n ≥ n0 , |un − `| = ` − un ≤ ` − un0 ≤ ε
∃n0 ∈ N / un0 ≥ M
∀n ≥ n0 , un ≥ un0 ≥ M
Exercice
Soit (un )n≥0 la suite réelle définie par :
2un + 1
u0 = 1 et ∀n ∈ N, un+1 =
un + 1
2x+1 b
1. Déterminer deux réels a et b tels que : ∀x ∈ R − {−1}, = a + x+1
x+1
.
h √ i
2. En déduire que cette suite est bien définie et que : ∀n ∈ N, un ∈ 1, 1+2 5 .
3. Déterminer le sens de variation de cette suite.
4. En déduire la nature et la limite éventuelle de la suite (un )n≥0 .
1.5. SUITES NÉGLIGEABLES, SUITES ÉQUIVALENTES, DÉVELOPPEMENTS LIMITÉS 17
Exercice
Déterminer un couple (a, b) de réels tel que :
h√ i
lim 4n2 + n + 1 − (an + b) = 0
n→+∞
1.6 Exercices
1.6.1 Pour les TD
TD
1. Pour tout entier naturel n, on définit l’intervalle de R : In = − π2 + nπ, π2 + nπ .
(a) i. Justifier que l’équation tan(x) = x admet une unique solution xn dans l’intervalle In .
ii. Justifier que xn ∼ πn. En déduire la limite de la suite (xn )n∈N .
n→+∞
π
ii. On pose : ∀n ∈ N, αn = an − 2
= xn − πn − π2 . Prouver que : αn ∼ 1
− πn .
n→+∞
(c) Démontrer enfin que :
π 1 1 1 1
xn = πn + − + 2 +ε et lim ε =0
2 πn 2π n n2 n→+∞ n2
2. Soit (a, b) un couple de réels. Déterminer un équivalent et préciser la nature, en fonction des valeurs
de a et b des suites dont les termes généraux sont les suivants :
p an − bn na − nb
an = n − (n − a)(n − b) bn = cn = 1 1
an + bn na + nb
1 √ √ 1
√ ≤2 n+1− n ≤ √
n+1 n
(b) En déduire que les suites (un )n≥1 et (vn )n≥1 sont adjacentes.
(c) Déterminer alors un équivalent de nk=1 √1k lorsque n tend vers +∞.
P
5. (a) Soit n ∈ N. Démontrer que l’équation x + ln(x) = n admet une unique solution sur ]0, +∞[.
On note un cette solution.
(b) i. Démontrer que la suite (un )n∈N est croissante.
Indication : On pourra calculer fn (un+1 ) où fn : x 7→ x + ln(x) − n.
ii. Démontrer que la suite (un )n∈N admet pour limite +∞.
Indication : On pourra raisonner par l’absurde.
(c) Démontrer que un ∼ n puis que un − n ∼ − ln(n).
TD*
1. Théorème de Cesaro et lemme de l’escalier.
Soit (un )n≥0 une suite réelle.
i. On suppose que la suite (un ) converge vers 0. Démontrer que la suite (vn )n≥1 converge
aussi vers 0.
Indication : on pourra choisir un réel ε > 0 puis couper la somme vn en deux sommes pour
des entiers n assez grands grâce à la convergence de la suite (uk )k≥1 .
ii. On suppose maintenant que la suite (un ) converge vers un réel `. Déduire de ce qui précède
que la suite (vn )n≥1 converge aussi vers `.
iii. Que peut-on dire de la suite (vn ) lorsque (un ) diverge vers +∞ ?
i. On suppose que la suite (vn )n≥1 converge vers ` et que ` 6= 0. Démontrer que la suite (un )
converge vers `.
ii. Que peut-on dire dans le cas où un = (−1)n pour tout entier n ≥ 1 ?
1
iii. Que peut-on dire dans cas où un = n
pour tout entier n ≥ 1 ?
(c) Continuité de L en 0.
i. Justifier que L admet une limite à droite en 0.
ii. En utilisant l’une des égalités précédentes, prouver que L est continue en 0.
(d) Branche infinie au voisinage de +∞.
Déduire de la question précédente la limite de L en +∞. Quel est alors le type de branche
infinie ?
(e) Dérivabilité de L en 0.
Déduire de la question précédente que L n’est pas dérivable en 0 et préciser l’allure de la courbe
de L au voisinage de 0.
(f) Continuité de L sur ]0, +∞[.
i. Soit x0 ∈]0, +∞[. Justifier que L admet une limite à gauche et une limite à droite en x0 et
que :
lim− L(x) ≤ L(x0 ) ≤ lim+ L(x)
x→x0 x→x0
L(x)
ii. En établissant d’abord le sens de variation de la fonction x 7→ x
sur ]0, +∞[, prouver
que :
lim+ L(x) ≤ L(x0 ) ≤ lim− L(x)
x→x0 x→x0
iii. Conclure.
2. Soit p un entier supérieur ou égal à 2. Soit (a1 , . . . , ap ) un p-uplet de réels tel que : 0 < a1 < · · · < ap .
(a) Soit n un entier tel que ap < n. Montrer que l’équation d’inconnue réelle x :
ax1 + · · · + axp = nx
1
u0 = 1 et ∀n ∈ N, un+1 = un +
un
2. (a) Démontrer l’existence et l’unicité de deux suites (an )n∈N et (bn )n∈N d’entiers naturels telles
que : √ n √
∀n ∈ N, 1 + 2 = an + bn 2
(a) Montrer que la suite (un ) est croissante et que la suite (vn ) est décroissante.
(b) Montrer que u1 ≤ un ≤ vn ≤ v1 pour tout entier n ≥ 1.
(c) En déduire que ces deux suites sont convergentes puis qu’elles sont adjacentes.
B = |x − y| (x, y) ∈ A2
En étudiant les suites (u2n ) et (u2n+1 ), montrer que la suite (un ) est convergente.
n+1
9. (a) Montrer que, pour tout entier n ≥ 1, l’équation xn + xn−1 + · · · + x2 + x = n
admet une
unique solution positive, que l’on notera un .
(b) Étudier la suite (un )n≥1 .
22 CHAPITRE 1. SUITES RÉELLES
(a) Monter que cette suite est majorée puis déterminer son sens de variation.
(b) En déduire qu’elle est convergente et déterminer sa limite.
11. Étudier la suite définie par u0 = 0 et un+1 = e−un pour tout entier naturel n.
12. Soit a et b deux réels strictement positifs. On définit une suite (un )n∈N par :
p
u0 ≥ 0 et ∀n ∈ N, un+1 = aun + b
(a) Montrer qu’il existe une unique valeur de u0 (que lon précisera) pour laquelle cette suite est
stationnaire.
(b) Montrer que si u0 est un réel distinct de la valeur précédente alors la suite est monotone et
bornée. Déterminer ensuite sa limite.
1
13. On pose u2 = 1 − 22
et pour tout entier naturel n ≥ 3 :
1 1 1
un = 1− 2 1 − 2 ... 1 − 2
2 3 n
DS
1. Soit a et b deux réels tels que 0 < a < b. On définit les suites (un )n∈N et (vn )n∈N par :
un+1 = un +v
u0 = a n
et ∀n ∈ N, √2
v0 = b vn+1 = un+1 vn
Il est vivement conseillé de revoir les chapitres 6, 11, 12, 13, 20, 21, 22 du cours de première année.
2.1 Rappels
2.1.1 Espace probabilisé fini
– Vocabulaire : expérience aléatoire, éventualité, univers, événement, événement élémentaire, événe-
ment impossible, événement certain, événement contraire, événements incompatibles, système com-
plet d’événements.
– Probabilité P, espace probabilisé fini (Ω, ℘(Ω), P). Propriétés de la probabilité.
– Modélisation (choix d’une probabilité). Cas de l’équiprobabilité.
– Dans le cas où les événements sont deux à deux incompatibles, la formule se simplifie en :
P(A1 ∪ · · · ∪ An ) = P(A1 ) + · · · + P(An )
Exercices
1. On lance un dé cubique équilibré. Soit A l’événement « le numéro obtenu est pair » et B l’événement
« le numéro obtenu est divisible par 3 ». Montrer que les événements A et B sont indépendants.
2. Soit A, B et C trois événements tels que :
• A est indépendant de B ∩ C et de B ∪ C,
• B est indépendant de A ∩ C,
• C est indépendant de A ∩ B,
• les probabilités P(A), P(B), P(C) sont strictement positives.
Prouver que A, B, C sont mutuellement indépendants.
25
26 CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES FINIES
– Dans le cas où les événements sont mutuellement indépendants, la formule se simplifie (on retrouve
la définition) en :
P(A1 ∩ · · · ∩ An ) = P(A1 ) × · · · × P(An )
P(A1 ∩ · · · ∩ An+1 ) = P(A1 ) × PA1 (A2 ) × · · · × PA1 ∩···∩An−1 (An ) × PA1 ∩···∩An (An+1 )
Preuve
Pour tout événement B, on a :
n
! ! n
! n
[ [ X
P(B) = P(Ω ∩ B) = P Ak ∩B =P (Ak ∩ B) = P(Ak ∩ B)
k=1 k=1 k=1
Preuve
Définition de la probabilité conditionnelle et formule des probabilités totales.
2.1. RAPPELS 27
Exercice
On dispose d’une pièce de monnaie truquée de sorte que le côté pile a une probabilité d’apparition de
2
3
ainsi que de deux urnes : l’urne A contient deux boules rouges et trois boules vertes et l’urne B contient
trois boules rouges et deux boules bleues.
On lance la pièce. On pioche alors successivement et avec remise deux boules dans l’urne A si le côté pile
apparaît ou bien dans l’urne B si le côté face apparaît.
1. Donner un espace probabilisé (Ω, ℘(Ω), P) modélisant cette expérience aléatoire.
2. Soit Ek l’événement « on obtient k boules rouges » pour tout k ∈ {0, 1, 2}. Calculer P(Ek ).
3. On note Ri (pour i ∈ {1, 2}) l’événement « le ième tirage amène une boule rouge ». Ces deux événe-
ments sont-ils P-indépendants ?
4. Calculer la probabilité que les tirages aient été effectués dans l’urne A sachant que l’on a obtenu :
(a) deux boules rouges,
(b) exactement une boule rouge,
(c) aucune boule rouge,
(d) au moins une boule rouge.
Preuve
Pour tout réel a > 0, on a :
X X
aP(X ≥ a) = a P(X = x) = aP(X = x)
x∈X(Ω),x≥a x∈X(Ω),x≥a
X X
≤ xP(X = x) ≤ xP(X = x) = E(X)
x∈X(Ω),x≥a x∈X(Ω)
Soit X une variable discrète finie dans un espace probabilisé fini (Ω, ℘(Ω), P) et r un réel strictement
positif. Alors, pour tout réel a > 0, on a :
E (|X|r )
P(|X| ≥ a) ≤
ar
En particulier, on a :
E (X 2 )
∀a > 0, P(|X| ≥ a) ≤
a2
Preuve
Par bijectivité de l’application x 7→ xr sur R+ , par positivité de la variable aléatoire |X|r et par appli-
cation de la première inégalité de Markov, on a :
E (|X|r )
∀a > 0, P(|X| ≥ a) = P(|X|r ≥ ar ) ≤
ak
Soit X une variable discrète finie dans un espace probabilisé fini (Ω, ℘(Ω), P). Alors, pour tout réel
a > 0, on a :
V(X)
P(|X − E(X)| ≥ a) ≤
a2
Preuve
Exercices
1. Soit X ,→ B(n, p). On note pk = P(X = k) pour tout entier naturel k. Montrer qu’il existe un
unique entier m tel que la suite (pk )k∈N est strictement croissante du rang 0 au rang m et strictement
décroissante du rang m + 1 au rang n.
2. Supposons que parmi 500 magistrats, conseillers à la Cours d’Appel, il y en ait r = 200 qui déclarent
avoir des affinités avec les partis de gauches (appelons-les magistrats de gauche) et s = 300 qui
déclarent avoir un penchant pour les partis de droite (appelons-les magistrats de droite).
Soit n ∈ J0, 249K. On choisit au hasard 2n + 1 magistrats parmi les 500 pour former un tribunal.
(a) Calculer la probabilité pn pour que ce tribunal ait une majorité de droite.
(b) Donner des valeurs approchées de p5 , p10 , p30 , p50 .
2.2. COMPLÉMENT : ESPÉRANCE CONDITIONNELLE 29
Exemple
Un joueur dispose d’un dé cubique non truqué dont les faces sont numérotées de 1 à 6 et d’une pièce de
monnaie dont la probabilité d’apparition de pile à chaque lancer est p (où p ∈]0, 1[). Le joueur lance le dé
puis lance la pièce autant de fois que le nombre apparu sur le dé. Soit X le nombre de pile obtenus.
Calculer l’espérance de X sachant que le dé a donné le nombre k (où k ∈ J1, 6K).
Preuve
À l’aide de la formule des probabilités totales, on a immédiatement :
" n #
X X X
E(X) = xP(X = x) = x P(Ak )PAk (X = x)
x∈X(Ω) x∈X(Ω) k=1
n
X X n
X
= P(Ak ) xPAk (X = x) = P(Ak )EAk (X)
k=1 x∈X(Ω) k=1
Exemple
Reprendre l’exemple précédent et calculer E(X).
Preuve
La première implication est évidente. La seconde découle de l’égalité [X ≥ Y ] = [X − Y ≥ 0] et de la
linéarité de l’espérance.
Preuve
Il est clair que (X + Y )(Ω) = J0, m + nK. Posons q = 1 − p. Soit donc k ∈ J0, m + nK. Alors :
m min{k,m}
X X
P(X + Y = k) = P([X = i] ∩ [X + Y = k]) = P([X = i] ∩ [Y = k − i])
i=0 i=max{0,k−n}
min{k,m}
X
= P(X = i)P(Y = k − i)
i=max{0,k−n}
min{k,m}
X m i m−i n k−i n+i−k
= pq p q
i k−i
i=max{0,k−n}
min{k,m}
k m+n−k
X m n k m+n−k m + n
= p q =p q
i k−i k
i=max{0,k−n}
Preuve
Pour tout réel t, on a :
La fonction du second degré en la variable réelle t admet donc un discriminant négatif ou nul :
4Cov(X, Y )2 − 4V(X)V(Y ) ≤ 0
Exercice
Soit (X, Y ) un couple de variables aléatoires discrètes finies admettant la même variance. Montrer
qu’alors les variables aléatoires X + Y et X − Y sont non corrélées.
Exercices
1. Preuve de l’espérance et de la variance de la loi hypergéométrique.
Une urne contient r boules rouges et v boules vertes. On tire successivement et sans remise n boules
(une par une) où n ∈ J1, r + vK. Pour tout entier i ∈ J1, nK, on note Xi la variable aléatoire qui prend
la valeur 1 si le ième tirage amène une boule rouge et la valeur 0 dans le cas contraire.
(a) Préciser la loi de X1 .
(b) i. Déterminer la loi conjointe du couple (X1 , X2 ).
ii. En déduire la loi de X2 puis calculer Cov(X1 , X2 ).
(c) i. Déterminer la loi conjointe du couple (Xi , Xj ) pour tout couple d’entiers (i, j) tel que
1 ≤ i < j ≤ n puis calculer Cov(Xi , Xj ).
ii. Préciser la loi de Xi pour tout entier i ∈ J1, nK.
(d) On note X le nombre de boules rouges obtenues lors du tirage. Déduire de ce qui précède
l’espérance et la variance de X.
2. Une urne contient r boules rouges, v boules vertes et b boules bleues. On tire simultanément n boules
dans l’urne (n ≤ r + v + b). On note R (resp. V , B) la VARDF égale au nombre de boules rouges
(resp. vertes, bleues) tirées. Reconnaître les lois de R, V , B puis déterminer la matrice de variance-
covariance du triplet (R, V, B).
Théorème (admis)
Soit n ≥ 2, p ∈ J1, n−1K, (X1 , . . . , Xn ) une famille de variables aléatoires mutuellement indépendantes
sur un espace probabilisé fini (Ω, ℘(Ω), P) et φ : Rp → R, ψ : Rn−p → R. Alors, les variables aléatoires
φ(X1 , . . . , Xp ) et ψ(Xp+1 , . . . , Xn ) sont indépendantes (où φ et ψ sont deux fonctions de transfert).
Exemple
On considère une urne contenant n boules noires, une boule rouge et une boule blanche. On effectue
des tirages successifs sans remise d’une boule jusqu’à obtenir la boule blanche. On note alors X le rang de
tirage de la boule blanche et Y le rang de tirage de la boule rouge si elle a été obtenue (sinon Y prend la
valeur 0).
1. Déterminer la loi de X.
2. Déterminer la loi conditionnelle de Y sachant réalisé l’événement [X = k] pour tout entier k ∈ X(Ω).
3. En déduire loi de l’espérance conditionnelle de Y sachant X.
4. Calculer la probabilité d’obtenir la boule rouge.
32 CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES FINIES
E(X) = E (E(X|Y ))
Preuve
D’après la formule de l’espérance totale avec le système complet ([Y = y])y∈Y (Ω) , on a :
X X
E(X) = P(Y = y)E[Y =y] (X) = P E(X|Y ) = E[Y =y] (X) E[Y =y] (X) = E (E(X|Y ))
y∈Y (Ω) y∈Y (Ω)
Exemple
On reprend la situation de l’exemple précédent. Calculer E(Y ).
Remarque
Cette formule permet de calculer l’espérance d’une variable aléatoire sans connaître sa loi.
2.5 Exercices
2.5.1 Pour les TD
TD
1. Un concierge dispose de n clés dont une seule ouvre la porte devant laquelle il est situé. Il essaie
les clés une par une jusqu’à ouvrir la porte (les clés ne convenant pas sont mises de côté au fur et à
mesure). Calculer le nombre moyen de clés essayées pour ouvrir la porte.
2. On lance 5 fois une pièce de monnaie équilibrée. On appelle X le nombre de pile (P ) obtenu et Y le
nombre de série de pile. Par exemple : (X, Y )(P F F P P ) = (3, 2).
(a) Préciser la loi de X, son espérance et sa variance.
(b) i. Déterminer la loi conjointe du couple (X, Y ). X et Y sont-elles indépendantes ?
ii. En déduire la loi de Y , son espérance et sa variance.
(c) i. Calculer le coefficient de corrélation ρ(X, Y ) des variables aléatoires X et Y .
ii. On appelle droite de régression de Y en X la droite d’équation :
σ(Y )
y − E(Y ) = ρ(X, Y ) (x − E(X))
σ(X)
5. À l’entrée d’un restaurant, n personnes donnent leurs chapeaux à la consigne. Après le repas, elles
trouvent leurs chapeaux complètement mélangés et chacune prend un chapeau au hasard. On note Sn
le nombre de personnes qui ont récupéré leur propre chapeau.
(a) Préciser un espace probabilisé modélisant cette expérience aléatoire.
(b) Espérance de Sn : première méthode.
Les personnes étant numérotées de 1 à n selon leur ordre d’arrivée, on note Ak l’événement « la
personne numéro k reécupère son chapeau ».
i. Déterminer la loi de Sn . Vérifier que Sn (Ω) = J0, n − 2K ∪ {n}.
ii. Calculer E(Sn ).
(c) Espérance de Sn : seconde méthode.
On note Xk la variable aléatoire prenant la valeur 1 si la personne k récupère son chapeau et la
valeur 0 dans le cas contraire.
i. Préciser la loi de Xk .
ii. En déduire la valeur de E(Sn ).
(d) Variance de Sn .
i. Calculer E(Xi Xj ) pour tout 1 ≤ i < j ≤ n puis Cov(Xi , Xj ).
ii. En déduire V(Sn ).
6. On considère une urne contenant n jetons numérotés de 1 à n (avec n ≥ 2). On prélève tous les jetons
un par un au hasard et sans remise.
(a) Donner un espace probabilisé modélisant cette expérience aléatoire.
(b) Les records.
Soit (u1 , . . . , un ) ∈ Ω un résultat de cette expérience. Pour i ∈ J2, nK, on dit qu’il y a un record
à l’instant i si et seulement si :
ui > max{u1 , . . . , ui−1 }
On convient qu’il y a toujours un record à l’instant 1.
i. Calculer la probabilité pour que, au cours des n tirages, il y ait eut exactement :
a) un seul record b) n records c) deux records
ii. On désigne par Ri (pour 1 ≤ i ≤ n) la variable aléatoire qui prend la valeur 1 s’il y a un
record à l’instant i et la valeur 0 sinon. Déterminer la loi de Ri .
iii. On note ρn le nombre de records obtenus au cours des n tirages. Préciser ρn (Ω) puis calculer
E(ρn ).
(c) Les montées et les descentes.
Soit (u1 , . . . , un ) ∈ Ω un résultat de cette expérience. Pour i ∈ J2, nK, on dit qu’il y a une
montée (resp. descente) à l’instant i si et seulement si
ui > ui−1 (resp. ui < ui−1 )
On note µn (resp. δn ) le nombre de montées (resp. descentes) obtenues lors de ces n tirages.
i. Préciser µn (Ω) et δn (Ω).
ii. On désigne par Mi (pour 2 ≤ i ≤ n) la variable aléatoire qui prend la valeur 1 s’il y a une
montée à l’instant i et la valeur 0 sinon. Déterminer la loi de Mi .
iii. En déduire l’espérance de µn puis celle de δn .
iv. Calculer Cov(Mi , Mj ) pour tout couple (i, j) d’entiers tels que 2 ≤ i < j ≤ n.
v. En déduire la variance de µn puis celle de δn .
34 CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES FINIES
TD*
1. On lance une pièce de monnaie truquée n fois (où n ≥ 2). On suppose que la probabilité d’apparition
du côté pile est p à chaque lancer (où p ∈]0, 1[). On note Xn le numéro de lancer qui donne pour la
première fois deux pile consécutif ou bien 0 si on n’obtient jamais deux pile consécutifs. Par exemple,
on a :
X10 (P F F P P P F P P F ) = 5 et X10 (F F P F P F F F P F ) = 0
(a) Préciser Xn (Ω).
(b) On note pk = P(Xn = k) pour tout k ∈ N. Déterminer une relation entre pk+2 , pk+1 et pk .
(c) En déduire la loi de Xn .
(d) Calculer limn→+∞ P(Xn = 0). Interpréter ce résultat.
2. Les allumettes de Banach.
Un fumeur a dans ses poches droite et gauche une boîte d’allumettes (N allumettes initialement dans
chaque boîte). Lorsqu’il désire une allumette, il choisit au hasard une de ses poches. On considère le
moment où, pour la première fois, le fumeur s’aperçoit que l’une de ses boîtes est vide. À ce moment,
l’autre boîte peut contenir un nombre quelconque d’allumettes. On désigne par ur la probabilité pour
qu’elle en contienne r.
(a) Calculer ur pour r ∈ J0, N K.
(b) Calculer la probabilité vr pour qu’au moment où la première boîte est vidée de sa dernière
allumette (mais non encore reconnue vide) l’autre boîte contienne exactement r allumettes.
(c) Calculer la probabilité v pour que la première boîte vidée ne soit pas la première boîte reconnue
vide.
(d) Établir, pour tout entier n ≥ 0 et tout entier a ≥ n, la relation :
n
X a−k a+1 a−n
= −
k=0
N −1 N N
2N
2−(2N +1) .
(e) Déduire des deux questions qui précèdent que v = N
m−1 n
(b) i. Démontrer que E(Xn ) = m − m m
. On rappelle que 00 = 1.
ii. Calculer lim E(Xn ). Ce résultat était-il prévisible ?
n→+∞
(a) On note Bi (resp. Ni , Ri ) l’événement « le ième tirage amène une boule blanche (resp. noire,
rouge) ».
On note Gr l’événement « le joueur gagne en commençant ses tirages dans une urne contenant
r boules rouges ».
i. Calculer les probabilités P(G0 ) et P(G1 ).
ii. Trouver une relation entre P(Gr ) et P(Gr−1 ).
iii. Calculer P(Gr ).
(b) Soit Xr la variable aléatoire égale au nombre de tirages nécessaires pour qu’une partie s’achève,
l’urne contenant initialement r boules rouges.
i. Calculer les espérances E(X0 ), E(X1 ) et E(X2 ).
ii. Trouver une relation entre P(Xr = k) et P(Xr−1 = k − 1) pour r ≥ 1 et k ≥ 2 puis une
relation entre E(Xr ) et E(Xr−1 ).
iii. En déduire E(Xr ).
2. Soit X une variable aléatoire discrète finie à valeurs strictement positives : x1 < · · · < xn . On pose :
1
∀r ∈ R − {0}, er = (E(X r )) r
appelé écart d’ordre r de la variable aléatoire X. Montrer que cet écart er admet une limite finie,
notée e0 , lorsque r tend vers 0 et que :
n
Y P(X=xk )
e0 = xk
k=1
appelée moyenne géométrique de la variable aléatoire X (e1 = E(X) est sa moyenne arithmétique
et e−1 est sa moyenne harmonique).
DS
1. Fonction génératrice.
Soit n ∈ N∗ . Pour toute variable aléatoire X telle que X(Ω) ⊂ J0, nK, on appelle fonction généra-
trice de la variable aléatoire X la fonction polynôme GX définie sur R par :
n
X
∀x ∈ R, GX (x) = P([X = k])xk
k=0
(a) Soit X une variable aléatoire telle que X(Ω) ⊂ J0, nK.
i. Préciser la valeur de GX (1).
ii. Déterminer une relation entre E(X) et G0X (1).
iii. Prouver que : V(X) = G00X (1) − G0X (1)2 + G0X (1).
iv. Vérifier ces résultats dans les cas suivant :
Il est vivement conseillé de réviser les chapitres 6, 9, 10, 14, 15, 18, 19, 28, 29, 35 et 36 (paragraphes
sur les matrices de passage) du cours de première année.
Preuve
Comme rg(~x1 , . . . ~xp ) = p < n = dim(E) alors il existe un vecteur ~xp+1 ∈ E tel que ~xp+1 6∈
Vect(~x1 , . . . ~xp ). Ainsi rg(~x1 , . . . ~xp+1 ) = p + 1. Si p + 1 = n alors on a obtenu une base (famille libre
de rang maximal) sinon il existe un vecteur ~xp+2 ∈ E tel que ~xp+2 6∈ Vect(~x1 , . . . ~xp+1 ).... On recommence
ainsi jusqu’à obtenir une famille de rang n donc une base de E.
Preuve
Soit (~x1 , . . . , ~xp ) une base de F ∩ G. On la complète en une base (~x1 , . . . , ~xp , f~p+1 , . . . , f~p+r ) de F ainsi
qu’en une base (~x1 , . . . , ~xp , ~gp+1 , . . . , ~gp+s ) de G. Alors :
39
40 CHAPITRE 3. ESPACES VECTORIELS, APPLICATIONS LINÉAIRES ET MATRICES
On va montrer que (~x1 , . . . , ~xp , f~p+1 , . . . , f~p+r , ~gp+1 , . . . , ~gp+s ) est une base de F + G. Tout d’abord,
cette famille de vecteurs de E est clairement une famille génératrice de vecteurs de F + G. Ensuite, soit
(λ1 , . . . , λp , µ1 , . . . , µr , ν1 , . . . , νs ) ∈ Kp+q+s tel que :
p r s
X X X
λk ~xk + µk f~p+k + νk~gp+k = ~0
k=1 k=1 k=1
Alors, on a :
p r s
X X X
λk ~xk + µk f~p+k = − νk~gp+k
k=1 k=1 k=1
Le vecteur de gauche est dans F , celui de droite est dans G. Comme ils sont égaux, ils sont tous les deux
dans F ∩ G. Chacun est donc une combinaison linéaire des vecteurs ~x1 , . . . , ~xp . Alors, dans le vecteur de
gauche, on en déduit que les µk sont tous nuls (puisque (~x1 , . . . , ~xp , f~p+1 , . . . , f~p+r ) est une base de F ) et
que les νk sont tous nuls (puisque (~x1 , . . . , ~xp , gp+1 , . . . , ~gp+s ) est une base de G). On obtient donc que :
p
X
λk ~xk = ~0
k=1
ce qui assure que tous les λk sont nuls. La famille est donc libre dans E. C’est alors une base de F + G. En
conséquence, on a :
Autrement dit, tout vecteur de la somme se « décompose » en la somme de vecteurs dont chacun est
dans l’un des sous espaces.
– La somme F1 + · · · + Fp est dite directe si et seulement si :
et on note alors cette somme F1 ⊕ · · · ⊕ Fp . Autrement dit, pour tout vecteur de la somme, la « dé-
composition » est unique.
Exemple
Soit (~x1 , . . . , ~xn ) une famille de vecteurs d’un espace E.
1. Montrer que Vect(~x1 ) + · · · + Vect(~xn ) = Vect(~x1 , . . . , ~xn ).
2. Démontrer que cette somme est directe si et seulement si la famille (~x1 , . . . , ~xn ) est libre.
Proposition
Soit (F1 , . . . , Fp ) une famille de vecteurs d’un K-espace vectoriel E. Alors :
– la somme F1 + · · · + Fp est un sous espace de E,
– c’est le plus petit sous espace de E qui contient le sous ensemble F1 ∪ · · · ∪ Fp .
3.1. ESPACES ET SOUS ESPACES VECTORIELS 41
Preuve
– Immédiat.
– Si ~xi ∈ Fi alors ~0 + · · · + ~0 + ~xi + ~0 + · · · + ~0 ∈ F1 + · · · + Fp donc Fi ⊂ F1 + · · · + Fp et donc
(F1 ∪ · · · ∪ Fp ) ⊂ F1 + · · · + Fp . Soit G un autre sous espace de E tel que (F1 ∪ · · · ∪ Fp ) ⊂ G.
Comme chaque Fi ⊂ G et comme G est un sous espace de E alors chaque somme ~x1 + · · · + ~xp ∈ G.
Ainsi F1 + · · · + Fp ⊂ G.
Preuve
(i) (i)
Pour tout i ∈ J1, pK, on note : ri = dim(Fi ) et Bi = ~x1 , . . . , ~xri .
– 1 ⇒ 2 : Supposons que la somme est directe. La décomposition de ~0 est unique et ~0 + · · · + ~0 en est
une donc c’est la seule.
– 2 ⇒ 3 : Supposons l’unicité de la décomposition de ~0. La concaténation des bases est nécessaire-
de la somme F1 + · · · + Fp . Montrons qu’elle est aussi libre. Soit alors
ment une famille génératrice
(i)
la famille de scalaires λk ∈ Kr1 +···+rp telle que :
i∈J1,pK,k∈J1,ri K
p ri
!
X X (i) (i)
λk ~xk = ~0
i=1 k=1
Proposition (QC)
Soit E et F deux K-espaces vectoriels et f ∈ L(E, F ). Alors, Ker(f ) est un sous espace de E et Im(f )
est un sous espace de F .
Preuve
– Comme f (~0E ) = ~0F alors ~0E ∈ Ker(f ) et ~0F ∈ Im(f ) donc ces deux ensembles sont non vide.
– Soit (~x, ~y ) ∈ Ker(f )2 et (λ, µ) ∈ K2 . Alors :
donc λ~x + µ~y ∈ Ker(f ) ce qui prouve que Ker(f ) est un sous espace de E.
– Soit (~x, ~y ) ∈ Im(f )2 et (λ, µ) ∈ K2 . Alors :
On en déduit que :
λ~x + µ~y = λf (~a) + µf (~b) = f (λ~a + µ~b) ∈ Im(f )
ce qui prouve que Im(f ) est un sous espace de F .
Preuve
– ⇒ : Supposons que f est injective. Il est immédiat que {~0E } ⊂ Ker(f ). Soit donc ~x ∈ Ker(f ).
Comme on sait que f (~0E ) = ~0F alors :
f (~x) = f (~0E )
Preuve
Posons n = dim(E) et p = dim(Ker(f )). Si p = n (c’est à dire que f = Θ) alors le résultat est
évident. Suppsons donc que p < n. Soit (~x1 , . . . , ~xp ) une base de Ker(f ). On la complète en une base
(~x1 , . . . , ~xp , ~xp+1 , . . . , ~xn ) de E. On en déduit que :
Im(f ) = Vect (f (~x1 ), . . . , f (~xp ), f (~xp+1 ), . . . , f (~xn )) = Vect (f (~xp+1 ), . . . , f (~xn ))
On démontre que (f (~xp+1 ), . . . , f (~xn )) est libre, ainsi ce sera une base de Im(f ). Soit donc (λp+1 , . . . , λn ) ∈
Kn−p tel que :
λp+1 f (~xp+1 ) + · · · + λn f (~xn ) = ~0F
On en déduit successivement que :
f (λp+1~xp+1 + · · · + λn~xn ) = ~0F
λp+1~xp+1 + · · · + λn~xn ∈ Ker(f )
λp+1 = · · · = λn = 0
Alors, f a pour rang n − p ce qui achève la preuve.
Preuve
– Supposons que p est un projecteur de E. Alors E = Ker(p) ⊕ Im(p) et :
∀(~x1 , ~x2 ) ∈ Ker(p) × Im(p), p(~x1 + ~x2 ) = ~x2
Ainsi, on a :
∀(~x1 , ~x2 ) ∈ Ker(p) × Im(p), p(p(~x1 + ~x2 )) = p(~x2 ) = p(~x1 ) + p(~x2 ) = p(~x1 + ~x2 )
ce qui prouve que p2 = p.
– Réciproquement, supposons que p2 = p. Alors, on a :
∀~x ∈ E, ~x = (~x − p(~x)) + p(~x)
Or ~x − p(~x) ∈ Ker(p) puisque p(~x − p(~x)) = p(~x) − p2 (~x) = ~0 par linéarité de p. Ainsi, on en déduit
que :
E = Ker(p) + Im(p)
Soit ~x ∈ E = Ker(p) ∩ Im(p). Toujours à l’aide de p2 = p, on obtient aisément que ~x = ~0 et donc
que :
E = Ker(p) ⊕ Im(p)
(en dimension finie, le théorème du rang donne immédiatement ce résultat). Il reste alors à prouver
que p est le projecteur sur Im(p) dans la direction de Ker(p). On a :
∀~x ∈ E, p(~x) = p(~xK + ~xI ) = u(~xI ) = u2 (~xant ) = u(~xant ) = ~xI
Exemples
1. Déterminer les sous espaces d’un espace vectoriel E stables par IdE puis par ΘE .
2. Soit f : K2 → K2 , xy 7→ x+y
x+y
. Justifier que f est linéaire puis déterminer tous les sous espaces de
2
K stables par f .
Proposition/Définition
Soit f ∈ L(E) et F un sous espace de E stable par f .
– L’application fF : F → F, ~x 7→ f (~x) est un endomorphisme de F .
– On l’appelle endomorphisme induit par f sur le sous espace stable F .
Preuve
C’est quasi-immédiat.
Exemple
x x+y
Préciser l’endomorphisme induit par f : K2 → K2 , y
7→ x+y
sur chacun de ses sous espaces stables
« stricts » obtenus précédemment.
Exemples
– Justifier que X − 1 est un polynôme annulateur de IdE .
– Déterminer un polynôme annulateur de ΘE .
– Déterminer un polynôme annulateur d’un projecteur, d’une symétrie, d’une homothétie de rapport λ.
Proposition
Soit f ∈ L(E), (λ, µ) ∈ K2 et (P, Q) ∈ K[X]2 . Alors :
Preuve
C’est du calcul.
Preuve
2 2 n2
Posons n = dim(E). Soit f ∈ L(E). On sait que : dim(L(E)) = n . Alors IdE , f, f , . . . , f est
2 2
une famille liée dans L(E) de n + 1 applications. Comme dim(L(E)) < n + 1 alors :
2 +1 2
∃(a0 , . . . , an2 ) ∈ Kn / a0 IdE + a1 f + · · · + an2 f n = ΘE
2
On en déduit que P (X) = a0 + a1 X + · · · + an2 X n est un polynôme annulateur de f .
Exemple
x x+y
Déterminer un polynôme annulateur de f : K2 → K2 , y
7→ x+y
.
Théorème : matrices d’une application linéaire dans deux bases distinctes (QC*)
Soit E un K-espace vectoriel de dimension finie dont on considère deux bases B et B 0 distinctes. Soit
f ∈ L(E). On pose :
A = MatB0 (f ) A0 = MatB (f ) et P = PB,B0 = MatB0 ,B (IdE )
Alors, on a :
A0 = P −1 × A × P
En particulier, les matrices de f dans deux bases distinctes sont semblables.
Preuve
On a le diagramme suivant formé de couples espace/base :
f
(E, B 0 ) −→ (E, B 0 )
↓ IdE ↓ IdE
(E, B) −→ (E, B)
f
c’est à dire que : IdE ◦ f = f ◦ IdE . Ainsi, on a : P × A0 = A × P ce qui donne le résultat attendu.
46 CHAPITRE 3. ESPACES VECTORIELS, APPLICATIONS LINÉAIRES ET MATRICES
E = F1 ⊕ · · · ⊕ Fp
où les Fi sont des sous espaces stables par f et de dimension non nulle pour lesquels on considère une base
Bi . Soit B la concaténation des bases B1 , . . . , Bp .
– La matrice de f dans la base B est alors :
A1 Θ ... Θ
... ..
Θ A2 .
MatB (f ) = .
... ...
. . Θ
Θ . . . Θ Ap
Preuve
C’est quasi-immédiat.
Exemples
1. Soit E un espace vectoriel de dimension finie n ≥ 2. Soit F un sous espace de E de dimension r telle
que 1 ≤ r ≤ n − 1. Soit G un supplémmentaire de F dans E. Soit BF (resp. BG ) une base matrice
de F (resp. G) et B la concaténation de ces deux bases.
(a) Soit p le projecteur sur F parallèlement à G.
i. Montrer que F et G sont stables par p.
ii. En déduire que la matrice de p dans la base B est diagonale par blocs puis la déterminer.
(b) Soit s la symétrie par rapport à F dans la direction de G.
i. Montrer que F et G sont stables par s.
ii. En déduire que la matrice de s dans la base B est diagonale par blocs puis la déterminer.
2. Soit f l’endomorphisme de R3 dont la matrice dans la base canonique B est :
1 1 0
A = −1 2 −1
−1 0 1
On pose :
−1 −1 1
~x1 = −1 ~x2 = −1 ~x3 = −1 F = Vect(~x1 ) G = Vect(~x2 , ~x3 )
1 B −1 B −1 B
(a) Montrer que B 0 (~x1 , ~x2 , ~x3 ) est une base de R3 . Que peut-on en déduire concernant les sous
espaces F et G ?
(b) Justifier que la matrice A0 de f dans la base B 0 est diagonale par blocs. La déterminer.
3.4. EXERCICES 47
Exemple
2 0 0
1 1
Déterminer un polynôme annulateur de puis de 0 1 1 .
1 1
0 −1 1
Proposition
Soit A ∈ Mn (K), (P, Q) ∈ K[X]2 et (λ, µ) ∈ K2 . Alors :
Preuve
C’est du calcul.
Théorème
Soit E un K-espace vectoriel de dimension finie dont on considère une base B. Soit f ∈ L(E). On pose
A = MatB (f ). Soit enfin P (X) ∈ K[X]. Alors :
– P (A) = MatB (P (f )),
– P (X) est un polynôme annulateur de f si et seulement s’il est un polynôme annulateur de A.
Preuve
Découle de la proposition qui précède et des définitions.
Exemple
x x−y−z
Déterminer un polynôme annulateur de f : K3 → K3 , y →
7 −x + y − z .
z −x − y + z
3.4 Exercices
3.4.1 Pour les TD
TD
1. Soit F et G deux sous espaces d’un espace E.
(a) Montrer que F ∩ G est un sous espace de E.
(b) Déterminer une CNS pour que F ∪ G soit un sous espace de E.
(c) Montrer que F + G est le plus petit sous espace de E qui contient le sous ensemble F ∪ G.
48 CHAPITRE 3. ESPACES VECTORIELS, APPLICATIONS LINÉAIRES ET MATRICES
2. Soir E un espace vectoriel de dimension finie. Soit f un endomorphisme de E. Démontrer que les
propositions suivantes sont équivalentes :
Im(f ) = Im(f ◦ f ) ⇔ Ker(f ) = Ker(f ◦ f ) ⇔ E = Ker(f ) ⊕ Im(f )
3. Soit n ∈ N∗ . Soit (X, Y ) un couple de vecteurs non nuls de Kn . Montrer qu’il existe une matrice
A ∈ GLn (K) telle que Y = AX.
4. Soit f ∈ L(E) et P un polynôme annulateur de f . On suppose qu’il existe ~x ∈ E − {~0} et λ ∈ K
tels que f (~x) = λ~x. Démontrer que λ est une racine de P .
5. Soit f ∈ L(E). Montrer que f ∈ GL(E) si et seulement si f admet un polynôme annulateur dont 0
n’est pas racine.
0 −1 1
6. Soit A = −1 2 0 ∈ M3 (R). On note I la matrice unité de M3 (R).
1 0 −1
(a) i. Montrer que la famille (I, A, A2 ) est libre dans M3 (R).
ii. Déterminer un polynôme annulateur P (X) de A.
iii. En déduire que A est inversible et préciser son inverse A−1 .
(b) Pour tout entier naturel n, on note un X 2 + vn X + wn le reste de la division euclidienne de X n
par P (X).
i. Justifier cette affirmation.
ii. Montrer que : ∀n ∈ N, An = un A2 + vn A + wn I.
iii. En déduire que :
un+1 1 1 0 un
∀n ∈ N, vn+1 = 4 0 1 vn
wn+1 −1 0 0 wn
iv. On note B la matrice de M3 (R) obtenue à la question précédente. Montrer que A et B sont
semblables.
(c) Inverser directement la matrice A par la méthode de Gauss.
7. Soit p et q deux projecteurs d’un espace vectoriel E.
(a) Démontrer que p ◦ q = q ◦ p = Θ si et seulement si p + q est un projecteur de E.
(b) On suppose que l’une des deux conditions équivalentes précédentes est vérifiée. Montrer alors
que :
Im(p + q) = Im(p) ⊕ Im(q) et Ker(p + q) = Ker(p) ∩ Ker(q)
8. Soit f un endomorphisme d’un K-espace vectoriel E.
(a) Soit g ∈ L(E) tel que f ◦ g = g ◦ f . Montrer que Ker(g) et Im(g) sont stables par f .
(b) En déduire que pour tout polynôme P (X) ∈ K[X], Ker(P (f )) et Im(P (f )) sont stables par f .
9. Soit B = (e1 , e2 , e3 , e4 ) la base canonique de R4 . Soit u l’endomorphisme de R4 tel que :
3 0 0 5
−1 2 −1 −5
MatB (u) =
0 −1
2 1
9 0 0 −3
(a) Montrer que F = Vect(e2 , e3 ) est stable par u.
3
(b) En déduire l’existence d’un triplet de B, C) ∈ M2 (R) tel que MatB (u) soit sem-
matrices (A,
A B
blable à la matrice définie par blocs : .
Θ C
3.4. EXERCICES 49
TD*
1. Soit E un K-espace vectoriel de dimension finie. Soit f et g deux endomorphismes de E tels que :
g 6= ΘE f ◦ g = ΘE et f + g ∈ GL(E)
(a) On suppose dans cette seule question que E = R2 . Déterminer deux projecteurs vérifiant les
conditions ci-dessus.
(b) i. Justifier que Im(g) ⊂ Ker(f ).
ii. Justifier que E = Im(f ) + Im(g).
iii. Déduire des deux questions qui précèdent que Ker(f ) = Im(g) puis que :
2. Soit E = Cn [X] où n ≥ 2.
(a) i. Soit α ∈ C et P (X) = (X − λ)k avec k ∈ J1, nK. Montrer que P est divisible par son
polynôme dérivé P 0 .
ii. Réciproquement, soit P ∈ E divisible par son polynôme dérivé P 0 . Déterminer la forme de
P (X).
(b) Soit u l’application définie sur E par :
∃X ∈ M1 (K) − {Θ} / AX = Θ
3. Soit f ∈ L(E) où E est un espace vectoriel de dimension finie. On suppose que le polynôme P (X) =
(X − a)(X − b) est un polynôme annulateur de f (avec a 6= b).
Démontrer que A ∈ GLn (C). Indication : on pourra raisonner par l’absurde et utiliser judicieusement
le résultat de l’exercice 1 du DL.
2. (d’après EDHEC 99)
On considère l’espace vectoriel R2 muni de sa base canonique B(i, j). On note Id (resp. Θ) l’endo-
morphisme identité (resp. nul) de R2 . L’objectif de cet exercice est de déterminer les couples (u, v)
d’endomorphismes de R2 tels que :
F = {(X − a)n P (X) | P ∈ Rn−1 [X]} et G = {(X − b)n P (X) | P ∈ Rn−1 [X]}
DS
1. (oral ESCP 2001) Soit E = Rn−1 [X] où n ≥ 3. Soit a et b deux réels distincts.
(a) i. Montrer que les ensembles Fa , Fb , F définis ci-dessous sont des sous espaces vectoriels de
E:
ii. Montrer que la famille de polynômes ((X − a), X(X − a), X 2 (X − a), . . . , X n−2 (X − a))
est une base de Fa .
iii. Déterminer une base de F .
iv. Montrer que E = Fa + Fb .
(b) Soit u : E → E, P (X) 7→ (u(P ))(X) = P (a)X + P (b).
i. Montrer que u est une application linéaire.
ii. Déterminer Ker(u) et Im(u).
Chapitre 4
Il est vivement conseillé de réviser les chapitres 16, 17, 23, 24, 25 (prolongements) et 27 (développe-
ments limités usuels).
Dans tout ce chapitre, f désigne une application définie sur un intervalle I de R à valeurs dans R.
Théorème (QC)
La fonction f est continue en x0 ∈ I si et seulement si elle admet une limite à gauche en x0 , une limite
droite en x0 et :
lim− f (x) = f (x0 ) = lim+ f (x)
x→x0 x→x0
Preuve
– ⇒ Supposons que f est continue en x0 . Alors la limite en x0 vaut f (x0 ). De plus, la définition de la
limite donne les limites à gauche et à droite (par restrictions de l’intervalle [x0 − α, x0 + α]).
– ⇐ Supposons l’existence de la limite à gauche et/ou à droite ainsi que l’égalité à f (x0 ). En réunis-
sant les valeurs de x obtenues pour chaque ε > 0, on obtient la limite en x0 .
Exercices
1. Montrer que si f est continue en x0 alors |f | l’est aussi. La réciproque est-elle vraie ?
2. On suppose que limx→x0 f (x) = ` > 0. Montrer qu’il existe un réel α > 0 tel que :
`
∀x ∈ [x0 − α, x0 + α] ∩ I, |f (x)| ≥
2
√ √
1+x− 1−x
3. (a) Déterminer lim .
x→0 x
√ √
1 + xm − 1 − xm
(b) Soit m et n deux entiers naturels non nuls. Étudier lim .
x→0 xn
53
54 CHAPITRE 4. ÉTUDE DES FONCTIONS NUMÉRIQUES
Exercices
1. Soit f une application définie sur R, continue en 0 et telle que :
∀x ∈ R, f (2x) = f (x)
Démontrer que f est constante sur R.
2. (a) Soit f une fonction
1 définie et continue sur [0, 1] et telle que f (0) = f (1). Montrer qu’il existe
1
un réel c ∈ 0, 2 tel que f (c) = f c + 2 .
(b) Un cycliste parcourt 20 km en une heure lors de sa promenade dominicale. Montrer qu’il existe
un intervalle de temps d’une demi-heure durant lequel il parcourt exactement 10 km (on pourra
introduire la fonction distance parcourue depuis le départ, fonction réputée continue, puis une
seconde fonction).
3. Démontrer que si f est continue et périodique sur R alors f est bornée sur R.
4. Soit f une fonction continue sur un intervalle I de R. Montrer que f est strictement monotone sur I
si et seulement si elle est injective sur I.
5. Soit f définie sur R par f (x) = cos(x)
1+x2
. Montrer que f est bornée sur R puis déterminer supf (x).
x∈R
4.3 Dérivabilité
– Nombre dérivé en un réel x0 : définition (équivalence limite du taux d’accroissement avec dévelop-
pement limité à l’ordre 1), interprétation graphique.
– Nombre dérivé à gauche et/ou à droite de x0 , lien avec la dérivabilité en x0 .
– Fonction dérivable sur un intervalle I : définition, ensemble D1 (I), opérations les fonctions de cet
ensemble, en particulier c’est un espace vectoriel, cas des fonctions réciproques.
– QC : Dérivabilité des fonctions trigonométriques réciproques.
– Fonctions de classe C 1 , C n , C ∞ : opérations sur ces fonctions, en particulier ces ensembles sont des
espaces vectoriel.
– Les grands théorèmes : extremum local, théorème de Rolle, égalité des accroissements finis, inégalités
des accroissements finis, lien entre signe de la fonction dérivée et sens de variation de la fonction.
– Formule de Taylor-Young et développements limités des fonctions usuelles.
Exercices
1. (a) Soit u et v deux fonction p fois dérivables sur un intervalle I. Montrer que la fonction uv est p
fois dérivable sur I et que l’on a :
p p
(p)
X p (k) (p−k)
X p
(uv) = u v = u(p−k) v (k)
k k
k=0 k=0
4.4. FONCTIONS CONVEXES 55
(b) Soit a et b deux réels distincts. Soit n ∈ N∗ . Pour tout réel x, on pose : f (x) = (x − a)n (x − b)n .
i. Justifier que f est de classe C ∞ sur R déterminer f (n) .
2
ii. En déduire la valeur de nk=0 nk .
P
2. Soit f de classe de C 2 sur R et s’annulant au moins trois fois. Démontrer que la fonction f 0 s’annule
au moins deux fois sur R puis que la fonction f 00 s’annule au moins une fois sur R.
3. Soit f et g deux fonctions continues sur [a, b] et dérivables sur ]a, b[. Démontrer que :
∃c ∈]a, b[ / (f (b) − f (a))g 0 (c) = (g(b) − g(a))f 0 (c)
2
4. Soit la suite u définie par u0 = 2 et : ∀n ∈ N, un+1 = 1+un
. On note f sa fonction associée.
(a) Démontrer que : ∀n ∈ N, un ∈ [ 23 , 2].
(b) Déterminer un réel M ∈ [0, 1[ tel que : ∀x ∈ [ 32 , 2], |f 0 (x)| ≤ M .
(c) Démontrer que : ∀n ∈ N, |un+1 − 1| ≤ M |un − 1|.
(d) En déduire que : ∀n ∈ N, |un − 1| ≤ M n .
(e) Justifier que la suite u converge et déterminer sa limite.
5. Soit f (x) = αx2 + βx + γ définie sur le segment [a, b]. Déterminer le réel c ∈]a, b[ provenant de
l’égalité des accroissements finis. Interpréter graphiquement.
6. Soit α ∈]0, 1[.
α α
(a) Démontrer que, pour tout entier naturel n, on a : n1−α ≤ (n + 1)α − nα ≤ (n+1)1−α
.
(b) En déduire un équivalent et la limite de nk=1 k1α .
P
Exercices
1. Étudier la convexité des fonctions trigonométriques réciproques.
2. Démontrer que si f est convexe sur I alors :
∀n ∈ N∗ , ∀(x1 , . . . , xn ) ∈ I n , ∀(λ1 , . . . , λn ) ∈ [0, 1]n ,
λ1 + · · · + λn = 1 ⇒ f (λ1 x1 + · · · + λn xn ) ≤ λ1 f (x1 ) + · · · + λn f (xn )
56 CHAPITRE 4. ÉTUDE DES FONCTIONS NUMÉRIQUES
4.5 Exercices
4.5.1 Pour les TD
TD
1. Soit f une fonction définie et continue sur un intervalle I. Montrer que si f (x)2 = 1 pour tout réel
x ∈ I alors f est constante sur I.
1
2. Soit f la fonction définie par : f (x) = x2 arctan x+1 .
(a) Déterminer son domaine de définition et justifier que f est de classe C 1 sur ce domaine.
(b) Préciser les branches infinies de la courbe de cette fonction aux voisinage de ±∞.
(c) On considère la restriction, notée g, de f à ] − 1, +∞[. Montrer que g se prolonge est en une
fonction de classe C 1 sur [−1, +∞[ puis préciser la valeur de g(−1).
(d) On considère la restriction, notée h, de f à ] − ∞, −1[. Montrer que h se prolonge est en une
fonction de classe C 1 sur ] − ∞, −1] puis préciser la valeur de h(−1).
ln(x)
3. Étudier la fonction x 7→ x − x
.
x
4. Soit f définie sur R par f (x) = 1+|x| .
(a) Montrer que f est strictement croissante sur R.
(b) En déduire qu’elle établit une bijection de R dans ] − 1, 1[ et préciser sa bijection réciproque.
(c) La fonction f est-elle dérivable en 0 ? de classe C 1 sur R ?
5. Peut-on prolonger par continuité sur R les fonctions suivantes :
e + e−x
x
1 1 1 2
f (x) = sin(x) sin g(x) = ln h(x) = −
x x 2 1 − x 1 − x2
TD*
1. Soit f définie et continue sur R. On suppose que f admet une limite finie en −∞ et une limite finie
en +∞.
(a) Démontrer que f est bornée.
(b) On suppose, de plus, que les deux limites en l’infini sont égales. Démontrer que le borne supé-
rieure ou la borne inférieure de f (R) est atteinte, c’est à dire que f admet un maximum ou un
minimum.
2. Soit f définie sur R par : f (t) = 0 si t ≤ 0 et f (t) = e−1/t si t > 0.
(a) Montrer que f est continue sur R.
(b) i. Montrer que f est dérivable en 0.
ii. Justifier que f est dérivable sur ] − ∞, 0[ et sur ]0, +∞[.
4.5. EXERCICES 57
Pn (t) − 1
Pn (0) = 1 et ∀t ∈]0, +∞[, f (n) (t) = e t
t2n
∀x ∈ R, f (x2 ) = f (x)
(a) Montrer que l’équation f (x) = xn admet au moins une solution dans [0, 1] pour tout entier
naturel n ≥ 1.
(b) On suppose, de plus, que f est décroissante sur [0, 1].
i. Montrer que, pour tout entier n ≥ 1, la solution de l’équation précédente est unique. On la
note an .
ii. Déterminer la nature de la suite (an )n≥1 .
ii. Conclusion ?
4. Soit f une fonction deux fois dérivable sur [a, b] telle que f (a) = f (b) = 0 et f 00 (x) ≤ 0 pour tout
x ∈]a, b[. Montrer que f (x) ≥ 0 pour tout réel x ∈ [a, b].
x
5. On pose f (x) = 1 + x1 .
(a) Préciser le domaine de définition de cette fonction et justifier que f y est de classe C 1 puis
déterminer l’expression de f 0 (x).
(b) Déterminer un développement limité à l’ordre 2 au voisinage de ±∞ de f . En déduire que la
courbe admet une asymptote que l’on précisera ainsi que la position relative de la courbe avec
son asymptote.
(c) Déterminer la limite de f aux autres bornes de son domaine de définition. La fonction se
prolonge-t-elle par continuité ? par dérivabilité ?
58 CHAPITRE 4. ÉTUDE DES FONCTIONS NUMÉRIQUES
(a) Soit t ∈]0, 1[. Justifier l’existence du réel inf{x ∈ R | F (x) ≥ t}.
(b) On définit alors la fonction h :]0, 1[→ R, t 7→ inf{x ∈ R | F (x) ≥ F (t)}.
i. Montrer que :
4. Soit f définie sur un intervalle I et telle que f possède une limite à droite en tout point de I. Soit g la
fonction définie sur I par :
∀x ∈ I, g(x) = lim+ f (t)
t→x
DS
1. Ecricome 2005, voie éco, exercice 2
2. (d’après ESSEC 83)
Soit (Ω, ℘(Ω), P) un espace probabilisé fini. Pour tout variable aléatoire discrète finie X telle que
X(Ω) = {x1 , . . . , xk } avec la condition x1 < · · · < xk , on pose :
k
!
∗ 1 X
∀t ∈ R , ϕX (t) = ln pi exi t
t i=1
(a) Un exemple. Dans cette seule question, on suppose que X ,→ U({−1, 1}).
∀t ∈ R, fn (t) = eαn t
Démontrer par récurrence que la famille (f1 , . . . , fn ) est libre pour tout entier naturel n
non nul.
B. Soit X et Y deux variables aléatoires discrètes finies. Déduire de la question précédente
que ϕX = ϕY si et seulement si X et Y ont la même loi.
iv. Caractériser les variables aléatoires X telles que ϕX est une fonction impaire.
v. Démontrer que :
et +e−t
où sinh est la fonction définie sur R par : sinh(t) = 2
(sinh est appelé sinus
hyperbolique).
B. Retrouver ainsi les valeurs de E(UN ) et V(UN ).
C. Écrire ϕa+rUN (t) pour tout triplet (a, r, t) de réels tels que r 6= 0.
Chapitre 5
Séries numériques
5.1 Rappels
– Définition et convergence, limite du terme générale d’une série convergente, relation de Chasles,
linéarité.
– Séries à termes positifs : CNS de convergence, théorèmes de comparaisons des séries à termes positifs,
séries de Riemann.
– Séries à termes de signe variable : convergence absolue, semi-convergence, une série convergente est
la différence de deux série absolument convergente, la convergence absolue implique la convergence,
changement de l’ordre des termes d’une série absolument convergente, séries géométriques et ses
dérivées, séries exponentielles.
Théorème (QC*)
1
P
La série de Riemann nα
est convergente si et seulement si α > 1.
Preuve
1
– α ≤ 0 : La suite nα n≥1
ne converge pas vers 0 donc la série est divergente.
1
– 0 < α < 1 : La fonction t 7→ tα
est strictement décroissante sur ]0, +∞[ donc :
1 1 1
∀k ∈ N∗ , ∀t ∈ [k, k + 1], ≤ α
≤ α ≤ α
(k + 1) t k
Le théorème IAF donne alors :
1 1 1 1
∀k ∈ N∗ , α
≤ α−1
− α−1
≤ α
(k + 1) (1 − α)(k + 1) (1 − α)k k
On somme ces inégalités du rang 1 au rang n et, par télescopage, on obtient :
n n
∗
X 1 1 1 X 1
∀n ∈ N , ≤ − ≤
k=1
(k + 1)α (1 − α)(n + 1)α−1 (1 − α) k=1
kα
1
La seconde inégalité assure la divergence de la série puisque −→
(1−α)(n+1)α−1 n→+∞
+∞ (car α−1 < 0).
En exploitant aussi la première inégalité, on peut même obtenir un équivalent de la somme partielle
de rang n de la série.
– α = 1 : On mène un raisonnement analogue, seule la primitive choisie est modifiée pour donner
ln(n + 1) comme membre du milieu de la double inégalité. On obtient encore la divergence de la
série.
61
62 CHAPITRE 5. SÉRIES NUMÉRIQUES
– α > 1 : On obtient la même double inégalité que ci-dessus, mais cette fois, la première inégalité
donne : n
X 1 1 1 1 1
α
≤ α−1
− α
+1− ≤1−
k=1
k (1 − α)(n + 1) (n + 1) (1 − α) (1 − α)
La série étant à terme positifs et la suite des sommes partielles étant majorée, cela assure la conver-
gence de la série. Attention toutefois, le majorant n’est pas égal à la somme de la série.
Exercice
Déterminer un équivalent de la somme partielle de rang n d’une série de Riemann divergente.
Théorème (QC)
– La série géométrique xn est convergente si et seulement si |x| < 1 et la convergence est absolue.
P
De plus, pour tout réel x ∈] − 1, 1[, on a :
+∞
X 1
xn =
n=0
1−x
– En conséquence, on a :
+∞ +∞
∗
X n n−k
X n+k 1
∀k ∈ N , ∀x ∈] − 1, 1[, x = xn =
n=k
k n=0
k (1 − x)k+1
Preuves
– Si |x| ≥ 1 alors la suite (xn )n≥0 ne converge pas vers 0 donc la série est divergente. Supposons que
|x| < 1. On sait que :
n
X 1 − xn+1 1
∀n ∈ N, xk = −→
k=0
1 − x n→+∞ 1 − x
et ce résultat est encore valable en remplaçant x par |x| d’où convergence absolue de la série et valeur
de sa somme.
– Pour la dérivée, on applique la méthode précédente. Dans le cas où |x| < 1, l’égalité ci-dessus peut
se dériver sur ] − 1, 1[ et on obtient :
n
X −(n + 1)xn (1 − x) − (1 − xn+1 )(−1) 1 − (n + 1)xn + nxn+1 1
kxk−1 = 2
= 2
−→
(1 − x) (1 − x) n→+∞ (1 − x)2
k=1
5.2.1 Généralités
Définitions
– On appelle suite double toute application u de N2 dans R :
u : N2 → R
(i, j) 7→ u(i, j)
Comme pour les suites usuelles, on note ui,j le réel u(i, j) et (ui,j )(i,j)∈N2 la suite double u.
+
Une telle suite est qualifiée de positive si et seulement si u est
Xà valeurs dans R .
– Soit (ui,j )(i,j)∈N2 une suite double. On appelle série double ui,j (associée à la suite double (ui,j ))
i,j
l’ensemble des réels de la forme : XX
ui,j
i∈A j∈B
où A et B sont deux parties finies de N. Cette série double est dite à termes positifs si et seulement
si la suite
X associée Xest positive.
– Soit ui,j et vi,j deux séries doubles. On appelle somme de ces deux séries la série notée
i,j i,j
X
(ui,j + vi,j ) et constituée des réels de la forme :
i,j
XX XX XX
(ui,j + vi,j ) = ui,j + vi,j
i∈A j∈B i∈A j∈B i∈A j∈B
Remarque
A = J0, pK et B = J0, qK
ont un sens (sur le plan mathématique) et elles sont susceptibles d’être égales.
Proposition
Toute série double est la différence de deux séries doubles à termes positifs.
64 CHAPITRE 5. SÉRIES NUMÉRIQUES
Preuve
Pour tout couple (i, j) d’entiers naturels, on pose :
|ui,j | + ui,j |ui,j | − ui,j
vi,j = max{ui,j , 0} = et wi,j = − min{ui,j , 0} =
2 2
Alors ui,j = vi,j − wi,j pour tout couple (i, j) d’entiers naturels ce qui donne le résultat.
Preuve
s
Exemples
X λi+j
1. Nature et somme éventuelle de la série avec λ ∈ R+ .
i!j!
+∞ X+∞
X 1
2. Calculer .
n=0 k=n
k!
Remarque
Le théorème précédent s’applique aussi au calcul de somme des séries « faussement » doubles du type :
+∞ X
X i
ui,j
i=0 j=0
puisqu’il suffit de poser ui,j = 0 pour tout couple (i, j) tel que j > i.
Preuve
À peu près immédiat pour la convergence d’après la définition précédente. Un poil plus sophistiqué pour
la divergence.
Exemple
P λi+j
Justifier que la série i!j!
converge absolument pour tout réel λ.
Proposition
Toute série double absolument convergente est la différence de deux séries doubles positives conver-
gentes.
Preuve
Pour tout couple (i, j) d’entiers naturels, on pose :
Théorème de Fubini
P
Soit ui,j une série double à termes de signe P quelconque. On suppose que :
– pour tout entier naturel i, la série (simple) j ui,j converge absolument vers un réel ai et on note
P+∞
a0i = P j=0 |ui,j |
– la série a0i converge. P
(ces deux conditions
P sont vérifiées lorsque la série ui,j est absolument convergente). Alors, on a :
– la série ai converge absolumentPvers un réel S,
Pentier naturel j, la série i ui,j converge absolument vers un réel bj ,
– pour tout
– la série bj converge absolument vers ce même réel S, c’est à dire que :
+∞ X
X +∞ +∞
X +∞
X +∞ X
X +∞
ui,j = ai = S = bj = ui,j
i=0 j=0 i=0 j=0 j=0 i=0
P
Dans une telle situation, on appelle somme de la série double absolument convergente ui,j ce réel S.
Corollaire
Toute série double absolument convergente est convergente.
Preuve
On applique le théorème de Fubini.
66 CHAPITRE 5. SÉRIES NUMÉRIQUES
Exemple
P λi+j
Nature et somme de la série i!j!
.
Preuve
s
Exemple
P
1. Soit ui,j une série double absolument convergente de somme S. On pose :
∀n ∈ N, In = {(i, j) ∈ N2 | i + j = n}
Justifier que :
+∞ X
X
S= ui,j
n=0 (i,j)∈In
2. Applications
1
P
(a) Nature et somme éventuelle de la série double (i+j)!
.
P xi y j
(b) Soit x et y deux réels. Nature et somme éventuelle de (i+j)!
.
5.3 Exercices
5.3.1 Pour les TD
TD
1. Déterminer la nature des séries dont le terme général est :
n2
(xy)n
1 1 n
an = sin − tan bn = et cn = avec x > 0 et y > 0
n n n+1 xn + y n
2. Déterminer la nature et la somme éventuelle des séries dont le terme général est :
an2 + bn + c n2
un = avec (a, b, c) ∈ R3 et vn =
n! 5n
3. Soit (an )n≥0 une suite de réels positifs décroissante et convergente vers 0.
(a) Montrer que la série, dite alternée, (−1)n an est convergente.
P
(b) Donner un exemple dans lequel la série est absolument convergente puis un autre exemple dans
leque la série est semi convergente.
5.3. EXERCICES 67
+∞
X
(c) Montrer que : ∀n ∈ N, (−1)k ak ≤ an+1 .
k=n+1
pn
X 1
(d) Soit p ∈ N∗ . Déterminer lim .
n→+∞
k=n+1
k
(e) Montrer que :
2n 2n
∗
X (−1)k+1 X 1
∀n ∈ N , =
k=1
k k=n+1
k
+∞
X (−1)k+1
En déduire que : = ln(2).
k=1
k
X ji
5. Nature et somme éventuelle de .
i!j!
(i,j)∈N2
P
6. Soit an une série absolument convergente. Pour tout entier naturel n, on pose :
n
1 X n
bn = n ak
2 k=0 k
h n−k i
(a) Soit k ∈ N. En remarquant que 21n nk ak = 2akkk! n(n − 1) . . . (n − k + 1) 21
pour tout
entier n ≥ k, prouver que la série n≥k 21n nk ak converge absolument.
P
TD*
1. Fonction ζ (zéta) de Riemann.
+∞
X 1
Pour tout réel x > 1, on pose : ζ(x) = x
.
n=1
n
(a) Justifier que cela définit bien une fonction ζ sur ]1, +∞[.
(b) Montrer que ζ est décroissante sur ]1, +∞[.
(c) Démontrer que lim+ ζ(x) = +∞.
x→1
Indication : On pourra considérer la somme partielle de rang k, pour un x donné, puis faire
tendre k vers +∞.
(d) Montrer que :
Z n+1 n Z n
∗ dt X 1 dt
∀n ∈ N , ∀x ∈]1, +∞[, ≤ ≤ 1 +
1 tx k=1
kx 1 t
x
68 CHAPITRE 5. SÉRIES NUMÉRIQUES
(e) En déduire :
i. un encadrement de ζ(x),
ii. la limite de (x − 1)ζ(x) lorsque x tend vers 1.
(f) Démontrer que ζ est continue sur ]1, +∞[.
1 1
Indication : On pourra majorer x0 +h − x0 par le terme général d’une série convergente.
n n
2. Règle de d’Alembert.
Soit (un )n≥0 une suite de réels strictement positifs et tels que :
un+1
lim = a ∈ R̄
n→+∞ un
P
(a) On suppose que a < 1. Montrer que la série un converge.
P
(b) On suppose que a > 1 (y compris +∞). Montrer que la série un diverge.
1 1
(c) En considérant les suites un = n
puis un = n2
, peut-on conclure dans le cas où a = 1 ?
(d) On suppose maintenant qu’il existe un réel b et une suite (vn )n≥1 bornée tels que :
un+1 b vn
∀n ∈ N∗ , =1− + 2
un n n
On pose aussi : ∀n ∈ N∗ , tn = nb un .
i. Montrer que la série ln tn+1
P
tn
est convergente.
ii. En déduire qu’il existe un réel A > 0 tel que un ∼ Ab .
n→+∞ n
P
iii. Pour quelles valeurs du réel b est-on sûr que la série un convergente ?
α
1×3×5×···×(2n−1)
iv. Application : Nature de la série de terme général 2×4×6×···×(2n) en fonction du réel
α ≥ 0.
DS
1. s
70 CHAPITRE 5. SÉRIES NUMÉRIQUES
Chapitre 6
+∞
!
[
lim P(An ) = P Ak
n→+∞
k=0
– Si (An )n∈N est une suite décroissante d’éléments de T alors la suite (P(An ))n∈N converge et :
+∞
!
\
lim P(An ) = P Ak
n→+∞
k=0
+∞
! n
! +∞
! n
!
[ [ \ \
P Ak = lim P Ak et P Ak = lim P Ak
n→+∞ n→+∞
k=0 k=0 k=0 k=0
Preuve
71
72 CHAPITRE 6. VARIABLES ALÉATOIRES DISCRÈTES INFINIES
Exercices
1. On suppose que Ω est dénombrable. On considère une tribu T de parties de Ω telle que :
∀ω ∈ Ω, {ω} ∈ T
Démontrer que T = ℘(Ω).
2. Soit A et B deux parties de Ω. Montrer que la tribu engendrée par A et B, notée T (A, B) est :
{∅, A, B, Ā, B̄, A ∪ B, Ā ∪ B, A ∪ B̄, Ā ∪ B̄, A ∩ B, Ā ∩ B, A ∩ B̄, Ā ∩ B̄, A∆B, Ā∆B̄, Ω}
où A∆B = (A − B) ∪ (B − A) est la différence symétrique de A par B.
3. Soit Ω = R et T la tribu des boréliens (la tribu engendrée par tous les intervalles fermés et bornés
de R). Tous les éléments de T sont alors appelés boréliens.
(a) Justifier que tous les intervalles de R sont dans T .
(b) Soit A ∈ T et TA = {B ∩ A | B ∈ T }. Démontrer que TA est une tribu de parties de R.
(c) Démontrer que T est aussi la tribu engendrée, successivement, par les intervalles du type :
]a, b[ [a, b[ ]a, b] ]a, +∞[ [a, +∞[ ] − ∞, a[ ] − ∞, a]
où a et b sont deux réels.
4. On joue une infinité de fois à pile/face avec une pièce dont la probabilité d’apparition de pile est
p ∈]0, 1[. Calculer la probabilité de l’événement F : « on obtient toujours face ».
Définition
On dit qu’une partie E de R est un ensemble discret si et seulement si :
– soit E est un ensemble fini,
– soit E = {x0 , x1 , . . .} (les éléments de E sont numérotés à l’aide des éléments de N) et :
x0 < x1 < . . . et lim xn = +∞ ou x0 > x1 > . . . et lim xn = −∞
n→+∞ n→+∞
Remarques
– Dans la pratique, tous les ensembles discrets que nous utiliserons seront soit finis soit une partie infini
de N.
– Nous énoncerons alors tous les résultats de ce chapitre dans le cas où l’ensemble X(Ω) est discret de
la forme {x0 , x1 , x2 , . . .} avec :
Définitions
– Une variable aléatoire X : Ω → R est dite discrète si et seulement si X(Ω) est discret.
– Soit X et Y deux variables aléatoires discrètes.
– On appelle tribu associée à la variable X la tribu, notée AX , engendrée par la famille d’événe-
ments ([X = x])x∈X(Ω) .
– On appelle tribu associée au couple aléatoire (X, Y ) la tribu, notée A(X,Y ) , engendrée par la
famille d’événements ([X = x] ∩ [Y = y])(x,y)∈X(Ω)×Y (Ω) .
Propositions
Preuves
Propositions
Soit (Ω, T , P) un espace probabilisé.
P
– Soit X une variable aléatoire discrète. Alors, la série n≥0 P(X = xn ) converge (absolument) et sa
somme vaut 1. De plus, on peut « éliminer » du système complet ([X = xn ])n≥0 les événements
négligeables et donc éliminer de X(Ω) les xn correspondants. La famille d’événements qui reste est
alors un système presque complet et on considère que « l’application », notée encore X, ainsi obtenue
est encore une variable aléatoire.
– Soit (yn )n≥0 une suite de réels deuxPà deux distincts et de limite +∞. Soit (pn )n≥0 une suite de réels
positifs (ou nuls) telle que la série n≥0 pn converge (absolument) et sa somme vaut 1. Alors, il existe
une variable aléatoire discrète Y telle que :
∀n ∈ N, P(Y = yn ) = pn
Preuves
s
Proposition
Soit (X, Y ) un couple aléatoire dans (Ω, T , P) dont on connaît la loi conjointe. Alors :
X X
∀x ∈ X(Ω), P(X = x) = P([X = x] ∩ [Y = y]) = P(Y = y)P[Y =y] (X = x)
y∈Y (Ω) y∈Y (Ω)
X X
∀y ∈ Y (Ω), P(Y = y) = P([Y = y] ∩ [X = x]) = P(X = x)P[X=x] (Y = y)
x∈X(Ω) x∈X(Ω)
Preuve
Formule des probabilités totales.
Proposition
Deux variables aléatoires discrètes X et Y sont indépendantes si et seulement si leurs tribus associées
AX et AY sont indépendantes.
Preuve
s
– On dit que la loi de X est la loi de Poisson de paramètre λ ∈]0, +∞[ si et seulement si :
λn
X(Ω) = N et ∀n ∈ N, P(X = n) = e−λ
n!
6.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES 75
Exemples
1
1. Montrer que les réels pn = pour tout n ∈ N∗ sont les probabilités associées à une variable
n(n + 1)
aléatoire discrète.
2. On lance une infinité de fois une pièce pour laquelle pile a pour probabilité d’apparition le réel
p ∈]0, 1[. On note X le rang d’apparition du premier pile et Y celui du second pile.
(a) Préciser la loi de X puis déterminer la loi conjointe du couple (X, Y ).
(b) En déduire la loi de Y . Les variables aléatoires X et Y sont-elles indépendantes ?
3. On lance une infinité de fois une pièce pour laquelle pile a pour probabilité d’apparition le réel
p ∈]0, 1[. On pose : q = 1 − p. On note Z le rang du lancer pour lequel on obtient pour la première
fois deux pile consécutifs et on considère que Z prend la valeur 0 si l’on obtient jamais deux pile
consécutifs.
(a) Préciser Z(Ω).
(b) Montrer que, pour tout n ≥ 2, on a :
(c) En déduire l’expression de P(Z = n) pour tout n ≥ 2 puis vérifier que Z est bien une variable
aléatoire discrète. Quelle est la probabilité d’obtenir deux pile consécutifs ?
Propositions
Soit (Ω, T , P) un espace probabilisé.
– Soit X une variable aléatoire et f : I → R une fonction de transfert. Alors, Y = f ◦ X = f (X) est
une variable aléatoire, AY ⊂ AX et on a :
X
Y (Ω) = {f (xi ) | i ∈ N} et ∀y ∈ Y (Ω), P(Y = y) = P(X = x)
x∈f −1 ({y})
– En particulier :
– pour tout couple (a, b) de réels avec a 6= 0, aX + b est une variable aléatoire et :
y−b
∀y ∈ R, P(aX + b = y) = P X =
a
Preuves
s
Théorème (admis)
Soit (X1 , . . . , Xn ) une famille de variables aléatoires mutuellement indépendantes sur un espace proba-
bilisé (Ω, T , P). Soit p ∈ J1, n − 1K.
– La tribu associée à (X1 , . . . , Xp ) et la tribu associée à (Xp+1 , . . . , Xn ) sont indépendantes.
– Soit φ : Rp → R, ψ : Rn−p → R. Alors, les variables aléatoires φ(X1 , . . . , Xp ) et ψ(Xp+1 , . . . , Xn )
sont indépendantes (où φ et ψ sont deux fonctions de transfert).
Preuve
Soit z ∈ R. Comme ([X = xi ])i∈N est un système complet d’événements, on a :
X X
P(X + Y = z) = P([X = x] ∩ [X + Y = z]) = P([X = x] ∩ [Y = z − x])
x∈X(Ω) x∈X(Ω)
Propositions (QC)
Soit (Ω, T , P) un espace probabilisé et (X1 , . . . , Xn ) une famille de variables aléatoires mutuellement
indépendantes et telles que Xi ,→ P(λi )pour tout 1 ≤ i ≤ n. Alors :
X1 + · · · + Xn ,→ P(λ1 + · · · + λn )
Preuve
Récurrence.
Exemples
1. Représentations graphiques dans le cas des exemples du paragraphe 6.2.2.
2. Soit X et Y deux variables aléatoires indépendantes d’un même espace probabilisé (Ω, T , P) et sui-
vant la même loi G(p). Déterminer la loi des variables aléatoires S = sup(X, Y ) et I = inf(X, Y ).
Propositions (QC)
– Si X ,→ G(p) alors X admet une espérance et E(X) = p1 .
– Si X ,→ P(λ) alors X admet une espérance et E(X) = λ.
Preuves
s
Exemples
1. Calculer, si possible, les espérances des variables aléatoires des exemples du paragraphe 6.2.2.
(1−p)(3−p)
2. Montrer que E(S) = p(2−p)
puis calculer E(I) dans l’exemple 2 du paragraphe 6.2.4.
Preuve
Pour tout entier k, on a :
|xk P(A ∩ [X = xk ])| ≤ |xk P(X = xk )|
P P P P(A∩[X=xk ])
donc xk P(A ∩ [X = xk ] converge absolument et alors xk PA (X = xk ) = xk P(A)
converge
absolument.
Preuve
Pour tout couple (k, n) ∈ N2 , on pose :
– P⇒ : Supposons que X admet une epsérance pour P. Pour tout entier k ≥ 0, on sait que la série
P(An ∩ [X = xk ]) converge absolument en vertu de la formule des probabilités totales donc la
n≥0P
série n≥0 uk,n est aussi absolument convergente et on a :
+∞
X
∀k ∈ N, |uk,n | = |xk |P(X = xk )
n=0
P
Comme X admet une espérance alors k≥0 |xk |P(X = xk ) converge. On peut alors appliquer le
théorème de Fubini, à savoir que X admet une espérance pour chaque PAn et de plus :
+∞
X +∞ X
X +∞
E(X) = xk P(X = kk ) = xk PAn (X = kk )P(An )
k=0 k=0 n=0
+∞ X
X +∞ +∞
X
= xk PAn (X = kk )P(An ) = E(X|An )P(An )
n=0 k=0 n=0
Exemple
On lance une pièce de monnaie, pour laquelle pile a pour probabilité d’apparition le réel p ∈]0, 1[ à
chaque lancer, jusqu’à obtenir pile. Ce premier pile ayant été obtenu en n lancers, on lance la pièce n fois
consécutives et on note X le nombre de pile obtenus au cours de cette dernière séquence de n lancers.
Justifier que X admet une espérance et la calculer.
– En particulier, si X admet une espérance alors, pour tout couple (a, b) de réels, la variable aléatoire
Y = aX + b admet une espérance et E(aX + b) = aE(X) + b.
– Soit (X, Y ) un couple de variables aléatoires discrètes. Soit f : R2 → R une fonction de transfert et
Z = f (X, Y ). Alors :
6.3. ESPÉRANCE D’UNE VARIABLE ALÉATOIRE 79
P
– la variable Z admet une espérance si et seulement si la série (i,j)∈N2 f (xi , yj )P([X = xi ] ∩ [Y = yj ])
converge absolument et dans ce cas, on a :
+∞ X
X +∞ X
E(Z) = f (xn )P(X = xn ) = f (x, y)P([X = x] ∩ [Y = y])
i=0 j=0 x∈X(Ω)
y∈Y (Ω)
– En particulier, si X et Y admettent une espérance alors, pour tout couple (λ, µ) de réels, la variable
aléatoire λX + µY admet une espérance et on a :
E(XY ) = E(X)E(Y )
Preuves
s
Preuve
La première implication est évidente. La seconde découle de l’égalité [X ≥ Y ] = [X − Y ≥ 0] et de la
linéarité de l’espérance.
E(X)
P(X ≥ a) ≤
a
– Soit X une variable aléatoire discrète telle que X r admet une espérance. Alors, pour tout réel a
strictement positif, on a :
E(|X|r )
P(|X| ≥ a) ≤
ar
En particulier, si X 2 admet une espérance, on a :
E (X 2 )
∀a > 0, P(|X| ≥ a) ≤
a2
Preuves
s
80 CHAPITRE 6. VARIABLES ALÉATOIRES DISCRÈTES INFINIES
Remarque
En raison de son caractère « universel » (i.e. pour toutes les variables aléatoires), cette majoration est
médiocre. Par exemple, pour X ,→ G( 13 ), a = 100 et r = 1, comparer le résultat donné par l’inégalité de
Markov avec la valeur exacte.
Proposition (QC)
– Si X ,→ G(p) alors X admet une variance et V(X) = 1−p
p2
.
– Si X ,→ P(λ) alors X admet une variance et V(X) = λ.
Preuves
Soit (Ω, T , P) un espace probabilisé et X une variable aléatoire discrète admettant une variance. Alors,
pour tout réel a strictement positif, on a :
V(X)
P (|X − E(X)| ≥ a) ≤
a2
Preuve
Exemples
Préciser si les variables aléatoire discrète du paragraphe lois de probabilité admettent une variance et la
calculer le cas échéant.
6.4.2 Covariance
– Définition, formule de Huygens.
– Inégalité de Cauchy-Schwarz.
– Corrélation et non corrélation. Coefficient de corrélation, ajustement affine.
– Matrice de variance-covariance d’un vecteur aléatoire.
6.5. EXERCICES 81
Proposition
Soit (X1 , . . . , Xn ) une famille de variables aléatoires d’un espace probabilisé (Ω, T , P) admettant cha-
cune une variance. Alors, X1 + · · · + Xn admet une variance et on a :
n
X X
V(X1 + · · · + Xn ) = V(Xn ) + 2 Cov(Xi , Xj )
i=1 1≤i<j≤n
Preuve
s
6.5 Exercices
6.5.1 Pour les TD
TD
1. Soit Ω un ensemble et T1 et T2 deux tribus de parties de Ω.
(a) Démontrer que T1 ∩ T2 est une tribu de parties de Ω.
(b) En choisissant judicieusement Ω, T1 et T2 , montrer que T1 ∪ T2 être ou ne pas être une tribu de
parties de Ω.
2. Soit L ,→ P(λ). Soit la variable aléatoire X telle que, pour tout entier naturel n, la loi de X sachant
réalisé l’événement [L = n] est la loi P(n).
(a) Préciser E[L=n] (X) pour tout entier n ∈ N.
(b) En déduire que X admet une espérance et la calculer.
3. On considère une urne U qui contient initialement une boule blanche et une boule noire. On tire
dans cette urne selon le protocole : à chaque tirage, on prélève une boule et on la remet dans U
accompagnée d’une autre boule de la même couleur, provenant d’un stock annexe (supposé infini).
On note T le temps d’attente du premier tirage noir.
(a) Calculer, pour n ∈ N∗ , la probabilité de l’événement [T = n]. En déduire que T est une variable
aléatoire.
(b) Cette variable aléatoire admet-elle une espérance ?
4. Loi binomiale négative.
Une urne contient a boules noires et b boules blanches. On effectue des tirages successifs d’une boule
avec remise de la boule dans l’urne entre chaque tirage. Pour tout entier naturel k non nul, on note
Xk le rang de tirage de la k ème boule noire.
(a) Lois de X1 et de X2 .
i. Déterminer la loi de X1 puis préciser son espérance et sa variance.
ii. Détermnier la loi de X2 puis calculer son espérance si elle existe.
iii. Les variables aléatoires X1 et X2 sont-elles indépendantes ?
(b) Espérance de Xk . Pour tout entier naturel n non nul, on pose : Yn = Xn+1 − Xn .
i. Déterminer la loi de Yn pour tout entier naturel n non nul.
ii. En déduire que Xk admet une espérance et la calculer (k ≥ 1).
iii. Justifier que Xk admet une variance et la calculer.
82 CHAPITRE 6. VARIABLES ALÉATOIRES DISCRÈTES INFINIES
P
(b) On suppose que la série P (X > k) converge.
i. Prouver que :
n
X +∞
X
∀n ≥ 1, kP(X = k) ≤ P(X > k)
k=1 k=0
P
ii. En déduire que la série P(X > k) converge et préciser alors la valeur de E(X).
(d) Quel théorème a-t-on démontré lors des questions (b) et (c) ?
(e) Une marque de lessive édite une collection de 4 pin’s différents. Une ménagère achète des
barils de cette lessive afin que sa fille puisse collectionner les pin’s. On suppose que chaque
baril contient un unique pin’s (répartis uniformément dans chaque baril dans l’usine) et que les
achats de la ménagère sont indépendants.
i. Montrer que la probabilité qu’au bout de n achats il manque toujours un pin’s, au moins, à
la fille est : n n n
3 1 1
pn = 4 −6 +4
4 2 4
ii. Soit X le nombre de barils que la ménagère a acheté lorsque sa fille a, pour la première fois,
tous les pin’s. Exprimer P(X > n) en fonction de pn puis déduire des questions précédentes
que X admet une espérance et la calculer.
6. On dit qu’une variable aléatoire X est sans mémoire si et seulement si :
2
X(Ω) ⊂ R+ et ∀(x, y) ∈ R+ , P(X > x + y) = P(X > x)P(X > y)
(b) Soit X une variable aléatoire discrète à valeurs positives et non certaine égale à 0. Montrer que
X suit une loi sans mémoire si et seulement si X suit une loi géométrique.
7. Soit X et Y deux variables aléatoires indépendantes suivant la même loi G(p) (avec 0 < p < 1). Soit
m ∈ N∗ . On pose Im = inf(X, m) et Sm = sup(X, m). Déterminer la loi et l’espérance de Im puis
de Sm .
8. (ESCP 2001) Une rampe verticale de spots nommés de bas en haut S1 , S2 , S3 , S4 change d’état de la
manière suivante :
• à l’instant t = 0 le spot S1 est allumé,
• si, à l’instant t = n (où n ≥ 0) le spot S1 est allumé alors un (et un seul) des spots S1 , S2 , S3 , S4
s’allume à l’instant t = n + 1 et ceci de manière équiprobable,
• si, à l’instant t = n (où n ≥ 0) le spot Si (où 2 ≤ i ≤ 4) est allumé alors le spot Si−1 s’allume à
l’instant t = n + 1,
• à chaque instant, un seul spot est allumé.
Soit X la variable aléatoire représentant l’instant, s’il existe, où le spot S2 s’allume pour la première
fois.
(a) Calculer la probabilité pour que le spot S1 reste constamment allumé jusqu’à l’instant t = n. En
déduire que X est bien une variable aléatoire.
(b) Calculer la probabilité des événements [X = 1] et [X = 2].
(c) Calculer la probabilité des événements [X = n] pour n ≥ 3.
(d) Justifier que X admet une espérance et la calculer.
9. Soit X et Y des variables aléatoires indépendantes suivant la même loi de Poisson d’espérance 1. Soit
s un entier naturel. Déterminer la loi de X conditionnée par l’événement [X + Y = s].
10. Soit X ,→ P(λ). Soit Y la variable aléatoire prenant la valeur 0 lorsque X prend une valeur impaire
et la valeur 21 X sinon. Déterminer la loi de Y puis calculer son espérance et sa variance.
TD*
(a) Calculant P[N =n] (Xi = k) pour tout couple (k, n) d’entiers naturels.
(b) En déduire la loi de Xi puis son espérance et sa variance.
2. Lemmes de Borel-Cantelli.
On considère une suite infinie (Ai )i∈N d’événements d’un espace probabilisé (Ω, T , P). Soit alors
l’événement A « une infinité des événements Ai sont réalisés ».
T+∞ S+∞
(a) Montrer que : A = n=0 i=n Ai .
P
(b) Lemme 1. On suppose que la série n≥0 P(An ) converge. Montrer qu’alors : P(A) = 0.
P
(c) Lemme 2. On suppose que la série n≥0 P(An ) diverge et que les événements Ai sont mutuel-
lement indépendants. Montrer qu’alors P(A) = 1.
(d) On suppose
P que Ai = A0 pour tout entier naturel i et que P(A0 ) = 21 . Quelle est la nature de la
série n≥0 P(An ) ? Calculer P(A). Conséquence ?
84 CHAPITRE 6. VARIABLES ALÉATOIRES DISCRÈTES INFINIES
(d) Soit Sn = X1 + · · · + Xn−1 . La variable aléatoire Sn est alors le nombre d’objets défectueux
fabriqués avant le nème objet.
i. Soit m un entier tel que 0 ≤ m ≤ n − 1. Calculer PAn (Sn = m).
ii. Déterminer l’espérance de la variable aléatoire Sn pour la probabilité conditionnelle sa-
chant réalisé l’événement An .
2. Soit n un entier supérieur ou égal à 2. On considère un dé équilibré à n faces numérotées de 1 à n.
On effectue une succession infinie de lancers de ce dé et, pour chaque i ∈ J1, nK, on note Xi le rang
d’obtention du premier numéro i. L’objectif de l’exercice est de calculer ρ(Xi , Xj ) pour tout couple
(i, j) tel que i 6= j.
6.5. EXERCICES 85
(a) Montrer que l’on peut ainsi définir deux variable aléatoires discrètes X et Y dont on précisera
les lois. Sont-elles indépendantes ?
(b) Calculer leurs espérances et variances.
2. Soit X ,→ P(λ). Soit Y la variable aléatoire telle que Y (Ω) ⊂ N et, pour tout n ∈ N, la loi de Y
sachant réalisé l’événement [X = n] est la loi B(n, p). Déterminer la loi de Y .
3. Soit p ∈]0, 1[. Deux adversaires (A et B) jouent au tennis. Ils sont à égalité 7 points à 7 dans le jeu
décisif d’un set. Le joueur A a la probabilité p de gagner chacun des points suivants (et le joueur B
a la probabilité 1 − p). On suppose que le résultat que chacun des points est indépendant des points
précédents. Le joueur gagnant est celui qui mène au score par deux points d’écart pour la première
fois.
(a) i. Justifier que le nombre de points qui restent à jouer est pair.
ii. Quelle est la probabilité que le jeu dure encore 2n points ?
(b) i. Quelle est la probabilité que le joueur A gagne ?
ii. Quelle est la probabilité que le joueur B gagne ?
iii. En déduire la probabilité que le jeu dure indéfiniment.
4. Soit (Ω, T , P) un espace probabilisé et (An )n∈N une suite d’événements mutuellement indépendants.
(a) Démontrer que : !
+∞
[ n
Y
P An = 1 − lim P(Āi )
n→+∞
n=0 i=0
S+∞
(c) Dans chacun des cas suivants, calculer P n=0 An :
i. ∀n ∈ N, P(An ) = a où a ∈]0, 1[,
1
ii. ∀n ∈ N, P(An ) = (n+1)2
.
5. On considère une infinité de jetons à deux faces (pile/face) notés J1 , J2 , . . . . On les lance successi-
vement. Soit ai la probabilité que le jeton Ji tombe sur le côté pile.
(a) Déterminer la probabilité que la première apparition de pile soit au lancer numéro n.
(b) Déterminer la probabilité que le côté pile n’apparaisse jamais.
(c) Démontrer alors que, pour toute suite (ai )i∈N∗ d’éléments de [0, 1], on a :
+∞ n−1
! +∞
X Y Y
an (1 − ai ) + (1 − an ) = 1
n=1 i=1 n=1
On admettra que le produit infini est la limite du produit partiel des n premiers facteurs lorsque
n tend vers l’infini.
6. Un jeu entre deux joueurs A et B est divisé en parties indépendantes. À chaque partie, la probabilité
que A perde est 1 − p et la probabilité que B perde est p (où p ∈]0, 12 [∪] 21 , 1[) ; de plus, le perdant
donne 1 euro au gagnant.
(a) Les joueurs A et B possèdent à eux deux une somme totale de N euros (N ≥ 2). Le jeu s’arrête
dès que l’un des joueurs est ruiné. Pour tout entier k ∈ J0, N K, on note ak la probabilité que le
joueur A, ayant initialement une somme de k euros, soit ruiné par la suite.
6.5. EXERCICES 87
i. Préciser a0 et aN .
ii. Prouver que : ∀k ∈ J1, N − 1K, ak = pak+1 + (1 − p)ak−1 .
iii. Démontrer que :
N k
1−p 1−p
p
− p
∀k ∈ J0, N K, ak = N
1−p
p
−1
(b) Le joueur B est infiniment riche et le joueur A possède une somme initiale de k euro(s). Dé-
k
montrer que la probabilité ak que le joueur A se ruine vaut 1 si p < 2 et vaut 1−p
1
p
si p > 21 .
7. Des paquets de céréales contiennent l’un des autocollants d’une collection en comportant n. On sup-
pose que les autocollants ont été placés de manière indépendante et uniforme dans les paquets. Un
enfant souhaite la collection complète. Il fait donc acheter à sa mère des paquets (qu’il ouvre au fur et
à mesure chez lui, bien évidemment) . Soit Xn le nombre de paquets achetés (les achats cessent dès
que l’enfant a une collection complète).
(a) On note Yk le nombre de paquets achetés pour obtenir k autocollants différents et on pose Zk =
Yk − Yk−1 . Préciser la loi de Zk , son espérance et sa variance.
(b) En déduire E(Xn ) et V(Xn ).
(c) Donner un équivalent simple de E(Xn ) lorsque n tend vers +∞.
8. Soit p ∈]0, 1[. On pose : q = 1 − p ∈]0, 1[.
P+∞ qk
(a) En utilisant une formule de Taylor, montrer que : k=0 k = − ln(1 − q).
(b) Soit X ,→ G(p). Calculer E(1/X).
DS
1. s
88 CHAPITRE 6. VARIABLES ALÉATOIRES DISCRÈTES INFINIES
Chapitre 7
Dans ce chapitre, E désigne un K-espace vectoriel. Lorsque cela sera nécessaire, on précisera s’il est de
dimension finie. D’autre part, u désigne un endomorphisme de E.
Théorème : matrices d’une application linéaire dans deux bases distinctes (QC)
Soit E un K-espace vectoriel de dimension finie dont on considère deux bases B et B 0 distinctes. Soit
f ∈ L(E). On pose :
A = MatB0 (f ) A0 = MatB (f ) et P = PB,B0 = MatB0 ,B (IdE )
Alors, on a :
A0 = P −1 × A × P
Preuve
On a le diagramme suivant formé de couples espace/base :
f
(E, B 0 ) −→ (E, B 0 )
↓ IdE ↓ IdE
(E, B) −→ (E, B)
f
c’est à dire que : IdE ◦ f = f ◦ IdE . Ainsi, on a : P × A0 = A × P ce qui donne le résultat attendu.
89
90 CHAPITRE 7. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES CARRÉES
Preuve
C’est quasi-immédiat.
Exemples
1. Soit E un espace vectoriel de dimension finie n ≥ 2. Soit F un sous espace de E de dimension r telle
que 1 ≤ r ≤ n − 1. Soit G un supplémmentaire de F dans E. Soit BF (resp. BG ) une base matrice
de F (resp. G) et B la concaténation de ces deux bases.
On pose :
−1 −1 1
~x1 = −1 ~x2 = −1 ~x3 = −1 F = Vect(~x1 ) G = Vect(~x2 , ~x3 )
1 B −1 B −1 B
(a) Montrer que B 0 (~x1 , ~x2 , ~x3 ) est une base de R3 . Que peut-on en déduire concernant les sous
espaces F et G ?
3. Justifier que la matrice A0 de f dans la base B 0 est diagonale par blocs. La déterminer.
Exemples
1 2 2 1
1. Montrer que et sont semblables.
1 2 2 1
2. Déterminer toutes les matrices semblables à Θn , puis à In .
Théorème
Deux matrices semblables de Mn (K) représentent le même endomorphisme exprimé dans deux bases
différentes. En conséquence, elles ont le même rang.
Preuves
s
Exemples
1 1 0 0
Montrer que et sont semblables.
1 1 0 2
Un tel vecteur ~x est alors appelé vecteur propre de u associé à la valeur propre λ. Autrement dit,
λ est valeur propre de u si et seulement si u − λIdE n’est pas injectif.
– On appelle sous espace propre de u associé à la valeur propre λ l’ensemble constitué du vecteur
nul et des vecteurs propres associés à λ, c’est à dire l’ensemble :
Exemples
1. Soit f définie sur R3 par :
x x x+y+z
∀ y ∈ R3 , f y = x + y + z
z z x+y+z
(a) Vérifier que u ∈ L(R2 [X]) puis préciser la matrice M de u dans la base (1, (X − 1), (X − 1)2 )
de R2 [X].
(b) En déduire des valeurs propres de u ainsi que des vecteurs propres qui leur sont associés.
Théorème
Soit λ ∈ K. On suppose que E est de dimension finie. Les propositions qui suivent sont équivalentes :
1. λ est valeur propre de u,
2. u − λIdE n’est pas bijectif,
3. rg(u − λIdE ) < dim(E),
4. dim(Eλ (u)) = dim(E) − rg(u − λIdE ) > 0
En particulier, si 0 ∈ Sp(u) alors E0 (u) = Ker(u) et donc :
u ∈ GL(E) ⇔ 0 6∈ Sp(u)
Preuves
s
Exemples
1. Déterminer le spectre et une base des sous espaces propres des endomorphisme représentés dans la
base canonique de R3 par les matrices suivantes :
1 0 −2 2 3 1 1 2 3
A = 0 3 −3 B= 0 2 3 C= 1 2 3
−2 4 0 0 0 2 1 2 3
2. Déterminer les valeurs propres et les sous espaces propres de u ∈ L(R2 ) défini par :
√
1 1 0 − 3
u = √ et u =
0 3 1 1
3. Déterminer les valeurs propres et les sous espaces propres de u ∈ L(C2 ) défini par :
√
1 1 0 − 3
u = √ et u =
0 3 1 1
Preuve
Par récurrence.
Proposition (QC)
Soit P (X) ∈ K[X] un polynôme annulateur de u. Alors :
λ ∈ Sp(u) ⇒ P (λ) = 0
Autrement dit, toutes les valeurs propres de u sont parmi les racines de P (X). Attention, la réciproque est
fausse.
Preuve
Posons P (X) = a0 + a1 X + · · · + an X n avec an 6= 0. Soit λ ∈ Sp(u) et ~x un vecteur propre qui lui est
associé. Alors :
n n n
!
X X X
~0 = (P (u))(~x) = ak uk (~x) = ak λk ~x = ak λk ~x = P (λ)~x
k=0 k=0 k=0
Corollaire
Si E est de dimension finie alors u admet un nombre fini de valeurs propres.
Preuve
Comme E est de dimension finie alors u admet un polynôme annulateur P (X) qui a au plus deg(P )
racines donc u admet au plus deg(P ) valeurs propres.
Preuve
Notons F1 , . . . , Fk les sous espaces propres de u (ils sont en nombre fini puisque les valeurs propres
sont en nombre fini). Supposons que :
x1 + · · · + xk = 0
où xi ∈ Fi pour tout entier i. ...
Corollaire
Si E est de dimension finie alors Card(Sp(u)) ≤ dim(E).
Preuve
À chaque valeur propre est associé un sous espace propre. Les sous espaces propres sont en somme
directe donc leur nombre est inférieur à la dimension de E.
94 CHAPITRE 7. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES CARRÉES
Exemples
Déterminer les valeurs propres et les sous espaces propres des endomorphismes du paragraphe 7.2.1.
Preuve
– 1 ⇒ 2 : C’est une caractérisation de la somme directe.
– 2 ⇒ 3 : Par concaténation des bases de Eλ (u) puisque chaque vecteur non nul de Eλ (u) est un
vecteur propre.
– 3 ⇒ 1 : Supposons que E admet une Pbase de vecteurs propres pour u. Chaque vecteur propre étant
élément d’un Eλ (u) alors dim(E) ≤ λ∈Sp(u) dim(Eλ (u)). De plus, comme les sous espaces propres
P
sont en somme directe alors λ∈Sp(u) dim(Eλ (u)) ≤ dim(E) d’où l’égalité des dimensions.
Exemples
Les endomorphismes qui précédent sont-ils diagonalisables ?
Conséquences
– Un endomorphisme u est diagonalisable si et seulement s’il est représenté par une matrice diagonale
dans une base (de vecteurs propres). De plus, la diagonale de cette matrice est constituée des valeurs
propres de u écrites dans l’ordre des vecteurs propres de la base.
– Si u admet n valeurs propres deux à deux distinctes alors u est diagonalisable (et ses sous espaces
propres sont tous de dimension 1). La réciproque est fausse.
Preuves
C’est évident.
Une telle matrice colonne X est alors appelée vecteur propre de la matrice A.
7.4. MATRICES CARRÉES DIAGONALISABLES 95
– On appelle sous espace propre de la matrice A associé à la valeur propre λ le sous ensemble de
Mn,1 (K) constitué du vecteur nul et des vecteurs propres associés à λ que l’on note aussi :
Notation
Comme on peut identifier (au sens d’isomorphisme d’espaces vectoriels) les ensembles Mn (K) avec
L(E) (où E est de dimension finie égale à n) et Mn,1 (K) avec E (une base de E étant préalablement
choisie), alors on s’autorise à écrire :
Propositions
Soit A ∈ Mn (K) et u ∈ L(E) représenté par A dans une base quelconque B de E. Alors :
– λ ∈ Sp(A) si et seulement si λ ∈ Sp(u).
– X ∈ Mn,1 (K) est un vecteur propre de A si et seulement si X ∈ E (vu comme les coordonnées dans
la base B) est un vecteur propre de u.
– ∀λ ∈ Sp(A) = Sp(u), Eλ (A) = Eλ (u).
– A est diagonalisable dans K si et seulement si u l’est aussi.
Preuves
s
Exemples
2
1.
Déterminer
les valeurs et les sous espaces propres associés de l’endomorphisme de R représenté par
0 1
dans la base canonique de R2 .
1 0
2
2.
Déterminer
les valeurs et les sous espaces propres associés de l’endomorphisme de C représenté par
0 1
dans la base canonique de C2 .
1 0
3
3.
Déterminer les
valeurs et les sous espaces propres associés de l’endomorphisme de R représenté par
1 1 1
1 1 1 dans la base canonique de R3 .
1 1 1
96 CHAPITRE 7. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES CARRÉES
D = diag(λ1 , . . . , λn ) et P = PB,B0
Alors :
D = P −1 M P ou bien M = P DP −1
Preuve
s
Exemples
Déterminer, si possible, deux matrices réelles P (inversible) et D (diagonale) telles que A = P DP −1
dans les cas suivants :
5 3 −3
0 1
A= puis A = 1 3 −1
−1 0
0 0 2
Preuve
s
Exemples
Calculer An pour les exemples précédents.
7.6 Exercices
7.6.1 Pour les TD
TD
1 2
1. Soit A = ∈ M2 (R). Déterminer une matrice inversible P telle que P −1 AP soit une
4 3
matrice diagonale.
7.6. EXERCICES 97
x1 y1
2. Soit X = ... ∈ Mn,1 (K) et Y = ... ∈ Mn,1 (K) tous les deux non nuls. On pose :
xn yn
t
M = XY .
(a) Déterminer le rang de la matrice M .
(b) Que peut-on dire de X pour M ?
(c) La matrice M est-elle diagonalisable ?
m 1 1
3. Soit m un réel et A(m) = 1 m 1 ∈ M3 (R).
1 1 m
(a) Déterminer, en fonction de m, les valeurs propres et les sous espaces propres de A(m).
(b) Cette matrice est-elle diagonalisable ?
4. Soit A et B deux éléments de Mn (R) tels que AB − BA = A. L’objectif de l’exercice est de
démontrer que A est nilpotente c’est à dire que :
∃k ∈ N∗ / Ak = Θ
(a) Préciser le rang de cette matrice puis déterminer une base de Im(u) puis de Ker(u).
(b) Déterminer les valeurs propres et les sous espaces propres de u. Cet endomorphisme est-il dia-
gonalisable ?
6. (d’après ESC 2001).
Soit n ∈ N∗ et En = Rn [X]. Pour tout polynôme P de En , on note P 0 son polynôme dérivé. On
considère l’application f qui, à tout polynôme P de En , associe le polynôme f (P ) défini par :
i. On suppose dans cette seule question que n = 1. Déterminer toutes les valeurs propres de
A puis tous les sous espaces propres de f .
ii. On suppose dans cette seule question que n = 2. Déterminer toutes les valeurs propres de
A puis tous les sous espaces propres de f .
(c) On suppose désormais que n est un entier naturel non nul quelconque.
i. Montrer que si un polynôme P est vecteur propre de l’endomorphisme f alors P est de
degré n.
ii. On considère la famille de polynômes (Pk )0≤k≤n définie par :
Montrer que :
∀k ∈ J0, nK, f (Pk ) = (2k − n − 1)Pk
iii. En déduire les valeurs propres et vecteurs propres associés de l’endomorphisme f . L’endo-
morphisme f est-il diagonalisable ?
iv. Pour quelle(s) valeur(s) de n est-il bijectif ?
7. On définit trois suites réelles u, v et w par :
u0 = 1 un+1 = 2un + 3vn − 3wn
v0 = 1 et ∀n ∈ N, vn+1 = −un + wn
w0 = −1 wn+1 = −un + vn
TD*
1. Soit M ∈ M3 (R) et A ∈ M3,1 (R).
(a) On suppose que A est un vecteur propre de tM . Montrer que :
(b) Montrer que M et tM ont les mêmes valeurs propres et que les sous espaces propres associés
sont de même dimension.
(c) On considère l’espace vectoriel E = R3 muni de sa base canonique (e1 , e2 , e3 ). Soit f ∈ L(E)
de matrice M et g ∈ L(E) de matrice tM dans cette base.
Montrer que u = a1 e1 + a2 e2 + a3 e3 est un vecteur propre de g si et seulement si le plan P
d’équation a1 x + a2 y + a3 z = 0 est stable par f .
7 3 −4
(d) On suppose que M = −6 −2 5 .
4 2 −1
7.6. EXERCICES 99
(a) Montrer que cette application (appelée trace) est une forme linéaire sur Mn (K).
(b) i. Démontrer que : ∀(A, B) ∈ Mn (K)2 , tr(BA) = tr(AB).
ii. En déduire que deux matrices semblables ont la même trace. La réciproque est-elle vraie ?
(c) Soit M une matrice carrée diagonalisable. Exprimer sa trace en fonction de ses valeurs propres.
est convergente si et seulement si les quatre suites réelles (an )n∈N , (bn )n∈N , (cn )n∈N , (dn )n∈N sont
convergentes. De plus, en cas de convergence, on appelle limite de cette suite convergente de matrices
(An )n∈N la matrice : !
lim an lim bn
A = n→+∞ n→+∞
lim cn lim dn
n→+∞ n→+∞
∀(i, j) ∈ J1, n + 1K2 , ai,j = P([X = i] ∩ [Y = j]) et A = (ai,j )(i,j)∈J1,n+1K2 ∈ Mn+1 (R)
1
(a) On suppose que ai,j = 2n
si |i + j − (n + 2)| = 1 et que ai,j = 0 sinon.
i. Vérifier que l’on a bien défini la loi conjointe d’un couple (X, Y ).
ii. On suppose, dans cette question, que n = 3. Préciser la matrice A puis déterminer ses
valeurs propres et les sous espaces propres associés. Cette matrice est-elle diagonalisable ?
(b) Déterminer les lois de X et de Y .
(c) Pour tout couple (i, j) ∈ J1, n + 1K2 , on pose : bi,j = P[Y =j] (X = i). On note aussi B = (bi,j ) ∈
Mn+1 (R).
i. Déterminer la matrice B.
P(X = 1)
..
ii. Montrer que le vecteur est un vecteur propre de B. Préciser la valeur
.
P(X = n + 1)
propre associée.
(a) Montrer que les valeurs propres de A sont p et les deux réels a et b définis par :
a+b = q
ab = −pq
(b) On considère une suite infinie d’épreuves de Bernouilli indépendantes définies sur un même
espace probabilisé (Ω, T , P) pour lesquelles, à chaque épreuve, la probabilité de succès est p. Si
l’on obtient deux succès consécutifs, alors on dit que l’on a réalisé un doublé. Pour tout entier
n ≥ 2, on note :
• An l’événement « le premier doublé est obtenu par un succès aux épreuves n − 1 et n »,
• Bn l’événement « un doublé, au moins, est obtenu au cours des n premières épreuves ».
On note alors pn = P(An ) et on pose p1 = 0.
i. Montrer que P(Bn ) = nk=1 pk puis que pn+3 = p2 q (1 − nk=1 pk ).
P P
ii. En déduire que, pour tout entier n non nul, on a pn+3 = pn+2 − p2 qpn puis que :
n−1
2a − bn−1
pn = p
a−b
3. Soit E un espace vectoriel de dimension finie. Soit f ∈ L(E) diagonalisable. Démontrer l’équiva-
lence des propositions suivantes :
(a) (Id, f, . . . , f n−1 ) est libre,
(b) ∃x ∈ E / E = Vect(x, f (x), . . . , f n−1 (x)),
(c) les valeurs propres de f sont simples.
DS
1. s
102 CHAPITRE 7. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES CARRÉES
Chapitre 8
Il est vivement conseillé de réviser les chapitres 25, 26 et 27 du cours de première année.
8.1 Rappels
8.1.1 Intégrales
– fonction en escalier positive, intégrale, aire,
– intégrale d’une fonction continue positive, cas des fonctions continues de signe variable,
– intégrale d’une fonction continue par morceaux,
– valeur moyenne d’une fonction,
– sommes de Riemann.
Exercices
R1
1. Soit f ∈ C 0 ([0, 1]) telle que 0
f (t)dt = 12 . Montrer qu’il existe un réel a ∈]0, 1[ tel que f (a) = a.
2. Soit f et g deux fonctions continues sur [a, b]. On suppose, de plus, que f est monotone sur [a, b] et
que g est positive sur [a, b]. Démontrer qu’il existe un réel c ∈ [a, b] tel que :
Z b Z c Z b
f (t)g(t)dt = f (a) g(t)dt + f (b) g(t)dt
a a c
n
X n+k
3. Calculer lim 2 + k2
.
n→+∞
k=1
n
Exercices
Rb
1. Quelles sont les fonctions f : [a, b] → R continues telles que : a
f (t)dt = (b − a)max|f |.
[a,b]
R1
2. Étudier la suite de terme général : an = 0
tn et dt.
Z b
1
3. Soit f ∈ C ([a, b]). Montrer que : lim f (t) sin(nt)dt = 0.
n→+∞ a
Rx
4. Calculer 0 (t2 + t + 1)et dt pour tout réel x.
103
104 CHAPITRE 8. INTÉGRALES SUR UN SEGMENT
√ R ln(2) √
5. En considérant le changement de variable u = ex − 1, calculer 0
ex − 1dx.
6. Soit f continue et strictement croissante sur [a, b]. On pose : α = f (a) et β = f (b).
(a) Justifier que f établit une bijection de [a, b] dans [α, β].
(b) En posant y = f (t), montrer que :
Z b Z β
f (x)dx + f −1 (y)dy = βb − αa
a α
8.1.3 Primitives
– primitive, lien primitive/intégrale (intégrale fonction de la borne supérieure, QC*),
– prolongement des fonctions de classe C n ,
– équation différentielle linéaire du premier ordre sans second membre.
Exercices
√
1. Déterminer une primitive de x 7→ a2 − x2 sur [−a, a] (on pourra poser t = a sin(x)).
2. Déterminer une primitive sur R de x 7→ cos(x) cos(2x) + sin(x) sin(3x).
Rx
3. Soit f ∈ C 0 (R). On pose : g(x) = x1 0 f (t)dt.
(a) Montrer que cela définit une fonction g sur ] − ∞, 0[ et sur ]0, +∞[.
(b) Montrer que g se prolonge par continuité en 0 et préciser alors g(0).
(c) Montrer que si f est périodique sur R alors g est bornée sur R.
4. Résoudre sur ] − 1, +∞[ l’équation différentielle y 0 + ln(x + 1)y = 0.
Exercices
xk
P+∞
1. (QC) Démontrer que : ∀x ∈ R, ex = n=0 n! .
2. Soit x ∈ R. En utilisant une formule de Taylor, démontrer que :
n n
X (−1)k x2k X (−1)k x2k+1
cos(x) = lim et sin(x) = lim
n→+∞
k=0
(2k)! n→+∞
k=0
(2k + 1)!
8.2 Exercices
8.2.1 Pour les TD
TD
1. RSoit f une fonction définie et continue sur [0, 1], à valeurs dans [a, b] (avec a < 0 < b) et telle que
1 R1 2
0
f (t)dt = 0. Démontrer que 0 f (t) dt ≤ −ab.
R1
Indication : on pourra considérer l’intégrale 0 (f (t) − a)(f (t) − b)dt.
R 1 xn
2. Soit In = 0 1+x dx pour tout entier naturel.
8.2. EXERCICES 105
(a) Calcuer I0 et I1 .
(b) Démontrer que la suite (In )n∈N converge vers 0.
(c) Calculer In + In+1 pour tout entier n ≥ 0.
n
X (−1)k−1
(d) Déterminer alors lim .
n→+∞
k=1
k
R1 n
3. On pose : In = 0 (1 − t2 ) dt.
(a) Justifier l’existence de la suite (In )n≥0 puis calculer I0 , I1 , I2 .
(b) i. Déterminer une relation entre In+1 et In pour tout entier naturel n.
22n (n!)2
ii. Montrer que : ∀n ∈ N, In = (2n+1)!
.
Pn (−1)k n
(c) En déduire l’expression de la somme k=0 2k+1 k en fonction de l’entier n.
Z 1 x−1
t
4. On pose ϕ(x) = dt.
0 1+t
(a) Montrer que le réel ϕ(x) est défini pour tout réel x > 0.
(b) i. Montrer que : ∀x > 0, ϕ(x) + ϕ(x + 1) = x1 .
1
ii. Montrer que : ∀x > 0, 2x
≤ ϕ(x) ≤ x1 . En déduire limx→+∞ ϕ(x).
(c) Soit ψ une application définie sur ]0, +∞[ et vérifiant :
1
∀x > 0, ψ(x) + ψ(x + 1) = et lim ψ(x) = 0
x x→+∞
On pose : d = ϕ − ψ.
i. Montrer que d est 2-périodique.
ii. En déduire que d est identiquement nulle sur ]0, +∞[.
(d) i. Calculer ϕ k + 12 + ϕ k − 12 pour tout entier naturel k ≥ 1.
6. (a) Montrer que, pour tout couple (s, t) de réels de [0, 1], on a :
(b) Dans la suite de cet exercice, g désigne une fonction continue et 1-périodique sur R.
i. Montrer que g est bornée sur R.
ii. Pour tout t ∈ [0, 1] et tout n ∈ N∗ , on pose :
n−1
1X 2 k+t 2 k
un (t) = ln 1 + − ln 1 +
n k=0 n n
Montrer que : Z 1
lim un (t)g(t)dt = 0
n→+∞ 0
R1
(c) i. Calculer 0
ln2 (1 + t)dt.
R1
ii. En déduire la convergence et la limite de la suite de terme général 0
g(nt) ln2 (1 + t) en
R1
fonction de 0 g(t)dt.
TD*
+∞
X 1
1. Calcul de ζ(2) = 2
.
n=1
n
(c) Soit ϕ une fonction définie et de classe C 1 sur [0, π]. Montrer que :
Z π Z π
lim ϕ(t) sin(N t)dt = lim ϕ(t) cos(N t)dt = 0
N →+∞ 0 N →+∞ 0
+∞
X 1 π2
(d) En déduire que : ζ(2) = 2
= .
n=1
n 6
(e) Justifier alors que les séries suivantes convergent et préciser leurs sommes :
+∞ +∞
X 1 X 1
et
n=1
(2n)2 n=1
(2n − 1)2
n+1
ii. En déduire que wn+2 = w .
n+2 n
(e) i. Montrer que la suite de terme général un = (n + 1)wn wn+1 est constante.
pπ
ii. En déduire que : wn ∼ 2n
.
n→+∞
R1
2. On considère l’intégrale F (x) = 0
ln(1 + xt2 )dt.
(a) Montrer que F est définie sur ] − 1, +∞[ puis qu’elle est croissante sur cet intervalle.
(b) i. Montrer que, pour tout réel u > 0 et pour tout réel k tel que 0 < u − |k|, on a :
k k2
ln(u + k) − ln(u) − ≤
u 2(u − |k|)2
ii. Montrer que, pour tout réel x > 0 et pour tout réel h tel que 0 < |h| < x, on a :
|h|
|D(x, h)| ≤
10
Montrer que, pour tout réel x ∈] − 1, 0] et pour tout réel h tel que 0 < |h| < x + 1, on a :
|h|
|D(x, h)| ≤
2(1 + x − |h|)2
iii. En déduire que F est dérivable sur ] − 1, +∞[ et donner une expression de F 0 (x) à l’aide
d’une intégrale.
108 CHAPITRE 8. INTÉGRALES SUR UN SEGMENT
R 1 t2
(c) i. Calculer l’intégrale 0 1+xt2 dt dans les cas suivants :
• x = 0,
t2 1 b
• x > 0 (on déterminera a et b tels que 1+xt 2 = x a + ),
h 2
1+xt i
t2 1 a b
• x ∈] − 1, 0[ (on déterminera a et b tels que 1+xt2
= x
1+ √
1+t −x
+ √
1−t −x
).
3. On considère l’espace vectoriel Rn [X] des polynômes de degré inférieur où égal à n (n étant un entier
supérieur ou égal à 1).
R1
(a) Pour tout couple (a, b) ∈ N2 , on pose : I(a, b) = 0
xa (1 − x)b dx.
n−p
(−1)j
X
n n−p
p j=0 j (p + j + 1)k
8.2. EXERCICES 109
i. Calculer (Φn (f ))(p) (0) (dérivée d’ordre p en 0 de Φn (f )) pour tout entier p ∈ J0, nK.
ii. En déduire une expression de Φn (f )(x) à l’aide d’une unique intégrale.
iii. Justifier que la série n∈N Φn (f )(x) converge.
P
P+∞ n
(c) Montrer que, pour toute fonction f ∈ E, la fonction g : x 7→ n=0 Φ (f )(x) est l’unique
solution dans E l’équation
Pn : g − Φ(g) = f .
k
En posant gn = k=0 Φ (f ), on admettra que, pour tout réel x ∈ [0, 1], Φ(gn )(x) −→ n→+∞
Φ(g)(x)
2. (a) i. Soit (a, b) ∈ N∗2 et n ∈ N. Montrer que le polynôme Pn (X) = 1
n!
X n (bX − a)n et ses
dérivées successives prennent, en 0 et en ab , des valeurs entières.
Z π
ii. Montrer que : lim Pn (t) sin(t)dt = 0.
n→+∞ 0
(b) Montrer par l’absurde que π ∈ R − Q.
Indication : Poser π = ab et effectuer plusieurs intégrations par parties successives.
DS
1. s
110 CHAPITRE 8. INTÉGRALES SUR UN SEGMENT
Chapitre 9
111
112 CHAPITRE 9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE
Exemples
1. Montrer que les intégrales suivantes convergent et préciser leur valeur :
Z +∞ Z +∞ Z +∞
dx dt dt
e x ln2 (x) 0 1 + t2 −∞ 1 + t2
Remarques
– La plupart des énoncés qui suivent seront uniquement énoncés dans le cadre d’intégrales impropres
en la borne « supérieure » de l’intégrale (mais s’énoncent de manière évidente dans les deux autres
cas).
– (intégrale « faussement » impropre) Si f (non définie R b en b ∈ R) est prolongeable par continuité en
˜
b (fonction notée alors f ) alors on dit que l’intégrale a f (t)dt est « faussement » impropre puisque :
Z b Z b
f (t)dt = f˜(t)dt
a a
Exemples
R +∞
1. Existence et valeur éventuelle de −∞
f (t)dt lorsque f (t) = e−t si t ≥ 0 et f (t) = 0 si t < 0.
R +∞ 1
2. Existence et valeur éventuelle de −∞
f (t)dt lorsque f (t) = √
t
si t > 0 et f (t) = 0 si t ≤ 0.
R1
3. Existence de l’intégrale −1 dx
x2
.
9.2 Propriétés
9.2.1 Lien avec les primitives
Proposition
Rb
Soit f définie et continue sur [a, b[. On suppose que l’intégrale a
f (t)dt impropre en b converge. Soit
F une primitive de f sur [a, b[. Alors :
Z b
f (t)dt = lim F (x) − F (a)
a x→b
9.2. PROPRIÉTÉS 113
Preuve
Rx
Immédiat puisque F (x) − F (a) = a
f (t)dt.
Preuve
Rb
Notons I = a f (t)dt. Soit ε > 0.
– Cas b ∈ R : Par convergence de l’intégrale, il existe un réel α > 0 tel que a < b − α et :
Z x
∀x ∈ [b − α, b[, I − f (t)dt ≤ ε
a
Remarques
R +∞
– La réciproque est fausse : l’intégrale, 0
cos(t)dt diverge alors que un = 2πn −→ +∞ et
R un n→+∞
0
cos(t)dt = 0 −→ 0.
n→+∞ R un
– Par contraposition, s’il existe une suite (un )n∈N de limite b telle que la suite a
f (t)dt n∈N diverge
Rb
alors l’intégrale a f (t)dt diverge.
Preuve
Pour tout entier k ≥ Ent(a) + 1, on a :
∀t ∈ [k, k + 1[, f (k + 1) ≤ f (t) ≤ f (k)
Z k+1 Z k+1 Z k+1
f (k + 1)dt ≤ f (t)dt ≤ f (k)dt
k k k
Z k+1
f (k + 1) ≤ f (t)dt ≤ f (k)
k
Ainsi, pour tout entier n ≥ Ent(a) + 1, on a :
n
X n
X Z k+1 n
X
f (k + 1) ≤ f (t)dt ≤ f (k)
k=Ent(a)+1 k=Ent(a)+1 k k=Ent(a)+1
n+1
X Z n+1 n
X
f (k) ≤ f (t)dt ≤ f (k)
k=Ent(a)+2 Ent(a)+1 k=Ent(a)+1
• Supposons que l’intégrale converge. Alors, par positivité de f , la première inégalité prouve que :
Ent(x)+1 Z x+1 Z +∞
X
f (k) ≤ f (t)dt ≤ f (t)dt
k=Ent(a)+2 a a
P P
donc la série (à termes positifs) n≥Ent(a)+2 f (n) converge d’où la convergence de n≥Ent(a)+1 f (n).
• Supposons que la série converge. Alors, par positivité de f , la seconde inégalité prouve que :
Z x Ent(x) +∞
X X
f (t)dt ≤ f (k) ≤ f (k)
Ent(a)+1 k=Ent(a)+1 k=Ent(a)+1
Rx
donc, par croissance et majoration de la fonction x 7→ f (t)dt, on a la convergence en +∞ de
Ent(a)+1
R +∞
l’intégrale. Par relation de Chasles, on a alors la convergence de a f (t)dt.
Différence série/intégrale
On sait que, si une série converge, alors son terme général converge vers 0. CE N’EST PAS LE CAS
POUR LES INTÉGRALES comme le prouve la fonction f définie sur [0, +∞[ par :
2n+1 1
n+1 (x − n) si x ∈ n, n + 2n+1
2n+1
n + 21n − x si x ∈ n + 2n+11
, n +21n
∀n ∈ N, ∀t ∈ [n, n + 1[, f (t) = n+1
si x ∈ n + 21n , n + 1
0
9.2.4 Chasles
Théorème
Soit a ∈ R et b ∈]a, +∞]. On suppose que f est continue sur [a, b[. Alors, pour tout réel c ∈ [a, b[, les
Rb Rb
intégrales a f (t)dt et c f (t)dt sont de la même nature. De plus, en cas de convergence de l’une de ces
intégrales, on a : Z b Z Z c b
∀c ∈ [a, b[, f (t)dt = f (t)dt + f (t)dt
a a c
9.2. PROPRIÉTÉS 115
Preuve
Choisir x > c, écrire la relation de Chasles sur [a, x] puis passer à la limite lorsque x tend vers b.
Proposition
Rb
On suppose que l’intégrale a
f (t)dt impropre en b est convergente. Alors le reste de l’intégrale tend
vers 0 lorsque x tend vers b : Z b
lim f (t)dt = 0
x→b x
Preuve
Rb Rb Rx
Découle immédiatement de x
f (t)dt = a
f (t)dt − a
f (t)dt, égalité obtenue par la relation de
Chasles.
9.2.5 Linéarité
Théorème
Soit a ∈ R et b ∈]a, +∞]. On suppose que f et g sont continues sur [a, b[. Soit (λ, µ) ∈ R2 . Si les
Rb Rb Rb
intégrales a f (t)dt et a g(t)dt convergent alors l’intégrale a (λf (t) + µg(t))dt converge et on a :
Z b Z b Z b
(λf (t) + µg(t))dt = λ f (t)dt + µ g(t)dt
a a a
Preuve
On utilise la linéraité sur le segment [a, x] puis on passe a la limite lorsque x tend vers b.
Preuves
– Positivité sur sur [a, x] puis passage à la limite lorsque x → b (puisque l’intégrale converge).
– Inégalité sur [a, x] puis passage à la limite. Autre méthode : utiliser le point précédent avec g − f ≥ 0
et la linéarité.
– Soit x0 tel que f (x0 ) > 0. Pour tout x ≥ x0 , l’inégalité est vérifiée puis on passe à la limite lorsque
x → b.
Exemple
R +∞
Calculer l’intégrale : 0
t2 e−t dt.
Dans le cas où u est strictement décroissante, il convient de permuter soit les bornes a et b soit les bornes α
et β.
Preuve
Notons x0 ∈ [α, β[ et t0 = u(x0 ). On applique le théorème d’intégration par parties sur [a, t0 ] :
Z t0 Z x0
f (t)dt = f (u(x))u0 (x)dx
a α
Exemple
R +∞
1. Convergence et calcul de 0 a2dx+x2
en fonction du réel a > 0.
R +∞ −t2
2. Montrer que −∞ te dt = 0.
R +∞ 2 R +∞ 2
3. Montrer que : −∞ e−t dt = 2 0 e−t dt.
Remarque
Tout changement de variable non affine devra être indiqué.
9.3. CAS DES FONCTIONS POSITIVES 117
9.2.9 Fonction dont la variable est une borne d’une intégrale impropre
Théorème (QC)
– Soit a ∈ R ∪ {−∞}. On suppose que f est continue sur ]a, +∞[ (resp. ]a, b] avec b ∈]a, +∞[) et que
Rb
a
f (t)dt converge.
Rx Alors :
– l’intégrale a f (t)dt Rest définie pour tout réel x ∈]a, +∞[ (resp. x ∈]a, b]).
x
– la fonction F : x 7→ a f (t)dt est de classe C 1 sur ]a, +∞[ (resp. ]a, b]) et :
– Soit b ∈ R ∪ {+∞}. On suppose que f est continue sur ] − ∞, b[ (resp. [a, b[ avec a ∈] − ∞, b[) et
Rb
que a f (t)dt converge. Alors :
Rb
– l’intégrale x f (t)dt est définie pour tout réel x ∈] − ∞, b[ (resp. x ∈ [a, b[).
Rb
– la fonction F : x 7→ x f (t)dt est de classe C 1 sur ] − ∞, b[ (resp. [a, b[) et :
Preuve
Le deuxième cas est l’analogue du premier en renversant l’ordre des bornes. Pour le premier cas :
– découle de la relation de Chasles.
– Soit c ∈]a, b[. Pour tout réel x ∈]a, b], on a :
Z c Z x
F (x) = f (t)dt + f (t)dt
a c
Rx Rx
Comme l’intégrale c f (t)dt n’est plus impropre, la fonction x 7→ c f (t)dt est de classe C 1 sur ]a, b]
et on a F 0 (x) = f (x) pour tout réel x ∈]a, b].
Exemple
R +∞ 2
Étudier la fonction x 7→ x
e−t dt.
Théorème (QC)
Preuve
Remarque
Rb
9.3.2 CNS de convergence de l’intégrale a f (t)dt
Théorème
Soit a ∈ R et b ∈]a, +∞]. On suppose que f est continue et positive sur [a, b[. Alors, l’intégrale
Rb Rx
a
f (t)dt converge si et seulement si l’application x 7→ a f (t)dt (primitive de f sur [a, b[ s’annulant en a)
est bornée sur [a, b[.
Preuve
C’est le théorème sur les fonctions monotones qui s’applique.
Remarque
Lorsque l’intégrale sur [a, b[ d’une fonction f positive sur [a, b[ est divergente (en b) alors :
Z x
lim f (t)dt = +∞
x→b a
Preuves
– f ≤ g : C’est une conséquence du théorème précédent ainsi que de la remarque qui le suit.
– f = o(g) : C’est une conséquence du point précédent. En effet, f (t) = o (g(t)) signifie qu’il existe
t→b
un réel α ∈ [a, b[ et une fonction ε : [α, b[→ R tels que :
La fonction ε est alors positive et majorée sur [α, b[. Soit donc M un majorant. On a :
On applique ici le point précédent sur l’intervalle [α, b[. La conclusion sur l’intervalle [a, b[ se déduit
par relation de Chasles.
9.3. CAS DES FONCTIONS POSITIVES 119
– f ∼ g : C’est encore une conséquence du premier point. En effet, f (t) ∼ g(t) signifie qu’il existe
t→b
un réel α ∈ [a, b[ et une fonction ε : [α, b[→ R tels que :
D’après la définition de la limite, il existe un réel β ∈ [α, b[ tel que, pour tout réel t ∈ [β, b[ :
1 1 1 3
− ≤ ε(t) ≤ et donc g(t) ≤ f (t) ≤ g(t)
2 2 2 2
On applique ici le premier point sur l’intervalle [β, b[ et on conclut sur l’intervalle [a, b[ par relation
de Chasles.
Exemples
R +∞
1. Convergence de 0
P (t)e−t dt où P est une fonction polynôme.
R +∞ 1+t
2. Convergence de 0 1+t3
dt.
3. Soit f continue, décroissante et positive sur [a, b[ (où a ∈ R et b ∈]a, +∞]). Montrer que si l’intégrale
Rb
a
f (t)dt converge alors limt→0 f (t) = 0.
4. Soit a et b deux réels tels que a < b.
Rb
(a) Justifier que l’intégrale a √ dt converge.
(t−a)(b−t)
(b) Calculer cette intégrale (on pourra utiliser la forme canonique puis un changement de variable).
9.3.4 Fonction Γ
Proposition/Définition (QC)
R +∞
– L’intégrale 0 tx−1 e−t dt, impropre en +∞ et (selon les valeurs du réel x) en 0, est convergente si
et seulement si x > 0.
– On appelle fonction Gamma l’application :
Γ : ]0, +∞[ → R
R +∞
x 7→ 0 tx−1 e−t dt
Preuve
– Convergence en +∞ : On intègre une fonction positive. De plus, pour tout réel x, on a :
−t 1 x−1 −t 1
e = o x+1
donc t e = o
t→+∞ t t→+∞ t2
R +∞ R +∞
Or, l’intégrale de Riemann 1 dt t2
est convergente donc l’intégrale 1 tx−1 e−t dt est convergente
pour tout réel x.
– Convergence en 0 : La fonction t 7→ tx−1 e−t est continue sur [0, +∞[ lorsque x > 1 et sur ]0, +∞[
lorsque x ≤ 1 mais se prolonge par continuité en 0 dans le cas où x = 1. Il n’y a donc de problème
que dans le cas où x < 1. On intègre alors une fonction positive. De plus :
1
tx−1 e−t ∼ tx−1 =
t→0 t1−x
R 1 dt
Or, l’intégrale de Riemann 0 t1−x converge si et seulement si 1 − x < 1 c’est à dire si et seulement
R 1 x−1 −t
si x > 0. Alors, l’intégrale 0 t e dt est convergente si et seulement si x > 0.
R +∞
– On en déduit que l’intégrale 0 tx−1 e−t dt est convergente si et seulement si x > 0.
120 CHAPITRE 9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE
Γ(n + 1) = n!
Preuve
– Soit x > 0. Alors Γ(x) et Γ(x + 1) existent. De plus, pour tout couple (a, b) de réels strictement
positifs et par intégration par parties, on a :
Z b b
Z b Z b
t e dt = tx (−e−t ) a −
x −t x−1 −t x −a x −b
tx−1 e−t dt
xt (−e )dt = a e −b e +x
a a a
Or, on a : Z b
x −a x −b
lim a e =0 lim b e =0 lim tx−1 e−t dt = Γ(x)
a→0 b→+∞ a→0
a
b→+∞
Γ(1) = 1 = 0!
Exercice
Démontrer que la fonction Γ est strictement décroissante sur ]0, 1] et strictement croissante sur [1, +∞[.
Exemples
R +∞
sin(t)
1. Prouver que l’intégrale 1 t2
dt est absolument convergente.
R +∞ sin(t)
2. Prouver que l’intégrale 0 t
dt est semi-convergente.
Rb Rb
3. On suppose que a f (t)dt et a g(t)dt sont absolument convergentes (−∞ ≤ a < b ≤ +∞). Montrer
Rb
que a (f (t) + g(t))dt est absolument convergente et comparer :
Z b Z b Z b
|f (t) + g(t)|dt avec |f (t)|dt + |g(t)|dt
a a a
9.5. EXERCICES 121
Théorème (QC*)
Rb
Soit a ∈ R et b ∈]a, +∞]. On suppose que f est continue sur [a, b[. Si l’intégrale a
f (t)dt est absolu-
ment convergente alors elle est convergente et on a :
Z b Z b
f (t)dt ≤ |f (t)|dt
a a
Preuve
Rb
Posons g = f + |f |. Alors 0 ≤ g ≤ 2|f |. De plus, comme l’intégrale a
|f (t)|dt converge alors
Rb
l’intégrale a g(t)dt converge. On en déduit que :
Z x Z x Z x Z b Z b
∀x ∈ [a, b[, f (t)dt = g(t)dt − |f (t)|dt −→ g(t)dt − |f (t)|dt
a a a x→b a a
Rb
Ainsi, l’intégrale a
f (t)dt converge. De plus, pour tout réel x ∈ [a, b[, on a :
Z x Z x Z b
f (t)dt ≤ |f (t)|dt ≤ |f (t)|dt
a a a
Exemple
R +∞ sin(t)
Justifier que l’intégrale 1 t2
dt est convergente.
9.5 Exercices
9.5.1 Pour les TD
TD
+∞
tx
Z
1. Représenter l’ensemble des points de coordonnées (x, y) tels que l’intégrale dt converge.
0 1 + ty
2. Étudier la convergence des intégrales :
1 1 +∞ +∞
x2 e−x
Z Z Z Z
dx dx
√ √ dx √ dx
0 1 − x4 0 x − 5x2
3
0 x5 + 1 0 x
Z +∞ Z +∞ Z +∞ Z +∞
−x2 x dx
e dx dx xx dx
0 0
x
e −1 −∞ (1 + e )(1 + e−x )
x
0
Z +∞
(c) Montrer que : (f (x + 1) − f (x))dx = ` − `0 .
−∞
R +∞ cos(t)
5. On considère l’application f : x 7→ x t
dt.
(a) Montrer que f est définie et de classe C 1 sur ]0, +∞[.
sin(x)
(b) Montrer que, pour tout réel x > 0, on a : f (x) + x
≤ x22 .
R 1 cos(t)−1 R +∞ cos(t)
(c) Montrer que, pour tout réel x > 0, on a : f (x)+ln(x) = x t
dt+ 1 t
dt. En déduire
que f (x) ∼ − ln(x).
x→0
R +∞
(d) En intégrant par parties, montrer la convergence et déterminer la valeur de l’intégrale 0
f (x)dx.
R +∞ 2 R +∞ 2
6. Calcul de I = −∞ cos(t) exp − t2 dt. On pose A(x) = −∞ cos(xt) exp − t2 dt
R +∞ 2
0
(a) Prouver que A est définie et dérivable sur R et que A (x) = − −∞
sin(xt)t exp − t2 dt
(utiliser Taylor à l’ordre 2).
(b) A l’aide d’une intégration par parties, déterminer une relation entre A0 (x) et A(x).
(c) En déduire l’expression de A(x) en fonction de x.
(d) Conclure l’exercice.
2
7. Soit (a, b, c) un triplet de réels tel que a > 0. On pose : d = c − ba . Montrer que :
Z +∞ r
2 π
e−(at +2bt+c) dt = e−d
−∞ a
R +∞ 2 √
Indication : Forme canonique et changements de variables. On admet que −∞ e−x dx = π.
Z +∞
x2
8. Pour tout entier naturel n, on pose : In = xn e− 2 dx.
0
(a) Vérifier que la suite (In )n∈N est bien définie et calculer I1 .
(b) i. Déterminer une relation entre In+2 et In .
ii. On admet que I0 = π2 . Déterminer l’expression deI2n en fonction de l’entier n.
p
TD*
+∞
e−xt
Z
1. Soit F la fonction définie par : F (x) = √ dt.
0 1 + t2
(a) i. Déterminer le domaine de définition D de F .
ii. Étudier les variations de F sur D.
iii. Déterminer la limite de F en +∞.
(b) i. Justifier, pour tout x ∈ D, de la convergence des intégrales :
Z +∞ −u Z 1 −u
e e −1
G(x) = du et I= du
x u 0 u
ii. Montrer que G(x) = − ln(x) + G(1) + I + o + (1). En déduire un équivalent de G(x) au
x→0
voisinage de 0.
+∞
e−xt
Z
(c) i. Justifier la convergence de l’intégrale H(x) = dt.
0 1+t
ii. Déduire de la question (b) que H(x) ∼ + − ln(x).
x→0
√
(d) i. Calculer la dérivée de g : t 7→ ln t + 1 + t2 .
Z +∞
1 1
ii. En déduire la valeur de l’intégrale J = √ − dt.
0 1 + t2 1 + t
(e) Déduire de ce qui précède un équivalent de F (x) au voisinage de 0.
2. (a) Soit f : [0, +∞[→ R une fonction continue et décroissante telle queson intégrale sur [0, +∞[
converge.
i. Montrer que f est positive sur [0, +∞[ et qu’elle tend vers 0 en +∞.
ii. Montrer que, pour tout réel h > 0 et tout entier N ≥ 1, on a :
N
X Z Nh N
X −1
h f (nh) ≤ f (x)dx ≤ h f (nh)
n=1 0 n=0
iii. En déduire que, pour tout réel h > 0, la série de terme général f (nh) converge et que :
+∞
X Z +∞ +∞
X
−hf (0) + h f (nh) ≤ f (x)dx ≤ h f (nh)
n=0 0 n=0
+∞ r
X
n2 1 π
ii. Montrer que : t ∼− .
n=0
t→1 2 1−t
2
3. Soit (n, p) ∈ N . On pose :
Z +∞ n Z pπ n
sin(t) sin(t)
In = dt et Sp = dt
0 t 0 t
(a) Justifier l’existence de In .
(b) On suppose, dans cette question, que n est un entier impair. Montrer que les suites (S2p )p∈N et
(S2p+1 )p∈N sont adjacentes et de limite commune In .
(c) Montrer que : ∀n ∈ N, In > 0.
(d) i. Montrer que la fonction [0, 1] → R, t 7→ sin(t)
t
est à valeurs dans [0, 1] et est décroissante
sur [0, 1].
Z 1 n
sin(t)
ii. Soit a ∈]0, 1[. Montrer que : lim dt = 0.
n→+∞ a t
(e) i. Montrer que, pour tout entier N > 2, on a :
N −1
− sin(x)
XN Z +∞ 1 + x
sin(x)
2
n
(−1) In = sin(x)
dx
n=2 0 1 + x
x
R +∞ 2
(a) Calcul de l’intégrale de Gauss 0 e−t dt.
R 1 −x(1+t2 )
Pour tout réel x, on pose f (x) = 0 e 1+t2 dt.
R1 2
i. Montrer que f est définie et dérivable sur R et que f 0 (x) = − 0 e−x(1+t ) dt.
Indication : On pourra utiliser l’inégalité de Taylor-Lagrange à l’ordre 2.
9.5. EXERCICES 125
ii. Pour tout réel x, on pose g(x) = f (x2 ). Justifier que g est dérivable sur R et que :
Z x
0 −x2 2
∀x ∈ R, g (x) = −2e e−t dt
0
3. Soit a et b deux réels tels que 0 < a < b. Soit f :]0, +∞[→ R continue sur ]0, +∞[ et telle que :
Z 1 Z +∞
f (t) f (t)
dt converge et dt converge
0 t 1 t
(a) Montrer que, pour tout couple (x, y) de réels tels que 0 < x < y, on a :
y bx by
f (at) − f (bt)
Z Z Z
f (u) f (u)
dt = du − du
x t ax u ay u
i. Justifier l’existence de B(x, y) pour tout couple (x, y) de réels strictement positifs.
ii. Justifier que B(y, x) = B(x, y).
iii. Déterminer une relation entre B(x + 1, y) et B(x, y + 1).
x
iv. En déduire que B(x + 1, y) = x+y
B(x, y).
v. Calculer B(n + 1, y) pour tout y > 0 et tout n ∈ N.
126 CHAPITRE 9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE
(b) Soit n ∈ N∗ .
i. Montrer que, pour tout réel t ≥ 0, on a : 1 − t ≤ e−t .
n
ii. En déduire que : ∀t ∈ [0, n], 1 − nt ≤ e−t .
2
n
iii. Montrer que : ∀t ∈ [0, n], 1 − tn e−t ≤ 1 − nt .
√ √
Indication : On distinguera les cas t ≤ n et t ≥ n.
(c) Soit x > 0.
Z n n
t
∗
i. Soit n ∈ N . Déduire des questions qui précèdent un encadrement de 1− tx−1 dt.
0 n
Z n n
t
ii. En conclure que : lim 1− tx−1 dt = Γ(x).
n→+∞ 0 n
Z n n
t
iii. Exprimer 1− tx−1 dt en fonction de B(n + 1, x).
0 n
nx n!
iv. En déduire que : lim = Γ(x).
n→+∞ x(x + 1) . . . (x + n)
2. Soit a et b deux réels tels que 0 < a < b. Soit f :]0, +∞[→ R continue sur ]0, +∞[ et telle que :
(a) Montrer que, pour tout couple (x, y) de réels tels que 0 < x < y, on a :
Z y Z bx Z by
f (at) − f (bt) f (u) f (u)
dt = du − du
x t ax u ay u
DS
1. s
128 CHAPITRE 9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE
Chapitre 10
Définition
Deux variables aléatoires X et Y d’un même espace probabilisé (Ω, T , P) sont indépendantes si et
seulement si :
∀(x, y) ∈ R2 , P([X ≤ x] ∩ [Y ≤ y]) = P(X ≤ x) × P(Y ≤ y)
Extension de cette définition à l’indépendance mutuelle de n (avec n ≥ 3) ou d’une infinité dénombrable
de variables aléatoires.
λ
3. Application. Soit λ ∈ R et f : t 7→ 1+t2
.
(a) Déterminer la valeur de λ pour que f satisfasse aux conditions de l’introduction.
(b) Déterminer l’expression de F (x) pour tout réel x.
(c) Représenter Cf . Interpréter graphiquement les probabilités :
(d) Représenter CF .
129
130 CHAPITRE 10. VARIABLES ALÉATOIRES À DENSITÉ
10.2.2 Définition
Définition
Soit (Ω, T , P) un espace probabilisé. On dit qu’une variable aléatoire X est à densité si et seulement
si sa fonction de répartition FX est continue sur R et de classe C 1 sur R sauf éventuellement en un nombre
fini de points. De plus, toute fonction f : R → R positive sur R et telle que f (x) = FX0 (x) pour tout réel x
sauf éventuellement en un nombre fini de points est appelée densité de la variable aléatoire X.
Exemples
1. Justifier que la fonction f qui précède est une densité.
On peut changer la valeur de f en un ou plusieurs points (avec une valeur positive) tout en conservant
la même fonction de répartition.
0 si x < 0
2. Soit X une variable aléatoire donnée par sa fonction de répartition FX : x 7→ x si 0 ≤ x ≤ 1 .
1 si x > 1
(a) Représenter FX .
(b) Justifier que X est une variable aléatoire à densité et préciser une densité f .
x
1 pe si x < 0
3. Soit p ∈ 0, 2 . Soit F : x 7→ −x .
1 − pe si x ≥ 0
(a) Justifier que F est la fonction de répartition d’une variable aléatoire X.
(b) Cette variable aléatoire X est-elle à densité ? est-elle discrète ?
Remarques
– Il n’y a pas unicité d’une fonction densité.
– FX peut ne pas être dérivable en un nombre fini de points.
– FX peut être dérivable sur R mais FX0 peut ne pas être continue en un nombre fini de points.
– FX peut être de classe C 1 sur R.
– Déterminer la loi d’une variable aléatoire à densité consiste à déterminer sa fonction de répartition.
10.2.3 Propriétés
Théorème
Soit f une densité d’une variable aléatoire X. Alors :
– ∀x ∈ R, P(X = x) = 0,
en conséquence : ∀x ∈ R, P(X < R xx) = P(X ≤ x), P(X > x) = P(X ≥ x),
– ∀x ∈ R, P(X ≤ x) = FX (x) = −∞ f (t)dt,
en Rconséquences :
+∞
– −∞ f (t)dt = 1,
R +∞
– ∀x ∈ R, P(X ≥ x) = x f (t)dt, Ry
– ∀(x, y) ∈ R2 , x ≤ y ⇒ P(x ≤ X ≤ y) = x f (t)dt.
Preuves
– Soit x ∈ R. On sait que FX est continue en x. De plus :
1 1
P(X = x) = lim P x − < X ≤ x = lim FX (x) − FX x − =0
n→+∞ n n→+∞ n
10.2. GÉNÉRALITÉS SUR LES VARIABLES À DENSITÉ 131
Théorème
Soit f : R → R une fonction positive
R +∞ sur R, continue sur R sauf éventuellement en un nombre fini de
réels a1 < · · · < an et telle que −∞ f (t)dt converge et vaut 1. Alors, il existe une variable aléatoire à
densité X dont f est une densité.
Preuve
Voir l’introduction.
Exemples
si x ≤ 0
0
1. On pose : f (x) = √λ si x ∈]0, 1[ où λ ∈ R.
x
λ√
si x ≥ 1
2
x x
(a) Déterminer la valeur du réel λ pour que f soit une densité d’une variable aléatoire X puis
représenter la courbe de f .
(b) Déterminer l’expression de FX (x) pour tout réel x puis représenter la courbe de FX .
2. Soit λ un réel strictement positif. On pose : ∀x ∈ R, f (x) = λe−λx 11[0,+∞[ (x).
(a) i. Justifier que f est une densité d’une variable aléatoire X puis représenter la courbe de f .
ii. Déterminer l’expression de FX (x) pour tout réel x puis représenter la courbe de FX .
(b) i. Calculer les probabilités suivantes : P(λ − 1 ≤ X ≤ λ + 1) P(X ≥ λ).
1
ii. Déterminer le réel m tel que P(X ≤ m) = 2
. Quel nom pourrait-on donner à ce réel ?
iii. Pour quelle(s) valeur(s) de λ a-t-on : ∀n ∈ N, P(X ≥ n) ≤ 10−n ?
f (ϕ−1 (y))
∀y ∈ R, g(y) = 11ϕ(I) (y)
|ϕ0 (ϕ−1 (y))|
Preuve
Notons AX l’ensemble des réels x vérifiant l’une des trois conditions suivantes : soit FX n’est dérivable
pas en x, soit FX0 n’est pas continue en x, soit enfin f (x) 6= FX0 (x). On sait que AX est un ensemble fini.
Remarquons que ϕ(I) est un intervalle et donc que R − ϕ(I) est soit un intervalle, soit une réunion de
deux intervalles. Pour tout réel y, on a :
probabilité qui est nulle lorsque y 6∈ ϕ(I), ce qui prouve que FY0 s’annule sur R − ϕ(I) et donc que FY0 et
g coïncident sur R − ϕ(I).
– On suppose que ϕ est strictement croissante sur I. Pour tout réel y ∈ ϕ(I), on a :
Comme ϕ est de classe C 1 sur I et comme ϕ0 ne s’annule pas sur I alors ϕ−1 est de classe C 1 sur
ϕ(I). De plus, on sait que FX est continue sur R et de classe C 1 sur R − AX . Alors, FY = FX ◦ ϕ−1
est continue sur R et de classe C 1 sur R − ϕ(AX ∩ I) (on remarque que AY = ϕ(AX ∩ I) est un
ensemble fini) donc Y est une variable aléatoire à densité. De plus, pour tout y ∈ ϕ(I) − AY , on a :
0 1
FY0 (y) = ϕ−1 (y)FX0 (ϕ−1 (y)) = f ϕ−1 (y)
ϕ0 (ϕ−1 (y))
donc FY0 et g coïncident sur ϕ(I) − AY ce qui prouve que g est bien une densité de Y .
– On suppose que ϕ est strictement décroissante sur I. Pour tout réel y ∈ ϕ(I), on a :
La fonction FY est donc continue sur R et de classe C 1 sur ϕ(I) − AY . De plus, pour tout y ∈
ϕ(I) − AY , on a :
0 1 f (ϕ−1 (y))
FY0 (y) = − ϕ−1 (y)FX0 (ϕ−1 (y)) = −1
f ϕ (y) =
−ϕ0 (ϕ−1 (y)) |ϕ0 (ϕ−1 (y))|
puisque ϕ0 est strictement négative sur I. Ainsi Y est à densité et g en est une densité.
Applications
1. Soit X une variable aléatoire dont f est une densité.
2. Soit X une variable aléatoire dont f est une densité. On suppose que X(Ω) ⊂]0, +∞[. Déterminer
une densité de Y = ln(X).
3. Soit X une variable aléatoire dont f est une densité.
4. Soit X une variable aléatoire dont f est une densité. On suppose que X(Ω) ⊂]0, +∞[. Déterminer
une densité de Y = X1 .
10.2. GÉNÉRALITÉS SUR LES VARIABLES À DENSITÉ 133
Preuve
Changement de variable.
– Si h est définie et continue sur R sauf éventuellement en un nombre fini de points (auquels cas, on
choisit pour h(z) une valeur positive arbitraire afin de définir la fonction h sur R) alors h est une
densité de la variable aléatoire X + Y .
– Une telle fonction h est alors appelée produit de convolution des fonctions f et g et se note h = f ∗g.
– Si f ou g est bornée sur R alors une telle fonction h est bien définie.
Exemple
Soit X et Y deux variables aléatoires à densité indépendantes. On suppose que, pour tout réel x, on a :
0 si x < 0 0 si x < 1
FX (x) = x si 0 ≤ x ≤ 1 et FY (x) = x si 1 ≤ x ≤ 2
1 si x > 1 1 si x > 2
Remarque
– Bien noter l’analogie de ce théorème avec celui de la somme de deux variables aléatoires discrètes.
– Si f est nulle sur ] − ∞, a[ et sur ]b, +∞[ (avec a < b) alors :
Z b
h(z) = f (x)g(z − x)dx
a
Si, de plus, g est sur ] − ∞, c[ et sur ]d, +∞[ (avec c < d) alors :
Z b
h(z) = f (x)g(z − x)dx
a
Proposition
Si une variable aléatoire X à densité admet un moment d’ordre k ∈ N∗ alors elle admet un moment
d’ordre i pour tout i ∈ J1, kK.
Preuve
Existence par comparaison (négligeabilité).
10.3.2 Espérance
Définitions
Soit (Ω, T , P) un espace probabilisé. Soit X une variable aléatoire à densité dont f est l’une de ses
densités. R +∞
– On dit que X admet une espérance si et seulement si l’intégrale −∞ tf (t)dt converge absolument.
– Si X admet une espérance alors on appelle espérance de X le réel :
Z +∞
E(X) = m1 (X) = tf (t)dt
−∞
Exemples
Déterminer si les variables aléatoires suivantes dont on donne une densité admettent une espérance et la
calculer le cas échéant :
1. X donnée par f = 11[0,1] ,
2. X donnée par f : t 7→ λe−λt 11[0,+∞[ (t),
10.3. MOMENTS D’UNE VARIABLE ALÉATOIRE À DENSITÉ 135
1
3. X donnée par f : t 7→ π(1+t2 )
,
si x ≤ 0
0
4. X donnée par f : x 7→ √λ si x ∈]0, 1[ où λ est un réel à préciser.
x
λ√
si x ≥ 1
x2 x
Définition
Soit X une variable aléatoire à densité admettant une espérance. On dit que X est centrée si et seulement
si E(X) = 0.
Proposition
Si X est une variable aléatoire à densité admettant une espérance alors X − E(X) est une variable
aléatoire à densité centrée.
Preuve
Par linéarité.
Proposition/Définition
Soit X une variable aléatoire à densité dont f est une densité. R
+∞
– Si X admet une moment d’ordre k ∈ N∗ alors l’intégrale −∞ (t − E(X))k f (t)dt est définie et
convergente.
– Si X admet une moment d’ordre k ∈ N∗ alors on appelle moment centré d’ordre k le réel :
Z +∞
µk (X) = (t − E(X))k f (t)dt
−∞
136 CHAPITRE 10. VARIABLES ALÉATOIRES À DENSITÉ
Preuve
L’espérance existe donc l’intégrale a du sens. Par la formule du binôme, chaque intégrale converge
puisque les moment d’ordre i ≤ k existent.
Exemples
Reprendre les exemples de calculs d’espérance et déterminer les variances éventuelles.
Preuve
Linéarité de l’intégrale.
Proposition (admise)
Soit X et Y deux variables aléatoires quelconques (à densité ou discrètes ou ni l’un ni l’autre) indépe-
nantes et admettant une variance. Alors la variable aléatoire X + Y admet une variance et on a :
V(X + Y ) = V(X) + V(Y )
10.4. EXERCICES 137
E(|X|r )
P(|X| ≥ a) ≤
ar
En particulier, si X 2 admet une espérance (ou si X admet un moment d’ordre 2), on a :
E (X 2 )
∀a > 0, P(|X| ≥ a) ≤
a2
– Si X admet une variance alors, pour tout réel a strictement positif, on a :
V(X)
P (|X − E(X)| ≥ a) ≤
a2
Preuves
s
10.4 Exercices
10.4.1 Pour les TD
TD (certains exercices nécessitent l’utilisation de résultats des exercices du chapitre précédent).
1. On pose f = 12 11[−2,−1] + 21 11[1,2] .
(a) i. Vérifier que f est bien une densité d’une variable aléatoire X puis représenter la courbe de
f.
ii. La variable X admet-elle une espérance ? Si oui, la calculer.
iii. La variable X admet-elle une espérance ? Si oui, la calculer.
(b) i. Déterminer une densité g de Y = eX . Représenter la courbe de g.
ii. En déduire la loi de Y .
iii. Déterminer l’espérance et la variance de Y dans le cas où elles existent.
1
(c) i. Déterminer une densité h de Z = X
. Représenter la courbe de h.
ii. En déduire la loi de Z.
iii. Déterminer l’espérance et la variance de Z dans le cas où elles existent.
2. Pour tout réel x, on pose : f (x) = λe−λx 11[0,+∞[ (x).
(a) Vérifier que f est une densité d’une variable aléatoire X puis représenter sa courbe.
(b) Déterminer la loi de X puis représenter la courbe de FX .
(c) Déterminer la loi de X 2 .
(d) Déterminer la loi de bXc.
138 CHAPITRE 10. VARIABLES ALÉATOIRES À DENSITÉ
3. (d’après Oral ESCP 2001). Soit n ≥ 2 un entier. Soit (Vi )1≤i≤n et (Wi )1≤i≤n des variables aléatoires
mutuellement indépendantes et admettant toutes pour densité la fonction f = 11]0,1[ .
(a) i. Déterminer la loi de V1 . En déduire la loi de ln(V1 ).
ii. Déterminer la loi de ln W11 . Montrer que cette variable aléatoire admet une espérance et
une variance que l’on calculera.
Vi
iii. Déterminer la loi de Yi = ln W i
pour tout entier i ∈ J1, nK.
(b) On note Zn la variable aléatoire définie par Zn = min Yi .
1≤i≤n
TD*
1. Soit X et Y deux variables aléatoires quelconques définies sur un même espace probabilisé (Ω, T , P)
et de fonctions de répartition respectives FX et FY . L’objectif de cet exercice est de montrer que pour
tout réel α > 0 et tout réel x on a :
|FX (x) − FY (x)| ≤ FX (x + α) − FX (x − α) + P (|X − Y | > α)
Soit donc x ∈ R et α > 0.
(a) En remarquant que :
[Y ≤ x] ⊂ ([Y ≤ x, X ≤ x + α] ∪ [Y ≤ x, X > x + α])
justifier que :
FY (x) ≤ FX (x + α) + P(|X − Y | > α)
(b) Montrer de même que :
(x − α) ≤ FY (x) + P(|X − Y | > α)
(c) En déduire un encadrement de FY (x).
(d) En se souvenant que FX (x − α) ≤ FX (x) ≤ FX (x + α), conclure l’exercice.
2. Loi de Weibull.
t a
On considère la fonction F : R → R, t 7→ 1 − exp − ν
11]0,+∞[ (t) où (a, ν) est un couple de
réels strictement positifs.
(a) Montrer que F est une fonction répartition d’une variable aléatoire X.
(b) Montrer que X est une variable aléatoire à densité. Préciser une densité f de X.
(c) Montrer que X admet des moments de tous ordres puis calculer E(X n ) pour tout entier naturel
n ≥ 1.
10.4. EXERCICES 139
iv. En déduire la valeur de E(Um+1 ) − E(Um ) puis, par sommation, déterminer un équivalent
simple de E(Un ).
DS
1. s
Chapitre 11
Espaces euclidiens
Exemples
Montrer que les applications suivantes sont des produits scalaires sur E :
x1 y1
1. Soit E = Rn . Pour tout couple (x, y) ∈ E 2 tels que x = ... et y = .. , on pose :
.
xn yn
n
X
hx|yi = xi yi = x1 y1 + · · · + xn yn
k=1
141
142 CHAPITRE 11. ESPACES EUCLIDIENS
Définitions
Soit h., .i un produit scalaire sur E.
– On appelle norme associée à h., .i l’application :
k.k : E → R+ p
x 7→ kxk = hx, xi
Exemples
Calculer la norme de chacun des vecteurs suivants (pour la nome associée au produit scalaire de même
numéro dans l’exemple précédent) :
1. x = (1, 0, . . . , 0), y = (1, . . . , 1), z = √1n , . . . , √1n .
2. f (x) = ex ,
3. P (X) = X k pour le premier produit scalaire et P (X) = 1 pour le second.
4. P (X) = X k .
et cette inégalité est une égalité si et seulement si les vecteurs x et y sont colinéaires
– Inégalité triangulaire : ∀(x, y) ∈ E 2 , kx + yk ≤ kxk + kyk.
Preuves
s
Exemples
1. Démontrer que : ∀(x, y) ∈ E 2 , hx, yi = 14 [kx + yk2 − kx − yk2 ].
2. Déterminer une CNS (portant sur les vecteurs x et y) pour que l’inégalité triangulaire soit une égalité.
11.1. PRODUIT SCALAIRE 143
11.1.2 Orthogonalité
Définitions
Soit ϕ un produit scalaire sur E.
– On dit que deux vecteurs x et y sont orthogonaux pour ϕ (ou bien qu’il sont ϕ-orthogonaux) si et
seulement si ϕ(x, y) = 0.
– Soit F et G deux sous espaces vectoriels de E. On dit que F et G sont orthogonaux pour ϕ si et
seulement tout vecteur de F est orthogonal à chaque vecteur de G, c’est à dire que :
∀x ∈ F, ∀y ∈ G, ϕ(x, y) = 0
Exemples
1. Déterminer un polynôme de R +∞degré 1 et unitaire orthogonal au polynôme constant égalR à 1 pour le
1
produit scalaire hP, Qi = 0 P (t)Q(t)e−t dt puis pour le produit scalaire hP, Qi = −1 P√(t)Q(t)
1−t2
dt
Pn
et enfin pour le produit scalaire hP |Qi = k=0 P (k)Q(k) de Rn [X].
2. Soit F = Vect(x1 , . . . , xk ) et G = Vect(y1 , . . . , yh ) deux sous espaces d’un espace vectoriel E muni
d’un produit scalaire ϕ. Montrer que :
Preuve
Immédiat avec la propriété 3 de la norme.
Proposition/Définition
Soit ϕ un produit scalaire sur E.
– Soit x un vecteur de E. L’ensemble des vecteurs de E qui sont ϕ-orthogonaux au vecteur x est un
sous espace vectoriel de E appelé ϕ-orthogonal de x.
– Soit F un sous espace vectoriel de E. L’ensemble des vecteurs de E qui sont ϕ-orthogonaux à chaque
vecteur de F est un sous espace vectoriel de E appelé ϕ-orthogonal de F et noté F ⊥ .
Preuves
– Comme 0E est orthogonal à x alors {x}⊥ 6= ∅. Soit (y1 , y2 ) ∈ {x}⊥ et (λ1 , λ2 ) ∈ R2 . Alors :
Exemples
1. Préciser {0E }⊥ et E ⊥ .
2. Soit F un sous espace vectoriel strict de E. Montrer que la somme F + F ⊥ est directe.
R1
3. Déterminer R0 [X]⊥ pour le produit scalaire hP, Qi = −1 P√(t)Q(t)
1−t2
dt de R2 [X].
144 CHAPITRE 11. ESPACES EUCLIDIENS
Exemples
1. Montrer que la base canonique de Rn est orthonormale pour le produit scalaire canonique de Rn .
2. Trois vecteurs deux à deux orthogonaux forment-ils une famille orthogonale ?
Propositions (QC)
Soit h., .i un produit scalaire sur E et (x1 , . . . , xp ) une famille de vecteurs.
– Si la famille (x1 , . . . , xp ) est orthogonale pour h., .i et ne contient pas le vecteur nul alors elle est
libre.
– Si la famille (x1 , . . . , xp ) est orthonormale pour h., .i alors elle est libre. De plus, pour tout vecteur
x ∈ Vect(x1 , . . . , xp ), on a :
p
X
x = hx, x1 i x1 + · · · + hx, xp i xp = hx, xi i xi
i=1
Preuve
– Soit (λ1 , . . . , λp ) une famille de réels tels que λ1 x1 + · · · + λp xp = 0E . Pour tout i ∈ J1, pK, on a :
p
X
0 = h0E , xi i = hλ1 x1 + · · · + λp xp , xi i = λk hxk , xi i = λi hxi , xi i = λi kxi k2
k=1
Donc, pour tout i ∈ J1, pK, comme xi 6= 0E alors kxi k2 6= 0 ce qui entraîne que λi = 0.
– Aucun vecteur de la famille ne peut être nul puisque chacun est de norme 1. On applique donc le
résultat précédent.
Soit x ∈ Vect(x1 , . . . , xp ). Alors, il existe (α1 , . . . , αp ) ∈ Rp tel que x = pi=1 αi xi . Or, pour tout
P
entier k ∈ J1, pK, on a :
* p + p
X X
hx, xk i = αi xi , xk = αi hxi xk i = αk
i=1 i=1
Preuve
– Soit P(k) la proposition : il existe (x1 , . . . , xk ) ∈ E k orthonormale telle que Vect(x1 , . . . , xi ) =
Vect(e1 , . . . , ei ) pour tout i ∈ J1, kK.
11.2. ESPACES EUCLIDIENS 145
– k = 1 : comme la famille (e1 , . . . , ep ) est libre alors e1 6= 0E donc x1 = ke11 k e1 est, à lui seul, une
famille orthonormale qui convient.
– Supposons que P(k) est vraie pour un entier k ∈ J1, p − 1K. Notons F = Vect(x1 , . . . , xk ) =
Vect(e1 , . . . , ek ). Alors, les deux familles sont des bases de F . Soit P la matrice de passage de la base
(x1 , . . . , xk ) à la base (e1 , . . . , ek ). Cette matrice est donc inversible. De plus, d’après la proposition
précédente, on a :
P = (hxi , ej i)(i,j)∈J1,kK2
qui est alors triangulaire supérieure et à coefficients diagonaux non nuls et égaux, c’est à dire que :
On cherche maintenant (λ1 , . . . , λk+1 ) ∈ Rk+1 tel que le vecteur xk+1 = λ1 e1 + · · · + λk+1 ek+1
vérifie :
λk+1 6= 0 (∗) ∀i ∈ J1, kK, hxi , xk+1 i = 0 kxk+1 k = 1
Or, le système (∗) est équivalent à :
k+1
X
∀i ∈ J1, kK, λj hxi , ej i = 0
j=1
k
X
∀i ∈ J1, kK, λj hxi , ej i = −λk+1 hxi , ek+1 i
j=i
Ce système est triangulaire supérieur à diagonale constituée de coefficients tous non nuls donc les
λ1 , . . . , λk sont paramétrés par λk+1 de manière unique :
Exemples
3
1. On considère l’espace vectoriel
R muni
du
produit
scalaire
canonique.
1 1 0
Orthonormaliser la famille 1 , 0 , 1 .
0 1 1
R1
2. On considère l’espace vectoriel R3 [X] muni du produit scalaire hP, Qi = 0 P (t)Q(t)dt.
Orthonormaliser les familles (1, X, X 2 ) et ((X − 1)2 , (X − 1)(X + 1), (X + 1)2 ).
i=1 i=1
Preuve
– Il suffit d’orthonormaliser n’importe quelle base de E.
– C’est une conséquence d’une proposition précédente.
Exemple
On considère l’espace vectoriel R3 muni du produit scalaire canonique.
1 1 0
1. Justifier que la famille 1 , 0 , 1 est une base de R3 .
0 1 1
2. Orthonormaliser cette base.
3. Donner les coordonnées de vecteurs de la base initiale dans la base orthonormale obtenue.
Proposition
Toute famille orthonormale de E peut être complétée en une base orthonormale de E.
Preuve
Théorème de la base incomplète puis orthonormalisation de Gram-Schmidt.
Preuve
hx, e1 i hy, e1 i
On sait que : x = ni=1 hx, ei i ei et y = ni=1 hy, ei i ei donc X =
P P .. ..
et Y = .
. .
hx, en i hy, en i
Alors : n
X
hx, yi = hx, ei i hy, ei i = tXY
i=1
11.3. PROJECTIONS ORTHOGONALES 147
Exercice
Soit B = (e1 , . . . , en ) une base quelconque de E. On définit la matrice A ∈ Mn (R) par :
A = (hei , ej i)(i,j)∈J1,nK2
Pour tout vecteur x ∈ E, on note X la matrice colonne de ses coordonnées dans la base B.
1. Montrer que : ∀(x, y) ∈ E 2 , hx, yi = tXAY .
2. Soit B 0 = (e01 , . . . , e0n ) une autre base de E et A0 = e0i , e0j (i,j)∈J1,nK2 . On note aussi P la matrice de
Preuve
On sait que :
n
X n
X
∀j ∈ J1, nK, e0j = e0j , ei ei et ∀k ∈ J1, nK, ek = ek , e0j e0j
i=1 j=1
e0j , ei P −1 = ek , e0j
P = (i,j)∈J1,nK2
et (j,k)∈J1,nK2
d’où l’on déduit que :
t
e0j , ei ei , e0j = P −1
P = (j,i)∈J1,nK2
= (j,i)∈J1,nK2
Définition
Une matrice carrée P est dite orthogonale si et seulement si elle est inversible et P −1 = tP .
Preuve
– Soit x ∈ F × F ⊥ . Alors hx, xi = 0 donc x = 0. La somme est directe.
– Soit (e1 , . . . , ep ) une base orthonormale de F . On peut compléter cette base de F en une base ortho-
normale (e1 , . . . , ep , ep+1 , . . . , en ) de E. Alors le sous espace G = Vect(ep+1 , . . . , en ) est un supplé-
mentaire de F inclus dans F ⊥ . Ainsi :
dim(E) = dim(F ) + dim(G) ≤ dim(F ) + dim(F ⊥ ) ≤ dim(E)
On en déduit que dim(G) = dim(F ⊥ ) ce qui nous assure que G = F ⊥ .
148 CHAPITRE 11. ESPACES EUCLIDIENS
Exemples
1. Dans R3 muni du produit scalaire canonique, on considère les plans P et P 0 d’équations cartésiennes
respectives :
x + 2y + 3z = 0 et x−y−z =0
Déterminer P ⊥ puis (P ∩ P )⊥ .
R1
2. On considère l’espace vectoriel R3 [X] muni du produit scalaire hP, Qi = 0
P (t)Q(t)dt. On pose :
F = Vect(1, X). Déterminer une base de F ⊥ .
11.3.2 Projecteurs
Définition
Soit F un sous espace vectoriel strict de E (c’est à dire que F 6= {0E } et F 6= E). On appelle projection
orthogonale sur F la projection sur F parallèlement à F ⊥ , que l’on note généralement pF .
Exemples
1. Soit p un projecteur de E. Montrer que p est un projecteur orthogonal si et seulement si Ker(p) ⊥
Im(p).
2. Dans R3 muni du produit scalaire canonique, on considère le plan P d’équation x + 2y + 3z = 0.
Déterminer la matrice de la projection orthogonale sur P dans la base canonique de R3 .
R1
3. On considère l’espace vectoriel R3 [X] muni du produit scalaire hP, Qi = 0 P (t)Q(t)dt. On pose :
F = Vect(1, X). Déterminer pF (1 + X + X 2 + X 3 ).
Proposition
Soit (e1 , . . . , ep ) une base de F . Alors :
p
X
∀x ∈ E, pF (x) = hx, ek i ek
k=1
Preuve
C’est évident.
Proposition (QC*)
Soit pF la projection orthogonale sur F . Soit x ∈ E et y ∈ F . Alors :
y = pF (x) ⇔ ky − xk = min {ku − xk | u ∈ F }
Autrement dit, le vecteur pF (x) est le vecteur de F tel que la « distance » de x à F est minimale : pF (x)
est la meilleure approximation de x parmi les vecteurs de F .
Preuve
On sait que x = pF (x) + (x − pF (x)) avec pF (x) ∈ F et x − pF (x) ∈ F ⊥ . Pour tout vecteur u ∈ F , on
a alors :
p
ku − xk = k(u − pF (x)) − (x − pF (x))k = ku − pF (x)k2 + kx − pF (x)k2
≥ kx − pF (x)k = kpF (x) − xk
et l’inégalité est stricte si et seulement si u 6= pF (x). De plus, l’ensemble {ku − xk | u ∈ F } est non
vide (puisque F est non vide) et minoré par 0 (norme oblige) donc admet une borne inférieure qui est un
minimum puisque pF (x) ∈ F permet de le réaliser.
11.3. PROJECTIONS ORTHOGONALES 149
Preuve
– Soit f : Mp,1 (R) → Mn,1 (R), X 7→ AX. L’espace vectoriel Mn,1 (R) est muni de son produit
scalaire canonique. Posons F = Im(f ) ⊂ Mn,1 (R) et considérons la projection orthogonale pF ∈
L(Mn,1 (R)) sur F . Comme A est la matrice de f dans les bases canoniques respectives de Mp,1 (R)
et Mn,1 (R) alors :
dim(F ) = dim(Im(f )) = rg(f ) = rg(A) = p
Ainsi, g : Mp,1 (R) → F, X 7→ f (X) est bijective et donc f est injective. Alors :
On en déduit qu’il existe une unique matrice X0 ∈ Mp,1 (R) telle que f (X0 ) = pF (B). Or :
Exemples
1 2 0 3
1. Soit A = 2 0 , B = 1 et C = 2 .
1 1 2 2
(a) Déterminer le rang de la matrice A.
(b) Déterminer X ∈ M2,1 (R) tel que kAX − Bk est minimale.
(c) Déterminer X ∈ M2,1 (R) tel que kAX − Ck est minimale.
1 1 0 1
2. Soit A = 1 1 1 et B = 2 .
0 1 1 3
(a) La matrice A est-elle inversible. Le système AX = B admet-il une solution dans M3,1 (R) ?
(b) Déterminer la matrice X0 ∈ M3,1 (R) telle que la matrice kAX0 − Bk est minimale.
150 CHAPITRE 11. ESPACES EUCLIDIENS
11.4 Exercices
11.4.1 Pour les TD
TD
4. Soit E un espace euclidien dont le produit scalaire est noté h.|.i. Soit f et g deux applications de E
dans E telles que :
∀(x, y) ∈ E 2 , hf (x)|yi = hx|g(y)i
∀x ∈ R, Tn (cos(x)) = cos(nx)
Préciser le degré de Tn .
(b) Soit n ∈ N∗ . Soit h., .i l’application définie sur Rn [X]2 par :
Z 1
P (t)Q(t)
hP, Qi = √ dt
−1 1 − t2
6. Soit n un entier supérieur ou égal à 2. On note h.|.i le produit scalaire canonique de Rn . On identifie
les éléments de Mn,1 (R) avec ceux de Rn . Soit A ∈ Mn (R). Montrer successivement que :
⊥ ⊥
Im(A) ⊂ Ker(tA) [Im(A)]⊥ ⊂ Ker(tA) Im(A) = Ker(tA)
11.4. EXERCICES 151
TD*
1. Soit E un espace euclidien. Soit f ∈ L(E) tel que :
∀(x, y) ∈ E 2 , hx|yi = 0 ⇒ hf (x)|f (y)i = 0
Montrer qu’il existe un réel α > 0 tel que :
∀(x, y) ∈ E 2 , hf (x)|f (y)i = α hx|yi
nR o
1 2 2 2
2. Soit A = 0
(x − ax − b) dx (a, b) ∈ R . Calculer min(A). On préciser la valeur du couple
(a, b) réalisant ce minimum.
3. Soit E un espace euclidien. Soit p le projecteur sur F parallèment à G où F et G sont deux sous
espaces vectoriels de E.
(a) On suppose que F ⊥ G (c’est à dire que p est un projecteur orthogonal). Montrer que :
∀x ∈ E, kp(x)k ≤ kxk
(b) On suppose que : ∀x ∈ E, kp(x)k ≤ kxk.
i. Soit a ∈ F et b ∈ G. Montrer que : ka + bk ≥ kak.
ii. En déduire que : F ⊥ G.
P (X)P (X + 1) = −P (X 2 ) (∗)
Trouver une CNS portant sur (a, b, c) pour que ψ soit un produit scalaire sur E.
2. (a) Soit (x, y, z) ∈ R3 tel que x2 + 2y 2 + 3z 2 ≤ 1. Montrer que (x + y + z)2 ≤ 116
.
Indication : On pourra utiliser l’inégalité de Cauchy-Schwarz pour un certain vectain de R3 avec
un produit scalaire bien choisi.
(b) Soit (x, y, z) ∈ R3 tel que x2 + y 2 + z 2 ≤ 1. Montrer que (x + 2y + 3z)2 ≤ 14.
3. Montrer que : ∀n ∈ N∗ , ∀(x1 , . . . , xn ) ∈ Rn , | ni=1 xi | ≤ n ( ni=1 x2i ).
P p P
11.4. EXERCICES 153
DS
1. s
154 CHAPITRE 11. ESPACES EUCLIDIENS
Chapitre 12
Dans ce chapitre :
– l’espace vectoriel Rn est muni de son produit scalaire canonique h., .i, la norme associée, dit norme
euclidienne, est notée k.k,
– on considère la base canonique (~e1 , . . . , ~en ) qui est orthonormale pour le produit scalaire canonique,
– l’ensemble (de points) Rn est muni d’un repère Rn = (O, ~e1 , . . . , ~en ) orthonormé.
Aucune démonstration n’est exigible.
Exercice préliminaire
x1
Soit ~x = ... un vecteur de Rn . Montrer que :
xn
√
sup |xi | ≤ k~xk ≤ n sup |xi |
i∈J1,nK i∈J1,nK
155
156 CHAPITRE 12. CONTINUITÉ DES FONCTIONS DE N VARIABLES
Remarque
−→
On utilise la restriction de la bijection précédente à l’intervalle [0, 1] avec le vecteur u = AB = B − A.
12.1.2 Boules
Définitions
Soit A un point de l’ensemble Rn et r un réel strictement positif.
– On appelle boule ouverte de centre A et de rayon r l’ensemble des points de Rn :
n −−→ o
B(A, r) = M ∈ Rn kAM k < r
Remarques
Bf (A, r) est le disque de centre A et de rayon r et B(A, r) est le même disque privé de son bord.
Exemples
1. Montrer que la boule ouverte B(A, r) est ouverte dans Rn mais que la boule fermée Bf (A, r) ne l’est
pas.
2. Soit A un point de Rn . Montrer que Rn − {A} est un ouvert de Rn .
Propositions
– Rn et ∅ sont ouverts dans Rn .
– Une réunion finie ou infinie d’ensembles ouverts dans Rn est un ensemble ouvert dans Rn .
– Une intersection finie d’ensembles ouverts dans Rn est un ensemble ouvert dans Rn .
– Si (I1 , . . . , In ) sont des intervalles ouverts de R alors le produit cartésien I1 × · · · × In est un ouvert
de Rn .
Preuves
s
Exemples
1. Justifier que O1 = {(x, y) ∈ R2 | x > 3} est ouvert dans R2 .
2. Montrer que O2 = {(x, y, z) ∈ R3 | x > 3, y < 1, −1 < z < 2} est ouvert dans R3 .
1
3. Soit A un point de Rn . Montrer que n∈N B(A, n+1 ) n’est pas ouvert dans Rn .
T
12.1. ÉLÉMENTS DE TOPOLOGIE DE L’ENSEMBLE RN 157
Exemples
1. Montrer que Bf (A, r) est un fermé de Rn mais que B(A, r) n’en est pas un.
2. Soit A un point de Rn . Montrer que {A} est fermé dans Rn .
Propositions
– Rn et ∅ sont fermés dans Rn .
– Une réunion finie d’ensembles fermés dans Rn est un ensemble fermé dans Rn .
– Une intersection finie ou infinie d’ensembles fermés dans Rn est un ensemble fermé dans Rn .
– Si (I1 , . . . , In ) sont des intervalles fermés de R alors le produit cartésien I1 × · · · × In est un fermé
de Rn .
Exemples
1. Justifier (graphiquement) qu’un segment [A, B] de R2 est fermé dans R2 .
2. Montrer que F1 = {(x, y) ∈ R2 | x ≥ 3} est fermé dans R2 .
3. Montrer que F2 = {(x, y, z) ∈ R3 | x ≥ 3, y ≤ 1, −1 ≤ z ≤ 2} est fermé dans R3 .
1
) est fermé dans Rn . Préciser cet ensemble.
T
4. Justifier que n∈N Bf (O, n+1
1
) est n’est pas fermé dans Rn . Préciser cet ensemble. Est-il ouvert
S
5. Justifier que n∈N Bf (O, 1 − n+1
n
dans R ?
Exemples
1. Montrer que ∅ est borné mais que Rn ne l’est pas.
2. Montrer qu’une boule (ouverte ou fermée) est bornée.
3. Montrer qu’un segment [A, B] est borné.
4. Les ensembles O1 , O2 , F1 , F2 sont-ils bornés ?
Proposition
Une partie B de Rn est bornée si et seulement si elle est incluse dans une boule ouverte de centre O.
Preuve
⇒ : Supposons que B soit bornée. Alors, il existe un point A et un réel r > 0 tels que B ⊂ B(A, r).
−→
Posons R = kOAk. Par inégalité triangulaire, on obtient :
B ⊂ B(A, r) ⊂ B(O, R + r)
⇐ : immédiat.
158 CHAPITRE 12. CONTINUITÉ DES FONCTIONS DE N VARIABLES
Exemples
1. Montrer que ∅ et Rn sont convexes.
2. Montrer qu’une boule (ouverte ou fermée) est convexe.
3. Montrer qu’un segment [A, B] est convexe.
4. Les ensembles O1 , O2 , F1 , F2 sont-ils convexes ?
Proposition
Soit f : I → R. Alors, f est convexe sur I si et seulement si {(x, y) ∈ R2 | x ∈ I, y ≥ f (x)} est
convexe.
Preuve
s
– Soit u1 , . . . , un des fonctions définies sur un même intervalle I de R, à valeurs dans R et telles que :
∀t ∈ I, (u1 (t), . . . , un (t)) ∈ U
Alors, l’ensemble des points de Rn+1 :
{(u1 (t), . . . , un (t), f (u1 (t), . . . , un (t)) | t ∈ I}
est appelé chemin sur la surface Sf .
Exemples
1. Soit f : (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + αn+1 où (α1 , . . . , αn , αn+1 ) est un (n + 1)-uplet de
réels est appelée fonction affine.
Dans le cas où αn+1 , montrer que le graphe de f est un hyperplan (vectoriel) de Rn+1 .
Dans le cas où αn+1 6= 0, on dira que le graphe de f est un hyperplan affine de Rn+1 .
2. Soit f : (x, y) 7→ x2 + y 2 .
3. Soit f : (x, y) 7→ x2 − y 2 .
p
4. Soit f : (x, y) 7→ x2 + y 2 .
5. Soit f : (x, y) 7→ xy.
xy
6. Soit f : (x, y) 7→ p .
x2 + y 2
7. Soit f : (x, y) 7→ sin(x) + cos(y).
12.3. CONTINUITÉ DES FONCTIONS DE N VARIABLES 159
Remarques
– Si un point M a pour coordonnées (x1 , . . . , xn ) dans le repère Rn de l’espace Rn , alors on pourra
écrire f (M ) son image par f plutôt que f (x1 , . . . , xn ).
– On ne parlera jamais de fonctions croissantes ou décroissantes sur une partie de Rn .
– Par contre, on peut parler de fonctions majorées ou minorées ou bornées sur une partie de Rn .
Définition
Soit U une partie de Rn , f : U → R et k un réel. On appelle ligne de niveau k de la fonction f dans le
repère Rn+1 la courbe obtenue par intersection du graphe de f avec l’hyperplan d’équation xn+1 = k.
La définition est conforme à la notion intuitive dans le cas où n = 2.
Exemples
Déterminer, en fonction de k ∈ R, la ligne de niveau k de :
p
f : (x, y, z) 7→ x + 2y − 3z f : (x, y) 7→ x2 + y 2 f : (x, y) 7→ xy
Définitions
Soit f : O → R. Soit ` un réel.
– On dit que f admet le réel ` pour limite en le point A si et seulement si :
– Dans le cas où A ∈
/ O, on dit que :
– f admet +∞ pour limite en le point A si et seulement si :
Remarques
– On peut constater l’analogie de ces définitions avec le cas des fonctions numériques (les intervalles
fermés bornés et centrés en x0 sont remplacés par des boules fermées et centrées en A).
– On ne peut pas définir de limite en l’infini : où est l’infini dans Rn ?
Exemples
1. Montrer que (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + αn+1 est continue en tout point de Rn .
xy
2. Montrer que (x, y) 7→ p se prolonge par continuité en O.
x2 + y 2
Théorèmes
Soit f et g définies sur O à valeurs dans R. Soit λ ∈ R.
– Les opérations usuelles sur les limites sont encore valables (avec les cas d’indétermination connus)
dans le cadre des fonctions de deux variables :
– somme f + g, produit par un réel λf et produit de deux fonctions f g,
– limites par encadrements (gendarmes).
– Dans le cas particulier où A ∈ O et à propos de la continuité, on a :
– Si f et g sont continues en A alors f + g, λf et f g sont continues en A.
– Si f et g sont continues en A et si g ne s’annule pas en A alors g1 et fg sont continues en A.
– Soit ϕ : I → R où I est un intervalle de R contenant f (O).
Si f est continue en A et si u est continue en f (A) alors ϕ ◦ f est continue en A.
Preuves
s
Preuves
s
Remarque
On utilise ce théorème essentiellement pour justifier, par contraposition, de :
– la non continuité d’une fonction en un point,
– l’impossibilité de prolonger par continuité une fonction en un point.
12.3. CONTINUITÉ DES FONCTIONS DE N VARIABLES 161
Exemple
xy
Montrer que (x, y) 7→ ne se prolonge pas par continuité en O.
x2 + y 2
Théorèmes
Soit f et g définies sur O à valeurs dans R. Soit λ un réel.
– Si f et g sont continues sur O alors f + g, λf et f g sont continues sur O.
– Si f et g sont continues sur O et si g ne s’annule pas sur O alors g1 et fg sont continues sur O.
– Soit ϕ : I → R où I est un intervalle de R contenant f (O).
Si f est continue sur O et si ϕ est continue sur I alors ϕ ◦ f est continue sur O.
Preuves
C’est immédiat.
Preuves
s
Exemples
1. Montrer que ~x 7→ k~xk est continue sur Rn .
2. Déterminer le plus grand ouvert O de R2 de sorte que la fonction f suivante sout continue sur O :
f : O → R
x2 y + 4xy 3 − 7x
(x, y) 7→
x2 − y 2
f : R2 → R
p xy
si (x, y) 6= (0, 0)
(x, y) →
7 x2 + y 2
0 si (x, y) = (0, 0)
162 CHAPITRE 12. CONTINUITÉ DES FONCTIONS DE N VARIABLES
t 7→ f (x1 , . . . , t, . . . , xn )
Preuves
s
Exemples
1. Démontrer que toute droite de Rn est fermée dans Rn .
2. Démontrer que ∆ = {(x, y) ∈ R2 | 2x + y < 5, x − y < 1, x > 0} est ouvert dans R2 .
3. Démontrer que ∆ = {(x, y) ∈ R2 | 2x + y ≤ 5, x − y ≤ 1, x ≥ 0}} est fermé dans R2 .
Exemple
On considère la fonction :
f : R2 − {(0, 0)} → R
2x − y + 1
(x, y) 7→
x2 + y 2
1. Justifier que f est bornée sur ∆ = { (x, y) ∈ R2 | 2x + y ≤ 5, x − y ≤ 2, x ≥ 1 }.
2. On note ∂∆ le bord de ∆.
(a) Préciser un système d’équations définissant ∂∆.
(b) Justifier que f admet un minimum et un maximum sur ∂∆.
(c) Déterminer minf et maxf et préciser les points ∂∆ où ils sont atteints.
∂∆ ∂∆
12.4 Exercices
12.4.1 Pour les TD
TD
1. Ne pas confondre (x, y) → (0, 0) et x → 0 suivi de y → 0.
x2 y 2
(a) Soit f définie sur R2 − {(0, 0)} par : f (x, y) = x2 y 2 +(x−y)2
.
12.4. EXERCICES 163
h i
i. Montrer que : lim lim f (x, y) = lim lim f (x, y) = 0.
x→0 y→0 y→0 x→0
x2 y |x| + |y| x4 y
f (x, y) = g(x, y) = h(x, y) =
x+y x2 + y 2 x2 − y 2
5. On considère l’espace vectoriel Rn muni de son produit scalaire canonique. Soit A ∈ Rn . On pose :
arctan (hA, Xi)
∀X ∈ Rn , f (X) =
1 + kXk2
Montrer que f est définie et continue sur Rn .
x−y
6. (a) Montrer que f : (x, y) 7→ x+y
est continue sur ∆ = {(x, y) ∈ R2 | x ≤ 4, y ≤ 3, x + y ≥ 2}.
(b) On note T le bord de ∆. Montrer que T est fermé et borné dans R2 .
(c) Justifier que f est bornée sur T puis déterminer max f et min f .
T T
TD*
1. Soit f une fonction définie et continue sur une partie C convexe de R2 . Soit A et B deux points de C.
(a) Montrer que l’application g : t 7→ f (tA + (1 − t)B) est définie et continue sur le segment [0, 1].
(b) En déduire que si f (A) < 0 et f (B) > 0 alors il existe un point C de C tel que f (C) = 0.
(c) Montrer que f (C) est un intervalle de R.
2. Déterminer le minimum de la somme des puissances nème de deux nombres réels strictement positifs
dont la somme vaut n.
DS
1. s
166 CHAPITRE 12. CONTINUITÉ DES FONCTIONS DE N VARIABLES
Chapitre 13
Preuve
La fonction 11[0,1] est en escalier sur R et nulle (donc d’intégrale nulle) sur ] − ∞, 0[ et ]1, +∞[. De plus,
R1 R +∞
0
dt = 1 donc −∞ 11[0,1] (t)dt = 1 ce qui prouve bien que l’on a une densité.
Remarque
11[0,1[ est aussi une densité de X ,→ U([0, 1]). On admet que la fonction random du langage Pascal suit
cette loi.
1 1
E(X) = et V(X) =
2 12
Preuves
Rx Rx
– Si x < 0 alors FX (x) = −∞
0dt = 0. Si x ∈ [0, 1] alors FX (x) = 0
dt = x. Si x > 1 alors
Rx
FX (x) = 1 + 1 0dt = 1.
167
168 CHAPITRE 13. VARIABLES ALÉATOIRES À DENSITÉ USUELLES
Comme la convergence est aussi absolue, on en déduit que X admet une espérance qui vaut 21 .
Pour tout couple (A, B) de réels tel que A < 0 et B > 1, on a :
Z B Z 1 3 1
2 2 t 1
t 11[0,1] (t)dt = t dt = =
A 0 3 0 3
Comme la convergence est aussi absolue, on en déduit que X admet un moment d’ordre 2 et, à l’aide
de la formule de Koenig-Huygens, on a alors :
2
2 2 1 1 1
V(X) = E(X ) − E(X) = − =
3 2 12
Exemple
Soit X et Y deux variables aléatoires indépendantes suit la loi U([0, 1]). Déterminer une densité puis la
fonction de répartition de la variable aléatoire X + Y .
Preuve
1
La fonction b−a 11[a,b] est en escalier sur R et nulle (donc d’intégrale nulle) sur ] − ∞, a[ et ]b, +∞[. De
Rb 1 R +∞ 1
plus, a b−a dt = 1 donc −∞ b−a 11[a,b] (t)dt = 1 ce qui prouve bien que l’on a une densité.
Proposition (QC)
Soit a et b deux réels tels que a < b. On a :
Preuve
Pour tout x ∈ R, on a :
x−a x−a
FY (x) = P(Y ≤ x) = P((b − a)X + a ≤ x) = P X ≤ = FX
b−a b−a
Par dérivation sur R, on a :
1 x−a
∀x ∈ R, fY (x) = fX
b−a b−a
Remarquons encore que :
x−a
∀x ∈ R, x ∈ [a, b] ⇔ ∈ [0, 1]
b−a
13.1. LOI UNIFORME SUR UN INTERVALLE 169
Remarque
Cette proposition est à la base de la simulation informatique de X ,→ U([a, b]).
a+b (b − a)2
E(X) = et V(X) =
2 12
Preuves
Applications immédiates de la proposition précédente (et de sa preuve pour FY ).
Exemples
1. Soit U ,→ U([a, b]). On définit les variables aléatoires X, Y, Z suivant la loi uniforme sur les inter-
valles respectifs [a, b[, ]a, b], ]a, b[ par :
1 1 1
fX (x) = 11[a,b[ fY (x) = 11]a,b] fZ (x) = 11]a,b[
b−a b−a b−a
Vérifier que X, Y et Z ont même fonction de répartition, même espérance et même variance que U .
2. Soit X1 , . . . , Xn des variables aléatoires mutuellement indépendantes suivant la même loi U([a, b]).
On pose Sn = max(X1 , . . . , Xn )
Preuve
R +∞
L’intégrale −∞
e−x 11[0,+∞[ (x)dx est clairement convergente en −∞. Pour tout réel A > 0, on a :
Z A Z A A
−x
e−x dx = −e−x 0 = 1 − e−A −→ 1
e 11[0,+∞[ (x)dx =
−∞ 0 A→+∞
E(X) = 1 et V(X) = 1
Preuves
Rx Rx
– Si x < 0 alors FX (x) = −∞
e−t 11[0,+∞[ (t)dt = −∞
0dt = 0. Si x ≥ 0 alors on a :
Z x Z x
−t
FX (x) = e 11[0,+∞[ (t)dt = e−t dt = 1 − e−x
−∞ 0
– Les fonctions t 7→ t et t 7→ e−t sont de classe C 1 sur R. Par intégration par parties et pour tout réel
x > 0, on a :
Z x Z x Z x
−t −t
−t x
te 11[0,+∞[ (t)dt = te dt = te 0 + e−t dt
−∞ 0 0
−t x
= xe + −e 0 = 1 + (x − 1)e−x
−x
Rx
D’après les limites usuelles, on en déduit que −∞ te−t 11[0,+∞[ (t)dt −→ 1. De plus, la convergence
x→+∞
est absolue
On prouve l’existence E(X 2 ) en effectuant deux intégrations par parties :
Z x Z x Z x
2 −t 2 −t
2 −t x
t e 11[0,+∞[ (t)dt = t e dt = t e 0 + 2 te−t dt
−∞ 0 0
Z x
= x2 e−x + 2 te−t dt −→ 2
0 x→+∞
Preuve
R +∞
L’intégrale −∞
λe−λx 11[0,+∞[ (x)dx est clairement convergente en −∞. Pour tout réel A > 0, on a :
Z A Z A A
−λx
λe−λx dx = −e−λx 0 = 1 − e−λA −→ 1
λe 11[0,+∞[ (x)dx =
−∞ 0 A→+∞
Exemple
1
Tracer une densité de E 2
et E(2).
Proposition
Soit λ un réel strictement positif. Alors :
1
X ,→ E(1) ⇔ Y = X ,→ E(λ)
λ
Preuve
Soit x ∈ R. Alors :
FY (x) = P(Y ≤ x) = P(X ≤ λx) = FX (λx)
Par dérivation sur R, on obtient :
∀x ∈ R, fY (x) = λfX (λx)
– ⇒ : Supposons que X ,→ E(1). Alors, pour tout réel x, on a :
fY (x) = λe−λx
donc Y ,→ E(λ).
– ⇐ : Supposons que Y ,→ E(λ). Alors, pour tout réel x, on a :
1 −λx
fX (λx) = λe = e−λx
λ
Par bijectivité de x 7→ λx, on obtient que fX (x) = e−x pour tout réel x. Ainsi X ,→ E(1).
Preuves
Conséquences de la proposition qui précède.
Exemples
1
1. Tracer la fonction de répartition de E 2
et E(2).
2. Soit X ,→ E(λ) où λ > 0. On pose p = 1 − e−λ ∈]0, 1[ et Y = bXc + 1. Montrer que Y ,→ G(p).
Définition
Soit X une variable aléatoire à valeurs positives et telle que :
Interprétation
Si X mesure la durée de vie d’une machine alors l’absence de mémoire (l’absence de vieillissement
ici) signifie que sa probabilité de fonctionner encore x unités de temps sachant qu’elle a déjà fonctionné y
unités de temps est la même que sa probabilité de fonctionner x unités de temps dès après sa fabrication.
Remarquons aussi que la propriété d’absence de mémoire est équivalente aux deux propositions sui-
vantes :
∀(x, y) ∈ [0, +∞[2 , P(X > x + y) = P(X > x)P(X > y)
∀(x, y) ∈ [0, +∞[2 , FX (x + y) = FX (x) + FX (y) − FX (x)FX (y)
Théorème (QC*)
Soit X une variable aléatoire à densité, à valeurs positives et telle que :
Alors, X suit une loi exponentielle si et seulement si la loi de X est une loi sans mémoire.
Preuve
– ⇒ : Supposons que X ,→ E(λ) où λ > 0. Soit (x, y) ∈ [0, +∞[2 . Alors :
Par hyposthèse, r(0) = P(X > 0) > 0 donc r(0) = 1. Par récurrence, on obtient :
Ainsi :
1
∀n ∈ N, r(−n) = = a−n
an
Soit q ∈ N∗ . Alors :
q
1 1 1 1 1
a = r(1) = r + ··· + =r donc r = aq
q q q q
Soit p ∈ N. Alors :
p
p 1 1 1 1 p p
r =r + ··· + =r = aq = aq
q q q q
donc : ∀x ∈ Q, r(x) = ax .
Comme r = 1 − FX alors r est continue à droite en tout point de R. Soit x ∈ R. Alors x est la
limite d’une suite décroissante de rationnels (prendre xn = 10−n (b10n xc + 1) pour tout entier n).
Par continuité à droite de r on en déduit que :
donc X ,→ E(λ).
Preuve
R +∞
On sait que l’intégrale 0 tν−1 e−t dt est absolument convergente pour tout réel ν > 0 et qu’elle vaut
R +∞ 1 ν−1 −t
Γ(ν). Ainsi, l’intégrale −∞ Γ(ν) t e 11]0,+∞[ (t)dt est convergente et vaut 1 ce qui assure que la fonction
est bien une densité.
174 CHAPITRE 13. VARIABLES ALÉATOIRES À DENSITÉ USUELLES
Exemples
1. Justifier que γ(1) = E(1).
2. Tracer l’allure de la densité de γ 12 , γ(1), γ 23 , γ(2), γ(3).
3. Soit X et Y deux variables aléatoires indépendantes suivant la même loi E(1). Montrer que X + Y
suit la loi γ(2).
Proposition (QC)
Soit ν > 0 et X ,→ γ(ν). Alors, X admet une espérance et une variance et on a :
E(X) = ν et V(X) = ν
Preuve
Pour tous réels a et b tels que 0 < a < b, on a :
Z b Z b
1 ν−1 −t 1 ν −t Γ(ν + 1)
t t e 11]0,+∞[ (t)dt = t e dt −→ =ν
a Γ(ν) a Γ(ν) a→0
b→+∞
Γ(ν)
Z b Z b
2 1 ν−1 −t 1 ν+1 −t Γ(ν + 2)
t t e 11]0,+∞[ (t)dt = t e dt −→ = (ν + 1)ν
a Γ(ν) a Γ(ν) a→0
b→+∞
Γ(ν)
et la convergence est absolue donc :
E(X) = ν E(X 2 ) = (ν + 1)ν et V(X) = E(X 2 ) − E(X) = ν
Proposition (QC)
Soit n un entier supérieur ou égal à 2 et (X1 , . . . , Xn ) une famille de variables aléatoires mutuellement
indépendantes suivant toutes la loi γ(1) (ou E(1)). Alors :
X1 + · · · + Xn ,→ γ(n)
Preuve
On effectue une démonstration par récurrence. Soit P(n) la proposition ... Au rang n = 2, pour tout réel
x > 0, on a :
Z +∞ Z x
1 2−1 −x
fX1 +X2 (x) = fX1 (t)fX2 (x − t)dt = e−x dt = xe−x = x e
−∞ 0 Γ(2)
puisque Γ(2) = 1! = 1. De plus, fX1 +X2 (x) est nul lorsque x ≤ 0. Ainsi X1 + X2 ,→ γ(2). Supposons
la proposition vraie à un certain rang n ≥ 2. Alors, pour toute famille (X1 , . . . , Xn , Xn+1 ) de variables
aléatoires mutuellement indépendantes et de même loi γ(1), on a :
X1 + · · · + Xn ,→ γ(n)
par hypothèse de récurrence et Xn+1 est indépendante de X1 + · · · + Xn . Ainsi, pour tout réel x > 0, on a :
Z +∞ Z x x
1 n−1 −x e−x tn
f(X1 +···+Xn )+Xn+1 (x) = f(X1 +···+Xn ) (t)fXn+1 (x − t)dt = t e dt =
−∞ Γ(n) 0 Γ(n) n 0
Comme Γ(n + 1) = nΓ(n) alors, pour tout réel x > 0 :
1
fX1 +···+Xn+1 (x) = xn+1−1 e−x 11]0,+∞[ (x)
Γ(n + 1)
puisque la densité s’annule clairement pour x ≤ 0. On en déduit que P(n + 1) est vraie.
13.3. LES DIFFÉRENTES LOIS GAMMA 175
Preuve
On effectue le changement de variable u(t) = bt qui est de classe C 1 puisque b > 0. Pour tous réels x et
y strictement positifs tels que x < y, on a :
Z y Z y/b Z y/b
1 ν−1 − bt 1 ν−1 −u 1
ν
t e 11]0,+∞[ (t)dt = ν b (bu) e du = uν−1 e−u du
x b Γ(ν) b Γ(ν) x/b Γ(ν) x/b
d’où la convergence vers 1 lorsque x → 0 et y → +∞.
Exemple
1
Justifier que γ(ν) = Γ(1, ν) et que E(λ) = Γ λ
,1 .
Proposition (QC)
Soit (b, ν) un couple de réels strictement positifs. Alors :
X ,→ γ(ν) ⇔ Y = bX ,→ Γ(b, ν)
Preuve
On pose Y = bX. Comme b > 0, alors, pour tout réel x, on a :
Conséquence (QC)
Soit b > 0, ν > 0 et X ,→ Γ(b, ν). Alors, X admet une espérance et une variance et on a :
E(X) = bν et V(X) = b2 ν
176 CHAPITRE 13. VARIABLES ALÉATOIRES À DENSITÉ USUELLES
Preuve
Comme Y = 1b X ,→ γ(ν) et comme Y admet une espérance et une variance alors X admet une
espérance et une variance. De plus :
Proposition (QC)
Soit b un réel strictement positif, n un entier supérieur ou égal à 2, (ν1 , . . . , νn ) une famille de réels
strictement positifs et (X1 , . . . , Xn ) une famille de variables aléatoires mutuellement indépendantes suivant
chacune la loi Γ(b, νi ). Alors :
X1 + · · · + Xn ,→ Γ(b, ν1 + · · · + νn )
En conséquence :
– si (X1 , . . . , Xn ) sont mutuellement indépendantes et admettent toutes la loi E(λ) (où λ > 0) alors :
1
X1 + · · · + Xn ,→ Γ ,n
λ
– si (X1 , . . . , Xn ) sont mutuellement indépendantes et admettent respectivement la loi γ(νi ) (où νi > 0)
alors :
X1 + · · · + Xn ,→ Γ (1, ν1 + · · · + νn )
Preuve
On effectue une démonstration par récurrence. Soit P(n) la proposition ... Au rang n = 2, pour tout réel
x > 0, on a :
Z +∞ x Z x
e− b
fX1 +X2 (x) = fX1 (t)fX2 (x − t)dt = ν1 +ν2 tν1 −1 (x − t)ν2 −1 dt
−∞ b Γ(v1 )Γ(ν2 ) 0
t
Par changement de variable u = x
qui est de classe C 1 (car x > 0) on obtient :
x 1
xν1 +ν2 −1 e− b
Z
fX1 +X2 (x) = ν1 +ν2 uν1 −1 (1 − u)ν2 −1 du
b Γ(v1 )Γ(ν2 ) 0
Or, fX1 +X2 est une densité et, compte tenu de l’expression obtenue, d’une loi Gamma donc on a :
Z 1
Γ(v1 )Γ(ν2 )
uν1 −1 (1 − u)ν2 −1 du =
0 Γ(v1 + ν2 )
ce qui donne :
1 x
∀x ∈ R, fX1 +X2 (x) = xν1 +ν2 −1 e− b 11]0,+∞[ (x)
bν1 +ν2 Γ(v 1 + ν2 )
donc X1 + X2 ,→ Γ(b, ν1 + ν2 ). Supposons la proposition vraie à un certain rang n ≥ 2. Alors, pour
toute famille (X1 , . . . , Xn , Xn+1 ) de variables aléatoires mutuellement indépendantes suivant chacune la
loi Γ(b, νi ), on a :
X1 + · · · + Xn ,→ Γ(b, ν1 + · · · + νn )
par hypothèse de récurrence et Xn+1 est indépendante de X1 + · · · + Xn . Ainsi, d’après P(2), on en déduit
immédiatement que :
X1 + · · · + Xn+1 ,→ Γ(b, ν1 + · · · + νn+1 )
ce qui prouve que P(n + 1) est vraie.
Le cas des lois exponentielles et gamma est évident.
13.4. LES DIFFÉRENTES LOIS NORMALES 177
Proposition/Définition
2
– La fonction x 7→ √12π exp − x2 est la densité d’une variable aléatoire.
– On dit qu’une variable aléatoire X suit
la loi normale centrée réduite si et seulement si l’une de ses
1 x 2
densités est la fonction x 7→ √2π exp − 2 .
– Notation : X ,→ N (0, 1).
Preuve
La fonction est continue et positive sur R. La valeur de l’intégrale est fournie par le rappel.
Exercice
t 2
Étudier la fonction f : t 7→ √1 e− 2 . La représenter. On précisera les points d’inflexion.
2π
Preuve
Soit x ∈ R. On sait que :
Z −x
1 t2
Φ(−x) = P(X ≤ −x) = √ e− 2 dt
2π −∞
1
Par changement de variable u(t) = −t qui est de classe C sur R et par parité de la densité, on a :
Z x Z +∞ Z x
1 2
− t2 1 2
− t2 1 t2
Φ(−x) = − √ e dt = √ e dt = 1 − √ e− 2 dt = 1 − Φ(x)
2π +∞ 2π x 2π −∞
Exemples
1. Tracer l’allure de la fonction Φ.
2. Calculer P(X ≤ 0).
3. Lectures de la table de valeurs. Valeurs approchées de :
P(2 ≤ X ≤ 3) P(−3 ≤ X ≤ 1) P(−1 ≤ X ≤ 5)
4. Soit X ,→ N (0, 1). Déterminer la loi de −X.
178 CHAPITRE 13. VARIABLES ALÉATOIRES À DENSITÉ USUELLES
E(X) = 0 et V(X) = 1
Preuve
2
Par imparité de la fonction t 7→ t √12π − t2
sur R, il est immédiat que E(X) = 0 sous réserve de
exp
2
convergence absolue de l’intégrale ce qui est immédiat puisque |t|e−t = o 1
2 .
t→+∞ t
2
De la même manière t2 e−t = o 1
t2
donc X admet un moment d’ordre 2. Pour tout couple (a, b) de
t→+∞
réels tels que a < b et par intégration par parties, on a :
Z b 2
Z b 2 h ib Z b
2 − t2 − t2 −t2 2
te dt = t te dt = −te − −e−t dt
a a a a
Exemple
Soit X ,→ N (0, 1). On note σ son écart type.
1. En utilisant la table de valeurs, donner une valeur approchée de :
Preuve
x−m
Par changement de variable t = σ
on se ramène à la densité d’une loi normale centrée réduite.
Proposition (QC)
Soit m un réel et σ un réel strictement positif. Alors :
X ,→ N (0, 1) ⇔ Y = σX + m ,→ N (m, σ 2 )
13.4. LES DIFFÉRENTES LOIS NORMALES 179
Preuve
Compte tenu des définitions de fX et fY dans les cas qui nous intéressent, le résultat est immédiat.
Exemples
Soit X ,→ N (m, σ 2 ) où m ∈ R et σ ∈]0, +∞[. Alors X admet une espérance et une variance et on a :
E(X) = m et V(X) = σ 2
Preuve
X−m X−m
On sait que X ,→ N (m, σ 2 ) donc σ
,→ N (0, 1). Or σ
admet une espérance et une variance donc
X aussi. De plus, on a :
X −m X −m
E =0 ⇒ E(X) = m et V =1 ⇒ V(X) = σ 2
σ σ
X −m
V =1 ⇒ V(X) = σ 2
σ
Le résultat sur X ∗ est immédiat.
Proposition (QC*)
Soit n un entier supérieur ou égal à 2, (m1 , . . . , mn ) une famille de réels, (σ1 , . . . , σn ) une famille de
réels strictement positifs (X1 , . . . , Xn ) une famille de variables aléatoires mutuellement indépendantes et
telles que Xi ,→ N (mi , σi2 ) pour tout i. Alors :
Preuve
Soit P(n) la proposition ... Au rang n = 2, pour tout réel x, on a :
+∞ (t−m1 )2 (x−t−m2 )2 +∞
Z Z
1 − − 1 2 +2bt+c)
e−(at
2
2σ1 2
2σ2
fX1 +X2 (x) = e dt = dt
σ1 σ2 2π −∞ σ1 σ2 2π −∞
ce qui prouve la proposition P(2). L’hérédité se traite comme pour la loi Gamma.
13.5 Exercices
13.5.1 Pour les TD
TD
1. Soit X1 , . . . , Xn des variables aléatoires mutuellement indépendantes suivant la même loi U([a, b]).
On pose In = min(X1 , . . . , Xn )
(a) Déterminer la loi de In .
(b) En déduire que In est une variable à densité et préciser l’une de ces densités.
(c) Montrer que In admet une espérance et une variance que l’on déterminera.
2. Soit X ,→ U([0, 1]) et Y ,→ U([1, 2]). On suppose que X et Y sont indépendantes.
(a) Déterminer la loi de Y − X.
(b) Préciser E(Y − X) et V(Y − X).
3. Soit X ,→ E(λ) où λ > 0. On pose U = e−λX . Montrer que U ,→ U(]0, 1[).
4. Soit X ,→ E(λ) où λ > 0.
(a) i. Montrer, par récurrence, que X admet un moment à tous les ordres et que :
n!
∀n ∈ N, E(X n ) =
λn
n)
ii. Pour quelles valeurs du réel x la série n≥0 E(X xn est-elle convergente ? absolument
P
n!
P+∞ E(X n ) n
convergente ? Préciser alors la valeur de n=0 n! x .
(b) En utilisant un changement de variable, montrer que pour tout réel r > −1, on a :
Γ(r + 1)
E(X r ) =
λr
5. Soit X ,→ γ(ν) où ν > 0. Montrer que X admet un moment mk à tous les ordres et que :
k−1
Y
∗
∀k ∈ N , mk (X) = (ν + i)
i=0
13.5. EXERCICES 181
6. Soit X ,→ N (0, 1). Montrer que |X|r admet une espérance pour tout réel x > −1 et que :
r
r 22 r+1
E(|X| ) = √ Γ
π 2
TD*
1. On choisit
− un point M au hasard sur le cercle trigonométrique ce qui revient à choisir au hasard
~ −→
l’angle i, OM dans [−π, π[.
(a) Déterminer la loi de l’abscisse du point M . Cette loi admet-elle une espérance ? Si oui, la cal-
culer.
(b) Déterminer la loi de l’ordonnée du point M .
g(u) = E(euX )
Justifier que cela définit une fonction g sur ] − ∞, λ[ et exprimer g(u) sans intégrale.
2. Soit X ,→ Γ(p, λ) où p > 0 et λ > 0. Montrer que pour tout réel r ∈] − λ, +∞[, on a :
Γ(λ + r)
E(X r ) = pr
Γ(λ)
DS
1. s
184 CHAPITRE 13. VARIABLES ALÉATOIRES À DENSITÉ USUELLES
Chapitre 14
Endomorphismes symétriques
Dans tout ce chapitre, (E, h., .i) désigne un espace euclidien de dimension n.
14.1 Généralités
14.1.1 Définition
Proposition/Définition
Soit u : E → E. On dit que u est symétrique si et seulement si :
Exemple
On considère l’espace vectoriel R3 muni de son produit scalaire canonique. Soit
B = (e1 , e2 ,
e3 ) sa base
1 2 3
canonique. Soit u l’endomorphisme de E dont la matrice dans la base B est : A = 2 4 5 . Montrer
3 5 6
que u est symétrique.
Proposition (QC)
Toute application symétrique de E est un endomorphisme de E.
Preuve
Soit u une application symétrique de E, (x, y) ∈ E 2 et (λ, µ) ∈ R2 . Pour tout vecteur z ∈ E, on a :
ce qui prouve que u(λx + µy) − [λu(x) + µu(y)] = ~0. Ainsi : u ∈ L(E).
Proposition
Soit (e1 , . . . , en ) une base orthonormale de E. Soit u ∈ L(E). Alors, u est symétrique si et seulement
si :
∀(i, j) ∈ J1, nK2 , hu(ei ), ej i = hei , u(ej )i
185
186 CHAPITRE 14. ENDOMORPHISMES SYMÉTRIQUES
Preuve
⇒ : c’est évident.
⇐ : Supposons que : ∀(i, j) ∈ J1, nK2 , hu(ei ), ej i = hei , u(ej )i. Soit x = ni=1 xi ei et y = ni=1 yi ei .
P P
Alors :
* n n
+ n X n
X X X
hu(x), yi = xi u(ei ), yj ej = xi yj hu(ei ), ej i
i=1 j=1 i=1 j=1
n X
n
* n n
+
X X X
= xi yj hei , u(ej )i = xi ei , yj u(ej ) = hx, u(y)i
i=1 j=1 i=1 j=1
Preuve
Notons A = (ai,j ) la matrice de u dans B = (e1 , . . . , en ). Notons Ei la matrice colonne des coordonnées
de ei dans la base B. Pour tout couple (i, j) ∈ J1, nK2 , on a :
t
hu(ei ), ej i = hei , u(ej )i ⇔ (AEi )Ej = tEi AEj
t
ai,1 aj,1
⇔ ... Ej = tEi ... ⇔ ai,j = aj,i
ai,n aj,n
Remarque
Dans le cas d’une base non orthonormée, un endomorphisme symétrique peut être représenté par une
matrice non symétrique. Par
exemple, dans R3 muni de son produit scalaire canonique, on considère l’endo-
1 1 1
morphisme u de matrice 1 1 1 dans la base canonique B (qui est orthonormale). Un rapide calcul
1 1 1
1 0 0
0
assure que u est symétrique. Soit B = 1 , 1 , 0 . Alors, la matrice de u dans B 0 est
0 1 1
2 2 1
0 0 0 qui n’est pas symétrique.
2 2 1
Proposition (QC)
Soit u ∈ L(E). S’il existe une base orthonormale B telle que la matrice de u dans B est symétrique
alors u est symétrique.
14.2. RÉDUCTION DES ENDOMORPHISMES SYMÉTRIQUES 187
Preuve
Supposons que B = (e1 , . . . , en ) est une base orthonormale telle que A = MatB (u) est symétrique. Pour
tout couple (x, y) de vecteurs de E, on a :
hu(x), yi = t(AX)Y = tX tAY = tXAY = hx, u(y)i
donc u est symétrique.
Exemple
Soit E un espace euclidien et p un projecteur de E. Montrer que p est un projecteur orthogonal si et
seulement si p est un endomorphisme symétrique.
Preuve
XAXt
Soit A une matrice symétrique. L’application X 7→ kXk 2 admet un minimum sur {X ∈ Mn,1 (R) | kXk = 1}
(norme associée au produit scalaire canonique) puisque cette application est continue (quotient de poly-
nômes) sur un fermé-borné. Notons µ ce minimum. Alors, il existe X0 de norme 1 tel que tX0 AX0 = µ...
Proposition (QC)
Soit u un endomorphisme symétrique. Alors, ses sous espaces propres sont deux à deux orthogonaux.
Preuve
Soit λ et µ deux valeurs propres distinctes de u. Soit x ∈ Eλ et y ∈ Eµ . Alors :
hu(x), yi = hx, u(y)i ⇔ hλx, yi = hx, µyi ⇔ (λ − µ) hx, yi = 0 ⇔ hx, yi = 0
puisque λ 6= µ. Ainsi : Eλ ⊥ Eµ .
Théorème
Tout endomorphisme symétrique est diagonalisable dans une base orthonormale (et ses valeurs propres
sont toutes réelles).
Preuve
Soit u un endomorphisme symétrique de E. Il suffit de démontrer qu’il est diagonalisable puisque les
sous espaces propres sont en somme directe orthogonale (un petit peu de Gram-Schmidt au besoin). On
effectue une démonstration par récurrence (forte) sur la dimension de l’espace E :
– on considère un sous espace propre Eλ : il en existe au moins un (puisque u admet au moins une
valeur propre) et est nécessairement u-stable,
– on montre que Eλ⊥ est lui-aussi u-stable : très simple par propriété de symétrie,
– on montre enfin que l’endomorphisme induit par u sur Eλ⊥ est symétrique pour lui appliquer l’hypo-
thèse de récurrence : pas bien compliqué non plus,
– on conclut alors que E est somme directe de sous espace propres de u donc que u est diagonalisable.
188 CHAPITRE 14. ENDOMORPHISMES SYMÉTRIQUES
Preuve
Lien endomorphisme symétrique avec matrice symétrique et matrice orthogonale.
Exemple
2 1 1
Dans R3 muni de son produit scalaire canonique, on considère l’endomorphisme u de matrice 1 2 1
1 1 2
dans la base canonique B.
1. Justifier que u est diagonalisable dans une base orthonormale que l’on précisera.
2. Déterminer la matrice de un dans la base canonique de R3 en fonction de l’entier n.
Proposition
Soit A une matrice symétrique réelle de Mn (R). Alors, il existe des réels (λ1 , . . . , λn ) et des matrices
colonnes (X1 , . . . , Xn ) telles que :
n
X
A= λi Xi tXi = λ1 X1 tX1 + · · · + λn Xn tXn
i=1
Preuve
Soit (λ1 , . . . , λn ) les valeurs propres de A et (X1 , . . . , Xn ) des vecteurs propres associés supposés tous
unitaires. On note P la matrice dont les colonnes sont les coordonnées des vecteurs propres (P est la matrice
de passage de la base canonique à la base de vecteurs propres choisie, on sait alors que P est orthogonale).
Alors :
...
λ1 (0) n (0)
A = P
... t
P =P
X
λi
t
P
(0) λn i=1 . ..
(0)
.
...
(0) .
X n
t X
n
t . X n
= P λ P = λ X . . . X X = λi Xi tXi
i i 1 n i
i=1 ... i=1 .. i=1
(0) .
Proposition
Soit B une base orthonormée de E.
– Soit u ∈ L(E) et q sa forme associée. Soit A la matrice de u dans la base B. Pour tout
quadratique
x1
..
vecteur x de E, on note X = . la matrice colonne de ses coordonnées dans la base B. Alors :
xn
n X
X n n
X X
t
∀x ∈ E, q(x) = XAX = ai,j xi xj = ai,i xi + 2 ai,j xi xj
i=1 j=1 i=1 1≤i<j≤n
q : E → R
n
X X
x 7→ q(x) = ai xi + 2 ai,j xi xj
i=1 1≤i<j≤n
Preuves
s
Preuves
– évident avec la définition.
– simple avec la définition.
– toujours la définition avec bilinéraité et symétrie.
Preuve
Évident.
Remarque
L’objectif est ainsi de déterminer si la forme bilinéaire symétrique associée à une forme quadratique
(ϕ(x, y) = 14 (q(x + y) − q(x − y))) est un produit scalaire :
– si toutes les valeurs propres sont strictement positives alors q est strictement positive et ϕ est un
produit scalaire,
– si toutes les valeurs propres sont positives et si l’une au moins est nulle alors q est positive ou nulle
et ϕ est positive non définie,
– s’il existe deux valeurs propres de signes contraires alors q peut prendre des valeurs positives et des
valeurs négative et ϕ n’est pas positive,
– si toutes les valeurs propres sont négatives et si l’une au moins est nulle alors q est négative ou nulle
et ϕ est négative non définie,
– si toutes les valeurs propres sont strictement négatives alors q est strictement négative et −ϕ est un
produit scalaire.
Exemples
2 2 x1 y1
1. L’application ϕ : R × R → R, , 7→ x1 y1 + x1 y2 + x2 y1 + x2 y2 est-elle un
x2 y2
produit scalaire sur R2 ?
2 2 x1 y1
2. L’application ϕ : R × R → R, , 7→ x1 y2 + x2 y1 est-elle un produit scalaire
x2 y2
sur R2 ?
Méthode de Gauss
Nous allons décrire une méthode permettant de connaître le signe des valeurs propres sans les calcu-
ler (et sans même obtenir une base orthonormale de vecteurs propres). Cette méthode est basée sur deux
relations :
1. la mise sous forme canonique, dans le cas où on a un facteur « carré » ai,i x2i (c’est à dire avec ai,i 6= 0) :
n
X
qi (xi , . . . , xn ) = ai,i x2i + ai,k xi xk + qi,2 (xi+1 , . . . , xn )
k=i+1
!2 !2
n n
X ai,k X ai,k
= ai,i xi + xk − xk + qi,2 (xi+1 , . . . , xn )
k=i+1
2a i,i
k=i+1
2a i,i
n
!2
X ai,k
= ai,i xi + xk + qi+1 (xi+1 , . . . , xn )
k=i+1
2ai,i
Exemples
1. L’application suivante est-elle un produit scalaire sur R3 :
3
ϕ : R ×R3 → R
x1 y1
x2 , y2 7→ x1 y1 + x1 y2 + x2 y1 + x2 y2 + x1 y3 + x3 y1 + x3 y3 + x2 y3 + x3 y2
x3 y3
14.4 Exercices
14.4.1 Pour les TD
TD
1. Diagonaliser dans une base orthonormale pour le produit scalaire canonique de R3 les matrices :
5 −1 2 −2 1 1
A = −1 5 2 B = 1 −2 −1
2 2 2 1 −1 −1
∀x ∈ E, hu(x), xi = 0
ϕx : Ex → Ex
y 7→ ϕx (y) = ϕ(y)
(d) Montrer que E est somme directe orthogonale de Ker(ϕ) et de sous espaces de dimension 2.
TD*
1. Soit E un espace euclidien.
(a) Soit f ∈ L(E). Démontrer qu’il existe un unique endomorphisme, noté f ∗ et appelé endomor-
phisme adjoint de f , tel que :
Remarque : un endomorphisme f est symétrique si et seulement s’il est égal à son adjoint.
(b) Soit u un endomorphisme symétrique de E. Montrer l’équivalence des propositions qui suivent :
i. ∀x ∈ E, hu(x), xi ≥ 0
ii. ∃v ∈ L(E) / u = v ∗ ◦ v
iii. ∃w ∈ L(E) / u = w2 et w = w∗
14.4. EXERCICES 193
∀X ∈ M3 (R), F (X) = AX − XB
L : Rp [X] → Rp [X]
0
P 7→ L(P )(X) = [(X 2 − 1)P 0 (X)]
i. Calculer P 2 et tP .
ii. Justifier que P est diagonalisable.
iii. Déterminer les valeurs propres et les sous espaces propres associés de P .
14.4. EXERCICES 195
iv. En déduire que P est la matrice d’une projection orthogonale sur un sous espace de R4 que
l’on déterminera.
(b) On revient maintenant au cas général (s quelconque). Montrer que P ∈ Ms (R) est la matrice
d’une projection orthogonale si et seulement si :
t
P2 = P et P =P
(c) Soit P et Q deux matrices de Ms (R) représentant chacune une projection orthogonale. On
suppose de plus que :
∀x ∈ Rs , kP xk2 + kQxk2 ≤ kxk2 (∗)
i. Montrer que P Q = QP = Θ.
ii. En déduire que P + Q est la matrice d’une projection orthogonale.
(d) Soit P1 , . . . , Pn , n matrices représentant chacune une projection orthogonale de Rs et telles que
P1 + · · · + Pn = Is (où Is P est la matrice unité de Ms (R)). Montrer que, pour tout partie non
vide E de J1, nK, la somme k∈E Pk est la matrice d’une projection orthogonale de Rs .
(e) On se place à nouveau dans R4 et on considère la matrice :
1 1 0 0
1 1 1 0 0
Q=
2 0 0 1 −1
0 0 −1 1
(a) Justifier que q est une forme quadratique sur R3 et donner la matrice de l’endomorphisme sy-
métrique f associé dans la base B.
(b) Pour quelles valeurs du réel a la forme quadratique q est-elle positive ?
(c) Pour quelles valeurs du réel a l’application (u, v) 7→ 14 [q(u + v) − q(u − v)] est-elle un produit
scalaire sur R3 ?
(d) Diagonaliser f dans une base orthonormale dans le cas où a = 0.
DS
1. s
196 CHAPITRE 14. ENDOMORPHISMES SYMÉTRIQUES
Chapitre 15
Exemples
Les fonctions suivantes admettent-elles un gradient en tout point de leur domaine de définition ?
197
198 CHAPITRE 15. FONCTIONS DE N VARIABLES DE CLASSE C 1
Remarques
– Si f admet des dérivées partielles par rapport à chaque variable xi au point A alors elle n’est pas
nécessairement continue en A (cf. exemple 4).
– Si f admet une dérivée partielle par rapport à la variable xi au point A alors elle n’admet pas néces-
sairement de dérivée partielle par rapport à la variable xj en ce point (cf. exemple 6).
– Pour calculer une dérivée partielle par rapport à xi au point A, on évalue les autres variables en
a1 , . . . , ai−1 , ai+1 , . . . , an puis on dérive la fonction de la seule variable xi et enfin on évalue cette
fonction en xi .
∂xi g(A)2
∂(ϕ ◦ f ) ∂f
(A) = (A) × ϕ0 (f (A))
∂xi ∂xi
– Idem avec le gradient au point A avec les relations suivantes (on rappelle que, le gradient étant un
vecteur, l’opération « . » désigne la multiplication externe à gauche des vecteurs par un réel) :
Preuves
Ce sont des applications directes de la notion de nombre dérivé en un point des fonctions d’une seule
variable pour le premier point puis application du premier point et de la structure d’espace vectoriel de R
pour le second point.
15.2. DÉVELOPPEMENT LIMITÉ À L’ORDRE 1 199
Preuve
– Notant (h1 , . . . , hn ) les coordonnées de H, on a :
n
D −−→E X ∂f
f (A) + ∇f (A), OH = f (A) + hi (A)
i=1
∂xi
est bien une application affine des variables (h1 , . . . , hn ). De plus, d’après l’inégalité de Cauchy
Schwarz, on a : D −−→E −−→
∇f (A), OH ≤ k∇f (A)k × kOHk −→ 0
H→O
Remarques
– La fonction affine précédente admet donc pour représentation graphique un hyperplan affine. Compte
tenu de la valeur nulle de la limite précédente, on en déduit que cette fonction est une approximation
affine de la fonction f au voisinage du point A (mais rien ne dit que c’est la «meilleure» approxima-
D de f en−−
tion affine A qui
→E
soit).
– Le réel ∇f (A), OH est aussi noté h∇f (A), Hi.
Définitions
On suppose que f admet un gradient en A.
– On dit que f admet un développement limité à l’ordre 1 au voisinage de A si et seulement si :
D −−→E −−→ −−→
f (A + H) = f (A) + ∇f (A), OH + kOHk × ε kOHk
Exemples
Lorsque cela est possible, déterminer une équation cartésienne du plan tangent des fonctions suivantes :
1. f : (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + c (application affine) en tout point de Rn .
−−→
2. f : M 7→ kOM k en O(0, . . . , 0) puis en M (1, . . . , 1).
200 CHAPITRE 15. FONCTIONS DE N VARIABLES DE CLASSE C 1
−−→
3. f : M 7→ kOM k2 en O(0, . . . , 0) puis en M (1, . . . , 1).
xy
4. f : (x, y) 7→ x2 +y 2
si (x, y) 6= (0, 0) et f (0, 0) = 0 en O(0, 0) puis en A(3, −5).
5. f : (x, y) 7→ xy en O(0, 0) puis en A(3, −5).
x
6. f : (x, y) 7→ y
en B(1, 1) puis en C(−5, 1).
Proposition
– Une combinaison linéaire (finie) de fonctions admettant un développement limité à l’ordre 1 au voi-
sinage du point A est une fonction admettant elle-même un développement limité à l’ordre 1 au
voisinage du point A.
– Un produit (fini) de fonctions admettant un développement limité à l’ordre 1 au voisinage du point A
est une fonction admettant elle-même un développement limité à l’ordre 1 au voisinage du point A.
– En particulier, toute fonction polynôme admet un développement limité à l’ordre 1 en tout point de
Rn (et donc aussi toutes les fonction affines).
Preuve
À rechercher.
Théorème
Si f admet un développement limité à l’ordre 1 en A alors f est continue en A.
Preuve
Évident.
∂f
: O → R
∂xi
∂f
A 7→
∂xi
Exemples
Préciser les fonctions dérivées partielles sur le plus grand ouvert possible de Rn des fonctions suivantes :
1. f : (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + c
−−→
2. f : M 7→ kOM k
−−→
3. f : M 7→ kOM k2
xy
4. f : (x, y) 7→ x2 +y 2
si (x, y) 6= (0, 0) et f (0, 0) = 0
x
5. f : (x, y) 7→ y
√
6. f : (x, y) 7→ x y
15.3. FONCTIONS DE CLASSE C 1 SUR UN OUVERT DE RN 201
Preuves
Ce sont des conséquences de l’existence en tout point A de O des dérivées partielles en A.
Proposition
Toute fonction polynôme admet des fonctions dérivées partielles par rapport à chaque variable xi sur
Rn .
Preuve
s
Exemples
Déterminer le plus grand ouvert de Rn sur lequel les fonctions suivantes sont de classe C 1 :
1. f : (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + c
−−→
2. f : M 7→ kOM k
−−→
3. f : M 7→ kOM k2
xy
4. f : (x, y) 7→ x2 +y 2
si (x, y) 6= (0, 0) et f (0, 0) = 0
x
5. f : (x, y) 7→ y
√
6. f : (x, y) 7→ x y
Preuves
C’est évident d’après les théorèmes précédents.
202 CHAPITRE 15. FONCTIONS DE N VARIABLES DE CLASSE C 1
Théorèmes
– (admis) Toute fonction de classe C 1 sur O admet un développement limité à l’ordre 1 en tout point de
O.
– Toute fonction de classe C 1 sur O est continue sur O.
Preuve
On suppose que f est de classe C 1 sur O. Soit u1 , . . . , un des fonctions de classe C 1 sur un intervalle
I de R et telles que (u1 (t), . . . , un (t)) ∈ O pour tout réel t ∈ I. Alors, la fonction g : I → R, t 7→
f (u1 (t), . . . , un (t)) est de classe C 1 sur I et on a :
n
0
X ∂f
∀t ∈ I, g (t) = u0i (t) (u1 (t), . . . , un (t))
i=1
∂xi
En particulier (seul cas officiellement au programme), si les fonctions ui sont affines de la forme t 7→ ai +tαi
alors on a :
∂f ∂f
g 0 (t) = α1 (u1 (t), . . . , un (t)) + · · · + αn (u1 (t), . . . , un (t))
∂x1 ∂xn
~ où U
(la trace du chemin sur Rn est la fonction u : t 7→ A + tU ~ = α1~e1 + · · · + αn~en ).
Preuve
g(t + h) − g(t) f (u1 (t) + h(u01 (t) + ε1 (h)), . . . , un (t) + h(u0n (t) + εn (h))) − f (u1 (t), . . . , un (t))
=
h h
...
f (A + tU ) − f (A)
fU0 (A) = g 0 (0) = lim
t→0 t
Preuve
Exemples
4. f : (x, y) 7→ xy avec A = (1, 1) et U = (a, b) tel que a2 + b2 = 1 puis avec A(−1, 2) et U = (a, b).
Déterminer ensuite le vecteur U tel que la dérivée dans la direction de U soit maximale.
Remarques
∂f
– On a clairement : ∀i ∈ J1, nK, f~e0i (A) = ∂xi
(A).
1
– Une fonction de classe C sur l’ouvert O admet une dérivée directionnelle en tout point de O et dans
toutes les directions.
– On peut définir la notion de dérivée directionnelle pour des fonctions qui ne sont pas de classe C 1 sur
O mais alors il peut y avoir des points en lesquels la fonction n’admet pas de dérivée dans certaines
(voire toutes) les directions.
– La dérivée directionnelle selon le vecteur unitaire U est égale à la pente de la courbe obtenue par
intersection de Sf avec l’hyperplan affine de Rn+1 passant par le point (A, f (A)), orthogonal à l’hy-
perplan xn+1 = 0 et « contenant » le vecteur U .
Proposition
Preuves
n
f (A + tU ) − f (A) X ∂f
fU0 (A) = lim = αi (A) = h∇f (A), U i
t→0 t i=1
∂xi
– Cauchy-Schwarz.
En particulier, si O est convexe alors on a une telle égalité pour tous les points H de O.
Preuve
Soit H(h1 , . . . , hn ) ∈ O tel que [A, A + H] ⊂ O. Compte tenu de cette inclusion, la fonction :
ϕ : [0, 1] → R, t 7→ f (A + tH)
est bien définie. De plus ϕ est de classe C 1 sur [0, 1] (dérivée sur un segment) et on a :
n
0
X ∂f D −−→E
ϕ (t) = (A + tH)hi = ∇f (A + tH), OH
k=1
∂xi
D’autre part, on a ϕ(0) = f (A) et ϕ(1) = f (A + H). Le théorème des accroissements finis (pour les
fonctions numériques d’une variable) assure que :
ϕ(1) − ϕ(0)
∃θ ∈]0, 1[ / ϕ(θ) =
1−0
D −−→E
ce qui prouve que : ∇f (A + θH), OH = f (A + H) − f (A).
Exemple
−−→
Soit f : Rn → R, M 7→ kOM k2 .
1. Justifier que f est de classe C 1 sur Rn .
2. Montrer que pour tout couple (A, B) de points de Rn :
Remarque
On rappelle que si U est fermé dans Rn et si f est continue sur U alors f admet un maximum et un
minimum sur U. Nous allons donc nous intéresser dorénavant à la situation où U est un ensemble ouvert.
On suppose que f admet des fonctions dérivée partielles sur O. On dit qu’un point A de l’ouvert O est
un point critique de la fonction f si et seulement si ∇f (A) = ~0, autrement dit si et seulement si :
∂f
∀i ∈ J1, nK, (A) = 0
∂xi
Remarque
En un point critique, toutes les dérivées directionnelles sont nulles (pourvu qu’elles existent, ce qui est
le cas lorsque f est de classe C 1 ).
Théorème
On suppose que f admet un développement limité en tout point de O (ce qui est le cas lorsqu’elle est
de classe C 1 sur O). Si f admet un extremum local en A alors A est un point critique de f .
Preuve
Exemples
Pour chaque fonction, déterminer ses points critiques et préciser si f y admet ou non un extremum local
voire global.
1
1. f (x, y) = x2 +y 2
2. f (x, y, z) = x2 + y 2 + z 2
3. f (x, y) = x2 + xy − y 2 + x
Remarque
La condition énoncée est nécessaire mais n’est pas suffisante puisqu’il existe des points critiques en
lesquels la fonction n’admet pas d’extremum. Un tel point est appelé point col ou point selle.
206 CHAPITRE 15. FONCTIONS DE N VARIABLES DE CLASSE C 1
15.5 Exercices
15.5.1 Pour les TD
TD
3 +y 3 +z 3
1. Soit f : R3 − {(0, 0, 0)} → R, (x, y, z) 7→ √x .
x2 +y 2 +z 2
(a) Montrer que f se prolonge en une fonction continue sur R3 (que l’on notera encore f ).
(b) Étudier l’existence de dérivées partielles d’ordre 1 sur R3 .
(c) La fonction f est-elle de classe C 1 sur R3 ?
direction.
3. Soit f : R3 → R, (x, y, z) 7→ x2 + xy + y 2 + yz + z 2 + zx + x + y + z + 1.
(a) Justifier que f est de classe C 1 sur R3 et déterminer l’expression des fonctions dérivées partielles
d’ordre 1.
(b) Écrire un développement limité à l’ordre 1 de f au voisinage de A(xA , yA , zA ). On donnera
l’expression de la fonction ε.
(c) Déterminer l’ensemble des points critiques de f .
(d) La fonction f admet-elle un extremum global ? un extremum local ?
i. Montrer que f admet un maximum M et un minimum m sur D et qu’il sont atteints sur
C = {(x, y) ∈ R2 | x2 + y 2 = 1}.
ii. Étudier la fonction t 7→ f (cos(t), sin(t)).
iii. En déduire les valeurs de M et m.
TD*
1. Étudier les extrema de la fonction f définie sur R3 par : f (x, y, z) = x2 + y 2 + z 2 − 2xyz.
15.5. EXERCICES 207
1 a b
∀t ∈ R, = +
(x.et + 1)(y.et + 1) x.et + 1 y.et + 1
On exprimera a et b en fonction de x et y.
ii. En déduire la valeur de f (x, y).
(c) i. Étudier l’existence de dérivées partielles pour f .
ii. La fonction f est-elle de classe C 1 sur son domaine de définition ?
2. Déterminer une fonction f définie sur un ouvert O de R2 le plus grand possible (et à déterminer) telle
que :
∂f y2 ∂f x2
∀(x, y) ∈ O, (x, y) = , (x, y) =
∂x (x + y)2 ∂y (x + y)2
3. Soit D = {(x, y) ∈ R2 | − 1 ≤ x ≤ y ≤ 1} et f : D → R, (x, y) 7→ (y − x)2 + 6xy.
(a) Justifier que f admet des extrema.
(b) Déterminer les points critiques de f . A-t-on des extrema locaux ?
(c) Déterminer les extrema de f .
ϕH,M : R → R, t 7→ f (M + tH)
−−→
(c) On suppose dans cette question que f (O) = 0 et que gradf (O) = ~0. On suppose également que
f est strictement convexe, c’est à dire qu’elle vérifie :
(a) Montrer que f est continue sur R2 puis étudier l’existence de dérivées partielles de f .
(b) Pour tout réel x, on pose : h(x) = f (x, 0) − 1.
Étudier les variations de h. En déduire que f n’admet pas d’extremum en (0, 0).
(c) Déterminer les points critique de f .
(d) i. Montrer que : ∀x ≥ 0, f (x, y) ≥ h(x) + 1.
1
ii. En déduire que f admet un minimum local en e
,0 .
(e) Pour tout réel x, on pose : g(x) = f (x, 1) − f (0, 1).
i. Montrer que g(x) est du signe de x.
ii. En déduire que f n’admet pas d’extremum local en (0, 1).
DS
1. s
Chapitre 16
Dans tout ce chapitre, on considère une suite de variables aléatoires (Xn )n∈N ainsi qu’une autre variable
aléatoire X toutes définies sur un même espace probabilisé (Ω, T , P).
L’objetif de ce chapitre est de s’intéresser au comportement de cette suite lorsque n tend vers l’infini et
notamment de définir le sens de (en occurrence différents sens de) :
Xn −→ X
n→+∞
Différentes définitions de « la limite » seront mises en exergue (2 dans le cours et 2 autres en exercice). La
définition qui semblerait la plus naturelle serait de dire que :
(appelée convergence simple de la suite d’applications (Xn ) vers l’application X) mais cela pose de gros
problèmes en lien avec le calcul des probabilités (cette « définition » ne fait aucune allusion à la probabilité
P). Une meilleure définition, mais qui n’est pas au programme, est la convergence presque sûre :
Xn −→ X ⇔ P ω ∈ Ω lim Xn (ω) = X(ω) =1
p.s. n→+∞
qui fait l’objet de l’exercice 1. Un inconvénient de cette définition est qu’elle est très contraignante : peu
(ou plutôt pas assez) de suites seraient alors « convergentes ». Toutefois, cette définition présente aussi des
avantages : elle corrige quelques défauts de la convergence simple des applications tout en restant très
proche d’elle.
Remarques
– Cette définition de la convergence en probabilité est évidemment équivalente à :
209
210 CHAPITRE 16. CONVERGENCES DES SUITES DE VARIABLES ALÉATOIRES
– Une interprétation de cette définition est de dire Xn ne peut presque sûrement pas prendre des valeurs
très différentes de celles de X lorsque n tend vers l’infini. Par contre, rien n’oblige à ce que Xn (ω)
soit « proche » de X(ω) pour chaque éventualité ω (voir exercice 1, question 3).
– Dans la notation Xn −→ X la notion de n tend vers l’infini est sous entendue. On rencontre parfois
P
la notation :
P
Xn −→ X
n→+∞
Exemples
1. Soit p ∈]0, 1[, X = p11Ω (variable aléatoire certaine prenant la valeur p) et, pour tout entier naturel n
non nul : Xn ,→ B(n, p). En utilisant l’inégalité de Bienaymé-Tchebychev, montrer que n1 Xn −→ X.
P
2. Soit U ,→ U([0, 1]) et (Xn )n≥1 une suite de variables aléatoires mutuellement indépendantes ayant
toutes la même loi que U . Pour tout entier naturel n non nul, on pose :
In = inf(X1 , . . . , Xn ) et Sn = sup(X1 , . . . , Xn )
(a) i. Calculer P(|Sn − 1| > ε) pour tout entier n ≥ 1 et tout réel ε > 0.
ii. En déduire que Sn −→ 11Ω .
P
(b) Montrer que la suite (In ) converge en probabilité vers une variable certaine que l’on précisera.
1 1
Xn (Ω) = {0, n} P(Xn = 0) = 1 − P(Xn = n) =
n n
(a) Montrer que (Xn ) converge en probabilité vers la variable certaine égale à 0.
(b) Comparer limn→+∞ E(Xn ) avec E(011Ω ).
4. On suppose que Ω est l’intervalle [0, 1], T est la tribu des boréliens de [0, 1] (intersections des boré-
liens de R avec [0, 1]) et P est la probabilité uniforme. Soit X la variable certaine égale à 0. Pour tout
entier naturel n, on pose : Xn = 11[0, 1 ] . Montrer que Xn −→ X.
n+1 P
Remarques
– Il n’y a pas unicité de la limite lors de la convergence en probabilité, plus précisément :
Xn −→ X et Xn −→ X 0 ⇒ P(X 6= X 0 ) = 0
P P
|Xn | −→ 0 ⇔ Xn −→ 0
P P
Xn −→ X ⇔ Xn − X −→ 0
P P
16.1. CONVERGENCE EN PROBABILITÉ 211
Xn −→ X ⇒ ∀(a, b) ∈ R2 , aXn + b −→ aX + b
P P
Preuves
– On a :
|Xn | → 0 ⇔ ∀ε lim P(||Xn | − 0| > ε) = 0 ⇔ ∀ε lim P(|Xn − 0| > ε) = 0 ⇔ Xn → 0
P n→+∞ n→+∞ P
Preuve
Il est clair que chaque Yn admet une espérance et que E(Yn ) = m. Comme les Xk sont deux à deux non
corrélées alors chaque Yn admet une variance et :
1 σ2
V(Yn ) = 2 (V(X1 ) + · · · + V(Xn )) =
n n
Soit ε > 0. D’après l’inégalité de Bienaymé-Tchebychev, on a alors :
V(Yn ) σ2
P (|Yn − m11Ω | > ε) = P (|Yn − E(Yn )| > ε) ≤ = −→ 0
ε2 nε2 n→+∞
212 CHAPITRE 16. CONVERGENCES DES SUITES DE VARIABLES ALÉATOIRES
Exemple
On lance une pièce de monnaie une infinité de fois. A chaque lancer, la probabilité d’apparition de son
côté pile est p où 0 < p < 1, inconnu a priori. Déterminer le nombre n de lancers à effectuer pour que la
fréquence d’apparition de pile soit une valeur approchée de p à 10−8 près avec une probabilité d’au moins
0,99. Que cela change-t-il si on sait que p = 0, 1 ?
Remarques
– Ce théorème doit nous conforter dans notre intuition et dans notre choix de la définition de la pro-
babilité d’un événement comme fréquence limite de son nombre d’apparitions lors d’une succession
infinie et indépendantes de réalisation de l’expérience aléatoire sous-jacente.
– Ce théorème sert de base à l’estimation de la valeur du réel m lorsqu’il est inconnu, notamment lors
de simulations informatiques.
Exemples
− n1 , n1 pour tout entier n ≥ 1. Montrer que Xn −→ 011Ω .
1. On suppose que Xn ,→ U
L
1 2 n−1 n
2. On suppose que Xn ,→ U n , n , . . . , n , n pour tout entier n ≥ 1. Montrer que Xn −→ X où
L
X ,→ U([0, 1]).
3. On suppose que Xn ,→ U n1 pour tout entier n ≥ 1. Montrer que Xn −→ 011Ω .
L
4. On suppose que Un ,→ U ([0, 1]) pour tout entier n ≥ 1 et que ces variables aléatoires sont mutuelle-
ment indépendantes. Pour tout entier n ≥ 1, on pose :
Mn = max(U1 , . . . , Un ) et Xn = n(1 − Mn )
Montrer que Xn −→ E(1).
L
Remarques
– La convergence en loi est une convergence basée sur la « convergence simple » des fonctions de
répartitions. Rien n’oblige donc à avoir Xn (ω) −→ X(ω) pour ne serait-ce qu’un élément ω de Ω.
n→+∞
– Une suite de variables aléatoires discrètes peut converger en loi vers une variable aléatoire discrète
(exemple 3) ou bien une variable aléatoire à densité (exemple 2).
– Une suite de variables aléatoires à densité peut converger en loi vers une variable aléatoire à densité
(exemple 4) ou bien une variable aléatoire discrète (exemple 1).
– L’exemple 2 « justifie » à quelques détails près que la fontion random du langage Pascal est une
bonne approximation de la loi uniforme sur [0, 1] : les résultats fournis par cette fonction sont obtenus
avec des probabilités semblables (n = 1012 dans le cas de Turbo Pascal) à ceux qui auraient été
fournis par une vraie variable aléatoire suivant la loi U([0, 1]).
16.2. CONVERGENCE EN LOI ET APPROXIMATIONS DE CERTAINES LOIS USUELLES 213
Preuve
Supposons que Xn −→ X. Notons Fn la fonction de répartition de la variable aléatoire Xn et F celle
P
de X. Soit ε > 0. Soit x un réel en lequel F est continue. Rappelons le résultat de l’exercice 1 du chapitre
10 appliqué aux variables aléatoires X et Xn : pour tout réel α > 0, on a
|F (x) − Fn (x)| ≤ F (x + α) − F (x − α) + P (|X − Xn | > α)
Par continuité de F en x, on a :
F (x + α) − F (x − α) −→ 0 donc ∃α > 0 / 0 ≤ F (x + α) − F (x − α) ≤ ε
α→0
la suite (Xn ) converge clairement en loi vers Y . D’autre part, |Xn − Y | = |1 − 2X| = 11Ω et donc,
pour tout réel ε ∈]0, 1[, on a P(|Xn − Y | > ε) = P(11Ω > ε) = 1 ce qui prouve que la suite (Xn ) ne
peut pas converger en probabilité vers Y .
Remarques
– La convergence en loi est plus faible (moins contraignante) que la convergence en probabilité puisque
la convergence se fait indépendamment de tout calcul de probabilité.
– Il n’y a pas unicité de la limite lors de la convergence en loi (puisqu’il n’y a pas unicité de la limite
lors de la convergence en probabilité).
– Il n’y a pas compatibilité de l’espérance avec la convergence en loi (puisque c’est aussi le cas lors de
la convergence en probabilité).
– La convergence en loi n’est pas compatible, sauf cas particuliers (voir en exercice), avec les opérations
sur les variables aléatoires (au contraire de la convergence en probabilité).
Exemples
1. Pour tout entier n ≥ 1, on considère la variable aléatoire Xn dont la loi est : n1 , 1 − n1 , n, n1 .
Preuve
Notons Fn (resp. F ) la fonction de répartition de la variable aléatoire Xn (resp. X). La variable X étant
à valeurs dans N, on en déduit que F est continue sur R − X(Ω).
– ⇒ : Supposons que Xn −→ X. Soit k ∈ N. Alors k ± 12 ∈ R − X(Ω). Pour tout entier n ≥ 1, on a :
L
1 1 1 1
P(Xn = k) = Fn k+ − Fn k− −→ F k+ −F k− = P(X = k)
2 2 n→+∞ 2 2
– ⇐ : Supposons que lim P(Xn = k) = P(X = k) pour tout entier naturel k. Soit x ∈ R − X(Ω).
n→+∞
Si x < 0 alors :
Fn (x) = 0 = F (x)
Si x ≥ 0, alors :
X X
Fn (x) = P(Xn = k) −→ P(X = k) = F (x)
n→+∞
0≤k≤bxc 0≤k≤bxc
Applications (QC)
– Soit (a, b, n) ∈ (N∗ )3 . Pour tout entier N ≥ a+b
n
, on considère une variable aléatoire XN suivant la
a a
loi H N (a + b), n, a+b . Soit X une variable aléatoire suivant la loi B n, a+b . Alors : XN −→ X.
L
– Soit λ > 0. Pour tout entier naturel n > λ, on considère une variable aléatoire Xn suivant la loi
B n, nλ . Soit X une variable aléatoire suivant la loi P(λ). Alors : Xn −→ X.
L
Preuves
– Si k > n alors, pour tout N > k, on a :
P(XN = k) = 0 = P(X = k)
n
Soit donc k ∈ J0, nK. Alors, pour tout entier N ≥ a+b
, on a :
Na Nb
k n−k n! (N a) . . . (N a − k + 1) × (N b) . . . (N b − n + k + 1)
P(XN = k) = N a+N b
= .
k!(n − k)! (N a + N b) . . . (N a + N b − n + 1)
n
k n−k
(N a)k (N b)n−k
n n a b
∼ × = = P(X = k)
N →+∞ k (N a + N b)n k a+b a+b
a n
Or, on sait que 1 + n
∼ ea donc :
n→+∞
nk λk −λ −λ λ
k
P(Xn = k) ∼ e = e = P(X = k)
n→+∞ k! nk k!
On en déduit donc que Xn −→ X.
L
λ
s’interprète de la manière manière suivante : lorsque n est « assez grand » (et donc n
est « assez
petit ») et pour tout entier naturel k, on peut écrire :
P(Xn = k) ≈ P(X = k)
autrement dit, lorsque n est « grand » et p est « petit », on peut approcher une loi binomiale par une
loi de Poisson. En pratique, dès lors que :
n ≥ 30 p ≤ 0, 1 et np < 15
Exemple
Un pisciculteur possède, dans un même bassin, 1000 saumons et 9000 truites. Il attrape successivement
et sans remise 100 poissons. Soit X le nombre de saumons pêchés.
1. Calculer la valeur exacte de P(X = 10).
2. En utilisant une première approximation, déterminer une valeur approchée de P(X = 10).
3. En utilisant une seconde approximation, déterminer une nouvelle valeur approchée de P(X = 10).
Remarque
Bien qu’une loi de Poisson ne corresponde à aucune expérience aléatoire élémentaire, elle correspond
en fait à une loi limite que l’on retrouve dans de nombreuse situations d’où son importance.
216 CHAPITRE 16. CONVERGENCES DES SUITES DE VARIABLES ALÉATOIRES
Sn − nm
∀n ∈ N∗ , Sn = X1 + · · · + Sn , Sn∗ = √
σ n
Alors, la suite (Sn∗ ) converge en loi vers la variable aléatoire X. Autrement dit, on a :
Z b
1 t2
2
∀(a, b) ∈ R , a < b ⇒ lim P (a ≤ Sn∗ ≤ b) = √ e− 2 dt
n→+∞ a 2π
Exemples
1. Soit p ∈]0, 1[. On considère une succession infinie de lancers d’une pièce dont la probabilité d’appa-
rition de son côté pile est p à chaque lancer. On note Xk le résultat du lancer numéro k (0 si le côté
face est obtenu, 1 si le côté pile est obtenu). On note Sn = X1 + · · · + Xn pour tout entier n ≥ 1.
p = 0, 1 p = 0, 4 p = 0, 5 p = 0, 8
La
remarque ci-dessusest appelée correction de continuité : la famille d’événements
k − 21 ≤ Sn < k + 12 k∈N est encore un système complet d’événements. De manière
plus concrète, dire que la température extérieure est de 16˚C c’est dire que la température
est dans l’intervalle [15, 5; 16, 5[.
(b) On note X̄n = n1 Sn pour tout entier n ≥ 1. Soit Yn ,→ N p, p(1−p) √
n
. Justifier que, pour n
« assez grand », on a :
∀α ∈]0, p[, P X̄n ∈ [p − α, p + α] ≈ P (Yn ∈ [p − α, p + α])
2. Soit (Xn )n≥1 une suite de variables aléatoires mutuellement indépendantes suivant toutes une même
loi dont on ne connaît que l’espérance µ et la variance σ 2 6= 0. Soit Sn = X1 + · · · + Xn pour tout
n ≥ 1. Soit Nn ,→ N (nµ, nσ 2 ).
Justifier que, pour tout intervalle I de R et tout entier n « assez grand », on a :
P(Sn ∈ I) ≈ P(Nn ∈ I)
Applications (QC)
– Soit p ∈]0, 1[. On suppose que Xn ,→ B(n, p) pour tout entier naturel n ≥ 1 et on note Xn∗ sa variable
centrée réduite associée. Soit N ,→ N (0, 1). Alors :
Xn∗ −→ N
L
– On suppose que Xn ,→ P(n) pour tout entier naturel n ≥ 1 et on note Xn∗ sa variable centrée réduite
associée. Soit N ,→ N (0, 1). Alors :
Xn∗ −→ N
L
16.2. CONVERGENCE EN LOI ET APPROXIMATIONS DE CERTAINES LOIS USUELLES 217
Preuves
– Soit Bk une suite de variables aléatoires mutuellement indépendantes suivant toutes la loi B(1, p).
Alors :
∀n ≥ 1, Xn = B1 + · · · + Bn
Ainsi, comme E(B1 ) = p et V(B1 ) = p(1 − p), on déduit du TLC que :
Xn − np
Xn∗ = p −→ N
np(1 − p) L
– Soit Pk une suite de variables aléatoires mutuellement indépendantes suivant toutes la loi P(1).
Alors :
∀n ≥ 1, Xn = P1 + · · · + Pn
Ainsi, comme E(P1 ) = 1 et V(P1 ) = 1, on déduit du TLC que :
Xn − n
Xn∗ = √ −→ N
n L
Exemple
Un pisciculteur possède, dans un même bassin, 3000 saumons et 7000 truites. Il attrape successivement
et sans remise 100 poissons. Soit X le nombre de saumons pêchés. En procédant à deux approximations
successives (ne pas oublier la correction de continuité), déterminer une valeur approchée de P(20 ≤ X ≤
40).
16.3 Exercices
16.3.1 Pour les TD
TD
1. (a) On suppose que Xn −→ 0. Montrer que Xn −→ 0.
L P
(b) En déduire que, pour tout réel a, si Xn −→ a alors Xn −→ a.
L P
∗
2. Soit Xn ,→ P(1) pour tout n ∈ N . On suppose que les variables aléatoires Xn sont mutuellement
indépendantes. On pose :
∀n ≥ 1, Sn = X1 + · · · + Xn
(a) Préciser la loi de Sn pour tout n ≥ 1.
Sn − n 1
(b) Montrer que : lim P √ ≤0 = .
n→+∞ n 2
n
X nk en
(c) En déduire que : ∼ .
k=0
k! n→+∞ 2
5. Sur une autoroute, la proportion de camions par rapport à l’ensemble de véhicules est de 0,06.
(a) Soit X le nombre de camions parmi 100 véhicules choisis au hasard. Calculer une valeur appro-
chée de P(X ≥ 4).
(b) Soit Y le nombre de camions parmi 10000 véhicules choisis au hasard. Calculer une valeur
approchée de P(550 ≤ X ≤ 650).
(c) On choisit n véhicules au hasard. Déterminer pour quelles valeurs de n on peut affirmer que
la proportion de camions parmi ces n véhicules est comprise entre 0,05 et 0,07 avec un risque
inférieur à 0,05 ? avec un risque inférieur à 0,01 ?
6. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes telles que, pour tout entier n ≥ 1, on a :
1
Xn (Ω) = J−1, +∞K et ∀k ∈ Xn (Ω), P(Xn = k) =
e(k + 1)!
(a) Déterminer la loi de Yk et préciser son espérance et sa variance pour tout entier k ≥ 1.
(b) Calculer l’espérance et la variance de Zn pour tout entier n ≥ 1.
(c) Étudier la convergence en probabilité puis la convergence en loi de la suite (Zn )n≥1 .
Peut-on utiliser la loi des grands nombres ?
TD*
1. Convergence forte, appelée aussi convergence presque sûre.
Rappelons la définition donnée en introduction de ce chapitre :
Xn −→ X ⇔ P ω ∈ Ω lim Xn (ω) = X(ω) =1
p.s. n→+∞
En déduire que Xn −→ X.
p.s.
ii. Pour tout entier naturel n, on définit la variable aléatoire : Tn = 11[0, 1 ] . Montrer que :
n+1
2. On considère la suite (Xn )n≥1 de variables aléatoires mutuellement indépendantes définies sur un
même espace probabilisé (Ω, T , P) et qui suivent toutes la loi B 1, 12 = U({0, 1}). On pose alors :
n
∗ 1 1 1 X 1
∀n ∈ N , Yn = X1 + X 2 + · · · + n Xn = Xk
2 4 2 k=1
2k
220 CHAPITRE 16. CONVERGENCES DES SUITES DE VARIABLES ALÉATOIRES
(a) Justifier que f (X1 ) est une variable aléatoire à densité admettant une espérance et une variance
que l’on précisera (en fonction de f ).
(b) Que peut-on dire de la suite (f (Xn ))n≥1 ?
(c) Montrer que :
∀ε > 0, lim P (|In (f ) − I(f )| ≥ ε) = 0
n→+∞
(f) ? ? ?Écrire alors un programme qui calcule Φ(1) − Φ(0) à la précision 10−6 .
2. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes suivant toutes la même loi de fonction
de répartition F . Soit λ un réel strictement positif. On pose :
∀n ∈ N∗ , Mn = max{X1 , . . . , Xn }, Zn = λMn − ln(n), Tn = n1/λ (Mn − 1)
(a) Déterminer la fonction de répartition Fn de Mn en fonction de F et de n.
(b) Dans cette question, on suppose que : X1 ,→ E(λ). Montrer que la suite (Zn )n≥1 converge en
loi vers une variable aléatoire Z que l’on précisera.
(c) Dans cette question, on suppose que la fonction F est définie par :
0
si x < 0
λ
F (x) = 1 − (1 − x) si 0 ≤ x ≤ 1
1 si x > 1
Montrer que la suite (Tn )n≥1 converge en loi vers une variable aléatoire T que l’on précisera.
Que retrouve-t-on lorsque λ = 1 ?
3. Soit σ un réel strictement positif. Pour tout entier naturel n non nul, on considère la fonction fn
définie par :
n2 x n2 x2
∀x ∈ R, fn (x) = 2 e− 2σ2 11[0,+∞[ (x)
σ
(a) Montrer que, pour tout entier n ≥ 1, fn est une densité d’une variable aléatoire Xn .
(b) Prouver que la suite (Xn )≥1 converge en probabilité vers une variable aléatoire X que l’on
précisera.
16.3. EXERCICES 221
iii. Rechercher un exemple dans le cours qui prouve que la réciproque est fausse.
(b) La convergence en moyenne quadratique implique la convergence en probabilité.
Soit (Xn ) une suite de variables aléatoires admettant un moment d’ordre 2. Soit X une autre
variable aléatoire admettant un moment d’ordre 2.
i. Montrer que si la suite (Xn ) converge en moyenne quadratique vers X alors Xn −→ X.
P
ii. (Un cas particulier) En déduire que :
lim E(Xn − X) = lim V(Xn − X) = 0 ⇒ Xn −→ X
n→+∞ n→+∞ P
2. (Oral ESCP 2003). Pour tout entier naturel n non nul et pour tout réel x, on pose :
x n
fn (x) = an 1 − 11[0,n] (x)
n
où an est un réel.
(a) Soit n ∈ N∗ . Déterminer an pour que fn soit une densité d’une variable aléatoire.
(b) Pour tout entier naturel n ≥ 1, on note Xn une variable aléatoire admettant fn pour densité.
i. Montrer que Xn admet un moment d’ordre k pour tout entier k ≥ 1.
ii. Déterminer la fonction de répartition Fn de Xn .
(c) La suite (Xn )n≥1 converge-t-elle en loi ? Si oui, préciser la loi de la limite obtenue.
DS
1. s
E(Xn )
P(|Xn | > ε) ≤ −→ 0
ε n→+∞
ii. La variable aléatoire |Xn − X| est à valeurs positives et E(|Xn − X|) −→ 0 donc, d’après
n→+∞
la question précédente, |Xn − X| −→ 0 c’est à dire que Xn −→ X en vertu d’une propriété
P P
du cours.
iii. La réciproque est fausse en vertu de l’exemple initial 3.
(b) i. Soit ε > 0. D’après l’inégalité de Markov généralisée, on a :
E(|Xn − X|2 )
P(|Xn − X| > ε) ≤ −→ 0
ε2 n→+∞
ii. La même inégalité de Markov généralisée ainsi que la formule de Koenig-Huygens assure
la convergence en probabilité.
Chapitre 17
– On dit que f admet une dérivée partielle d’ordre 2 par rapport à xi puis par rapport à xj sur O
∂f
si et seulement si la fonction ∂xi
admet une fonction dérivée partielle par rapport à xj sur O et on la
note alors :
– On dit que f est de classe C 2 sur O si et seulement si l’une propriétés (équivalentes) suivantes est
vérifiée :
– f est de classe C 1 sur O et toutes ses fonctions dérivées partielles d’ordre 1 sont aussi de classe C 1
sur O,
– f admet des fonctions dérivées partielles d’ordre 2 par rapport à tout couple (xk , xh ) de variables
qui sont continues sur O.
223
224 CHAPITRE 17. FONCTIONS DE N VARIABLES DE CLASSE C 2
Exemples
1. Fonctions affines.
2. Norme, carré de la norme.
(
x3 y
x2 +y 2
si (x, y) 6= (0, 0)
3. Dérivées partielles secondes de f dans le cas où f (x, y) = .
0 sinon
4. Montrer que si u est de classe C 2 sur I alors f : I × Rn−1 → R, (x1 , . . . , xn ) 7→ u(x1 ) est de classe
C 2 sur I × Rn−1 et que :
Notation
Dans le cas où n = 2 et f est de classe C 2 , il est d’usage d’utiliser les notations dites de Monge :
Preuves
Exemples
∂2f ∂2f
(A) = (A)
∂xi ∂xj ∂xj ∂xi
Preuve
s
Corollaire
Si f est de classe C 2 sur O alors, pour tout couple (i, j) ∈ J1, nK tel que i 6= j, on a :
∂2f ∂2f
=
∂xi ∂xj ∂xj ∂xi
(égalité des fonctions sur O) et la matrice hessienne de f en tout point A est symétrique.
Preuve
C’est immédiat.
Exemple et contre-exemple
∂2f ∂2f
1. Comparer ∂x∂y
(x, y) et ∂x∂y
(x, y) dans le cas où f (x, y) = x3 + y 3 + xy 2 − x2 y + xy.
( 3
x y
∂2f ∂2f x2 +y 2
si (x, y) 6= (0, 0)
2. Comparer ∂x∂y
et ∂x∂y
dans le cas où f (x, y) = .
0 sinon
Preuve
s
Exemple
1. Développement limité à l’ordre 2 de f (x1 , . . . , xn ) = α1 x1 + · · · + αn xn en A(a1 , . . . , an ).
2. Développement limité à l’ordre 2 de f (x, y, z) = x2 + xy + y 2 + yz + z 2 + zx + x + y + z + 1 en
A(1, 0, −1).
3. Développement limité à l’ordre 2 de f (x, y) = x3 + y 3 + xy 2 − x2 y + xy en A(2, 1).
226 CHAPITRE 17. FONCTIONS DE N VARIABLES DE CLASSE C 2
∀t ∈ I, g(t) = f (A + tU )
Proposition
On suppose que f est de classe C 2 sur O. Soit U un vecteur unitaire. Alors f possède une dérivée
seconde dans la direction de U en tout point et on a :
∀A ∈ O, fU00 (A) = qA (U )
Preuve
Posons U = (α1 , . . . , αn ). Pour tout réel t tel que A + tU ∈ O, on a :
Preuve
Posons H = (h1 , . . . , hn ). Pour tout réel t ∈ [0, 1], on pose :
La fonction g étant de classe C 2 sur [0, 1], on lui applique l’égalité de Taylor-Lagrange à l’ordre 1 d’où :
1
∃θ ∈]0, 1[ / g(1) = g(0) + g 0 (0)(1 − 0) + g 00 (θ)(1 − 0)2
2
1
f (A + H) = f (A) + h∇f (A), Hi + qA+θU (U )
2
.
Preuve
On utilise le développement limité à l’ordre 2 au point critique.
Exemple
Déterminer les extrema de f (x, y, z) = xy + yz + zx + x + y + 2z + 1.
Corollaire
On suppose que A est un point critique de f , fonction de classe C 2 sur O.
– Si ∇2 f (A) n’a que de valeurs propres strictement positives alors f admet un minimum en A.
– Si ∇2 f (A) n’a que de valeurs propres strictement négatives alors f admet un maximum en A.
– Si ∇2 f (A) a au moins une valeur propre strictement positive et au aumoins une valeur propre stricte-
ment négative alors f admet un point selle en A
Preuve
Découle du théorème précédent en utilisant une décomposition de la forme quadratique en combinaison
linéaire de carrés.
Cas particulier n = 2
On suppose que A est un point critique de f , fonction de classe C 2 sur O. On utilise les notations de
Monge.
– Si rt − s2 > 0 alors f admet un extremum en A. Si, de plus :
– r > 0 alors f admet un minimum en A,
– r < 0 alors f admet un maximum en A.
– Si rt − s2 < 0 alors f admet un point selle en A.
– Si rt − s2 = 0 alors on ne peut rien dire sans étude plus approfondie.
228 CHAPITRE 17. FONCTIONS DE N VARIABLES DE CLASSE C 2
Preuve
Découle du corollaire précédent en remarquant que les valeurs propres de la hessienne ont pour produit
rt − s2 et somme r + t (qui a même signe que r).
Exemple
Soit f (x, y) = x3 + y 3 − 3x2 y. Déterminer les extrema de f .
Preuve
Cf preuve du théorème qui précède.
Exemple
Soit f (x, y) = x3 + y 3 − 3x2 y. Déterminer les positions relatives du graphe de f par rapport au plan
tangent en A(1, 1) puis en B(1, −1) et enfin en O(0, 0).
dont on note C l’ensemble des solutions et H l’ensemble des solutions du système linéaire homogène
associé. Rappelons que H est un sous espace vectoriel de Rn et que si X0 ∈ C alors X ∈ C si et seulement
si X − X0 ∈ H (ou bien H ∈ H ⇔ X0 + H ∈ C).
Proposition
Pour tout point M de Rn , on a : H⊥ = Vect(∇g1 (M ), . . . , ∇gp (M )).
Preuve
C’est immédiat. ? ? ? ?
17.4. EXERCICES 229
Proposition
On suppose que f est de classe C 1 sur O. Si f admet un extremum local en A sous la contrainte C alors
la dérivée de f dans la direction de tout vecteur unitaire H ∈ H est nulle et donc :
∇f (A) ∈ H⊥
Preuve
Soit H = (h1 , . . . , hn ) ∈ H. Alors :
h∇f (A), Hi
Exemple
2 2 2
les extrema de f : (x, y, z) 7→ x + y + z sous la contrainte x − 2y + z = 1 puis sous les
Déterminer
x+y+z =0
contraintes .
x−y =1
17.4 Exercices
17.4.1 Pour les TD
TD
1. Déterminer les extremums sur R2 des fonctions :
TD*
1. Soit F la fonction définie sur R3 par :
iii. Montrer que F atteint son minimum sur R3 en un unique point que l’on déterminera (ainsi
que le minimum).
230 CHAPITRE 17. FONCTIONS DE N VARIABLES DE CLASSE C 2
R +∞
(b) i. Rappeler la valeur de In = 0
e−t tn dt.
ii. Justifier la convergence et exprimer en fonction de F l’intégrale :
Z +∞
I(a, b, c) = e−t (t3 − at2 − bt − c)2 dt
0
(a) Soit x0 ∈ R.
i. Montrer qu’il existe un réel M > 0 tel que :
∂2f
∀(x, t) ∈ [x0 − 1, x0 + 1] × [0, 1], (x, t) ≤ M
∂x2
iii. En déduire que F est dérivable sur R et donner une expression de F 0 (x) à l’aide d’une
intégrale.
(b) Pour tout entier naturel n et tout réel x, on pose :
Z 1
In (x) = (1 − t2 )n cos(tx)dt
0
i. Montrer que In est dérivable sur R et exprimer In0 (x) sous forme d’une intégrale.
ii. Établir une relation entre In+1 (x) et In0 (x).
iii. Démontrer que In est de classe C ∞ sur R.
iv. À l’aide d’une intégration par parties, établir une relation de récurrence entre In+1 (0) et
In (0). En déduire la valeur de In (0).
v. En utilisant la notation factorielle, exprimer la somme :
n
X (−1)k
k=0
(2k + 1)k!(n − k)!
17.4. EXERCICES 231
2. (Oral ESCP 2006). Soit X1 , X2 , X3 trois variables aléatoires discrètes centrées. Soit M la matrice
de variance-covariance du triplet (X1 , X2 , X3 ), c’est à dire que :
M = (mi,j ) 1≤i≤3 = (E(Xi Xj )) 1≤i≤3
1≤j≤3 1≤j≤3
(a) Montrer que M est diagonalisable et que ses valeurs propres sont positives ou nulles.
2 −1 −1
(b) On suppose dans cette question que : M = −1 2 −1 .
−1 −1 2
i. Diagonaliser cette matrice dans une base base orthonormale pour le produit scalaire cano-
nique de M3,1 (R).
ii. Ces variables aléatoires sont-elles mutuellement indépendantes ?
(c) Soit Y une variable aléatoire centrée. On définit la fonction F sur R3 par :
" #2
X 3
F (x1 , x2 , x3 ) = E Y − xi Xi
i=1
a E(Y X1 )
Montrer que F admet un minimum en (a, b, c) si et seulement si M b = E(Y X2 ) .
c E(Y X3 )
(d) On suppose dans cette question que la matrice M est celle de la question b.
i. Donner
une nécessaire et suffisante portant sur (α, β, γ) pour que le système
condition
x1 α
M x2 = β admette une solution (au moins).
x3 γ
ii. Cette condition étant réalisée, donner une expression de cette solution.
3. Soit (a, b, c) trois réels strictement positifs. Soit f définie sur R3 par :
∀(x, y, z) ∈ R3 , f (x, y, z) = ax2 + by 2 + cz 2
(a) Justifier que f admet un maximum et un minimum absolus sur l’ensemble :
P = {(x, y, z) ∈ [0, +∞[3 | x + y + z = 1}
(b) Les déterminer.
DS
1. s
Chapitre 18
Statistiques descriptives
Autant les probabilités s’intéressent aux événements a priori (caractère « prédictif »), autant les statis-
tiques s’intéressent aux événements réellement survenus donc a posteriori.
Exemples
Préciser la population, le caractère étudié et les modalités de ce caractère dans les exemples qui suivent.
1. Lors d’un contrôle de police en ville du Mans, on a relevé le nom du département d’origine des 80
automobilistes qui ont été arrêtés.
Département Sarthe Mayenne Loire-Atlantique Eure et Loir Orne Paris
Effectif 56 6 8 5 2 3
2. Un institut de sondages interroge 1334 personnes sur leur intention de vote lors du premier tour des
prochaines élections présidentielles.
Candidat Arle Oliv José M-Ge Ségo Domi Fran Nico Phil J-Ma Total
Effectif 22 66 12 32 290 121 301 332 13 145 1334
233
234 CHAPITRE 18. STATISTIQUES DESCRIPTIVES
Définitions
– Fréquence : Si F est une partie de E alors la fréquence de F pour le caractère X est le quotient :
Card(X −1 (F ))
Card(Ω)
– Fréquences cumulées croissantes : Si X est un caractère quantitatif et si x est une modalité de X
alors la fréquence cumulée croissante en x est la somme :
X Card(X −1 ({t}))
Card(Ω)
t∈X(Ω)
t≤x
– On représente ces deux diagrammes des effectifs cumulés croissants et décroissants sous la forme :
– cas discret : histogrammes,
– cas continu : lignes polygonales.
Exemples
1. Le nombre d’interventions graves quotidiennes, relevées dans un cabinet vétérinaire pour une année
donnée, est indiqué dans le tableau ci-dessous :
Interventions 0 1 2 3 4 5 6 Total
Effectif 84 105 72 59 28 15 2 365
18.1. STATISTIQUES À UNE VARIABLE 235
– Écart type : définition analogue aux probabilités (ne pas oublier la variance aussi), tenir compte des
deux cas (discret/continu).
Pour une répartition « normale », l’intervalle :
– [X̄ − σ(X), X̄ + σ(X)] contient environ 68% des effectifs,
– [X̄ − 2σ(X), X̄ + 2σ(X)] contient environ 95% des effectifs,
– [X̄ − 3σ(X), X̄ + 3σ(X)] contient environ 99% des effectifs.
Exemples
Reprendre les deux exemples qui précèdent.
Proposition
Les règles de calculs sur les espérances/variances/écarts-type des variables aléatoires s’appliquent aux
moyennes/variances/écart-type des séries statistiques.
18.2.1 Exemple
Dans le tableau ci-dessous, on a relevé le poids P (en kg) en fonction de l’âge A (en années) de 492
enfants
X : XX Poids
[11,15[ [15,19[ [19,23[ [23,27[ [27,31[ [31,35[ [35,39[ [39,43[ [43,47[ [47,51[ [51,55[ [55,59[ [59,63[ [63,67]
Âge XXX
5 et 6 1 9 16 8 5
7 et 8 1 13 32 17 6 1
9 et 10 14 26 33 21 3 1
11 et 12 1 1 10 28 26 31 17 10 1 2
13 et 14 10 13 31 41 30 18 6 8 1
1. (a) Déterminer la fréquence d’enfants dont l’âge est dans l’intervalle [7, 13[.
(b) Déterminer la fréquence d’enfants dont le poids est dans l’intervalle [19, 31[.
(c) Déterminer la fréquence d’enfants dont le poids est dans l’intervalle [19, 31[ sous la condition
d’âge dans l’intervalle [7, 13[.
2. (a) Calculer l’âge moyen puis l’écart type sur l’âge des individus étudiés.
(b) Calculer le poids moyen puis l’écart type sur l’âge des individus étudiés.
3. (a) Calculer la covariance de cette série statistique.
(b) En déduire le coefficient de corrélation.
4. On note (xi , yi ) les couples (âge,poids) pour chaque individu i (numérotés de 1 à 492).
et montrer que ce minimum est atteint en un unique couple (a0 , b0 ) que l’on déterminera.
(b) Un enfant pèse 32,6 kg. Quel est son âge approximatif ?
(c) Un enfant a 20 ans et 4 mois. Quel est son poids approximatif ?
18.2. STATISTIQUES À DEUX VARIABLES 237
18.2.2 Vocabulaire
Définitions
On appelle :
– nuage de points la représentation graphique du couple (X, Y ),
– regroupement en classes, effectif,
– fréquence, fréquence marginale, fréquence conditionnelle,
– point moyen du couple (X, Y ) le point de coordonnées X̄, Ȳ ,
– covariance du couple (X, Y ), le réel :
Propositions
– La covariance est une forme bilinéaire symétrique positive (et Cov(X, X) = V(X) en vertu de
Koenig-Huygens).
– |Cov(X, Y )| ≤ σ(X)σ(Y ) et donc |ρ(X, Y )| ≤ 1.
– |ρ(X, Y )| = 1 si et seulement si les points du nuage sont alignés.
Preuve
Pour tout couple (a, b) ∈ R2 , on pose :
n
X
g(a, b) = fi (axi + b − yi )2
i=1
Alors :
∂g
2
∂g
(a, b) = 2n X a + Xb − XY et (a, b) = 2n Xa + b − Y
∂a ∂b
et le gradient s’annule pour les valeurs annoncées.
238 CHAPITRE 18. STATISTIQUES DESCRIPTIVES
Remarques
18.3 Exercices
18.3.1 Pour les TD
1. Soit X une série statistique formées de couples (xi , ni ) pour chaque i ∈ J1, kK (ni désignant l’effectif
de la modalité xi ).
Pk
(a) Montrer que la moyenne X̄ de cette série statistique minimise sur R la somme i=1 ni (xi − x)2
de la variable x.
Pk
(b) Montrer que la médiane M de cette série statistique minimise sur R la somme i=1 ni |xi − x|
de la variable x.
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14
x 10 9 8 7 6 5.5 5 4.5 3.8 3.4 3 2.7 2.4 2
(b) À partir de quelle date les résidus ont-ils diminué de moitié (par rapport à la situation initiale) ?
3. Le tableau ci-dessous donne les dépenses de logement Y en fonction des dépenses totales X d’un
foyer fiscal (les dépenses sont exprimées en milliers d’euros) :
(b) i. Les dépenses de logement sont de 1500 e. Quelles sont les dépenses totales ?
ii. Les dépenses totales sont de 18950 e. Quelles sont les dépenses de logement ?
18.3. EXERCICES 239
XXX
XXXRacines [40,80[ [80,120[ [120,160[ [160,200[ [200,240[ [240,280[ [280,320[ [320,360]
Feuilles XX
XX
[0,80[ 2
[80,160[ 49 46 5 2
[160,240[ 86 137 46 11
[240,320[ 27 153 89 25 7
[320,400[ 5 45 91 40 6
[400,480[ 10 33 21 16 1 1
[480,560[ 1 4 11 10 3
[560,640[ 2 1 2 4 1
[640,720[ 1 3 2
[720,800] 1
19.1 Introduction
19.1.1 Premier exemple
La situation
On considère la famille de lois B(1, p) dont le paramètre p ∈]0, 1[ est inconnu (cas du lancer d’une pièce
de monnaie quelconque). L’objectif de ce chapitre est de déterminer une estimation de la valeur de p (on
veut savoir si la pièce est truquée ou non truquée puis, dans le second cas, à quel point elle est truquée) et
de vérifier dans quelle mesure cette estimation est fiable.
Soit p ∈]0, 1[ fixé mais inconnu (on va le tirer au sort lors d’une simulation). On considère une succes-
sion infinie de lancers d’une pièce dont la probabilité d’obtenir le côté pile vaut p à chaque lancer. Ainsi
l’univers est :
∗
Ω = {0, 1}N
et pour tout entier n ≥ 1, pour tout k ∈ J0, nK, pour tout k-uplet (i1 , . . . , ik ) d’éléments deux à deux distincts
(n)
de J1, nK rangés dans l’ordre croissant, la probabilité de l’événement E(i1 ,...,ik ) « lors des n premiers lancers,
pile a été obtenu exclusivement aux lancers numéros i1 < · · · < ik » est :
(n)
P E(i1 ,...,ik ) = pk (1 − p)n−k
Pour tout entier k ≥ 1, on note Xk la variable aléatoire qui prend la valeur 1 (resp. 0) si le k ème lancer
donne pile (resp. face). Alors, les variables aléatoires Xk sont mutuellement indépendantes et suivent toutes
la loi B(1, p).
1 p(1 − p)
V(X̄n ) = 2
(V(X1 ) + · · · + V(Xn )) = −→ 0
n n n→+∞
241
242 CHAPITRE 19. STATISTIQUE INFÉRENTIELLE : ESTIMATION
donc l’estimateur (X̄n )n≥1 est dit estimateur convergent. D’après ce qui précède (pas tout à fait à vrai
dire), le réel X̄n (ω) est une valeur approchée de p donc on dit que X̄n (ω) est une estimation ponctuelle du
réel p d’autant meilleure que n est grand.
PROGRAM estimation_esperance_Bernoulli ;
CONST essais = 2000 ;
VAR p : real ;
FUNCTION bernoulli (p : real) : integer ;
BEGIN
IF random<p THEN bernoulli := 1 ELSE bernoulli := 0 ;
END ;
FUNCTION estim (p : real) : real ;
VAR e,k : integer ;
BEGIN
e := 0 ;
FOR k := 1 TO essais DO e := e+bernoulli(p) ;
estim := e/essais ;
END ;
BEGIN
randomize ; p := random ;
writeln(’Estimation de p : ’,estim(p) :1 :3) ;
writeln(’Valeur exacte de p : ’,p :1 :3) ;
END.
Estimation de p : 0.334
Valeur exacte de p : 0.341
Estimation de p : 0.794
Valeur exacte de p : 0.771
Estimation de p : 0.993
Valeur exacte de p : 0.994
Estimation de p : 0.944
Valeur exacte de p : 0.945
Estimation de p : 0.784
Valeur exacte de p : 0.778
Choisir une estimation, c’est commettre a priori une erreur sur la valeur exacte de p. Toujours d’après la
loi faible des grands nombres, plus l’échantillon est grand, plus la probabilité que l’estimation soit « éloi-
gnée » de la valeur exacte est faible. Plus précisément, on aimerait connaître un intervalle [a, b] qui contien-
drait p avec une probabilité supérieure à une certaine limite fixée à l’avance (0,95 par exemple c’est à dire
un risque d’erreur de 5%). Dans le cas qui nous concerne, on recherche a < b en fonction de l’échantillon
observé tels que :
P (p ∈ [a, b]) ≥ 0, 95 ou P (p 6∈ [a, b]) ≤ 0, 05
1 1 1
≤ 0, 05 ⇔ ε2 ≥ ⇔ ε≥ = 0, 05
8000ε2 400 20
Conséquence :
P X̄2000 − p > 0, 05 ≤ 0, 05 ⇔ P p ∈ X̄2000 (ω) − 0.05, X̄2000 (ω) + 0.05 ≥ 0, 95
L’intervalle X̄2000 (ω) − 0.05, X̄2000 (ω) + 0.05 est appelé intervalle de confiance au risque 0,05.
Simulation : on modifie le programme principal précédent afin de réaliser 1000 estimations différentes
du même paramètre p et on compte le nombre de fois que p est dans l’intervalle de confiance au risque 0,05
(repetitions est une constante fixée à 1000).
BEGIN
randomize ; p := random ; compteur := 0 ;
FOR k := 1 TO repetitions DO
BEGIN
esti := estim(p) ;
IF (p>=esti-0.05) AND (p<=esti+0.05) THEN compteur := compteur+1 ;
END ;
writeln(’Proportion d”intervalles contenant p : ’,
compteur/repetitions*100 :1 :1) ;
END.
Résultats (1000 répétitions à chacune des trois exécutions du programme) :
Proportion d’intervalles contenant p : 100.0
Proportion d’intervalles contenant p : 100.0
Proportion d’intervalles contenant p : 100.0
Commentaires : Les majorations effectuées sont tellement grossières que tous les intervalles de confiance
contiennent la valeur p (alors qu’en moyenne 50 sur 1000 n’auraient pas dûs contenir p).
Une seconde méthode : à l’aide d’une approximation par une loi normale
De manière analogue à la première méthode, on recherche ε > 0 tel que
P p ∈ X̄2000 (ω) − ε, X̄2000 (ω) + ε ≥ 0, 95
Comme les Xk sont mutuellement indépendantes et suivent la même loi (cette loi admettant un moment
d’ordre 2) alors :
X̄ − p
qn −→ N ,→ N (0, 1)
p(1−p) L
n
244 CHAPITRE 19. STATISTIQUE INFÉRENTIELLE : ESTIMATION
Permettons nous de remplacer p par son estimation (on ne fait que des calculs approchés) :
√
ε 2000
P X̄2000 − p ≤ ε ≈ 2Φ q −1
X̄2000 (ω) 1 − X̄2000 (ω)
Commentaires : Les résultats obtenus sont bien conformes à ceux espérés ce qui doit nous conforter, a pos-
teriori, dans le choix des deux approximations effectuées. Remarquons que l’on ne connaît pas l’amplitude
de l’intervalle de confiance (qui change en fonction de l’estimation de p obtenue alors que ce n’était pas le
cas lors de la première méthode). Toutefois, on a :
s r
X̄2000 (ω) 1 − X̄2000 (ω) 1/4
1, 96 ≤ 1, 96 ≈ 0, 022
2000 2000
ce qui est nettement inférieur à 0,05 (obtenu lors de la première méthode).
Exercice
Écrire un programme calculant une estimation de la variance de la loi B(1, p) en utilisant la variance
empirique :
1 2 2
1 1h 2 2 i
V̄n = X1 + · · · + Xn − (X1 + · · · + Xn ) = X1 − X̄n + · · · + Xn − X̄n
n n n
Ce réel est appelé étendue empirique. On va alors justifier que la suite de variables aléatoires (En )n≥1 est
un estimateur de b − a.
1. Déterminer la fonction de répartition de la variable aléatoire Sn = sup(X1 , . . . , Xn ) puis calculer son
espérance E(Sn ).
2. Calculer, de même, l’espérance E(In ) de la variable aléatoire In = inf(X1 , . . . , Xn ).
3. En déduire que :
lim E(En ) = b − a
n→+∞
On dit alors que (En )n≥1 est un estimateur asymptotiquement sans biais de b − a.
4. Pour tout entier naturel n non nul, on pose : En0 = n+1 E .
n−1 n
0
Justifier que la suite (En )n≥1 est un estimateur sans biais de b − a.
Simulation : On choisit les réels a et b au hasard dans, respectivement, [0, 1[ et [1, 2[. Ainsi, b − a > 0.
On détermine ensuite un 2000-échantillon de la loi U([a, b]) puis on calcule l’étendue empirique (biaisée),
l’étendue empirique corrigée (non biaisée) et on affiche ensuite l’étendue réelle b − a.
PROGRAM estimation_etendue_loi_uniforme ;
CONST essais = 2000 ;
VAR k : integer ; a,b,i,s,x : real ;
FUNCTION uniforme (a,b : real) : real ;
BEGIN
uniforme := (b-a)*random+a ;
END ;
BEGIN
randomize ; a := random ; b := random+1 ;
i := uniforme(a,b) ; s := i ;
FOR k := 2 TO essais DO
246 CHAPITRE 19. STATISTIQUE INFÉRENTIELLE : ESTIMATION
BEGIN
x := uniforme(a,b) ;
IF x<i THEN i := x ELSE IF x>s THEN s := x ;
END ;
writeln(’Etendue biaisée : ’,s-i :1 :5) ;
writeln(’Etendue non biaisée : ’,(essais+1)/(essais-1)*(s-i) :1 :5) ;
writeln(’Etendue réelle : ’,b-a :1 :5) ;
END.
Résultats : Les résultats de 5 exécutions du programme sont affichés ci-dessous. On peut constater que
l’estimateur non biaisé ne donne pas toujours le meilleur résultat.
Définitions
Soit θ ∈ Θ et n ∈ N∗ .
– La famille de variables aléatoires (X1 , . . . , Xn ) est appelée n-échantillon indépendant et identi-
quement distribué (iid) de la loi µθ .
– Soit ω ∈ Ωθ . Le n-uplet (X1 (ω), . . . , Xn (ω)) d’éléments de χ est appelé n-échantillon observé de
la loi µθ . On adit aussi que c’est une réalisation du n-échantillon (X1 , . . . , Xn ).
– Soit ϕ : Rn → R. On dit que ϕ est une statistique sur le n-échantillon (X1 , . . . , Xn ) si et seulement
si Tn = ϕ(X1 , . . . , Xn ) est une variable aléatoire de l’espace probabilisé (Ωθ , T , Pθ ).
19.3. ESTIMATION PONCTUELLE 247
Exemples
1. Le premier exemple ci-dessus correspond à la situation :
Objectif
L’objectif de l’estimation est de localiser la valeur de g() grâce à l’unique donnée de (x1 , . . . , xn ),
réalisation d’un n-échantillon. On définira aussi des outils pour mesurer la pertinence de l’estimation.
Exemples
1. Soit (Xi ) une suite de variable aléatoire suivant toutes la loi E(θ) où θ ∈]0, +∞[ est inconnu. Alors
l’espérance empirique X̄n = n1 (X1 + · · · + Xn ) est un estimateur de 1θ et, si ω est une éventualité,
alors X̄n (ω) est une estimation de 1θ .
2. Cas de l’étendue.
Exemples
1. Soit X1 , . . . , Xn des variables aléatoires mutuellement indépendantes suivant la même loi d’espérance
m et de variance σ 2 .
(a) Montrer que la moyenne empirique est un estimateur sans biais de m.
(b) La variance empirique est-elle un estimateur sans biais de σ 2 ? asymptotiquement sans biais ?
En déduire un estimateur sans biais de σ 2 .
2. On reprend la situation de l’exemple 2 initial.
(a) Montrer que le minimum empirique (In )n≥1 est un estimateur asymptotiquement sans biais de
a.
(b) Construire, à partir de cet estimateur, un estimateur sans biais de a.
Exemples
1. Risque quadratique de l’espérance empirique.
Propositions
– Le risque quadratique d’un estimateur est égal à la somme de sa variance et du carré de son biais.
– En conséquence, si un estimateur est sans biais alors son risque quadratique est égal à sa variance.
Preuve
s
On dit aussi, mais c’est un abus de langage, que l’estimateur est convergent (ou encore consistant).
Théorème
Soit (Tn )n∈N∗ une suite d’estimateurs de g(θ).
– Si limn→+∞ rTn (θ) = 0 alors la suite est un estimateur convergent de g(θ).
– En conséquence :
– tout estimateur sans biais donc la variance tend vers 0 est convergent,
– tout estimateur asymptotiquement sans biais donc la variance tend vers 0 est convergent.
Preuve
Soit ε > 0. Pour tout entier naturel n ≥ 1, on a :
Application
On suppose que les lois µθ admettent une variance. Alors, la moyenne empirique est un estimateur sans
biais convergent de l’espérance de µθ .
19.4.1 Généralités
Définition
Soit θ ∈ Θ et α ∈]0, 1[. On dit que l’intervalle [Un , Vn ] est un intervalle de confiance de g(θ) au
niveau de confiance 1 − α si et seulement si :
Pθ (Un ≤ g(θ) ≤ Vn ) ≥ 1 − α
Exemples
Revoir l’exemple 1 initial, deux méthodes.
Preuve
Utilisation du TLC, voir le premier exemple, méthode 2.
Exemples
1000 électeurs choisis au hasard on été interrogés avant une élection. 520 ont déclaré qu’ils voteront
pour le candidat A et 480 pour le candidat B (il n’y a que deux choix possibles).
1. Déterminer un intervalle de confiance à 95% de la proportion réelle p d’électeurs qui voteront pour le
candidat p.
2. Même question avec 99%.
19.5 Exercices
19.5.1 Pour les TD
TD
1. On admet que la durée de vie, exprimée en heures, d’un composant électronique suit une loi normale
d’écart type 50. L’observation des durées de vie de 250 composants a donné une moyenne égale à
600 heures. Donner un intervalle de confiance à 99% de la durée de vie moyenne d’un tel composant.
2. (Oral ESCP 2001). On considère une suite de parties indépendantes de pile ou face, la probabilité
d’obtenir pile à chaque partie étant égale à p (où p ∈]0, 1[). Si n ∈ N∗ , on note Tn le numéro de
l’épreuve amenant le nème pile. Enfin, on pose A1 = T1 et pour n ≥ 2, An = Tn − Tn−1 .
(b) Soit n ≥ 2. Montrer que A1 , A2 , . . . , An sont des variables aléatoires indépendantes qui suivent
une même loi.
(c) On pose ∆n = {(x1 , . . . , xn ) ∈ Rn | nk=1 xi = 1} et on établit l’application f : ∆n → R par :
P
n
X
∀(x1 , . . . , xn ) ∈ ∆n , f (x1 , . . . , xn ) = x2i
k=1
1 1 1 1
f + h1 , . . . , + hn − f ,...,
n n n n
ii. En déduire que f admet un minimum atteint en un unique point de ∆n que l’on précisera.
(d) Montrer que si n ∈ N∗ est fixé, il existe parmi les combinaisons linéaires de T1 , . . . , Tn un
estimateur sans biais de p1 qui est de variance minimale et préciser quel est cet estimateur. Cet
estimateur est-il convergent ?
3. (Oral ESCP 2002). On cherche à évaluer le nombre N de poissons dans un étang. On prélève dans
l’étang un échantillon de m poissons. On les marque et on les remet dans l’étang. On propose deux
méthodes différentes d’estimation de N .
(a) Méthode 1.
Soit n ∈ J1, mK. On prélève des poissons dans l’étang, au hasard et avec remise. On note Xn la
variable égale au nombre de poissons qu’il a été nécessaire de pêcher pour obtenir n poissons
marqués. Pour tout i ∈ J2, nK, on pose Di = Xi −Xi−1 . On pose de plus D1 = X1 et on suppose
que les Di sont des variables aléatoires indépendantes.
i. Déterminer, pour tout i ∈ J2, nK, la loi de Di , son espérance et sa variance. En déduire
l’espérance et la variance de Xn .
m
ii. On pose An = n
Xn . Montrer que An est un estimateur sans biais de N .
iii. Pour n assez grand, par quelle loi peut-on approcher la loi de la variable aléatoire X̄n =
1
X ?
n n
iv. On a marqué 200 poissons puis effectué 450 prélèvements pour obtenir 50 poissons mar-
qués. On pose σ = σ(An ). On a pu prouver, par ailleurs, que σ ≤ 100. Déterminer, en fonc-
tion de σ, un intervalle de confiance pour N au seuil de 0,9 (on donne : Φ(1, 64) ≈ 0, 95).
(b) Méthode 2.
On prélève successivement et avec remise n poissons. Soit Yn le nombre de poissons marqués
parmi eux.
1 1
i. Montrer que Y
mn n
est un estimateur sans biais de N
.
ii. Pour quelle raison évidente ne peut-on pas prendre mn
Yn
comme estimateur de N ?
m(n+1)
iii. On pose alors Bn = Yn +1
. Calculer l’espérance de Bn . Est-il un estimateur sans biais de
N?
TD*
1. (Oral HEC 2006). Pour n ∈ N∗ , on considère n variables aléatoires réelles indépendantes X1 , . . . , Xn
définies sur un même espace probabilisé (Ω, T , P), de même loi de Poisson de paramètre λ > 0. On
pose : X̂n = n1 (X1 + · · · + Xn ).
(b) On cherche à évaluer P(X1 = 0) = e−λ à l’aide d’une suite d’estimateurs (Zn ) convergeant en
un certain sens vers e−λ et telle que : ∀n ∈ N∗ , E(Zn ) = e−λ .
i. Une première idée est de poser Zn = e−X̂n . Que penser de ce choix ?
ii. Une seconde idée consiste à choisir Zn = n1 Kn où :
∀ω ∈ Ω, Kn (ω) = {i ∈ J1, nK | Xi (ω) = 0}
Déterminer la loi de Kn . Qu’en déduire pour la suite (Zn ) ?
2. (Oral HEC 2006). On admet que la durée de vie d’ampoules électriques suit une loi exponentielle
d’espérance inconnue α1 (où α > 0) et que les variables aléatoires Xi représentant la durée de vie de
l’ampoule i sont indépendantes.
Pour estimer α, on choisit un lot de n ampoules et on observe les instants, supposés deux à deux
distincts, X(1) < X(2) < · · · < X(r) où les r premières de ce lot éclatent.
(a) Quelle est la loi de X(1) ? de X(n) ?
(b) En posant X(0) = 0, on admet, pour la suite de l’exercice, que les variables aléatoires X(i) −
X(i−1) (pour tout i ∈ J1, nK) sont indépendantes et suivent des lois exponentielles de paramètres
respectifs α(n − i + 1).
Parmi les estimateurs sans biais de α1 de la forme U = λ1 X(1) + · · · + αr X(r) (i.e. combinaisons
linéaires des r observations X(i) ), trouver celui, noté Û , qui rend minimum le réel V(U ).
Indications : On commencera par déterminer l’espérance et la variance d’une telle variable aléa-
toire U puis on pourra montrer que Û = 1r (X(1) + · · · + X(r) ) + n−r
r
X(r) et qu’alors V(Û ) = rα1 2 .
DL* 19
1. s
DS
1. s
254 CHAPITRE 19. STATISTIQUE INFÉRENTIELLE : ESTIMATION
Chapitre 20
20.1.2 TD*
s
a+b √ 1 √ 2 √ √ √ 2 1 √ √ 2
a1 − b1 = − ab = a −2 a b+ b = a− b ≥0
2 2 2
donc P(1) est vraie. Soit n ∈ N∗ et supposons que P(n) est vraie. Alors, comme ci-avant,
on a :
1 √ p 2
an+1 − bn+1 = an − b n ≥ 0
2
ce qui prouve que P(n + 1) est vraie.
Conclusion : ∀n ∈ N∗ , an ≥ bn .
ii. Pour tout entier n ≥ 1, on a :
b n − an p √ p
an+1 − an = ≤0 et bn+1 − bn = bn an − bn ≥ 0
2
Conclusion : La suite (an )n≥1 est décroissante et la suite (bn )n≥1 est croissante .
iii. Pour tout entier n ≥ 1, on a alors :
b0 ≤ bn ≤ an ≤ a0
ce qui prouve que la suite (an )n≥1 est minorée par b0 et que la suite (bn )n≥1 est majorée par
a0 . On en déduit donc que les deux suites convergent. Posons :
` = lim an et `0 = lim bn
n→+∞ n→+∞
255
256 CHAPITRE 20. SOLUTIONS DES EXERCICES
an +bn
Par passage à la limite dans l’égalité an+1 = 2
, on en déduit que :
` + `0
`= donc ` = `0
2
Conclusion : Les deux suites convergent et ont la même limite .
(c) PROGRAM moyenne_arithmetico_geometrique ;
VAR a_n,b_n,a_n1,b_n1,eps : real ; n : integer ;
BEGIN
write(’Donner a : ’) ; readln(a_n) ;
write(’Donner b : ’) ; readln(b_n) ;
write(’Donner epsilon : ’) ; readln(eps) ;
n := 0 ;
REPEAT
| n := n+1 ;
| a_n 1 :=(a_n+b_n)/2 ; b_n1 := sqrt(a_n*b_n) ;
| a_n := a_n1 ; b_n := b_n ;
| UNTIL b_n-a_n<=eps ;
writeln(’Valeur approchée de l(a,b) : ’,a_n) ;
writeln(’Rang : ’,n) ;
END.
(d) i. a = 0 : Une récurrence immédiate prouve que :
b
∀n ∈ N∗ , an = , bn = 0 donc `(0, b) = 0
2n
b = 0 : Une récurrence immédiate prouve que :
a
∀n ∈ N∗ , an = , bn = 0 donc `(a, 0) = 0
2n
a = b : Une récurrence immédiate prouve que :
∀n ∈ N∗ , an = bn = a donc `(a, a) = a
ii. On pose :
0 0
an +bn 0
an +bn
a0 = a a0 = b an+1 = √ a0n+1 = p
et ∀n ∈ N, 2 2
b0 = b b00 = a bn+1 = an bn b0n+1 = a0n b0n
Une récurrence immédiate assure que a0n = an et b0n = bn pour tout entier n ≥ 1.
Conclusion : `(b, a) = `(a, b) .
iii. Soit λ ∈ R+ On pose :
0 0
an +bn 0
an +bn
a0 = a a0 = λa an+1 = √ a0n+1 = p
et ∀n ∈ N, 2 2
b0 = b b00 = λb bn+1 = an bn b0n+1 = a0n b0n
Une récurrence immédiate assure que a0n = λan et b0n = λbn pour tout entier n ≥ 0. On
peut alors passer à la limite dans ces égalité.
Conclusion : ∀λ ∈ R+ , `(λa, λb) = λ`(a, b) .
iv. Par monotonie des deux suites, on a :
√ a+b
ab = b1 ≤ lim bn = lim an ≤ a1 ≤
n→+∞ n→+∞ 2
√ a+b
Conclusion : ab ≤ `(a, b) ≤ .
2
20.1. SUITES RÉELLES 257
2. (a) On sait que A ⊂ [a, b] donc A est majoré par b. De plus f (a) ∈ [a, b] donc f (a) ≥ a ce qui
prouve que A est non vide.
Conclusion : A admet une borne supérieure α .
(b) i. D’après ce qui précède, a ∈ A donc a ≤ α. De plus, b est un majorant de A donc b ≥ α.
Conclusion : a ≤ α ≤ b
ii. Par croissance de f sur [a, b] alors, pour tout réel x ∈ A, on a :
donc x < f (α) ≤ f (x) ce qui prouve que x ∈ A et donne une contradiction.
Conclusion : f (α) = α .
3. (a) Soit n ≥ 2. Soit fn R+ → R, x 7→ xn − ax − b. Cette fonction est de classe C 1 sur R et on a :
1
a n−1
∀x ∈ R+ , fn0 (x) = nxn−1 − a ≥ 0 ⇔ x≥ = an
n
Alors fn est strictement décroissante sur [0, an ] et strictement croissante sur [an , +∞[. Comme
fn (0) = −b < 0, on en déduit que l’équation fn (x) = 0 n’admet pas de solution sur [0, an ].
Comme fn (an ) < fn (0) < 0 et comme fn (x) ∼ xn → +∞, on en déduit que l’équation
x→+∞ x→+∞
fn (x) = 0 admet une unique solution sur [an , +∞[.
Conclusion : Pour tout n ≥ 2, l’équation xn = ax + b admet une unique solution dans R+ .
(b) Si a + b = 1 alors un = 1 pour tout entier n ≥ 2. La suite est donc convergente et de limite 1.
Supposons que a + b > 1. Soit n ≥ 2. Alors fn (1) = 1 − (a + b) < 0 donc un > 1.De plus :
donc un ≥ un+1 . Ainsi, la suite est décroissante et minorée par 1 donc convergente.
Supposons que a + b < 1. Soit n ≥ 2. Alors fn (1) = 1 − (a + b) > 0 donc un < 1.De plus :
donc an < un ≤ un+1 . Ainsi, la suite est croissante et majorée par 1 donc convergente.
Soit ` la limite de la suite.
Si ` > 1 alors (un )n = en ln(un ) −→ +∞ = 6 lim(aun + b) = a` + b.
n→+∞
n n ln(un )
Si ` < 1 alors (un ) = e −→ 0 6= lim(aun + b) = a` + b.
n→+∞
Conclusion : La suite (un )n≥2 est convergente et sa limite vaut 1 .
(c) On sait que si a + b = 1 alors un = 1. Dans le cas où a + b 6= 1, on a :
ln(a + b)
n ln(un ) = ln(aun + b) → ln(a + b) 6= 0 donc ln(un ) ∼
n→+∞ n→+∞ n
ln(a + b)
Comme lim(un ) = 1 alors ln(un ) ∼ (un − 1) donc : un − 1 ∼ .
n→+∞ n
258 CHAPITRE 20. SOLUTIONS DES EXERCICES
On en déduit que :
√
1+x 2 x 1
a = lim+ L(x) = lim+ L = a
x→0 x→0 2 1+x 2
L(x)−L(0) L(x) 1
(e) On a : x−0
= x
=L x
−→ +∞.
x→0
Conclusion : L n’est pas dérivable en 0 et CL y admet une tangente verticale .
(f) i. Comme L est croissante sur ]0, +∞[, on a :
∀x0 ∈]0, +∞[, lim− L(x) ≤ L(x0 ) ≤ lim+ L(x)
x→x0 x→x0
ii. On sait que x 7→ x1 est décroissante sur ]0, +∞[ à valeurs dans ]0, +∞[ et L est croissante
1
sur ]0, +∞[ donc x 7→ L x est décroissante sur ]0, +∞[.
L(x)
Conclusion : x 7→ est décroissante sur ]0, +∞[ .
x
Soit x0 ∈]0, +∞[. Pour tout réel x > x0 , on a :
L(x) L(x0 ) x0 x0
≤ ⇒ L(x) ≤ L(x0 ) ⇒ lim+ L(x) ≤ L(x0 )
x x0 x x→x0 x
ln(p)
Conclusion : xn ∼ .
n→+∞ ln(n)
260 CHAPITRE 20. SOLUTIONS DES EXERCICES
20.2.2 TD*
s
puisque les résultats des lancers sont indépendants. Par équiprobabilité des résultats à chaque
lancer, on en déduit que P(Ak,i ) = m−1m
.
n
m−1
Conclusion : ∀k ∈ J1, mK, P(Ak ) = .
m
Par un raisonnement analogue au précédent, on a :
n
m−k
∀k ∈ J1, mK, ∀1 ≤ i1 < · · · < ik ≤ m, P (Ai1 ∩ · · · ∩ Aik ) =
m
(le terme est nul pour h = k et le terme 1 correspond à h = 0). On en déduit que :
k−1
n X n
m − (m − k) k k−hh
P Ā1 ∩ · · · ∩ Āk ∩ Ak+1 ∩ · · · ∩ Am = (−1)
m h=0
h k
k−1 n
X k k−h
h
Conclusion : ∀k ∈ J1, mK, P Ā1 ∩ · · · ∩ Āk ∩ Ak+1 ∩ · · · ∩ Am = (−1) .
h=0
h m
iii. Il est clair que : Xn (Ω) = J1, mK . Alors, pour tout k ∈ J1, mK, on a :
[ \
[Xn = k] = Āi1 ∩ · · · ∩ Āik ∩ Aj
1≤i1 <···<ik ≤m j6∈{i1 ,...,ik }
20.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES FINIES 261
qui est une réunion d’événements deux à deux disjoints et équiprobables. On en déduit que :
m
P(Xn = k) = P Ā1 ∩ · · · ∩ Āk ∩ Ak+1 ∩ · · · ∩ Am
k
k−1
X n
m h k k−h
Conclusion : ∀k ∈ J1, mK, P(Xn = k) = (−1) .
k h=0 h m
k−h
iv. Si k ∈ J1, m − 1K alors m
< 1 pour tout 0 ≤ h ≤ k − 1 et donc P(Xn = k) −→ 0
n→+∞
puisque le nombre de termes de la somme est fini.
Si k = m alors k−h
m
< 1 pour tout 1 ≤ h ≤ k − 1 et donc P(Xn = m) −→ 1 puisque le
n→+∞
terme pour h = 0 vaut 1.
Conclusion : lim P(Xn = m) = 1 et ∀k ∈ J1, m − 1K, lim P(Xn = k) = 0 .
n→+∞ n→+∞
Lorsque n est très grand, il est presque sûr que toutes les faces du dé apparaîtront au moins
une fois, ce qui est très raisonnable et prévisible.
(b) i. On a : " k−1
m n #
X m X k k − h
E(Xn ) = k (−1)h
k=1
k h=0
h m
On coupe la somme d’indice ken deux sommes. Dans la première, une nouvelle application
m−h m−h−1
de la formule sans nom k k = (m − h) k−1 , un changement de variable k 0 = k − 1
et on reconnaît la formule du binôme. Dans la seconde somme, on reconnaît immédiatement
la formule du binôme. On obtient donc :
m n
X m h m−h−1 m−h
E(Xn ) = −(m − h)0 + h0
h=1
h m
n
0 m−1
Comme 0 = 1, on en déduit que : E(Xn ) = m − m .
m
m−1
ii. Comme m
< 1, on en déduit que : lim E(Xn ) = m .
n→+∞
Ce résultat confirme celui de la question a(iv).
iii. On a :
n
1 1 1
E(Xn ) = m − m 1 − =m−m 1−n + o = n + o (1)
m m m→+∞ m m→+∞
2. (a) i. Par alternance et comme le premier tirage est sans remise, on en déduit que : N = 2n − 1 .
ii. Il reste n − j boules avant les (2j)ème et (2j + 1)ème tirages.
1
(b) i. Par équiprobabilité, il est immédiat que P(X1 = 1) = .
n
Comme ([X1 = 0], [X1 = 1]) est un système complet d’événements, on a :
1
Conclusion : P(X2 = 1) = .
n
ii. Soit j ∈ J1, n − 1K. On a :
puisque les tirages de rangs pairs 2, 4, . . . , 2(j − 1), 2j se font avec remise alors que les
autres se font sans remise (la boule noire ne doit pas avoir été obtenue à un rang impair).
Ainsi :
Comme précédemment, on a :
et alors P(X2j = 1) = n1 .
1
Conclusion : ∀j ∈ J1, n − 1K, P(X2j+1 = 1) = P(X2j = 1) = .
n
1
iii. On en déduit immédiatement que : Xk ,→ B 1, .
n
(c) i. Avant le (2n − 2)ème tirage, l’urne contient 1boule. Si elle est noire alors elle sera néces-
sairement obtenue lors des tirages 2n − 2 et 2n − 1 donc elle ne peut être obtenue pour la
première fois au tirage 2n − 1. Si elle est blanche alors la boule noire a déjà été obtenue
lors d’un tirage de rang impair précédent et donc elle ne peut être obtenue pour la première
fois au tirage 2n − 1. Conclusion : P(Un ) = 0 .
Soit j ∈ J1, nK. On a :
On en déduit que :
n−j
Montrer que : ∀j ∈ J1, nK, P(Uj ) = .
n(n − 1)
20.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES FINIES 263
ii. Si on obtient la boule noire lors d’un tirage de rang pair alors elle sera remise dans l’urne
et sera donc obtenue au moins une seconde fois. On en déduit que l’événement [X = 1] ne
peut être réalisé que si la boule noire est obtenue lors d’un tirage de rang impair.
Conclusion : [X = 1] = U1 ∪ · · · ∪ Un−1 .
Comme les événements Uj sont deux à deux incompatibles, on en déduit que :
n−1 n−1 n−1
X X n−j 1 X
P(X = 1) = P(Uj ) = = k
j=1 j=1
n(n − 1) n(n − 1) k=1
1
Conclusion : P(X = 1) = .
2
iii. L’événement [X = n] est réalisé si et seulement si la boule noire est obtenue lors des tirages
de rangs pairs 2, 4, . . . , 2n − 2 mais jamais lors des tirages de rangs impairs sauf le dernier.
Alors :
[X = n] = ([X1 = 0] ∩ [X2 = 1]) ∩ · · · ∩ ([X2n−3 = 0] ∩ [X2n−2 = 1]) ∩ [X2n−1 = 1]
n−1 n−1 n
Y n−j 1 1 Y 1 Y 1
P(X = n) = × × = =
j=1
n − j + 1 n − j 1 j=1 n + 1 − j k=2 k
1
Conclusion : P(X = n) = .
n!
(d) X étant le nombre de fois que la boule noire est obtenue et les Xi valant 1 si la boule noire est
2n−1
X
obtenue au rang i et valant 0 si elle n’est pas obtenue alors : X = Xk .
k=1
On en déduit que :
2n−1 2n−1
X X 1 2n − 1
E(X) = E(Xk = =
k=1 k=1
n n
1
Conclusion E(X) = 2 − .
n
(e) i. La boule noire étant obtenue au tirage 2i + 1 alors elle n’est pas remise dans l’urne et ne
peut donc pas être obtenue lors d’un tirage ultérieur.
Conclusion : ∀i ∈ J0, n − 2K, ∀j ∈ J1, 2n − 2i − 2K, P[X2i+1 =1] (X2i+j+1 = 1) = 0 .
ii. Soit j ∈ J1, 2n − 2i − 2K. On en déduit que :
Cov (X2i+1 , X2i+j+1 ) = E (X2i+1 X2i+j+1 ) − E (X2i+1 ) E (X2i+j+1 )
Or, la variable X2i+1 X2i+j+1 suit, a priori, une loi de Bernouilli dont le paramètre est :
E (X2i+1 X2i+j+1 ) = P (X2i+1 X2i+j+1 = 1) = P ([X2i+1 = 1] ∩ [X2i+j+1 = 1])
= P (X2i+1 = 1) P[X2i+1 =1] (X2i+j+1 = 1) = 0
1
Conclusion : ∀i ∈ J0, n − 2K, ∀j ∈ J1, 2n − 2i − 2K, Cov (X2i+1 , X2i+j+1 ) = − .
n2
(f) i. Soit k ∈ J1, n − i − 1K. Lorsque l’événement [X2i = 1] est réalisé, la boule noire n’a pu
être obtenue lors d’un tirage de rang impair qui précéde ce qui nous ramène à la situation
où l’urne contient initialement n − i boules dont une noire. Ainsi :
(n−i)
1
P[X2i =1] (X2i+2k = 1) = P X2k = 1 =
n−i
1
Conclusion : ∀i ∈ J1, n − 1K, ∀k ∈ J1, n − i − 1K, P[X2i =1] (X2i+2k = 1) = .
n−i
264 CHAPITRE 20. SOLUTIONS DES EXERCICES
ii. Le raisonnement qui précède s’applique encore puisqu’il y a eu remise après le tirage nu-
méro 2i + 2k.
1
Conclusion : ∀i ∈ J1, n − 1K, ∀k ∈ J1, n − i − 1K, P[X2i =1] (X2i+2k+1 = 1) = .
n−i
iii. Soit j ∈ J1, 2n − 2i − 1K. En raisonnant comme en (e)ii et en tenant compte des deux
résultats qui précèdent , on en déduit que :
1 1 1 1 1 n n−i
Cov (X2i , X2i+j ) = × − × = −
n n−i n n n (n − i)n n(n − i)
i
Conclusion : ∀i ∈ J1, n − 1K, ∀j ∈ J1, 2n − 2i − 1K, Cov (X2i , X2i+j ) = .
n2 (n − i)
(g) On sait que :
2n−1
X X
V(X) = V(X1 + · · · + X2n−1 ) = V(Xk ) + 2 Cov (Xi , Xj )
k=1 1≤i<j≤2n−1
En distingant les cas i pairs des cas i impairs dans la seconde somme, on obtient :
n−2 2n−2i−2 n−1 2n−2i−1
1n−1 X X 1 X X i
V(X) = (2n − 1) +2 − 2 +2 2
n n i=0 j=1
n i=1 j=1
n (n − i)
" n−2 n−1
#
(2n − 1)(n − 1) 2 X X (2n − 2i − 1)i
= 2
+ 2 − (2n − 2i − 2) +
n n i=0 i=1
n−i
" n−1 n−1 #
(2n − 1)(n − 1) 2 X
0
X i
= 2
+ 2 − 2i + 2i −
n n i0 =1 i=1
n−i
n−1 n−1
(2n − 1)(n − 1) 2 X i (2n − 1)(n − 1) 2 X n − i0
= − 2 = − 2
n2 n i=1 n − i n2 n i0 =1 i0
n−1
(2n − 1)(n − 1) 2 2X1
= + (n − 1) −
n2 n2 n i=1 i
n−1
(2n + 1)(n − 1) 2 X 1
Conclusion : V(X) = − .
n2 n j=1 j
P(G1 ) = P(B1 )PB1 (G1 ) + P(N1 )PN1 (G1 ) + P(R1 )PR1 (G1 )
b n 1 b
= ×1+ ×0+ ×
b+n+1 b+n+1 b+n+1 b+n
b
Conclusion : P(G1 ) = .
b+n
20.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES FINIES 265
r
Conclusion : ∀r ≥ 1, E(Xr ) = 1 + E(Xr−1 ) .
b+n+r
266 CHAPITRE 20. SOLUTIONS DES EXERCICES
Ainsi :
n
X n
X
xrk P(X = xk ) = 1 + r [P(X = xk ) ln(xk )] + o (r)
r→0
k=1 k=1
n
! n
X X
ln xrk P(X = xk ) =r [P(X = xk ) ln(xk )] + o (r)
r→0
k=1 k=1
n
X
ln(er ) = P(X = xk ) ln(xk ) + o (1)
r→0
k=1
On en déduit que :
n
X
lim ln(er ) = P(X = xk ) ln(xk )
r→0
k=1
n
!
X
lim er = exp P(X = xk ) ln(xk )
r→0
k=1
n
Y P(X=xk )
Conclusion : e0 = lim(er ) = xk .
r→0
k=1
20.3.2 TD*
s
1 1
Conclusion : f ∈ GL(R3 ) et f −1 = f + Id .
2 2
(b) Soit n ∈ N. Comme P (X) est de degré 2, alors la division euclidienne de X n par P (X) est :
∃(an , bn ) ∈ R2 / Rn (X) = an X + bn
f n = P (f ) ◦ Qn (f ) + an f + bn Id = an f + bn Id
1 − (−2)n 2 + (−2)n
Conclusion : ∀n ∈ N, an = , bn = .
3 3
iii. On sait que f −1 = 21 f + 12 Id. De plus :
1 − (−2)−1 1 2 + (−2)−1 1
= et =
3 2 3 2
Conclusion : L’égalité convient encore pour n = −1 .
268 CHAPITRE 20. SOLUTIONS DES EXERCICES
f (x) = ax et f (x) = bx
(f − aIdE ) ◦ (f − bIdE ) = Θ
ce qui assure que : Im(f − bIdE ) ⊂ Ker(f − aIdE ). D’après le théorème du rang, on a :
Remarquer que cela correspond à la décomposition (connue être en somme directe) en matrices
symétriques et matrices antisymétriques.
X X
|αi0 ai0 ,i0 | = − αj ai0 ,j ≤ |αj | |ai0 ,j |
j∈J1,nK−{i0 } j∈J1,nK−{i0 }
X
|αi0 | |ai0 ,i0 | ≤ |αi0 | |ai0 ,j | < |αi0 | |ai0 ,i0 |
j∈J1,nK−{i0 }
et on sait que v 6= Id donc Im(v − Id) 6= {~0} et Ker(v − Id) 6= R2 . Ainsi, on en déduit que :
dim (Im(v − Id)) = dim (Ker(v − Id)) = 1
20.4.2 TD*
s
Ainsi, f est constante sur [0, 1[. Par continuité de f en 1, il est immédiat que f (1) = f (0).
1/2n
Soit x ∈]1, +∞[. Alors la suite x n≥0
converge vers 1 et, comme précédemment, on a :
n
∀n ∈ N, f x1/2 = f (x)
ce qui nous permet de conclure, por continuité de f en 1 que : f (x) = f (1) = f (0). Ainsi f est
constante sur [0, +∞[. Enfin, si x < 0 alors x2 > 0 et f (x) = f (x2 ) = f (0).
Conclusion : f est constante sur R .
2. (a) Soit n ∈ N∗ et gn la fonction définie sur [0, 1] par gn (x) = f (x) − xn . Alors gn (0) = f (0) ≥ 0
et gn (1) = f (1) − 1 ≤ 0. Comme gn est continue sur [0, 1] et comme 0 ∈ [gn (1), gn (0)] alors le
théorème des valeurs intermédiaires assure l’existence d’un réel an ∈ [0, 1] tel que gn (an ) = 0
et donc que f (an ) = ann .
Conclusion : L’équation f (x) = xn admet une solution dans [0, 1] pour tout entier n ≥ 1 .
20.4. ÉTUDE DES FONCTIONS NUMÉRIQUE 271
(b) i. Soit n ≥ 1. Comme f est décroissante sur [0, 1] et x 7→ xn est croissante sur [0, 1]. Si
gn (u) = gn (v) avec u 6= v alors :
Comme gn est décroissante sur [0, 1] (puisque f et x 7→ −xn le sont) alors an ≤ an+1 . La
suite (an )n≥1 est donc croissante. De plus, elle est majorée par 1.
Conclusion : (an )n≥1 est convergente .
1
3. (a) La fonction ln est dérivable sur [x, y] et sa dérivée t 7→ t
y est décroissante donc :
1 1 1
∀t ∈ [x, y], ≤ = ln0 (t) ≤
y t x
1 1
(y − x) ≤ ln(y) − ln(x) ≤ (y − x)
y x
Comme y−x > 0 et par application de la fonction inverse aux inégalités on en déduit [aisément :
y−x
inégalités strictes] que : x < <y.
ln(y) − ln(x)
(b) i. Étudions la fonction f . On a :
Ainsi :
f 0 (α) ≥ 0 ⇔ α ≤ 1
Conclusion : f est croissante sur [0, 1] .
Alors, pour tout réel α ∈ [0, 1], on a f (α) ≥ f (0) = 0.
Conclusion : ∀α ∈ [0, 1], ln(αx + (1 − α)y) ≥ α ln(x) + (1 − α) ln(y) .
5. (a) On a : x
1 x+1
f (x) = 1 + = ex ln( x )
x
Cette expression est calculable si et seulement si x+1 x
> 0 et x 6= 0. Une rapide étude de signe
assure que : Df =] − ∞, −1[∪]0, +∞[ .
Sur ce domaine, la fonction x 7→ x+1 x
est de classe C 1 à valeurs strictement positives, donc x 7→
x ln x+1 y est aussi de classe C 1 . Par composition avec exp, on en conclut que : f ∈ C 1 (Df ) .
x
De plus, pour tout réel x ∈ Df , on a :
" x−(x+1)
#
x + 1 x+1
ex ln( x )
2
f 0 (x) = ln + x x+1 x
x x
x+1 1 x+1
0
Conclusion : ∀x ∈ Df , f (x) = ln − ex ln( x ) .
x x+1
2 3
(b) On sait que x1 −→ 0 et ln(1 + u) = u − u2 + u3 + o (u3 ) donc :
x→±∞ u→0
x+1 1 1 1 1 1 1 1
x ln =x − 2+ 3+ o 3
=1− + 2+ o
x x 2x 3x x→±∞ x 2x 3x x→±∞ x2
1 2
+ 3x12 + o 1
−→ 0 et eu = 1 + u + u2 + o (u2 ) donc :
On sait aussi que − 2x 2
x→±∞ x x→±∞ u→0
1 1 1
f (x) = e × exp − + 2 + o
2x 3x x→±∞ x2
" 2 #
1 1 1 1 1
= e 1+ − + 2 + − + o
2x 3x 2 2x x→±∞ x2
e 7e 1
Conclusion : f (x) = e − + + o .
2x 12x2 x→±∞ x2
On en déduit que limx→±∞ f (x) = e ce qui prouve que :
Cf admet pour asymptote la droite d’équation y = e aux voisinages de ± ∞
e
D’après ce qui précède, on a f (x) − e ∼ − 2x et l’équivalence « conserve » le signe ainsi :
x→±∞
De plus :
f (x) − 1 ex[ln(x+1)−ln(x)] − 1 x [ln(x + 1) − ln(x)]
= ∼ −→ +∞
x−0 x x→0 x x→0
Ainsi l’ensemble {x ∈ R | F (x) ≥ t} est non vide. Comme limx→−∞ F (x) = 0, alors, pour
ε = 2t > 0, il existe A < 0 tel que :
t
∀x ≤ A, |F (x) − 0| ≤ ε donc ∀x ≤ A, F (x) ≤ <t
2
Ainsi l’ensemble {x ∈ R | F (x) ≥ t} est minoré par A.
Conclusion : inf{x ∈ R | F (x) ≥ t} existe pour tout réel t ∈]0, 1[ .
(b) i. Soit x ∈ R. Alors :
h(F (x)) = inf{y ∈ R | F (y) ≥ F (x)}
Comme F est croissante sur R et comme x ∈ {y ∈ R | F (y) ≥ F (x)} alors h(F (x)) ≤ x.
Conclusion : ∀x ∈ R, (h ◦ F )(x) ≤ x .
Soit t ∈]0, 1[. Alors :
Par continuité de F à droite en tout point de R donc en h(t), on en déduit que F (h(t)) ≥ t.
Conclusion : ∀t ∈]0, 1[, (F ◦ h)(t) ≥ t .
ii. Lorsque F est strictement croissante sur R alors F (y) ≥ F (x) si et seulement si y ≥ x et
donc h(F (x)) = x. Conclusion : h ◦ F = IdR .
iii. Lorsque F est continue sur R alors, pour tout réel t ∈]0, 1[ :
ln(1 − t)
t = F (x) ⇔ t = 1 − e−λx ⇔ −λx = ln(1 − t) ⇔ x = −
λ
ln(1 − t)
Conclusion : ∀t ∈]0, 1[, h(t) = − .
λ
Remarquer que h se prolonge par continuité en 0.
ii. Ici, la fonction F est en escalier donc elle n’est ni continue ni strictement croissante. Alors,
on a :
∀t ∈]0, p1 ], h(t) = x1 ∀t ∈]p1 , p1 + p2 ], h(t) = x2 ...
2. Soit x0 ∈]0, +∞[. Comme f est croissante sur ]0, +∞[ alors on a :
f (x)
Comme x 7→ x
est décroissante sur ]0, +∞[ alors, pour tout réel x ∈]0, x0 [, on a :
f (x) f (x0 ) x
≥ donc f (x) ≥ f (x0 ) donc lim f (x) ≥ f (x0 )
x x0 x0 x→x−
0
On en déduit donc que f (x0 ) = limx→x−0 f (x). De même, pour tout réel x > x0 , on a :
f (x) f (x0 ) x
≤ donc f (x) ≤ f (x0 ) donc lim f (x) ≤ f (x0 )
x x0 x0 x→x+
0
20.5.2 TD*
s
∃n0 ∈ N / ∀n ≥ n0 , |un | ≤ 1
2. (a) On suppose que a < 1. Soit ε >]0, 1 − a[. Écrivons la définition de la limite ;
un+1
∃n0 ∈ N / ∀n ≥ n0 , a − ε ≤ ≤a+ε<1
un
∀n ≥ n0 , 0 < un ≤ (a + ε)n−n0 u0
(b) On suppose que a > 1 et que a est réel. Soit ε ∈]0, a − 1[. Alors :
un+1
∃n0 ∈ N / ∀n ≥ n0 , 1 < a − ε ≤ ≤a+ε
un
Une récurrence puis un raisonnement du même type qu’à la question précédente prouvent que
n
P P
les séries (a − ε) et n≥n0 un divergent.
On suppose que a = +∞. Soit M > 1. Alors :
un+1
∃n0 ∈ N / ∀n ≥ n0 , 1 < M ≤
un
On en déduit que les séries M n et n≥n0 un divergent.
P P
X
Conclusion : La série un diverge .
P1 P 1
(c) On sait que les séries de Riemann n
et n2
sont respectivement divergente et convergente.
De plus :
1 1
n+1 n (n+1)2 n2
lim = lim =1 et lim = lim =1
n→+∞ 1 n→+∞ n + 1 n→+∞ 1 n→+∞ (n + 1)2
n n2
X
Conclusion : On ne peut conclure quant à la nature de un dans le cas où a = 1 .
(d) i. Pour tout entier naturel n non nul, on a :
tn+1 n+1 un+1 1 b vn
ln = b ln + ln = b ln 1 + + ln 1 − + 2
tn n un n n n
" 2 #
1 1 1 b vn 1 b 1
= b − + ε(n) + − + 2 − + 2 ε(n)
n 2n2 n2 n n 2 n n
−b + 2vn − b2 1
= + ε(n)
2n2 n2
Comme la suite (vn ) est bornée, alors, on a ln tn+1 1
tn
= o n3/2
et comme la série
n→+∞
ln tn+1
P 1 P
n3/2
converge alors la série tn
converge.
X tn+1
Conclusion : La série ln converge .
tn
ii. Notons S la somme de la série précédente. On a donc :
n−1 n−1
X tk+1 X
S = lim ln = lim [ln (tk+1 ) − ln (tk )]
n→+∞
k=1
tk n→+∞
k=1
= lim [ln(tn ) − ln(t1 )] = lim ln(nb un ) − ln(t1 )
n→+∞ n→+∞
A
Conclusion : un ∼ .
n→+∞ nb
276 CHAPITRE 20. SOLUTIONS DES EXERCICES
X
iii. D’après le cours sur les séries de Riemann, la série un converge pour b > 1 .
α
iv. Posons : ∀n ∈ N∗ , un = 1×3×5×···×(2n−1)
2×4×6×···×(2n)
. Alors, pour tout entier n ≥ 1, on a :
α 1 α
un+1 2n + 1 1 + 2n
= =
un 2n + 2 1 + n1
1
Or, comme n
→ 0, on a :
1
1 + 2n 1 1 1 1 1 1 1
1 = 1+ 1 − + 2 + 2 ε(n) = 1 − + 2 + 2 ε(n)
1+ n 2n n n n 2n 2n n
1 1 1
Comme − 2n + 2n2
+ n2
ε(n) → 0, on a :
α
un+1 1 1 1
= 1− + + ε(n)
un 2n 2n2 n2
2
1 1 α(α − 1) 1 1
= 1+α − + 2 + − + 2 ε(n)
2n 2n 2 2n n
α/2 α(α − 1)/8 + α/2 1
= 1− + 2
+ 2 ε(n)
n n n
Nous sommes alors dans les conditions initiales de cette question (d), à savoir réel positif
et suite bornée. La série est donc convergente lorsque α2 > 1.
Conclusion : Si α > 2 alors la série converge .
(−x)n+1
Conclusion : ∀(n, x) ∈ N × I, Rn (x) = .
1 + x
−x
P
Au facteur 1+x près, la série Rn (x) est la série initiale.
+∞
X X −x
Conclusion : Pour tout x ∈ I, la série Rn (x) converge et on a Rn (x) = .
n≥0 n=0
(1 + x)2
(b) i. Notons S la somme de la série de terme général un . Soit n ∈ N. On a :
n n n k
! n n X
n n
X X X X X X X
Rk − kuk = S− ui − kuk = (n + 1)S − ui − kuk
k=0 k=0 k=0 i=0 k=0 i=0 k=i k=0
n n
" n
#
X X X
= (n + 1)S − (n − i + 1)ui − kuk = (n + 1) S − ui
i=0 k=0 i=0
n
X n
X
Conclusion : ∀n ∈ N, Rk − kuk = (n + 1)Rn .
k=0 k=0
20.5. SÉRIES NUMÉRIQUES 277
X
Conclusion : Si la série nun converge alors lim (n + 1)Rn = 0 .
n→+∞
P P
ii. Compte tenu de (b)i et (c)i, si la série nun converge alors la série Rn converge aussi.
La réciproque a été établie en (b)ii.
X X
Conclusion : Les séries Rn et nun sont de même nature .
Supposons alors que la seconde converge. On déduit de (b)i que les sommes sont égales .
P
(d) i. La série un (x) est une série de Riemann. Elle converge si et seulement si x ∈]1, +∞[ .
On note alors ζ(x) = +∞
P 1
P+∞ 1
n=1 nx et, pour tout entier n ≥ 0 : Rn (x) = x.
P P k=n+1 k
ii. D’après (c)ii, la série Rn (x) converge
P si et seulement si la série kuk (x) converge c’est
à dire si et seulement si la série un (x − 1) converge. De plus, en cas de convergence, les
sommes sont égales.
X +∞
X
Conclusion : La série Rn (x) converge pour x > 2 et alors Rn (x) = ζ(x − 1) .
n=0
1 1 1 |x|i
Comme |x| < 2
alors 1−|x| > 2
donc 1−|x|
< 2 et ≤ 2(2|x|)i qui est le terme général d’une
(1−|x|)i+1
P |x|i
série géométrique convergente toujours grâce à l’hypothèse sur x. Alors i≥0 (1−|x|) i+1 converge et
la série double initiale est absolument convergente. On peut alors appliquer le théorème du cours :
+∞ X+∞ +∞ +∞ i
X (i + j)! i+j X xi 1 X x 1 1 1
x = i+1
= = × x =
i=0 j=0
i!j! i=0
(1 − x) 1 − x i=0 1 − x 1 − x 1 − 1−x 1 − 2x
X (i + j)! 1
Conclusion : La série xi+j converge absolument et sa somme vaut .
i!j! 1 − 2x
278 CHAPITRE 20. SOLUTIONS DES EXERCICES
20.6.2 TD*
s
k−1
!
\
P([Xk = 1] ∩ An ) = P [Zi = 0] ∩ [Xk = 1] ∩ [Zk = 0] ∩ An
i=1
k−1
!
\
= P [Zi = 0] ∩ [Xk = 1] ∩ [Yk = 0] PTk−1 [Zi =0]∩[Xk =1]∩[Yk =0] (An )
i=1
i=1
= (1 − pp0 )k−1 p(1 − p0 )P(An−k ) = (1 − pp0 )k−1 p(1 − p0 )pp0 (1 − pp0 )n−k−1
Par ailleurs, on a :
p − pp0 1−p
PAn (Xk = 1) = et PAn (Xk = 0) =
1 − pp0 1 − pp0
n−1 x1 +···+xn−1 n−1−(x1 +···+xn−1 )
p − pp0
Y 1−p
PAn (Xk = xk ) =
k=1
1 − pp0 1 − pp0
n−1
! n−1
\ Y
n−1
Conclusion : ∀(x1 , . . . , xn−1 ) ∈ {0, 1} , PAn [Xk = xk ] = PAn (Xk = xk ) .
k=1 k=1
Cela signifie que les variables (X1 , . . . , Xn−1 ) sont mutuellement indépendante pour PAn .
(d) i. D’après la question précédente, les variables aléatoires
X1, . . . , Xn−1 sont mutuellement
p−pp0
indépendantes. Comme elles suivent toutes la loi B 1, 1−pp0 pour la probabilité PAn alors :
p − pp0
Sn ,→ B n − 1, , c’est à dire que :
1 − pp0
m n−1−m
p − pp0
n−1 1−p
∀m ∈ J0, n − 1K, PAn (Sn = m) =
m 1 − pp0 1 − pp0
280 CHAPITRE 20. SOLUTIONS DES EXERCICES
p − pp0
ii. On en déduit immédiatement que : EAn (S) = (n − 1) .
1 − pp0
2. Soit n un entier supérieur ou égal à 2. On considère un dé équilibré à n faces numérotées de 1 à n.
On effectue une succession infinie de lancers de ce dé et, pour chaque i ∈ J1, nK, on note Xi le rang
d’obtention du premier numéro i. L’objectif de l’exercice est de calculer ρ(Xi , Xj ) pour tout couple
(i, j) tel que i 6= j.
1
(a) Il est clair que Xi ,→ G . Ainsi E(Xi ) = n et V(Xi ) = n(n − 1) .
n
(b) Soit x ∈] − 1, 1[ et s ∈ N∗ . La somme As (x) est la somme partielle de rang s de la série
géométrique dérivée. Comme on sait que :
s
X 1 − xs+1
xk =
k=0
1−x
s
X 1 − (s + 1)xs + sxs+1
As (x) = kxk−1 =
k=1
(1 − x)2
1 (s + 1)xs − sxs+1
xBs (x) = − A s (x) =
(1 − x)2 (1 − x)2
(s + 1)xs−1 − sxs
Conclusion : Bs (x) = .
(1 − x)2
(c) i. Soit (h, k) ∈ N∗2 . Si h = k alors P([Xi = h] ∩ [Xj = k]) = 0. Les rôles de h et k
étant symétriques, il suffit de s’intéressé au cas h < k. Par indépendance des résultats des
lancers, on a alors :
n−2 h−1 1 n−1 k−h−1 1 1 n−2 h−1 n−1 k−2
P([Xi = h] ∩ [Xj = k]) = n n n n
= n2 n−1 n
1 n−2 h−1 n−1 k−2
n2 n−1 n
si h < k
∗2
Conclusion : ∀(h, k) ∈ N , P([Xi = h] ∩ [Xj = k]) = 0 si h = k .
1 n−2 k−1 n−1 h−2
n2 n−1 n
si h > k
On en déduit que :
+∞
+∞ X +∞ h h−1
X X n−1 2h n − 2
hkph,k = h +
h=1 k=1 h=1
n n n
n−1 1 2 1
= 2 +
n 1 − n−1 n 1 − n−2 2
n n
1
Conclusion : E(Xi Xj ) = n n − .
2
iii. On en déduit que :
E(Xi Xj ) − E(Xi )E(Xj ) n2 − n2 − n2
ρ(Xi , Xj ) = =
σ(Xi )σ(Xj ) n(n − 1)
1
Conclusion : ρ(Xi , Xj ) = − .
2(n − 1)
+∞
X
Conclusion : ∀k ∈ Z, P(W = k) = P(X = i)P(X = i − k) .
i=0
i−k∈N
pq |k|
Conclusion : ∀k ∈ Z, P(W = k) = .
1+q
282 CHAPITRE 20. SOLUTIONS DES EXERCICES
P(X = n + 1)
Conclusion : ∀n ∈ N, α = .
P(X = n)
ii. Ainsi, la suite
P+∞(P(X = n))n∈N est géométrique de raison α donc P(X = n) = αn P(X =
0). Comme n=0 P(X = n) = 1, on en déduit que P(X = 0) = 1 − α.
Conclusion : ∀n ∈ N, P(X = n) = P(Y = n) = (1 − α)αn .
2. (a) i. Il est clair que T (Ω) = J2, +∞K. Pour tout entier k ≥ 2, on a :
[T = k] = S1 ∩ · · · ∩ Sk−1 ∩ S̄k ∪ S̄1 ∩ · · · ∩ S̄k−1 ∩ Sk
De même, +∞ k−1
= 1 − p donc +∞
P P
k=2 p(1 − p) k=2 P(T = k) = 1.
Conclusion : T est une variable aléatoire .
ii. Pour l’espérance, le raisonnement précédent s’applique mais avec des série géométriques
dérivées :
+∞
" +∞ #
X
k−1
X
k−1 1 1
k(1 − p)p = (1 − p) kp − 1 = (1 − p) 2
−1 = − (1 − p)
k=2 k=1
(1 − p) 1 − p
Pour la variance, nous allons utiliser les séries géométriques dérivées d’ordre 2 en utilisant
le principe k 2 = k[(k − 1) + 1]. Pour tout entier n ≥ 3, on a :
1 + (1 − p) 1+p
E(T 2 ) = E(T (T − 1)) + E(T ) = 2
+ −1
p (1 − p)2
1 1−p p
Conclusion : E(T ) = − 1 et V(T ) = 2
+ −2.
p(1 − p) p (1 − p)2
(b) i. On a de manière évidente : S(Ω) = N∗ . Soit i ∈ N et k ≥ 2. On a :
P(S̄1 ∩ · · · ∩ S̄k−1 ∩ Sk ) si i = 1 et k > 2
P(S1 ∩ S̄2 ) + P(S̄1 ∩ S2 ) si i = 1 et k = 2
P([S = i] ∩ [T = k]) =
P(S1 ∩ · · · ∩ Sk−1 ∩ S̄k ) si i 6= 1 et k = i + 1
0 sinon
p(1 − p)k−1 si i = 1 et k > 2
2p(1 − p) si i = 1 et k = 2
P([S = i] ∩ [T = k]) = k−1
(1 − p)p si i 6= 1 et k = i + 1
0 sinon
ii. Soit i ∈ N∗ . On a :
+∞ P+∞
X 2p(1 − p) + p k=3 (1 − p)k−1 si i = 1
P(S = i) = P([S = i] ∩ [T = k]) =
(1 − p)pi si i > 1
k=2
1
Conclusion : E(S) = −p.
1−p
Avec la traditionnelle astuce de calcul i2 = i[(i−1)+1], on justifie (comme précédemment)
p2 (1 + p(1 − p))
que S admet une variance et un calcul prouve que V(S) = .
(1 − p)2
iv. Comme S et T admettent une variance alors (S, T ) admet une covariance . De plus :
+∞
X +∞
X
k−1
Cov(S, T ) = 4p(1 − p) + p k(1 − p) + (1 − p) i(i + 1)pi
i=2
k=3
1 2
= 4p(1 − p) + p 2 − 1 − 2(1 − p) + p(1 − p) − 2p
p (1 − p)3
(c) Comme S + E = T alors E admet une variance donc (S, E) admet une covariance . De plus :
p p2 (1 + p(1 − p))
Cov(S, E) = Cov(S, T − S) = Cov(S, T ) − Cov(S, S) = − 2p −
(1 − p)2 (1 − p)2
20.7.2 TD*
s
Comme lim pan + qcn = p lim an + q lim cn (et de même pour les trois autres coeffi-
n→+∞ n→+∞ n→+∞
cients) alors :
lim P An = P lim An
n→+∞ n→+∞
Conclusion : ∀n ∈ N, Sn (P −1 AP ) = P −1 Sn (A)P .
ii. Supposons que la suite (Sn (A))n∈N converge et notons L sa limite. D’après la question (a),
la suite (P −1 Sn (A))n∈N converge vers P −1 L et alors la suite (P −1 Sn (A)P )n∈N converge
vers P −1 LP . Ainsi, la suite (Sn (P −1 AP )n∈N converge.
Supposons que la suite (P −1 Sn (A)P )n∈N converge. Un raisonnement analogue au précé-
dent assure que la suite (P Sn (P −1 AP )P −1 )n∈N converge c’est à dire que la suite (Sn (A))n∈N
converge.
Conclusion : (Sn (A))n∈N converge si et seulement si (Sn (P −1 AP ))n∈N converge .
(c) i. Si u admettait une autre valeur propre alors u admettrait exactement 2 = dim(R2 ) valeurs
propres et ainsi serait diagonalisable. D’autre part, si dim(Ea (u)) = 2 = dim(R2 ) alors u
serait diagonalisable.
Conclusion : Sp(u) = {a} et Ea (u) = Vect(e1 ) .
20.7. RÉDUCTION DES ENDOMORPHISMES 285
ii. La famille (e1 ) est libre puisque e1 6= 0 (car vecteur propre) donc le théorème de la base
incomplète s’applique.
Conclusion : ∃e2 ∈ R2 / Vect(e1 , e2 ) = R2 .
iii. On sait que u(e1 ) = ae1 . De plus, comme B est une base de R2 :
D’après les résultats connus sur les séries géométriques et géométriques dérivées :
1 1
1−a (1−a)2
De plus, en cas de convergence, on a : lim Sn (T ) = 1 .
n→+∞ 0 1−a
Supposons que u ne soit pas diagonalisable. Comme, il admet une valeur propre (notons-la
a) alors il existe une base B de R2 telle que :
a 1
MatB (u) =
0 a
Le même raisonnement que ci-dessus et l’utilisation des résultats qui précèdent assurent
que la suite (Sn (P −1 AP ))n∈N (et donc aussi la suite (Sn (A))n∈N ) converge si et seulement
si a ∈] − 1, 1[.
Conclusion : (Sn (A))n∈N converge si et seulement si Sp(A) ⊂] − 1, 1[ .
∀(i, j) ∈ J1, n + 1K2 , ai,j = P([X = i] ∩ [Y = j]) et A = (ai,j )(i,j)∈J1,n+1K2 ∈ Mn+1 (R)
1
(a) On suppose que ai,j = 2n
si |i + j − (n + 2)| = 1 et que ai,j = 0 sinon.
i. On a : |i + j − (n + 2)| = 1 si et seulement si i + j − (n + 2) = 1 ou i + j − (n + 2) = −1.
Ainsi :
n+1 X
X n+1 n+1
X n+1
X n
X
ai,j = (ai,n+3−i + ai,n+1−i ) = ai,n+3−i + ai,n+1−i = 1
i=1 j=1 i=1 i=2 i=1
Conclusion : La famille des (ai,j ) est la loi d’un couple aléatoire (X, Y ) .
0 0 1 0
1 0 1 0 1
ii. On a : A = . Cette matrice est symétrique donc est diagonalisable dans
6 1 0 1 0
0 1 0 0
R. Déterminons ses éléments propres par la méthode du pivot de Gauss :
−6λ 0 1 0
1 0 1 − 6λ 0 1
A − λI =
6 1 0 1 − 6λ 0
0 1 0 −6λ
20.7. RÉDUCTION DES ENDOMORPHISMES 287
(c) Pour tout couple (i, j) ∈ J1, n + 1K2 , on pose : bi,j = P[Y =j] (X = i). On note aussi B = (bi,j ) ∈
Mn+1 (R).
i. On a :
ai,j 0 si |i + j − (n + 2)| =6 1
∀(i, j) ∈ J1, n + 1K2 , bi,j = = 1 si (i, j) = (2, n + 1) ou (i, j) = (n, 1)
P(Y = j) 1
2
sinon
1
0 ... 0 2
0
.. .
. .. . .. 0 1
. . . 12 0
Conclusion : B = 0 21 .
.
. . . . . . ..
1 0
1
0 2
0 ... 0
288 CHAPITRE 20. SOLUTIONS DES EXERCICES
P(X = 1)
..
Conclusion : ∈ E1 (B) .
.
P(X = n + 1)
m1 + · · · + mk + 1 = deg(P 0 ) + 1 = deg(P ) ≥ m1 + 1 + · · · + mk + 1 = m1 + · · · + mk + k
d’où l’on obtient que k = 1 et donc que P 0 (X) = λ(X − a1 )m1 et enfin que P (X) =
λ
m1 +1
(X − a1 )m1 +1 .
Conclusion : ∃(λ, a) ∈ C2 , ∃k ∈ N∗ / P (X) = λ(X − a)k .
(b) i. La linéarité de u est quasi-immédiate (u(λP + µQ) = λu(P ) + µu(Q)), reste à prouver
que u(P ) ∈ E pour tout P ∈ E. Pour tout entier k ∈ J0, nK, on a :
(avec les cas particuliers : u(1) = −nX et u(X n ) = nX n−1 ). Ainsi 0 ≤ k ≤ n ⇒ u(X k ) ∈
E. Par linéarité de u, on en déduit donc que P ∈ E ⇒ u(P ) ∈ E.
Conclusion : u ∈ L(E) .
ii. Soit λ ∈ C et P ∈ E non nul tels que :
Remarquons, pour commencer, que deg(P ) = n car sinon u(P ) ne serait pas de même
degré que P (en vertu des calculs qui précèdent).
• On a : λ + nX | X 2 + 1 si et seulement si nλ ∈ {−i, i}. Dans le cas où λ = ni alors on a :
donc P 0 (X) divise P (X) et i est racine de P (X). On en déduit (avec la question (a)) que
P (X) = α(X − i)k où α ∈ C et k ∈ J1, nK. De plus, k = n donc :
E(n−2k)i (u) = Vect((X 2 + 1)k (X − i)n−2k ) et E(−n+2k)i (u) = Vect((X 2 + 1)k (X + i)n−2k )
iii. On a obtenu n + 1 valeurs propres deux à deux distinctes et Cn [X] est de dimension n + 1
donc u est diaonalisable .
2. (a) Soit λ ∈ R. On effectue les opérations élémentaires suivantes sur la matrice A − λI :
λ
L1 ↔ L2 L1 ← −L1 L2 ← L2 L3 ← L3 + L1 L2 ↔ L3 L3 ← L3 − λL1
p2 q
p2 q 0 λ−1
λ(λ−1)
et on obtient la matrice 0 1 . Ainsi :
p2 q
λ3 −λ2 +p2 q
0 0 − p2 q
an−1 − bn−1
car a3 −a2 +p2 q = 0. Ainsi P(n+3) est vraie. Conclusion : ∀n ∈ N∗ , pn = p2 .
a−b
20.8.2 TD*
s
Z π
2
Conclusion : ∀n ∈ N, wn+2 = (n + 1) cosn (t) sin2 (t)dt .
0
ii. Comme sin2 (t) = 1 − cos2 (t) pour tout réel t, on en déduit que :
Z π
2
wn+2 = (n + 1) cosn (t)(1 − cos2 (t))dt = (n + 1)(wn − wn+2 )
0
n+1
Conclusion : ∀n ∈ N, wn+2 = wn .
n+2
(d) i. Comme la suite (wn ) est décroissante, on en déduit que :
∀n ∈ N, wn+2 ≤ wn+1 ≤ wn
d’où la double inégalité large avec le résultat ci-dessus. De plus, wn > 0 pour tout entier n
puisque la fonction à intégrer est continue, positive et non identiquement nulle sur 0, π2 .
n+1
Conclusion : ∀n ∈ N, 0 < wn ≤ wn+1 ≤ wn .
n+2
ii. On en déduit que :
n+1 wn+1
∀n ∈ N, 0 < ≤ ≤1
n+2 wn
Comme limn→+∞ n+1 n+2
= 1, on en déduit que limn→+∞ wwn+1 n
= 1.
Conclusion : wn+1 ∼ wn .
n→+∞
(e) i. Soit P(n) la proposition : un = u0 . Cette proposition est naturellement vraie au rang 0. Soit
n ≥ 0 tel que P(n) est vraie. Alors :
n+1
un+1 = (n + 2)wn+2 wn = (n + 2) wn wn+1 = un = u0
n+2
Conclusion : La suite (un )n∈N est constante .
ii. Comme u0 = (0 + 1)w1 w0 = π2 , on en déduit que :
π π
∀n ∈ N, wn+1 wn = ∼
2(n + 1) n→+∞ 2n
r
π π
De plus : wn+1 wn ∼ wn2 , d’où : wn2 ∼ . Conclusion : wn ∼ .
n→+∞ n→+∞ 2n n→+∞ 2n
2. (a) Soit x ∈] − 1, +∞[. Alors, la fonction t 7→ 1 + xt2 est continue sur [0, 1] à valeurs dans
[1 − x, 1 + x] ⊂]0, +∞[. Comme la fonction ln est continue sur ]0, +∞[, on en déduit que la
fonction t 7→ ln(1 + xt2 ) est continue sur [0, 1] donc l’intégrale F (x) existe. Si x ≤ −1 alors
t 7→ 1 + xt2 est à valeurs dans [1 − x, 1] 6⊂]0, +∞[ et donc on ne peut pas toujours composer
avec la fonction ln. Conclusion : DF =] − 1, +∞[ .
(b) i. Soit (u, k) ∈ R2 tel que u > 0 et 0 < u − |k|. Alors :
k 2
k2
k k k u
ln(u + k) − ln(u) − ≤ ⇔ ln 1 + − ≤ 2
u 2(u − |k|)2 u u 2 1 − uk
x 2
On montre alors que |ln (1 + x) − x| ≤ 2(1−|x|) 2 sur ] − 1, 1[. Utilisons donc l’inégalité de
Taylor-Lagrange à l’ordre 2 sur l’intervalle [0, x]. Comme f : x 7→ ln(1 + x) est de classe
C 2 sur ] − 1, +∞[ alors :
|x|2
∀x ∈] − 1, 1[, |ln (1 + x) − x| ≤ max|f 00 |
[0,x] 2!
292 CHAPITRE 20. SOLUTIONS DES EXERCICES
Or, on a |f 00 | : t 7→ 1
(1+t)2
est majorée par 1
(1−|x|)2
sur [0, x] ce qui donne l’inégalité.
k k2
Conclusion : u > 0 et 0 < u − |k| ⇒ ln(u + k) − ln(u) − ≤ .
u 2(u − |k|)2
ii. Soit x > 0 et h ∈] − x, x[−{0}. On a :
1 1 ht2
Z
2 2 2
|D(x, h)| = ln(1 + xt + ht ) − ln(1 + xt ) − dt
h 0 1 + xt2
Z 1
1 ht2
≤ ln(1 + xt2 + ht2 ) − ln(1 + xt2 ) − dt
|h| 0 1 + xt2
Pour tout réel t ∈]0, 1[, on pose u(t) = 1+xt2 et k(t) = ht2 . Alors, pour tout réel t ∈ [0, 1],
on a :
u(t) > 0 et |k(t)| = |h|t2 ≤ xt2 < 1 + xt2 = u(t)
On déduit de la question précédente que :
Z 1 1
ht2 h2 t4
Z
ln(1 + xt2 + ht2 ) − ln(1 + xt2 ) − dt ≤ dt
0 1 + xt2 2 2
0 2(1 + (x − |h|)t )
1
t4 |h| 1 4
Z Z
|D(x, h)| ≤ |h| dt ≤ t dt
0 2(1 + xt2 − |h|t2 )2 2 0
|h|
Conclusion : x > 0 et 0 < |h| < x ⇒ |D(x, h)| ≤ .
10
Soit x ∈] − 1, 0] et 0 < |h| < x + 1. Comme |k(t)| = |h|t2 < (1 + x)t2 < 1 + xt2 = u(t),
on a encore :
Z 1
t4 |h| 1 t4
Z
|D(x, h)| ≤ |h| 2 2 2
dt ≤ dt
0 2(1 + xt − |h|t ) 2 0 (1 + x − |h|)2 t4
|h|
Conclusion : −1 < x ≤ 0 et 0 < |h| < x + 1 ⇒ |D(x, h)| ≤ .
2(1 + x − |h|)2
iii. On en déduit que :
∀x ∈] − 1, +∞[, |D(x, h)| −→ 0
h→0
Z 1
F (x + h) − F (x) t2
∀x ∈] − 1, +∞[, − 2
dt −→ 0
h 0 1 + xt h→0
1
t2
Z
0
Conclusion : F est dérivable sur ] − 1, +∞[ et ∀x ∈] − 1, +∞[, F (x) = dt .
0 1 + xt2
1 1
t2
Z Z
2 1
(c) i. Pour x = 0, on a : 2
dt = t dt = .
0 1 + xt 0 3
R 1 t2 1 1
R 1
√
Pour x > 0, on a : 0 1+xt 2 dt = x 0 1 − 1+xt 2 dt. De plus, comme u : t 7→ xt est de
classe C 1 sur R et est bijective alors :
Z 1 Z 1 Z √x √
1 1 1 1 arctan ( x)
2
dt = √ 2 dt = √ du = √
0 1 + xt 0 1 + ( xt) x 0 1 + u2 x
1 √
t2
Z
1 arctan ( x)
Conclusion : ∀x > 0, dt = − √ .
0 1 + xt2 x x x
Pour −1 < x < 0, on a :
1 1
t2 1 1 + xt2 − 1 2 2
= × √ 2 = 1 − √ − √
1 + xt2 x 1− 1 + t −x 1 − t −x
−xt
20.8. INTÉGRALES SUR UN SEGMENT 293
1
t2 √ √ 1
Z
1 1 1
2
dt = t− √ ln 1 + t −x + √ ln 1 − t −x
0 1 + xt x 2 −x 2 −x 0
Z 1 √
t2
1 1 1 − −x
Conclusion : ∀x ∈] − 1, 0[, 2
dt = + √ ln √ .
0 1 + xt x 2x −x 1 + −x
ii. Compte tenu des résultats qui précèdent, F 0 est continue sur ] − 1, 0[ et sur ]0, +∞[. Reste
à étudier la continuité en 0 de F 0 . On effectue des développements limités au voisinage de
0. Par Taylor-Young, on a :
2
arctan (u) = u − u3 + o (u3 )
6 u→0
√
Puisque x −→+ 0, on en déduit que :
x→0
√ 3 √
√ √ x √ 3 arctan ( x) 1 1
arctan x = x − + o +( x ) donc √ = − o (1)
3 x→0 x x x 3 x→0+
√
On en déduit que limx→0+ F 0 (x) = 1
3
= F 0 (0). D’autre part, comme −x −→− 0 :
x→0
√
√ √
1 − −x
ln √ = ln 1 − −x − ln 1 + −x
1 + −x
√ −x
√
−(−x) −x
√
−x
√
−x −x
= − −x − 2 + 3
− −x − 2
+ 3
+ o − (−x)3/2
x→0
√ √
= −2 −x + 2x 3−x + o − (−x)3/2
x→0
√ √
√ √ ln 1 −
−x − ln 1 + −x
F (x) = ln 1 − −x + ln 1 + −x − 2 − √
−x
√ √
−x − 1 √ −x + 1 √
= √ ln 1 − −x + √ ln 1 + −x − 2
−x −x
√ √
Or u ln(u) −→+ 0 donc √−x−1
−x
ln 1 − −x −→+ 0. On en déduit que :
u→0 x→−1
iii.
a+1
3. (a) i. Soit a ∈ N et b ∈ N∗ . Les fonctions x 7→ xa+1 et x 7→ (1 − x)b sont de classe C 1 sur R.
Ainsi :
Z 1 a+1 1 Z 1 a+1
a b x b x
I(a, b) = x (1 − x) dx = (1 − x) − (−b)(1 − x)b−1 dx
0 a + 1 0 0 a + 1
b
Conclusion : ∀(a, b) ∈ N × N∗ , I(a, b) = I(a + 1, b − 1) .
a+1
ii. Une récurrence immédiate sur b assure que :
b × (b − 1) × · · · × 2 × 1 b!a!
∀b ∈ N, ∀a ∈ N, I(a, b) = I(a+b, 0) = I(a+b, 0)
(a + 1) × (a + 2) × · · · × (a + b) (a + b)!
R1 1
Or, on a : I(a + b, 0) = 0
xa+b dx = a+b+1
.
a!b! 1 1
Conclusion : ∀(a, b) ∈ N2 , I(a, b) = = =
a+b
.
(a + b + 1)! (a + b + 1) a
(a + 1) a+b+1
a+1
20.8. INTÉGRALES SUR UN SEGMENT 295
b
(−1)k
a!b! X b
On obtient alors : = .
(a + b + 1)! k=0 a + k + 1 k
Rx
(b) i. Soit P ∈ Rn [X]. La fonction x 7→ 1 P (t)dt est l’unique primitive sur R de la fonc-
tion polynomiale P qui s’annule en x = 1. Cette primitive est encore une fonction poly-
nôme. Comme elle s’annule en 1 alors, par division euclidienne, on peut la factoriser (de
manière unique) par (x − 1) ce qui donne une nouvelle fonction polynôme Q. Par étude
du degré, il est immédiat que deg(Q) = deg(P ) ≤ n donc Q ∈ Rn [X]. Conclusion :
Z x
1
∀P ∈ Rn [X], ∃!Q ∈ Rn [X] / ∀x ∈ R − {1}, Q(x) = P (t)dt .
x−1 1
ii. Par linéarité de l’intégrale, on en déduit que f est un endomorphisme de Rn [X]. Soit donc
Q ∈ Rn [X]. Alors :
Z x
f (P ) = Q ⇔ ∀x ∈ R, (x − 1)Q(x) = P (t)dt
1
⇔ ∀x ∈ R, P (x) = Q(x) + (x − 1)Q0 (x)
x k
xk+1 − 1
Z
k 1 k 1 1 X i
f (X ) : x 7→ t dt × = x
x−1 1 k+1 x−1 k + 1 i=0
1 1
1 ...
2 n+1
1 ..
0 .
k 1 k
donc : f (X ) = (1 + X + · · · + X ). Conclusion : A = 2 .
k+1 .. ... ... ..
. .
1
0 ... 0 n+1
ii. Cette matrice est triangulaire supérieure et comporte n + 1 nombres réels deux à deux
distincts sur sa diagonale.
1 1
Conclusion : A est diagonalisable dans R et Sp(A) = 1, , . . . , .
2 n+1
iii. Cette matrice est triangulaire supérieure et ne comporte aucun 0 sur sa diagonale.
Conclusion : A ∈ GLn+1 (R) .
De plus, on sait que A−1 est la matrice de f −1 dans la base canonique. Or :
α = 1 : Alors f −1 (Q) = (X − 1)k [(k + 1)R(X) + (X − 1)R0 (X)] donc 1 est racine de
f −1 (Q) de multiplicité k puisque (k + 1)R(1) + (1 − 1)R0 (1) = (k + 1)R(1) 6= 0.
α 6= 1 : Alors f −1 (Q) = (X−α)k−1 [(X − α) [R(X) + (X − 1)R0 (X)] + k(X − 1)R(X)].
On en déduit que :
(f ) = Vect (X − 1)k .
Conclusion : ∀k ∈ J0, nK, E 1
k+1
k
k
X k
(X − 1) = (−1)k−i X i
i=0
i
On pose :
1 −1 . . . (−1)n
... j
0 1 (−1)j−i si j ≤ i
T =
avec ti,j = i
.. . .
. ... 0 si i < j
. −n
0 ... 0 1
n−p
n X
(−1)j
∗ k n
X n n−p
∀k ∈ N , ∀p ∈ J0, nK, f (X ) = Xp
p=0
p j=0
j (p + j + 1)k
x
(x − t)n−1
Z
n (n) n
Comme (Φ (f )) = f alors : Φ (f )(x) = f (t)dt .
0 (n − 1)!
iii. Alors :
x x
(x − t)n−1 (x − t)n−1 xn
Z Z
n
|Φ (f )(x)| ≤ |f (t)| dt ≤ max|f | dt = max|f |
0 (n − 1)! [0,1] 0 (n − 1)! [0,1] n!
n
Comme la série n≥0 xn! converge (série exponentielle) alors la série n≥0 |Φn (f )(x)|
P P
converge.
X
Conclusion : Φn (f )(x) converge absolument .
n∈N
• Continuité de g : Soit x0 ∈ [0, 1]. Par convergence absolue de la série précèdente, pour tout
x ∈ [0, 1], on a :
+∞
X +∞
X
n n
|g(x) − g(x0 )| = [Φ (f )(x) − Φ (f )(x0 )] ≤ |Φn (f )(x) − Φn (f )(x0 )|
n=0 n=0
+∞ x x0
(x − t)n−1 (x0 − t)n−1
X Z Z
≤ f (t)dt − f (t)dt + |f (x) − f (x0 )|
n=1 0 (n − 1)! 0 (n − 1)!
+∞
Xh i
R x0 (x−t)n−1 −(x0 −t)n−1 Rx (x−t)n−1
≤ 0 (n−1)!
f (t)dt + x0 (n−1)!
f (t)dt + |f (x) − f (x0 )|
n=1
+∞ h i
Rx (x−t)n−1 −(x0 −t)n−1 Rx (x−t)n−1
X
0
|g(x) − g(x0 )| ≤ M 0 (n−1)!
dt + x0 (n−1)!
dt + |f (x) − f (x0 )|
n=1
+∞
X −(x − x0 )n − xn + xn0 + (x − x0 )n
≤ M + |f (x) − f (x0 )|
n=1
n!
≤ M (ex0 − 1 − ex + 1) + |f (x) − f (x0 )| −→+ 0
x→x0
donc : ∀x ∈ [0, 1], gn (x) − Φ(gn )(x) = f (x) − Φn+1 (f )(x) −→ f (x). Par unicité de la limite,
n→+∞
on a :
∀x ∈ [0, 1], g(x) − Φ(g)(x) = f (x)
• Unicité de la solution : Soit h ∈ E telle que h − Φ(h) = f . Alors :
2. (a) i. On sait que 0 et ab sont racines d’ordre n de Pn (X) donc ses dérivées successives d’ordre
k ∈ J0, n − 1K s’annulent en 0 et en ab . De plus, la formule de Leibniz donne :
n
1 X n
Pn(n) (X) = (X n )(k) ((bX − a)n )(n−k)
n! k=0 k
n n 2
1 X n n! n−k n−k n! k
X n
= X b (bX − a) = (bX)n−k (bX − a)k
n! k=0 k (n − k)! k! k=0
k
(n)
donc Pn (X) est à coefficients entiers. Ses dérivées successives sont encore une combinai-
son linéaire à coefficients entiers de polynômes de la forme (bX)i (bX − a)j qui prennent
une valeur entière en 0 et en ab .
Conclusion : ∀k ∈ N, Pn(k) (0), Pn(k) ab ∈ Z2 .
ii. Soit n ∈ N∗ . On a :
Z π
1 π 1 π
Z Z
n
Pn (t) sin(t)dt ≤ |(t(bt − a)) sin(t)| dt ≤ |t(bt − a)|n dt
0 n! 0 n! 0
Or, la fonction t 7→ |t(bt − a)| est continue sur [0, π] donc y admet un maximum M . Alors :
Z π
1 π n Mn
Z
Pn (t) sin(t)dt ≤ M dt = π −→ 0
0 n! 0 n! n→+∞
Z π
Conclusion : lim Pn (t) sin(t)dt = 0 .
n→+∞ 0
(b) Supposons que π ∈ Q. Alors, il existe (a, b) ∈ N∗2 tel que π = ab . Les fonctions Pn , cos et sin
étant de classe C ∞ sur [0, π], alors, par intégrations par parties successives, on a :
Z π Z π
π 0
0< P2n (t) sin(t)dt = [−P2n (t) cos(t)]0 − −P2n (t) cos(t)dt
0 0
Z π Z π
0 00
= P2n (t) cos(t)dt = P2n (t) sin(t)dt
0 0
Z π
(2n)
= ··· = P2n (t) sin(t)dt
0
h iπ Z π
(2n) (2n+1)
= −P2n (t) cos(t) − −P2n (t) cos(t)dt
0 0
Z π
(2n) (2n) (2n+1)
= −P2n (π) + P2n (0) + −P2n (t) cos(t)dt
0
(4n)
R π A est un entier d’après la première question. De plus, P2n (X) est un polynôme constant et
où
0
sin(t)dt = 2. On en déduit que :
Z π Z π
∗
∀n ∈ N, P2n (t) sin(t)dt ∈ N donc ∀n ∈ N, P2n (t) sin(t)dt ≥ 1
0 0
Mais cette suite extraite doit converger vers 0 d’après la question précédente ce qui est absurde.
Conclusion : π ∈ R − Q .
300 CHAPITRE 20. SOLUTIONS DES EXERCICES
20.9.2 TD*
s
Donc cette fonction se prolonge par continuité en 0. Ainsi, l’intégrale In est bien conver-
gente. Conclusion : La suite (In )n∈N est bien définie .
ii. Soit n ∈ N. On a alors :
Z π Z π
2 sin((2n + 3)t) sin((2n + 1)t) 2 cos((2n + 2)t) sin(t)
In+1 − In = − dt = 2 dt
0 sin(t) sin(t) 0 sin(t)
Z π π/2
2 sin((2n + 2)t) sin((n + 1)π)
= 2 cos((2n + 2)t)dt = 2 = =0
0 2n + 2 0 n+1
Conclusion : ∀n ∈ N, In+1 − In = 0 .
π π
iii. Manifestement, on a : I0 = . On en déduit que : ∀n ∈ N, In = .
2 2
(b) i. Soit n ∈ N. Les fonctions f et t 7→ − cos(nt)
n
sont de classe C 1 sur [a, b] donc, par intégration
par parties, on a :
Z b b Z b
cos(nt) cos(nt)
f (t) sin(nt)dt = −f (t) − −f 0 (t) dt
a n a a n
Z b
|f (b)| + |f (a)| 1 b 0
Z
f (t) sin(nt)dt ≤ + |f (t)| dt
a n n a
Z b
Conclusion : lim f (t) sin(nt)dt = 0 .
n→+∞ a
x
On en déduit que g(x) = 6
+ o(x2 ) −→ 0 et donc g se prolonge par continuité en 0 en
x→0
posant g(0) = 0. On en déduit aussi que :
0 1 1
π le prolongement est dérivableen π0et g (0) = 6 . Manifestement, g est de classe C sur
donc
0, 2 . De plus, pour tout réel x ∈ 0, 2 , on a :
" #
x2 3 x2 3
1 cos(x) 1 1 − + o(x ) 1 1 − + o(x )
g 0 (x) = 2 − = 2− 2
2 = 2 1 −
2
sin2 (x)
2
x x x3
x − 6 + o(x )4 x x2
1 − 6 + o(x3 )
" 2
#
1 − x2 + o(x3 ) x2 x2
1 1 3 3
= 2 1− 2 = 2 1− 1− + o(x ) 1+ + o(x )
x 1 − x3 + o(x3 ) x 2 3
Z π/2
lim g(t) sin(nt)dt = 0
n→+∞ 0
Comme l’intégrale In est convergente (l’intégrale, pas la suite ici), on en déduit que l’inté-
R π/2
grale 0 sin((2n+1)t)
t
dt converge aussi et alors, par convergence de la suite (In ), on a :
Z π/2 Z π/2
sin((2n + 1)t) sin((2n + 1)t) π
lim dt = lim dt =
n→+∞ 0 t n→+∞ 0 sin(t) 2
R π/2
Effectuons le changement de variable x = (2n + 1)t dans l’intégrale 0 sin((2n+1)t) t
dt.
Comme cette intégrale
i converge
h et comme ce changement de variable est clairement bijectif
(2n+1)π
π
, de classe C 1 et strictement croissant sur 0, π2 , alors :
de 0, 2 dans 0, 2
Z (2n+1)π/2 Z π/2
sin(x) sin((2n + 1)t)
∀n ∈ N, dx = dt
0 x 0 t
De plus, comme la fonction exp est de classe C ∞ sur R, pour tous réels a et a0 , on a :
(a − a0 )2
|ea − ea0 − ea0 (a − a0 )| ≤ max{ea , ea0 }
2
Ainsi, pour tous réels x et x0 et pour tout t ∈ [0, 1], en posant a = −x(1 + t2 ) et a0 =
−x0 (1 + t2 ) puis en reportant dans l’inégalité, on a :
Z 1 Z 1
f (x) − f (x0 ) −x0 (1+t2 ) 1 + t2 2 2
+ e dt ≤ |x − x0 | max{e−x(1+t ) , e−x0 (1+t ) }dt
x − x0 0 0 2
Or, pour tout réel t ∈ [0, 1] et tout réel x, on a :
2
−x(1 + t2 ) ≤ 2|x| donc e−x(1+t ) ≤ e2|x|
1
f (x) − f (x0 )
Z
2
lim + e−x0 (1+t ) dt = 0
x→x0 x − x0 0
Z 1
0 2
Conclusion : f est dérivable sur R et : ∀x ∈ R, f (x) = − e−x(1+t ) dt .
0
ii. La fonction g est la composée de la fonction carrée, dérivable sur R, avec la fonction f qui
est aussi dérivable sur R. Conclusion : g est dérivable sur R .
De plus, pour tout réel x, on a :
Z 1 Z 1
0 0 2 −x2 (1+t2 ) −x2 2
g (x) = 2xf (x ) = −2x e dt = −2xe e−(xt) dt
0 0
On pose u = xt. Ce changement de variable est bijectif de [0, 1] dans [0, x] (ou [x, 0]),
de classe C 1 et strictement monotone (sauf pour x = 0 auquel cas l’égalité demandée est
immédiate) donc (x étant non nul) :
Z x Z x
0 −x2 −u2 1 −x2 2
g (x) = −2xe e du = −2e e−u du
0 x 0
Z x
2 2
Conclusion : ∀x ∈ R, g 0 (x) = −2e−x e−t dt .
0
R 2
x −t2
iii. La fonction h : x 7→ g(x) + 0
e dt est dérivable sur R et, pour tout réel x, on a :
Z x
0 0 −x2 2
h (x) = g (x) + 2e e−t dt = 0
0
1 2 −2x 2
Φ0 (x) = √ e−x /2 > 0 et Φ00 (x) = √ e−x /2
2π 2π
Z +∞
√
1 2
Conclusion : Γ =2 e−t dt = π .
2 0
304 CHAPITRE 20. SOLUTIONS DES EXERCICES
1
√ (2n−1)!
ii. Soit P(n) la proposition Γ n + 2
= π 22n−1 (n−1)!
. D’après ce qui précéde, on a :
√ 1 √ (2 × 1 − 1)!
1 1 1
Γ 1+ = Γ = π = π 2×1−1
2 2 2 2 2 (1 − 1)!
donc la proposition P(1) est vraie. Soit n ∈ N∗ . Supposons que P(n) est vraie. Alors :
2n + 1 √
1 1 1 1 (2n − 1)!
Γ n+1+ = Γ n+ +1 = n+ Γ n+ = π 2n−1
2 2 2 2 2 2 (n − 1)!
√ (2n + 1)(2n)(2n − 1)! √ (2n + 1)!
= π = π 2n+1
2(2n)22n−1 (n − 1)! 2 n!
y bx by
f (at) − f (bt)
Z Z Z
f (u) f (u)
Conclusion : 0 < x < y ⇒ dt = du − du .
x t ax u ay u
R1 f (t)
(b) Comme on sait que 0 t
dt converge alors, pour tout réel x > 0, on a :
Z bx Z ax Z bx
f (u) f (u) f (u)
du = du + du
0 u 0 u ax u
et comme on a : Z bx Z ax
f (u) f (u)
du −→+ 0 et du −→+ 0
0 u x→0 0 u x→0
Z bx
f (u)
on en déduit que lim+ du = 0 . De manière analogue :
x→0 ax u
Z +∞ Z by Z +∞
f (u) f (u) f (u)
du = du + du
ay u ay u by u
Z by
f (u)
d’où l’on conclut, avec l’hypothèse initiale, que lim du = 0 .
y→+∞ ay u
+∞
f (at) − f (bt)
Z
(c) Des deux questions précédentes, on en déduit que dt converge et vaut 0 .
0 t
20.9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE 305
x
Conclusion : ∀(x, y) ∈]0, +∞[2 , B(x + 1, y) = B(x, y + 1) .
y
iv. Soit x et y deux réels strictement positifs. On a :
Z 1 Z 1
x−1 y
B(x, y + 1) = t (1 − t) dt = tx−1 (1 − t)y−1 (1 − t)dt
Z0 1 0
Z 1
y x−1 y−1
B(x + 1, y) = t (1 − t) dt − tx (1 − t)y−1 dt = B(x, y) − B(x + 1, y)
x 0 0
x
Conclusion : ∀(x, y) ∈]0, +∞[2 , B(x + 1, y) = B(x, y) .
x+y
v. Soit n ∈ N et y > 0. On a alors (par récurrence immédiate) :
n Z 1
Y k n!
B(n + 1, y) = B(1, y) (1 − t)y−1 dt
k=1
k+y 0 (n + y) × · · · × (1 + y)
n!
Conclusion : ∀n ∈ N, ∀y ∈]0, +∞[, B(n + 1, y) = .
(n + y) × · · · × (1 + y)y
306 CHAPITRE 20. SOLUTIONS DES EXERCICES
(b) i. La fonction t 7→ e−t est convexe sur R et y = 1 − t est l’équation de la tangente à sa courbe
au point d’abscisse 0 donc : ∀t ∈ R, 1 − t ≤ e−t .
ii. Soit t ∈ [0, n]. D’après l’inégalité qui précède, on a alors :
t
0≤1− ≤ e−t/n
n
n
t
En élevant à la puissance n, on en déduit que : ∀t ∈ [0, n], 1− ≤ e−t .
n
√
iii. Soit t ∈ [0, n[. Alors :
n
t2 −t t2
t t
1− e ≤ 1− ⇔ ln 1 − − t ≤ n ln 1 −
n n n n
x2
√
La fonction f : x 7→ ln 1 − n − x − n ln 1 − nx est de classe C 1 sur [0, n[ et on a :
0 −2 nx − n1 2x n −x(x2 − 2x + n)
f (x) = −1−n = − − 1 + = ≤0
1− x2
n
1 − nx n − x2 n−x (n − x2 )(n − x)
2
n √
donc : f (t) ≤ f (0) = 0. Ainsi : 1 − tn e−t ≤ 1 − nt (encore valable pour t = n).
√ 2
2
n
Soit t ∈ [ n, n]. Alors 1 − tn ≤ 0 donc 1 − tn e−t ≤ 1 − nt .
n
t2 −t
t
Conclusion : ∀t ∈ [0, n], 1 − e ≤ 1− .
n n
(c) i. Soit n ∈ N∗ . Pour tout réel t ∈ [0, n], on a :
n n
t2 −t t2 −t x−1
t −t t
1− e ≤ 1− ≤e donc 1− e t ≤ 1− tx−1 ≤ e−t tx−1
n n n n
Z n Z n Z n n Z n
x−1 −t 1 x+1 −t t
t e dt − t e dt ≤ 1− x−1
t dt ≤ tx−1 e−t dt
0 n 0 0 n 0
ii. Le membre de l’inégalité converge évidemment vers Γ(x) lorsque n → +∞. Le membre
Z n n
t
de gauche aussi. On en conclut que : lim 1− tx−1 dt = Γ(x) .
n→+∞ 0 n
iii. Par changement de variable u = nt , on obtient :
Z n n Z 1 Z 1
t n
1− x−1
t dt = (1 − u) (nu) x−1
ndu = n x
(1 − u)n ux−1 du
0 n 0 0
Z n n
t
Conclusion : ∀n ∈ N, ∀x ∈]0, +∞[, 1− tx−1 dt = nx B(n + 1, x) .
0 n
n!
iv. Comme B(n + 1, x) = x(x+1)...(x+n)
et d’après le résultat de la question ii, on en déduit
x
n n!
que : lim = Γ(x) .
n→+∞ x(x + 1) . . . (x + n)
Γ(y)
(d) i. On vient de prouver que ny B(n + 1, y) −→ Γ(y) 6= 0 donc : B(n + 1, y) ∼ .
n→+∞ n→+∞ ny
20.9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE 307
ii. Comme x 7→ tx−1 est décroissante sur ]0, +∞[ pour tout réel t ∈]0, 1[ alors :
B(bxc + 1, y) B(x, y)
B(bxc , y) ≥ B(x, y) ≥ B(bxc + 1, y) donc ≤ ≤1
B(bxc , y) B(bxc , y)
B(bxc+1,y) bxc
Comme B(bxc,y)
= −→
bxc+y x→+∞
1 alors :
Γ(y) Γ(y)
B(x, y) ∼ B(bxc , y) ∼ ∼
x→+∞ x→+∞ bxcy x→+∞ xy
Γ(y)
puisque bxc ∼ x. Conclusion : B(x, y) ∼ .
x→+∞ x→+∞ xy
iii. Pour tout entier n ∈ N, on a :
n−1
B(x + n, y)ny y
Y x+k x(x + 1) . . . (x + n − 1)ny+x n!
= n =
B(x, y) k=0
x+k+y (x + y)(x + y + 1) . . . (x + y + n − 1)nx n!
B(x+n,y)ny
donc : B(x,y)
∼ Γ(x+y) . Enfin, on a :
n→+∞ Γ(x)
ny n
y Γ(x)Γ(y)
Comme (x+n)y
= x+n
−→ 1 alors : B(x, y) = .
n→+∞ Γ(x + y)
2. (a) Comme à l’exercice 3 du DL.
(b) Soit ε > 0. Alors, il existe α > 0 tel que :
∀u ∈ [0, α], |f (u) − `| ≤ ε
Pour tout réel x ∈ 0, αb , on a 0 < ax < bx ≤ λ et :
Z bx Z bx Z bx
f (u) − ` f (u) − ` du b
du ≤ du ≤ ε = ε ln
ax u ax u ax u a
bx
f (u) − `
Z
On en déduit que : lim+ du = 0 .
x→0 ax u
Soit ε > 0. Alors, il existe A > 0 tel que :
∀u ∈ [A, +∞[, |f (u) − L| ≤ ε
A
Ainsi, pour tout réel y ≥ a
, on a A ≤ ay < by et :
Z by
f (u) − L b
du ≤ · · · ≤ ε ln
ay u a
by
f (u) − L
Z
On en déduit que : lim du = 0 .
y→+∞ ay u
(c) On déduit de la question précédente que :
Z bx Z by
f (u) b f (u) b
lim+ du = ` et lim du = L
x→0 ax u a y→+∞ ay u a
+∞
f (at) − f (bt)
Z
b
Avec la première question, on en déduit que dt converge et vaut (` − L) .
0 t a
308 CHAPITRE 20. SOLUTIONS DES EXERCICES
+∞
e−at − e−bt
Z
b
D’après la question précédente, on en déduit que : dt = .
0 t a
20.10.2 TD*
s
ln(1 + e−2a )
Conclusion : ∀a ∈ R, I(a) = .
2
(b) La fonction f est continue et positive sur R et, pour tous réels A < B, on a :
Z B
1 1 arctan(B) − arctan(A)
2
dx = [arctan(x)]B A = → 1
A π(1 + x ) π π A→−∞
B→+∞
ii. On a bien sûr : Nt (Ω) = J0, nK. De plus, pour tout k ∈ J0, nK, on a :
" #
[ \ k \
[Nt = k] = [Tij ≤ t] ∩ [Tj > t]
1≤i1 <···<ik ≤n j=1 j ∈{i
/ 1 ,...,ik }
iii. On a :
n 1 1 ln(2)
E(Nt ) ≥ ⇔ 1 − e−λt ≥ ⇔ e−λt ≤ ⇔ t≥
2 2 2 λ
ln(2)
Conclusion : t0 = .
λ
(b) i. Soit t ∈ R. On a : [Sn > t] = [T1 > t] ∩ · · · ∩ [Tn > t] .
ii. Par indépendance mutuelle des variables aléatoires Ti , on a :
n
Y
Fn (t) = 1 − P(Sn > t) = 1 − P(Ti > t) = 1 − (1 − P(T1 ≤ t))n
i=1
310 CHAPITRE 20. SOLUTIONS DES EXERCICES
n−1
1 X (−1)k
∗ n
Conclusion : ∀n ∈ N , E(Un ) = .
λ k=0 k + 1 k + 1
20.10. VARIABLES ALÉATOIRES À DENSITÉ 311
1
Conclusion : ∀m ∈ N∗ , E(Um+1 ) − E(Um ) = .
λ(m + 1)
Alors, pour tout entier n ≥ 2, on a :
n−1 n−1 n
X 1 X 1X 1
E(Un ) − E(U1 ) = E(Um+1 ) − E(Um ) = =
m=1 m=1
λ(m + 1) λ m=2 m
n n
1X 1 1X 1
E(Un ) = E(U1 ) + =
λ m=2 m λ m=1 m
ln(n)
Conclusion : E(Un ) ∼ .
n→+∞ λ
min{x+ln(2),ln(2)] min{x+ln(2),ln(2)}
e−2t
Z
−x −2t −x
fT (x) = e e dt = e
max{0,x} −2 max{0,x}
e−2x − 1
e−3x e−x
fT (x) = e−x 4
= −
2 2 8
Pour tout réel x ∈ [− ln(2), 0], on a :
−2x
−x 1 − e4
e−x e−3x
fT (x) = e − =
22 8
1
Comme ln(x) ∈ [− ln(2), ln(2)] si et seulement si x ∈ 2 , 2 , on a :
1 1
1 2x4
− 8x2
si 1 ≤ x ≤ 2
∀x ∈ , 2 , g(x) = 1 1
2 2x2
− 8x4
si 12 ≤ x ≤ 1
20.11.2 TD*
s
D’après le point précédent, on en déduit que : ∀(x, y) ∈ E 2 , ϕ(f (x), f (y)) = ϕ(x, y) .
(c) Soit (e1 , . . . , en ) une base orthonormale de E. On déduit du point précédent que la famille
(f (e1 ), . . . , f (en )) est orthogonale puis du premier point qu’elle est orthonormale. Alors, c’est
20.11. ESPACES EUCLIDIENS 313
Donc hei , ek i = 0 pour tout k 6= i et les vecteurs sont deux à deux orthogonaux. Comme les
vecteurs sont aussi unitaires, on en déduit que : (e1 , . . . , en ) est orthonormale .
(b) Comme la famille (e1 , . . . , en ) est orthonormale alors elle est libre donc c’est une base de F . On
en déduit que :
Xn
y = pF (x) = hx, ek i ei
k=1
Alors, d’après le cours, on a :
n
X
kyk =2
hx, ek i2 = kxk2
k=1
Or, comme pF (x) ⊥ x − pF (x), le théorème de Pythagore nous permet d’écrire que :
kxk2 = kpF (x)k2 + kx − pF (x)k2 = kyk2 + kx − yk2 = kxk2 + kx − yk2
Ainsi kx − yk2 = 0 donc x = y. Conclusion : ∀x ∈ E, x = pF (x) .
(c) On en déduit que E ⊂ F ⊂ E. Ainsi E = F et (e1 , . . . , en ) est une base orthonormale de E .
3. (a) i. Pour tout vecteur u, on a :
2 2
1 1
Φ(u) = x − 2y + z − −2y + z + 5y 2 + z 2 − yz
2 2
2
1 3
Conclusion : ∀u ∈ R , Φ(u) = x − 2y + z + y 2 + yz + z 2 .
3
2 4
ii. On a alors :
2 2
3 1 1 2 3 2 1 1
y + yz + z 2 =
2
y + z − z + z = y + z + z2
4 2 4 4 2 2
2 2
1 1 1
Conclusion : ∀u ∈ R , Φ(u) = x − 2y + z + y + z + z 2 .
3
2 2 2
314 CHAPITRE 20. SOLUTIONS DES EXERCICES
2 2
hP0 |P2 i = hP1 |P2 i = 0 ⇔ h1|P2 i = hX|P2 i = 0 ⇔ a + 2c = b = 0
3 3
1
donc P2 est de la forme a X 2 − . De plus :
3
r
2 4 2 3 5
kP2 k2 = 1 ⇔ a2 − + =1 ⇔ a=±
5 9 9 2 2
20.11. ESPACES EUCLIDIENS 315
q
3 5 1
On choisit P2 = 2 2
X2 − . 3
r r !
1 3 3 5 1
Conclusion : √ , X, X2 − est une orthonormalisée de Schmidt de (1, X, X 2 ) .
2 2 2 2 3
(c) Soit P ∈ F . Alors, P est de degré au plus 1 et admet 0 pour racine donc P 0 est de la forme
λX où λ ∈ R. On en déduit que P est de la forme λ2 X 2 + µ où µ ∈ R. Réciproquement, tout
polynôme de cette forme est dans F . On en déduit que :
F = Vect(1, X 2 )
q
D’après ce qui précède, on a : √12 , 23 52 X 2 − 13 est une base orthonormale de F (ce sont
des éléments de F , la famille est orthonormale donc libre et F est de dimension 2). D’après le
le cours, on en déduit que :
* r + r
2 1 2 1 3 5 2 1 2 3 5 2 1
pF (1+X+X ) = √ 1 + X + X √ + X − 1+X +X X −
2 2 2 2 3 2 2 3
Conclusion : pF (1 + X + X 2 ) = . . . .
a2 = −a ⇔ a(a + 1) = 0 ⇔ a ∈ {−1, 0}
Conclusion : Les polynômes constants solution de (∗) sont les éléments de {−1, 0} .
(b) Comme P ∈ E alors : ∀z ∈ C, P (z)P (z + 1) = −P (z 2 ).
p
i. Soit P(p) la proposition : P α2 = 0. La proposition P(0) est vraie puisque α est racine
p
de P . Soit p ∈ N. Supposons que P(p) est vraie. Alors, en évaluant en α2 la relation (∗),
on obtient : p p+1
2 2 2p ×2
= P α2
0=P α =P α
p
donc P(p + 1) est vraie. Conclusion : P (α) = 0 ⇒ ∀p ∈ N, P α2
=0.
Supposons que α 6= 0 et que |α| =
6 1. Alors :
p q p q
∀(p, q) ∈ N2 , p 6= q ⇒ α2 6= α2 ⇒ α2 6= α2
donc 0 et 1 sont des racines possibles de P (et si l’une l’est alors l’autre l’est aussi). Soit α
une racine de P distincte de 0 et 1. On sait que |α| = 1 donc qu’il existe un réel θ ∈]0, 2π[
tel que α = eiθ . Alors :
2
2 iθ 2
θ θ
i2 i2 −i θ2
2
iθ θ
(α − 1) = (e − 1) = e e −e =e 2i sin
2
316 CHAPITRE 20. SOLUTIONS DES EXERCICES
2
2 iθ θ 2 θ
(α − 1) = e 2i sin = 4 sin
2 2
θ
De plus, comme 2
∈]0, π[, on a :
2 θ 1 θ π 5π π 5π
(α − 1) = 1 ⇔ sin = ⇔ ∈ , ⇔ θ∈ ,
2 2 2 6 6 3 3
π π π
Ainsi, les racines possibles de P sont parmi 0, 1, ei 3 , e−i 3 . Or, si α = ei 3 est racine alors
2π
α2 = ei 3 ∈ / {0, 1, α, ᾱ} est aussi racine de P ce qui est absurde. Le même raisonnement
π
s’applique pour e−i 3 . Conclusion : Les racines possibles de P sont 0 et 1 .
iv. Comme P admet au moins une racine, alors par factorisation :
∃λ ∈ R∗ / P (X) = λX p (X − 1)q
avec (p, q) ∈ N∗ puisque si 0 est racine alors 1 aussi et réciproquement. La relation (∗)
donne ensuite :
λX p (X − 1)q λ(X + 1)p X q = −λX 2p (X 2 − 1)q
λX p+q (X − 1)q (X + 1)p = −X p+p (X − 1)q (X + 1)q
λX q (X + 1)p = −X p (X + 1)q
Par identification du coefficient dominant, on obtient λ = −1. Enfin, par évaluation de
l’égalité précédente en 1, on a nécessairement 2p = 2q ce qui donne p = q.
Conclusion : P est de la forme −X n (X − 1)n avec n ≥ 1 .
(c) i. Classique.
ii. Pour tout entier k ∈ J0, nK, posons : Pk (X) = X k (X − 1)k . Il s’agit alors d’évaluer le
R 1 (k) (h)
produit scalaire 0 Pk (t)Ph (t)dt pour tout couple d’entiers (k, h) d’éléments de J0, nK.
Supposons donc que k ≥ h. Alors, par intégration par partie, on a :
Z 1 h i1 Z 1
(k) (h) (k−1) (h) (k−1) (h+1)
Pk (t)Ph (t)dt = Pk (t)Ph (t) − Pk (t)Ph (t)dt
0 0 0
Z 1
(k−1) (h+1)
= − Pk (t)Ph (t)dt
0
(k)
puisque 0 et 1 sont racines d’ordre k de Pk donc racines de Pk . On peut itérer ce procédé
k fois et on obtient alors :
Z 1 Z 1
(k) (h) k (0) (h+k)
Pk (t)Ph (t)dt = (−1) Pk (t)Ph (t)dt
0 0
(h+k)
Si k > h alors Ph est le polynôme nul (puisque Ph est de degré 2h < h + k) donc :
Z 1
(k) (h)
Pk (t)Ph (t)dt = 0
0
donc cette famille est aussi génératrice de D. Conclusion : (Ei,i )1≤i≤n est une base de D .
Remarque : La base canonique de Mn (R) est orthonormale pour ce produit scalaire puisque :
t 1 si k = i et l = j
hEi,j , Ek,l i = tr( Ei,j Ek,l ) = tr(Ej,i Ek,l ) =
0 sinon
hEi,j + Ej,i , Ek,l − El,k i = hEi,j , Ek,l i − hEi,j , El,k i + hEj,i , Ek,l i − hEj,i , El,k i = 0
n
!2
X X
N (AB)2 = ai,k bk,j
(i,j)∈J1,nK2 k=1
Or, nk=1 ai,k bk,j est le produit scalaire canonique de Rn et donc, d’après Cauchy-Schwarz,
P
on a : !2 ! n !
Xn n
X X
2 2 2
∀(i, j) ∈ J1, nK , ai,k bk,j ≤ ai,k bk,j
k=1 k=1 k=1
n
! n
!
X X X
N (AB)2 ≤ a2i,k b2k,j
(i,j)∈J1,nK2 k=1 k=1
X X
≤ a2i,k b2k,j = N (A)2 N (B)2
(i,k)∈J1,nK2 (k,j)∈J1,nK2
20.12.2 TD*
s
donc, on a :
x−y
sin 2 x+y
x 6= y ⇒ f (x, y) = x−y cos 2
2
20.12. CONTINUITÉ DES FONCTIONS DE N VARIABLES 319
Soit x0 ∈ R. Alors, on a :
x−y
x−y sin(u) sin 2
−→
2 (x,y)→(x ,x )
0 et u
−→ 1 donc x−y −→ 1
0 0 u→0 (x,y)→(x0 ,x0 )
2
x+y x+y
−→
2 (x,y)→(x ,x )
x0 et cos(u) −→ cos(x0 ) donc cos 2
−→ cos(x0 )
0 0 u→x0 (x,y)→(x0 ,x0 )
(a) Les fonctions ϕ et t 7→ nk=0 ak tk sont continues sur [0, 1]. Alors la fonction t 7→ ϕ(t) − nk=0 ak tk
P P
3.
est continue sur [0, 1] qui est fermé et borné. Cette fonction admet donc un maximum sur [0, 1].
Conclusion : f (a) existe pour toute vecteur a ∈ Rn+1 .
(b) i. Soit t ∈ [0, 1]. Alors, comme t ≥ 0, on a :
n
X n
X n
X n
X
ϕ(t) − ak tk = ϕ(t) − (bk + ak − bk )tk = ϕ(t) − bk tk + (ak − bk )tk
k=0 k=0 k=0 k=0
Xn n
X
≤ ϕ(t) − bk tk + (ak − bk )tk
k=0 k=0
n
X n
X n
X
Conclusion : ∀t ∈ [0, 1], ϕ(t) − ak tk ≤ ϕ(t) − bk tk + |bk − ak | tk .
k=0 k=0 k=0
Pn k
Comme f (b) = supt∈[0,1] ϕ(t) − k=0 bk t , alors :
n
X
∀t ∈ [0, 1], ϕ(t) − bk tk ≤ f (b)
k=0
n
X n
X
Comme t ≤ 1 alors : ∀t ∈ [0, 1], ϕ(t) − ak tk ≤ f (b) + |bk − ak | .
k=0 k=0
n+1
On sait que |ui | ≤ kuk pour tout vecteur u ∈ R et tout entier i ∈ J0, nK.
n
X √
Conclusion : ∀t ∈ [0, 1], ϕ(t) − ak tk ≤ f (b) + n + 1kb − ak .
k=0
√
n + 1kb − ak est un majorant de t 7→ ϕ(t) − nk=0 ak tk sur [0, 1].
P
ii. Ainsi, le réel f (b) +
√
Conclusion : f (a) ≤ f (b) + n + 1kb − ak .
√
On en déduit que : f (b)
√ − f (a) ≤ n +√1kb − ak. Un raisonnement analogue assure alors
que : f (a) − f (a) ≤ n + 1ka − bk = n + 1kb − ak.
2 √
Conclusion : ∀(a, b) ∈ Rn+1 , |f (b) − f (a)| ≤ n + 1kb − ak .
iii. Fixons a ∈ Rn+1 . Alors :
√
∀b ∈ Rn+1 , |f (b) − f (a)| ≤ n + 1kb − ak −→ 0
b→a
Ainsi : f (b) −→ f (a) et f est continue en a. Conclusion : f est continue sur Rn+1 .
b→a
i. Soit a 6= 0. Alors nk=0 ak X k est un polynôme non nul sur [0, 1] (sinon,
P
(c) Pnce polynôme
admettrait une infinité de racines). Alors, il existe un réel t0 ∈ [0, 1] tel que k=0 ak tk0 6= 0.
Ainsi :
X n
g(a) ≥ ak tk0 > 0
k=0
S = a ∈ Rn+1 | kak = 1
20.12. CONTINUITÉ DES FONCTIONS DE N VARIABLES 321
(sphère S de centre O et de rayon 1). Cette sphère est fermée (image réciproque de l’in-
tervalle fermé [1, 1] par la fonction norme qui est continue sur Rn+1 ) et bornée (car incluse
dans la boule Bf (O, 1)). On en déduit que g admet un minimum sur S qui est atteint.
Conclusion : ∃a ∈ S / µ = g(a) .
On sait que g(a) > 0 puisque 0 ∈
/ S (k0k = 0 6= 1) donc µ > 0 .
iii. Soit a ∈ Rn+1 . Si a = 0 alors g(a) = 0 = µk0k. Si a 6= 0 alors, pour tout réel t ∈ [0, 1], on
a:
n n
X
k
X ak k
g(a) ≥ ak t = kak t
k=0 k=0
kak
On en déduit que :
1
g(a) ≥ kakg a ≥ kakµ
kak
Conclusion : ∀a ∈ Rn+1 , g(a) ≥ µkak .
iv. Soit a ∈ Rn+1 . Pour tout réel t ∈ [0, 1], on a :
n
X n
X n
X
k k
ak t = ak t − ϕ(t) + ϕ(t) ≤ ak tk − ϕ(t) + |ϕ(t)| ≤ f (a) + K
k=0 k=0 k=0
(d) La fonction f est minorée par 0 donc elle admet une borne inférieure sur Rn+1 . Notons-la m.
Comme limkak→+∞ f (a) = +∞ alors il existe r > 0 tel que :
∀a ∈ Rn+1 , kak > r ⇒ f (a) > m + 1
Ainsi :
m ≤ f (a) ≤ m + 1 ⇒ kak ≤ r
Mais la boule Bf (O, r) est fermée et bornée et f est y continue donc f y admet un minimum m0
atteint en un élément a0 ∈ Rn+1 . Mais m0 est le minimum de f sur Rn+1 car m ≤ m0 ≤ m + 1
et f (a) > m + 1 lorsque a ∈ / Bf (O, r).
Conclusion : f admet un minimum sur Rn+1 .
−−→ p+q−1
Conclusion : ∀M ∈ R2 , f (M ) ≤ OM .
322 CHAPITRE 20. SOLUTIONS DES EXERCICES
1
(b) Il est évident que : ∀x ∈ R∗ , f (x, x) = |x|p+q−1 .
2
(c) Si p + q > 1 alors, d’après (a), on a :
−−→ p+q−1
0 ≤ f (M ) ≤ OM −→ 0
M →O
1 1
lim f (x, x) = lim e0 = 6= 0 = f (0, 0)
x→0 2 x→0 2
donc f n’est pas continue en O.
Si p + q < 1 alors, d’après (b), on a :
lim f (x, x) = +∞
x→0
20.13.2 TD*
s
Soit x ≥ 0. Alors :
√ √ √ √
FY (x) = P(Y ≤ x) = P(X 2 ≤ x) = P − x ≤ X ≤ x = Φ x − Φ − x
√
Conclusion : ∀x ∈ R, FY (x) = 2Φ x − 1 11[0,+∞[ (x) .
ii. Par dérivation sur R, on obtient fY (x) = 0 pour x < 0 et :
√
Φ0 ( x) 1 x 1
∀x ≥ 0, fY (x) = √ =√ e− 2 = 1/2 t1/2−1 e−x/2
x 2πx 2 Γ(1/2)
20.13. VARIABLES ALÉATOIRES À DENSITÉS USUELLES 323
1 − x2 1
Conclusion : ∀x ∈ R, fY (x) = √ e 11[0,+∞[ (x) et donc Y ,→ Γ 2, .
2πx 2
iii. On en déduit que admet une espérance et une variance et que : E(Y ) = 1 et V(Y ) = 2 .
(b) i. Par stabilité de la somme de deux lois Γ indépendantes, on a : X12 + X22 ,→ Γ 2, 12 + 12 =
1
2 2 1
Γ(2, 1). D’autre part, on sait que Γ(b, 1) = E b . Conclusion : X1 + X2 ,→ E .
2
ii. Par stabilité de la somme de n lois Γ mutuellement indépendantes, on a :
n
Yn = X12 + · · · + Xn2 ,→ Γ 2,
2
1 2 /2 1 2 /2
gn (x) = 2xfn (x2 ) = 2x xn−2 e−x = xn−1 e−x
2n/2 Γ(n/2) 2n/2−1 Γ(n/2)
1 x2
Conclusion : Une densité de Tn est donnée par gn (x) = n
−1 n
xn−1 e− 2 11]0,+∞[ (x) .
2 2 Γ 2
x2
en posant encore u = 2
.
!2
Γ n+1
On en déduit donc que E(Tn2 ) = n puis que V(Tn ) = n − 2 2
.
Γ n2
324 CHAPITRE 20. SOLUTIONS DES EXERCICES
2. (a) Comme Y (Ω) = [1, +∞[, on a FY (x) = 0 pour x < 1. Pour tout réel x ≥ 1, on a :
1
FY (x) = P(Y ≤ x) = P(eX ≤ x) = P(X ≤ ln(x)) = FX (ln(x)) = 1 − e−λ ln(x) = 1 −
xλ
1
Conclusion : ∀x ∈ R, FY (x) = 1− λ 11[1,+∞[ (x) .
x
(
0 si x < 1
(b) Par dérivation, on obtient une densité g de Y définie par : g(x) = λ
. La fonction
x λ+1 si x ≥ 1
λ
x 7→ x xλ+1 11[1,+∞[ (x) est positive sur R donc la convergence de l’intégrale sur R implique sa
convergence absolue. On a :
Z +∞ Z +∞
λ λ
x λ+1 11[1,+∞[ (x)dx = dx
−∞ x 1 xλ
λ
Conclusion : Y admet une espérance si et seulement si λ > 1 et E(Y ) = .
λ−1
λ
(c) La fonction x 7→ xk xλ+1 11[1,+∞[ (x) est positive sur R donc la convergence de l’intégrale sur R
implique sa convergence absolue. On a :
Z +∞ Z +∞
k λ λ
x λ+1 11[1,+∞[ (x)dx = λ+1−k
dx
−∞ x 1 x
[T3 + min(T1 , T2 ) > max(T1 , T2 )] = [T3 > max(T1 , T2 ) − min(T1 , T2 )] = [T3 > |T1 − T2 |]
est réalisé.
• La loi de −T2 est la loi U([−1, 0]).
• Les variables aléatoires T1 et T2 sont indépendantes donc il en va de même de T1 et −T2 . De
plus, ces deux variables aléatoires ont une densité bornée donc une densité de T1 −T2 est donnée
par :
Z +∞ Z 1
g(x) = 11[0,1] (t)11[−1,0] (x − t)dt = 11[−1,0] (x − t)dt
−∞ 0
( 0 si x ∈
/ [−1, 1]
0 si x ∈ / [−1, 1]
= R min{1,1+x} = 1 + x si x ∈ [−1, 0[
max{0,x}
dt si x ∈ [−1, 1]
1 − x si x ∈ [0, 1]
Alors : Z 1 Z 2
E(X3 ) = (2x2 − x3 )dx + x(2 − x)2 dx = . . .
0 1
5
Conclusion : E(X3 ) = .
6
Cette intégrale ne peut converger si u ≥ λ. Dans le cas contraire (u < λ) et en reconnaissant une
λ
densité de loi exponentielle, l’intégrale converge absolument et on a : g(u) = .
λ−u
326 CHAPITRE 20. SOLUTIONS DES EXERCICES
2. Sous réserve de convergence (donc de convergence absolue puisque l’on intègre une fonction posi-
tive), on a :
Z +∞ Z +∞
1 λ−1 − pt 1 t
r
E(X ) = r
t λ t e dt = λ tr+λ−1 e− p dt
0 p Γ(λ) p Γ(λ) 0
Z +∞
Γ(λ + r) r 1 t Γ(λ + r) r
= p λ+r
tλ+r−1 e− p dt = p
Γ(λ) 0 p Γ(λ + r) Γ(λ)
Γ(λ + r) r
d’où la convergence pourvu que λ + r > 0. Conclusion : ∀r ∈] − λ, +∞[, E(X r ) = p .
Γ(λ)
3. (a) On sait que X(Ω) =]0, 1[ et que, pour tout réel x, on a :
0 si x ≤ 0
FX (x) = x si 0 < x < 1
1 si x ≥ 1
(
ex si x < 0
Conclusion : ∀x ∈ R, FY (x) = .
1 si x ≥ 0
20.14.2 TD*
s
Reste alors à orthonormaliser cette base de vecteurs propres. On commence par orthonor-
maliser la base de E−1 (A) :
* 1 1 1 +
1
a −1 + 0 , −1 = 0 ⇔ 2a + 1 = 0 ⇔ a = −
2
0 −1 0
1 √ 1 1 1/2 r
−1 = 2 1 3
et − −1 + 0 = 1/2 =
2 2
0 0 −1 −1
1 1
donc : √12 −1 , √16 1 est une base orthonormée de E−1 (A). De même,
0 −2
1
√1 1 est une base orthonormée de E1 (A). Comme les sous espaces propres sont
3
1
orthogonaux, on en déduit que :
1 1 1
√1 −1 , √1 1 , √1 1 est une base orthonormée de M3,1 (R)
2 0 6 −2 3 1
(b) i. Soit X ∈ M3 (R). Alors, AX, XB et donc F (X) = AX − XB sont éléments de M3 (R).
Soit (X, Y ) ∈ M3 (R)2 et (λ, µ) ∈ R2 . Alors :
F (λX + µY ) = A(λX + µY ) − (λX + µY )B = λAX + µAY − λXB − µY B
= λ(AX − XB) + µ(AY − Y B) = λF (X) + µF (Y )
En multipliant à droite par Uk pour tout k ∈ J1, 3K, et en se rappelant que la base (U1 , U2 , U3 )
est orthonormale, on en déduit que :
3
X
∀k ∈ J1, 3K, αi,k Ui = Θ donc ∀k ∈ J1, 3K, α1,k = α2,k = α3,k = 0
i=1
donc cette famille de 9 matrices est libre dans M3 (R) qui est de dimension 32 = 9. On
a alors une base de M3 (R) qui est constituée exclusivement de vecteurs propres de F .
Conclusion : F est diagonalisable .
2. (a) Classique (ne pas oublier la continuité et la positivité puis l’infinité de racines).
(b) Pour tout entier naturel n, on définit les polynômes Un et Pn par :
1
Un (X) = (X 2 − 1)n et Pn (X) = Un(n) (X)
2n n!
i. Soit n ∈ N. On a :
1 1 1
Un (X) = n (X 2 − 1)n = n ((X − 1)(X + 1))n = n (X − 1)n (X + 1)n
2 n! 2 n! 2 n!
n
1 X n
Pn (X) = n ((X − 1)n )(k) ((X + 1)n )(n−k)
2 n! k=0 k
n
1 X n n! n!
= n (X − 1)n−k (X + 1)n−(n−k)
2 n! k=0 k (n − k)! (n − (n − k))!
330 CHAPITRE 20. SOLUTIONS DES EXERCICES
n 2
1 X n
Conclusion : ∀n ∈ N, Pn (X) = n (X − 1)n−k (X + 1)k .
2 k=0 k
(c) i. Soit P ∈ Rp [X]. Alors P 0 ∈ Rp−1 [X] donc (X 2 − 1)P 0 ∈ Rp+1 [X] d’où L(P ) ∈ Rp [X]
comme espéré.
Soit (P, Q) ∈ Rp [X]2 et (λ, µ) ∈ R2 . Alors :
0 0
(X − 1)(λP + µQ)0 (X) = (X 2 − 1)(λP 0 (X) + µQ0 (X))
2
L(λP + µQ)(X) =
0
= λ(X 2 − 1)P 0 (X) + µ(X 2 − 1)Q0 (X)
0 0
= λ (X 2 − 1)P 0 (X) + µ (X 2 − 1)Q0 (X)
De même :
Z 1 0
Z 1
(X − 1)Pi0 (X) (t)Pj (t)dt = · · · = − (X 2 − 1)Pi0 (t)Pj0 (X)dt
2
hL(Pi ), Pj i =
−1 −1
n+1 n+1
X n+1 2 (k)
X n+1
(X − 1) Un(n+2−k) = 2n X (k) Un(n+1−k)
k=0
k k=0
k
2
1)Un(n+2) 1)2XUn(n+1) + (n + 1)nUn(n) = 2n XUn(n+1) + (n + 1)Un(n)
(X − + (n +
(X 2 − 1)Un(n+2) + 2XUn(n+1) = (n + 1)nUn(n)
0 0
2 (n+2) (n+1) 2 (n)
Comme (X − 1)Un + 2XUn = (X − 1) Un , on en conclut que :
(k)
puisque −1 et 1 sont racines d’ordre n de Un donc racines d’ordre n−k de Un . On effectue
à nouveau n intégrations par parties selon le même principe et on obtient :
2
∀n ∈ N, kPn k2 =
2n + 1
332 CHAPITRE 20. SOLUTIONS DES EXERCICES
0 0 −1
clairement de rang 3. On a aussi :
−3x − y + z + t = 0 1
x=t
−x − 3y − z − t = 0 −1
PX = X ⇔ ⇔ y = −t donc E1 (P ) = Vect
x − y − 3z + t = 0 1
z=t
x − y + z − 3t = 0 1
P = tM MatB0 (p)M
et ainsi tP = P .
Réciproquement, supposons que P 2 = P et que tP = P . Alors P est la matrice d’un projecteur.
De plus, comme elle est symétrique alors elle est diagonalisable dans une base orthonormale et
Rs = E0 (P ) ⊕⊥ E1 (P ) = Ker(P ) ⊕⊥ Im(P ) donc le projecteur est orthogonale.
Conclusion : P est la matrice d’un projecteur orthogonal ssi P 2 = P et tP = P .
(c) i. On identifie ici Ms (R) à Rs . Pour tout x ∈ Rs , on a :
ce qui prouve que k(QP )xk2 = 0. Ainsi, (P Q)x = Θ pour tout x ∈ Rs donc QP = Θ. Un
t
raisonnement analoque prouve que P Q = Θ (une autre possiblité étant : P Q = (tQtP ) =
t
(QP ) = tΘ = Θ).
Conclusion : P Q = QP = Θ .
ii. Comme P et Q commutent, alors la formule du binôme donne :
(P + Q)2 = P 2 + 2P Q + Q2 = P 2 + Q2 = P + Q
Comme de plus :
t
(P + Q) = tP + tQ = P + Q
on en déduit que la matrice P + Q est la matrice d’une projection orthogonale .
20.15. FONCTIONS DE N VARIABLES DE CLASSE C 1 333
t P P
(d) Soit E une partie non vide de J1, nK. Il est alors immédiat que k∈E Pk = k∈E Pk .
Soit x ∈ Rs . Alors :
n n n
* n
+
X X X X
2 t
kPi xk = hPi x, Pi xi = x, Pi Pi x = x, Pi2 x
i=1 i=1 i=1 i=1
* n
+
X
= x, Pi x = hx, Ixi = hx, xi = kxk2
i=1
On en déduit que :
⇒ Pi Pj = Pj Pi = Θ
Alors, on a :
!2
X X X X X
Pk = Pk2 + Pi Pj = Pk2 = Pk
k∈E k∈E (i,j)∈E 2 k∈E k∈E
i6=j
X
Conclusion : Pk est la matrice d’une projection orthogonale de Rs pour tout E ∈ ℘(J1, nK) − {∅} .
k∈E
4(x1 − x2 + x3 + x4 )2
kP xk2 =
16
x21 + x22 + x23 + x24 −x1 x2 + x1 x3 + x1 x4 − x2 x3 − x2 x4 + x3 x4
= +
4 2
20.15.2 TD*
s
334 CHAPITRE 20. SOLUTIONS DES EXERCICES
1
Conclusion : ∀x ∈]0, +∞[, f (x, x) = .
x
(b) i. Soit (a, b) ∈ R2 . Soit u > 0. On a alors :
1 a b 1 (ay + bx)u + (a + b)
= + ⇔ =
(xu + 1)(yu + 1) xu + 1 yu + 1 (xu + 1)(yu + 1) (xu + 1)(yu + 1)
⇔ [1 = (ay + bx)u + (a + b)]
On en déduit que :
x
1 a b a+b=1 a = x−y
∀u > 0, = + ⇔ ⇔ −y
(xu + 1)(yu + 1) xu + 1 yu + 1 ay + bx = 0 b = x−y
Par bijection u : R →]0, +∞[, t 7→ et , on en conclut que :
1 a b
∃!(a, b) ∈ R2 / ∀t ∈ R, = +
(x.et t
+ 1)(y.e + 1) t t
x.e + 1 y.e + 1
x −y
De plus, on a : a = et b = .
x−y x−y
ii. On en déduit que, pour tout couple (A, B) ∈] − ∞, 0[×]0, +∞[, on a :
Z B Z B Z B
et 1 xet 1 yet
t t
dt = dt − dt
A (x.e + 1)(y.e + 1) x − y A x.et + 1 x − y A y.et + 1
1 B 1 B
= ln(x.et + 1) A − ln(y.et + 1) A
x−y x−y
t B
1 x.e + 1 1 x
= ln −→ ln − ln(1)
x−y y.et + 1 A A→−∞ x − y y
B→+∞
ln(x) − ln(y)
Conclusion : ∀(x, y) ∈]0, +∞[2 , x 6= y ⇒ f (x, y) = .
x−y
20.15. FONCTIONS DE N VARIABLES DE CLASSE C 1 335
(c) i. Les fonctions x 7→ ln(x) et y 7→ ln(y) sont de classe C 1 sur ]0, +∞[ donc les fonctions
(x, y) 7→ ln(x) et (x, y) 7→ ln(y) sont de classe C 1 sur ]0, +∞[2 et ainsi leur différence
aussi. La fonction (x, y) 7→ x − y est polynomiale donc de classe C 1 sur ]0, +∞[2 et elle ne
s’annule pas sur ]0, +∞[2 −{(x, y) | x 6= y}. Ainsi, f est de classe C 1 sur ]0, +∞[2 −{(x, y) | x 6=
y}. Soit x0 > 0. D’après l’égalité des accroissements finies appliquée à la fonction ln, pour
tout x 6= y, on a :
ln(x) − ln(y) 1
∃cx,y ∈]x, y[ / =
x−y cx,y
Comme x < cx,y < y (ou bien y < cx,y < x) et comme x −→ x0 et x −→ x0
(x,y)→(x0 ,x0 ) (x,y)→(x0 ,x0 )
alors 1
−→ 1
cx,y (x,y)→(x ,x ) x0
. On en déduit que f est continue sur ]0, +∞[2 .
0 0
De plus, les fonctions dérivées partielles sont données par :
1
∂f (x − y) − ln(x) + ln(y)
∀x 6= y, (x, y) = x
∂x (x − y)2
De plus, pour tout x0 > 0 et tout h « assez petit » et non nul ,on a :
f (x0 + h, x0 ) − f (x0 , x0 ) 1 ln(x0 + h) − ln(x0 ) 1 1
= − = − 2 + o (1)
h h h x0 2x0 h→0
∂f
par développement limité de la fonction h 7→ ln(x0 + h) à l’ordre 2. Ainsi ∂x
(x0 , x0 ) =
∂f
− 2x12 existe et, de même, on obtient ∂y
(x0 , x0 ) = − 2x12 . Conclusion : f admet des dérivées partielles
0 0
∂f ∂f
ii. Il est clair que ∂x
et ∂y
sont continues sur ]0, +∞[2 −{(x, y) | x 6= y}. Soit x0 > 0. On a :
1
∂f (x − y) − ln(x) + ln(y) 1
∀x 6= y, (x, y) = x 2
= − 2 + o (1)
∂x (x − y) 2x y−x→0
∂f ∂f
Or (x, y) → (x0 , x0 ) ⇒ y − x → 0 ainsi ∂x
(x, y) −→ − x12 = ∂x
(x0 , x0 ). De
(x,y)→(x0 ,x0 ) 0
∂f ∂f
même, on obtient ∂y
(x, y) −→ − y12 = ∂y
(x0 , x0 ).
(x,y)→(x0 ,x0 ) 0
1 2
Conclusion : f est de classe C sur ]0, 1[ .
∂f y2
2. Comme ∂x
(x, y) = (x+y)2
pour tout (x, y) ∈ O, alors il existe une fonction g telle que :
y2
∀(x, y) ∈ O, f (x, y) = − + g(y)
x+y
y2
La fonction ψ : (x, y) 7→ g(y) = f (x, y) + x+y
est donc de classe C 1 sur O et on a :
∂ψ ∂f 2y(x + y) − y 2
∀(x, y) ∈ O, (x, y) = (x, y) + =1
∂y ∂y (x + y)2
Comme ψ(x, y) ne dépend pas de la variable x alors il existe un réel a tel que :
D = {(x, y) ∈ R2 | − 1 ≤ x, x ≤ y, y ≤ 1} = {(x, y) ∈ R2 | − 1 ≤ x, x − y ≤ 0, y ≤ 1}
ce qui assure que D est fermé dans R2 (intersection de trois demi-plans) et borné (inclus dans la
boule de centre O et de rayon 2). Conclusion : f admet des extrema sur D .
(b) La fonction g : (x, y) 7→ (y − x)2 + 6xy = x2 + 4xy + y 2 est de classe C 1 sur R2 et on a :
∂g ∂g
∀(a, y) ∈ R2 , (x, y) = 2(x − y) + 6y = 2x + 4y, (x, y) = 4x + 2y
∂x ∂y
Alors, le seul point critique de g sur R2 est le point O(0, 0) qui n’est pas élément de l’intérieur
de D.
Conclusion : f n’admet pas de point critique sur l’intérieur de D .
Par ailleurs g(0, 0) = 0 et, pour tout (x, y) ∈ D, on a :
ce qui prouve que f n’admet pas d’extremum local en O puisque les points (−t, 0) et −t, 12 t
sont éléments de D pour tout réel t ∈]0, 1] et sont aussi proches que l’on veut de O.
(c) Le bord de D est un triangle ABC dont les sommets ont pour coordonnées :
fAB (t) = f (−1, 1 − 2t) fBC (t) = f (2t − 1, −1) fAC (t) = f (2t − 1, 1 − 2t)
fAB (t) = 4t2 + 4t − 2 fBC (t) = 4t2 − 12t + 6 fAC (t) = −2(2t − 1)2
D’où :
1
x 0 1
x 0 1 x 0 1 2
6 6 0
fAB (x) fBC (x) fAC (x)
2 2 2 2
Conclusion : ∀M ∈ Rn , f (O) ≤ f (M ) .
Supposons qu’il existe un point M 6= O tel que f (M ) = 0. Alors, pour λ = 12 , la stricte
convexité donne :
1 1 1 1
0≤f O + M < f (O) + f (M ) = 0
2 2 2 2
Ce minimum est alors atteint en un point qui ne peut être le point O, donc α > 0 .
−−→
/ Bf (O, 1). Alors, M 6= O c’est à dire que OM 6= ~0 d’où :
iii. Soit M ∈
! " # !
1 1 1
α ≤ f −−→ M = f −−→ M + 1 − −−→ O
kOM k kOM k kOM k
" #
1 1 1
< −−→ f (M ) + 1 − −−→ f (O) = −−→ f (M )
kOM k kOM k kOM k
−−→
Conclusion : ∀M ∈
/ Bf (O, 1), f (M ) ≥ αkOM k .
Comme α > 0, on en déduit que −−→
lim f (M ) = +∞ .
kOM k→+∞
338 CHAPITRE 20. SOLUTIONS DES EXERCICES
2. (a) La fonction ϕ est le quotient de deux fonction continues (la forme quadratique au numérateur
et le carré de la norme sont polynomiales) et le dénominateur ne s’annule pas sur S (puisque
Θ∈ / S). De plus, S = Bf (Θ, 1) − B(Θ, 1) est un ensemble fermé et borné donc ϕ admet une
borne supérieure sur S qui est atteinte. Conclusion : ∃X0 ∈ S / ϕ(X0 ) = max ϕ(X) .
X∈S
(c) Les fonctions dérivées partielles existent sur Rn − {Θ} (quotients de fonctions polynômes) et
sont continues sur Rn − {Θ} (encore quotients de fonctions polynômes dont le dénominateur
ne s’annule qu’en Θ) donc ϕ est de classe C 1 sur Rn − {Θ} .
(d) L’ensemble Rn −{Θ} est ouvert et ϕ admet un maximumen X0 donc X0 est un point critique de ϕ .
x1
Pour tout vecteur X = ... ∈ Rn − {Θ}, on a :
xn
t
Pn P
XAX i=1 ai,i xi + 2 1≤i<j≤n ai,j xi xj
ϕ(X) = = Pn 2
kXk2 i=1 xi
Z 1
E(f (X1 )) = f (t)dt . De même, f (X1 ) admet un moment d’ordre 2 si et seulement si l’inté-
0
R +∞ R1
grale −∞ f (t)2 11[0,1] (t)dt = 0 f (t)2 dt converge absolument (évident là encore). Alors f (X1 )
Z 1 Z 1
2
admet une variance et V(f (X1 )) = f (t) dt − f (t)dt .
0 0
(b) (f (Xn ))n≥1 est une suite de variables aléatoires mutuellement indépendantes et de même loi .
(c) On peut alors appliquer le théorème de loi faible
P des grands nombres (indépendance mutuelle,
même espérance et même variance) donc n1 nk=1 f (Xk ) −→ E(f (X1 ))11Ω . Comme I(f ) =
P
E(f (Xn )) et comme In (f ) = n1 nk=1 f (Xk ), on en conclut que :
P
(d) Soit α ∈]0, 1[. La variable aléatoire In (f ) admet I(f ) pour espérance. De plus, sa variance vaut :
1 V(f (X1 ))
V(In (f )) = 2
nV(f (X1 )) =
n n
Pour tout réel δ > 0, l’inégalité de Bienaymé-Tchebychev nous donne pour tout entier n ≥ 1 :
√
δ V(f (X1 )) V(f (X1 ))
P n |In (f ) − I(f )| ≥ δ = P |In (f ) − I(f )| ≥ √ ≤ 2 =
n δ2
n √δn
V(f (X1 ))
Comme δ2
−→ 0 alors il existe δ0 tel que :
δ→+∞
V(f (X1 ))
∀δ ≥ δ0 , 0 ≤ ≤α
δ2
√
Conclusion : ∀α ∈]0, 1[, ∃δ > 0 / ∀n ∈ N∗ , P
n |In (f ) − I(f )| ≥ δ ≤ α .
(e) Soit α ∈]0, 1[. Soit X ,→ N (0, 1). Alors :
√ In (f ) − I(f )
n −→ X
σ(f (X1 )) L
√ √ In (f ) − I(f )
δ
P n |In (f ) − I(f )| ≥ δ = P n ≥
σ(f (X1 )) σ(f (X1 ))
δ δ
−→ P |X| ≥ = 2Φ −
n→+∞ σ(f (X1 )) σ(f (X1 ))
Comme Φ est bijective alors il existe un unique réel δ tel que Φ − σ(f (X1 )) = α2 .
δ
√
Conclusion : ∀α ∈]0, 1[, ∃δ > 0 / lim P n |In (f ) − I(f )| ≥ δ = α .
n→+∞
(b) Soit x ∈ R et n ∈ N∗ . On a :
n
x + ln(n) x + ln(n)
P(Zn ≤ x) = P(λMn ≤ x + ln(n)) = Fn =F
λ λ
Or, il existe n0 ∈ N∗ tel que x + ln(n) ≥ 0 pour tout n ≥ n0 (d’après la définition de la limite
infinie). Ainsi :
x+ln(n) n
n
= 1 − e−x−ln(n) = en ln(1−e
−x−ln(n)
∀n ≥ n0 , P(Zn ≤ x) = 1 − e −λ λ )
−e−x
La fonction G : x 7→ e est clairement de classe C 1 sur R, de dérivée strictement positive sur
R ce qui prouve que G est croissante sur R. Enfin, G admet 0 pour limite en −∞, admet 1 pour
limite en +∞. Conclusion : Zn −→ Z avec FZ = G .
L
(c) Soit x ∈ R. On a :
1 1
P(Tn ≤ x) = P(Mn ≤ 1 + n− λ x) = F (1 + n− λ x)n
1
Si x ≥ 0 alors 1 + n− λ x ≥ 1 pour tout entier n donc P(Tn ≤ x) = 1 pour tout n ∈ N∗ .
Si x < 0 alors :
1 1
1 + n− λ x ∈ [0, 1] ⇔ x ∈ [−n− λ , 0]
1
appartenance vérifiée pour tout entier n assez grand puisque −n− λ −→ −∞. Ainsi, pour tout
n→+∞
n assez grand, on a :
λ n n
(−x)λ
1 λ
−λ
P(Tn ≤ x) = 1 − −n x = 1− −→ e−(−x)
n n→+∞
( λ
e−(−x) si x < 0
La fonction H : x 7→ est continue sur R, de classe C 1 sur ] − ∞, 0[ et
1 si x ≥ 0
sur ]0, +∞[, croissante sur R, de limite 0 (resp. 1) en −∞ (resp. +∞) donc une fonction de
répartition. Conclusion : Tn −→ T avec FT = H .
L
Conclusion : Xn −→ 0 .
P
ii. La suite de variables aléatoires de terme général Yn = |Xn −X| est à valeurs positives et ad-
met une espérance (car convergence absolue). Si on suppose que E(|Xn −X|) −→ 0 alors
n→+∞
on se retrouve à nouveau dans la situation précédente et donc Xn − X −→ 0. Compte tenu
P
de la stabilité de la convergence en probabilité avec les opérations sur les variables aléa-
toires, on en déduit que Xn −→ X. Conclusion : E(|Xn − X|) −→ 0 ⇒ Xn −→ X .
P n→+∞ P
Remarque : Avec l’inégalité de Markov, on obtient encore plus simplement le résultat.
iii. Exemple 3 du premier paragraphe du chapitre.
(b) i. On utilise à nouveau une inégalité de Markov :
E(|Xn − X|2 )
∀ε > 0, P(|Xn − X|2 > ε) ≤ −→ 0
ε2 n→+∞
2. (a) Soit n ∈ N∗ . La fonction fn est continue sur R sauf en 0 (elle est continue en n) et est positive
sur R. De plus, on a :
Z +∞ Z n n
x n n x n+1 n
fn (x)dx = an 1 − dx = an − 1− = an
−∞ 0 n n+1 n 0 n+1
n+1 1
Conclusion : fn est une densité si et seulement si an = =1+ .
n n
k
(b) i. Soit n ≥ 1 et k ≥ 1. La fonction x 7→ x fn (x) est positive sur R donc la convergence abso-
lue de l’intégrale qui suit est équivalente à sa convergence. Sous réserves de convergence,
on a : Z +∞ Z n
k n+1 x n
x fn (x)dx = xk 1− dx
−∞ 0 n n
Cette dernière intégrale n’étant pas impropre, Xn admet un moment d’ordre k .
Pour calculer la valeur du moment d’ordre k (non demandée ici mais demandée dans le
sujet originel), une petite récurrence basée sur intégration par parties s’impose.
ii. Il est clair que Fn (x) = 0 pour tout x ≤ 0 et Fn (x) = 1 pour tout x ≥ n. Soit donc
x ∈]0, n[. On a :
Z x n " n+1 #x
n+1 t t x n+1
Fn (x) = P(Xn ≤ x) = 1− dt = − 1 − = 1− 1 −
0 n n n n
0
342 CHAPITRE 20. SOLUTIONS DES EXERCICES
0
n+1
si x < 0
Conclusion : Fn (x) = 1 − 1 − nx si x ∈ [0, n] .
1 si x > n
(c) Soit x ∈ R. Si x < 0 alors Fn (x) = 0 −→ 0. Si x ≥ 0 alors, pour tout entier n > x, on a :
n→+∞
x n+1 x
Fn (x) = 1 − 1 − = 1 − e(n+1) ln(1− n )
n
Or (n + 1) ln 1 − nx ∼ −n nx = −x donc (n + 1) ln 1 − nx −→ −x ce qui prouve que :
n→+∞ n→+∞
20.17.2 TD*
1. s
∂f h2 ∂2f M
f (x0 + h, t) − f (x0 , t) − h (x0 , t) ≤ max 2
(x, t) ≤ h2
∂x 2 [x0 ,x0 +h] ∂x 2
Comme cette inégalité est vrai pour tous les réels t ∈ [0, 1], on en déduit que :
Z 1 Z 1
∂f M M
F (x0 + h) − F (x0 ) − h (x0 , t)dt ≤ h2 dt = h2
0 ∂x 0 2 2
20.17. FONCTIONS DE N VARIABLES DE CLASSE C 2 343
Z 1
∂f M
Conclusion : ∀h ∈ [−1, 1], F (x0 + h) − F (x0 ) − h (x0 , t)dt ≤ h2 .
0 ∂x 2
iii. Pour tout réel h ∈ [−1, 1] − {0}, on a alors :
Z 1
h2 M
1 ∂f M
F (x0 + h) − F (x0 ) − h (x0 , t)dt ≤ = |h| −→ 0
h 0 ∂x 2|h| 2 h→0
x
Conclusion : ∀(x, n) ∈ R × N, In0 (x) = − In+1 (x) .
2(n + 1)
iii. • Soit P(k) la proposition : ∀n ∈ N, In ∈ C k (R, R).
• On sait que P(0) est vraie puisque In est dérivable sur R (pour chaque entier naturel n).
• Soit k ∈ N et supposons que P(k) est vraie. Soit n ∈ N. On sait que In+1 est de classe
x
C k sur R et qu’il en va de même pour x 7→ − 2(n+1) . Alors In0 est de classe C k sur R ce qui
prouve que In est de de classe C k+1 sur R. Ainsi P(k + 1) est vraie.
• On en déduit que, pour tout entier naturel n, la fonction In est de classe C k sur R pour
tout entier naturel k.
Conclusion : ∀n ∈ N, In ∈ C ∞ (R, R) .
iv. Soit n ∈ N. Les fonctions t 7→ t et t 7→ (1 − t2 )n+1 sont de classe C 1 sur R donc :
Z 1 1
Z 1
2 n+1
t(n + 1)(−2t)(1 − t2 )n dt
dt = t(1 − t2 )n+1 0 −
In+1 (0) = 1(1 − t )
0 0
Z 1 Z 1
2 2 n
= 0 + 2(n + 1) −t (1 − t ) dt = 2(n + 1) [(1 − t2 ) − 1](1 − t2 )n dt
0 0
= 2(n + 1)[In+1 (0) − In (0)]
2n + 3
Conclusion : ∀n ∈ N, In+1 (0) = In (0) .
2n + 2
• Soit P(n) la proposition : In (0) = 2(2n+1)!
2n (n!)2 .
R1
• Il est clair que I0 (0) = 0 dt = 1 donc P(0) est vraie.
344 CHAPITRE 20. SOLUTIONS DES EXERCICES
(2n + 1)!
Conclusion : ∀n ∈ N, In (0) = .
22n (n!)2
v. Soit n ∈ N. Calculons In (0) par une méthode directe :
Z 1 "Xn
# n Z 1
n n−k 2 k
X n k 2k
In (0) = 1 (−t ) dt = (−1) t dt
0 k=0
k k=0
k 0
n 2k+1 1 ! X n
(−1)k
X n! k t n!
= (−1) = ×
k=0
k!(n − k)! 2k + 1 0 k=0
k!(n − k)! 2k + 1
n
X (−1)k (2n + 1)!
Conclusion : = 2n .
k=0
(2k + 1)k!(n − k)! 2 (n!)3
2. (a) La matrice M est symétrique réelle donc elle est diagonalisable à valeurs propres réelles .
x1
Supposons que M admet une valeur propre strictement négative λ. Soit X = x2 ∈
x3
M3,1 (R) un vecteur propre de M associé à λ. Alors :
0 ≤ V(x1 X1 + x2 X2 + x3 X3 ) = · · · = tXM X = tX(λX) = λkXk2 < 0
vecteurs propres obtenue. Comme les sous espaces propres sont orthogonaux, il suffit d’or-
thonormaliser chacune des bases des deux sous espaces propres. Pour tout réel a, on a :
* 1 1 1 +
1
a −1 + 0 , −1 = 0 ⇔ 2a + 1 = 0 ⇔ a = −
2
0 −1 0
Comme on a :
1 √ 1 √ 1 1 1/2 r
1 3
1 = 3 0 = 2 − −1 + 0 = 1/2 =
2 2
1 −1 0 −1 −1
1 1 1
1 1 1
Ainsi : √ 1 , √ −1 , √ 1 est une b.o.n. de vecteurs propres de M .
3 1 2 0 6 −2
ii. Si ces variables aléatoires étaient mutuellement indépendantes alors elles seraient deux à
deux non corrélées. Mais comme Cov(X1 , X2 ) = E(X1 X2 ) = −1 6= 0 alors X1 et X2 ne
peuvent être indépendantes. Conclusion : (X1 , X2 , X3 ) ne sont pas mutuellement indépendantes .
(c) Pour tout triplet (x1 , x2 , x3 ) ∈ R3 , on a :
3
X X 3
X
F (x1 , x2 , x3 ) = E(Xi2 )x2i +2 E(Xi Xj )xi xj − 2 E(Xi Y )xi + E(Y 2 )
i=1 1≤i<j≤3 i=1
Ainsi, F est polynomiale donc de classe C 2 sur R3 . Recherchons ses points critiques. Pour tout
triplet (x1 , x2 , x3 ) ∈ R3 , on a :
3
∂F X
∀i ∈ J1, 3K, (x1 , x2 , x3 ) = 2 E(Xi Xj )xj − 2E(Xi Y )
∂xi j=1
3
X
∇F (x1 , x2 , x3 ) = ~0 ⇔ ∀i ∈ J1, 3K, E(Xi Xj )xj = E(Xi Y )
j=1
x1 E(Y X1 )
⇔ M x2 = E(Y X2 )
x3 E(Y X3 )
Les points critiques (a, b, c) de F sont donc les seuls points de R3 à vérifier la relation proposée.
Déterminons les dérivées partielles d’ordre 2 de F . Pour tout triplet (x1 , x2 , x3 ) ∈ R3 , pour tout
i ∈ J1, 3K et tout j ∈ J1, 3K − {i} on a :
∂2F ∂2F
(x1 , x2 , x3 ) = 2E(Xi2 ) (x1 , x2 , x3 ) = 2E(Xi Xj )
∂x2i ∂xi ∂xj
∇2 F (x1 , x2 , x3 ) = 2M
Soit (a, b, c) un point critique de F . Comme la fonction F est polynomiale de degré 2, alors le
développement limité à l’ordre 2 de F au voisinage de A = (a, b, c) ne comporte pas de terme
en kHk2 ε(H), c’est à dire que :
1t
∀H ∈ R3 , F (A + H) = F (A) + h∇F (A), Hi + H(2M )H = F (A) + tHM H
2
346 CHAPITRE 20. SOLUTIONS DES EXERCICES
Comme les valeurs propres de M sont positives alors tHM H ≥ 0 pour tout H ∈ R3 ce qui
prouve que :
∀H ∈ R3 , F (A + H) − F (A) ≥ 0
On en déduit que tous les points critiques correspondent à des minimums locaux de F .
a E(Y X1 )
Conclusion : F admet un minimum en (a, b, c) si et seulement si M b = E(Y X2 ) .
c E(Y X3 )
(d) i. Comme la somme des lignes de M est nulle alors le système proposé ne pourra admettre
de solutions si α + β + γ 6= 0. Réciproquement, si α + β + γ = 0 alors le système est
équivalent aux deux seules premières équations donc il admettra une infinité de solutions
(les deux équations de plans formées par ce système correspondent à deux plans sécants
puisque les deux premières lignes de M sont libres).
Conclusion : Le système admet des solutions si et seulement si α + β + γ = 0 .
ii. On suppose donc que α + β + γ = 0. Alors :
x1 α
x1 = 31 (2α + β) + x3
2x 1 − x 2 − x 3 = α
M x2 = β ⇔ ⇔
−x1 + 2x2 − x3 = β x2 = 31 (α + 2β) + x3
x3 γ
1 2α + β 1
Conclusion : S = α + 2β + λ 1 λ ∈ R .
3
0 1
3. (a) L’ensemble P est fermé comme image réciproque de {1} par l’application (x, y, z) 7→ x + y + z
qui est continue sur [0, +∞[3 . De plus :
√
P ⊂ [0, 1]3 ⊂ Bf (O, 3)
donc P est borné. Comme f est continue sur R3 en tant que fonction polynôme, on en conclut
que f admet un minimum et un maximum absolus sur P .
(b) Notons H l’ensemble des solutions dans R3 de x + y + z = 0. Alors, on a :
1
⊥
H = Vect 1
1
puisque x, y, z sont positifs et de somme égale à 1. De plus, (1, 0, 0), (0, 1, 0) et (0, 0, 1) sont élé-
ments de P et l’un d’entre eux a pour image max{a, b, c} par f . Conclusion : max f = max{a, b, c} .
P
donc S se prolonge par continuité au point (0, a) en posant S(0, a) = 0. De même, S se prolonge
par continuité au point (a, 0) en posant S(a, 0) = 0. Enfin, pour tout couple R, L) ∈ Ω, on a :
L
0 ≤ S(R, L) = R ≤ R ≤ k(R, L)k −→ 0
R+L (R,L)→(0,0)
Cette fonction est bien sûr positive sur ΩT et s’annule en (0, T ) et en (T, 0) donc min S ∗ = 0 .
ΩT
∗ 1
La fonction S est de classe C sur Ω et on a :
2
∂S ∗ (s2 − s)W L + L2 ∂S ∗
sW
(W, L) = et (W, L) =
∂W (sW + L)2 ∂L sW + L
348 CHAPITRE 20. SOLUTIONS DES EXERCICES
Il n’y a donc pas de point critique sur l’intérieur de ΩT (qui est ouvert). Les extrema de S ∗ sur ΩT
ne peuvent être atteints que sur le bord de ΩT . Notons A (resp. B) le point de coordonnées (T, 0)
(resp. (0, T )). D’après la question précédente, S ∗ est nulle sur les côtés [OA] et [OB], 0 étant
clairement le minimum de S ∗ (fonction positive). Sur le segment [AB] défini par W + L = T ,
on a :
sW (T − W ) sW (T − W )
f (W ) = S ∗ (W, T − W ) = =
sW + T − W (s − 1)W + T
La fonction f est dérivable sur [0, T ] et on a :
T
W 0
1+
ps T
f (W )
0
+ 0
sT
(1 +
ps)2
f (W )
0 0
sT
• Conclusion : max S ∗ = √ 2 .
ΩT (1 + s)
Index
349
350 INDEX