Cours ECS2

Mathématiques en ECS2
Alain GUICHET
5 mars 2007
2
À propos du déroulement de l’année scolaire :

1. L’usage des calculatrices est toujours interdit lors des épreuves des concours.
2. La clé USB est toujours indispensable.
3. L’achats de livres de cours et/ou de problème n’est toujours pas obligatoire. Pour des problèmes de
concours, voir le site de l’association des professeurs de classe préparatoire économique et commer-
ciale http://www.int-evry.fr/aphec/concours/sujets/index.php.
4. La mention * : Deux niveaux d’exercices et de devoirs sont proposés dans ce document selon qu’ils
portent ou non la mention *. Cette mention ne concerne qu’un certain groupe d’élèves dont la com-
position peut évoluer dans l’année afin de préparer au mieux les écoles « parisiennes ».
Les DL sont obligatoires pour tous. Les DL* ne sont obligatoires que pour les élèves du groupe *.
5. Les questions de cours en colle (élèves et colleurs) : Les théorèmes et autres propositions dont les
démonstrations sont au programme de colle sont libellés par (QC) ou bien par (QC*). Les questions
(QC*) peuvent être proposées aux élèves du groupe * mais pas aux autres élèves.
En colle, il doit toujours y avoir en question de cours une définition et une (QC) ainsi qu’un exercice
d’application directe du cours (un exercice du document par exemple) puis un exercice de reflexion
(surtout pour le groupe *).
Table des matières
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
2 Variables aléatoires réelles discrètes finies 25

2.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Espace probabilisé fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.2 Conditionnement et indépendance . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.3 Variables aléatoires finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.4 Lois discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Complément : espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 Rappels (suite) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Couples de variables aléatoires finies . . . . . . . . . . . . . . . . . . . . . 29
2.3.2 Vecteurs aléatoires finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Complément : espérance conditionnelle (suite) . . . . . . . . . . . . . . . . . . . . . 31
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Espaces vectoriels, applications linéaires et matrices 39

3.1 Espaces et sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.2 Somme et somme directe de plusieurs sous espaces . . . . . . . . . . . . . . 40
3.2 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.2 Sous espace stable par une application linéaire . . . . . . . . . . . . . . . . 43
3.2.3 Polynômes annulateurs d’une application linéaire . . . . . . . . . . . . . . . 44
3.3 Matrices d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3
4 TABLE DES MATIÈRES
3.3.2 Cas de la somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.3.3 Polynômes annulateurs d’une matrice . . . . . . . . . . . . . . . . . . . . . 47
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4 Étude des fonctions numériques 53

4.1 Limites, continuité en un point . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Continuité sur un intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Dérivabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4 Fonctions convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
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
6 Variables aléatoires discrètes infinies 71

6.1 Espaces probabilisés infinis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.1.2 Conditionnement et indépendance . . . . . . . . . . . . . . . . . . . . . . . 72
6.2 Variables aléatoires réelles discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.2 Lois de probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.3 Fonctions de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2.4 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3 Espérance d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.3.1 Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.3.2 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.3.3 Théorème de transfert et applications . . . . . . . . . . . . . . . . . . . . . 78
6.3.4 Inégalités de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.4 Variance et covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.4.1 Variance, écart type et autre moments . . . . . . . . . . . . . . . . . . . . . 80
6.4.2 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
TABLE DES MATIÈRES 5
7 Réduction des endomorphismes et des matrices carrées 89

7.1 Matrices et application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.1.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.1.2 Cas de la somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.1.3 Matrices semblables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 Éléments propres d’un endomorphisme . . . . . . . . . . . . . . . . . . . . . . . . 91
7.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.2.2 Lien avec les polynômes annulateurs . . . . . . . . . . . . . . . . . . . . . . 92
7.2.3 À propos des sous espaces propres . . . . . . . . . . . . . . . . . . . . . . . 93
7.3 Endomorphismes diagonalisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.4 Matrices carrées diagonalisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.4.1 Éléments propres d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . 94
7.4.2 Lien entre matrice et application linéaire . . . . . . . . . . . . . . . . . . . . 95
7.4.3 Méthode pratique de recherche des éléments propres . . . . . . . . . . . . . 95
7.5 Réduction des endomorphismes et des matrices carrées . . . . . . . . . . . . . . . . 96
7.5.1 Théorème fondamental de la réduction . . . . . . . . . . . . . . . . . . . . . 96
7.5.2 Application : puissances successives d’une matrice diagonalisable . . . . . . 96
7.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.6.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.6.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
8 Intégrales sur un segment 103

8.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.1.1 Intégrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.1.2 Propriétés de l’intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.1.3 Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.1.4 Formules de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.2.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.2.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
9 Intégrales sur un intervalle quelconque 111

9.1 Intégrales généralisées ou intégrales impropres . . . . . . . . . . . . . . . . . . . . 111
9.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9.2.1 Lien avec les primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9.2.2 Lien avec les suites de limite la borne impropre . . . . . . . . . . . . . . . . 113
9.2.3 Lien avec les séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
9.2.4 Chasles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
9.2.5 Linéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2.6 Positivité et inégalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2.7 Intégration par parties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.2.8 Changement de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.2.9 Fonction dont la variable est une borne d’une intégrale impropre . . . . . . . 117
9.3 Cas des fonctions positives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.3.1 Intégrales de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

Rb
9.3.2 CNS de convergence de l’intégrale a f (t)dt . . . . . . . . . . . . . . . . . 118
9.3.3 Règles de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.3.4 Fonction Γ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.4 Cas des fonctions de signe variable . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
10 Variables aléatoires à densité 129

10.1 Rappels sur les variables aléatoires quelconques . . . . . . . . . . . . . . . . . . . . 129
10.2 Généralités sur les variables à densité . . . . . . . . . . . . . . . . . . . . . . . . . 129
10.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
10.2.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
10.2.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
10.2.4 Densité par transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
10.2.5 Somme de deux variables aléatoires à densité indépendantes . . . . . . . . . 133
10.3 Moments d’une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . 134
10.3.1 Moment d’ordre k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
10.3.2 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
10.3.3 Moment d’ordre 2 et variance . . . . . . . . . . . . . . . . . . . . . . . . . 136
10.3.4 Inégalités usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
10.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
10.4.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
10.4.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
11 Espaces euclidiens 141

11.1 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
11.1.1 Produit scalaire et norme associée . . . . . . . . . . . . . . . . . . . . . . . 141
11.1.2 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
11.1.3 Familles orthogonales et familles orthonormales . . . . . . . . . . . . . . . 144
11.2 Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
11.2.1 Bases orthonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
11.2.2 Produits scalaires et matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 146
11.3 Projections orthogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
11.3.1 Supplémentaire orthogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
11.3.2 Projecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
11.3.3 Application : un problème des moindres carrés . . . . . . . . . . . . . . . . 149
11.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
11.4.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
11.4.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
12 Continuité des fonctions de n variables 155

12.1 Éléments de topologie de l’ensemble Rn . . . . . . . . . . . . . . . . . . . . . . . . 155
12.1.1 Équation paramétrique d’une droite, d’un segment . . . . . . . . . . . . . . 155
12.1.2 Boules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
12.1.3 Ensembles ouverts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
12.1.4 Ensembles fermés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
12.1.5 Ensembles bornés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
12.1.6 Ensembles convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.2 Fonctions définies sur Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.3 Continuité des fonctions de n variables . . . . . . . . . . . . . . . . . . . . . . . . 159
12.3.1 Limite et continuité en un point . . . . . . . . . . . . . . . . . . . . . . . . 159
12.3.2 Continuité sur un ouvert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
12.3.3 Cas de fonctions particulières . . . . . . . . . . . . . . . . . . . . . . . . . 161
12.3.4 Autres théorèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
12.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
12.4.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
12.4.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
13 Variables aléatoires à densité usuelles 167

13.1 Loi uniforme sur un intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.1.1 Loi uniforme sur [0, 1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.1.2 Loi uniforme sur [a, b] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
13.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
13.2.1 Loi E(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
13.2.2 Loi E(λ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
13.2.3 Loi sans mémoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
13.3 Les différentes lois gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
13.3.1 Loi gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
13.3.2 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
13.4 Les différentes lois normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
13.4.1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . 177
13.4.2 Loi normale générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
13.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
13.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
13.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
14 Endomorphismes symétriques 185

14.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
14.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
14.1.2 Lien avec les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
14.2 Réduction des endomorphismes symétriques . . . . . . . . . . . . . . . . . . . . . . 187
14.2.1 Cas des endomorphismes symétriques . . . . . . . . . . . . . . . . . . . . . 187
14.2.2 Cas des matrices symétriques . . . . . . . . . . . . . . . . . . . . . . . . . 188
14.3 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
14.3.1 Forme quadratique associée à un endomorphisme symétrique . . . . . . . . . 188

14.3.2 Réduction des formes quadratiques . . . . . . . . . . . . . . . . . . . . . . 189
14.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
14.4.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
14.4.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
15 Fonctions de n variables de classe C 1 197

15.1 Dérivées partielles d’ordre 1 et gradient en un point . . . . . . . . . . . . . . . . . . 197
15.2 Développement limité à l’ordre 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
15.3 Fonctions de classe C 1 sur un ouvert de Rn . . . . . . . . . . . . . . . . . . . . . . 200
15.3.1 Fonctions dérivées partielles . . . . . . . . . . . . . . . . . . . . . . . . . . 200
15.3.2 Fonctions de classe C 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
15.3.3 Dérivées directionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
15.3.4 Accroissements finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
15.4 Extrema d’une fonction de n variables . . . . . . . . . . . . . . . . . . . . . . . . . 204
15.4.1 Notions d’extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
15.4.2 Condition nécessaire d’existence d’un extremum sur un ouvert . . . . . . . . 205
15.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
15.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
15.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
16 Convergences des suites de variables aléatoires 209

16.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
16.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
16.1.2 Propriétés opératoires de la convergence en probabilité . . . . . . . . . . . . 210
16.1.3 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . 211
16.2 Convergence en loi et approximations de certaines lois usuelles . . . . . . . . . . . . 212
16.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
16.2.2 Cas des variables discrètes à valeurs dans N et premières approximations . . 214
16.2.3 Théorème de la limite centrée et nouvelles approximations . . . . . . . . . . 216
16.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
16.3.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
16.3.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
16.4 Solutions des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
17 Fonctions de n variables de classe C 2 223

17.1 Fonctions dérivées partielles d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . 223
17.1.1 Dérivées partielles d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 223
17.1.2 Opérations sur les fonctions de classes C 2 . . . . . . . . . . . . . . . . . . . 224
17.2 Utilisations de la forme quadratique associée à la hessienne . . . . . . . . . . . . . . 224
17.2.1 Matrice hessienne en un point et théorème de Schwarz . . . . . . . . . . . . 224
17.2.2 Développement limité à l’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . 225
17.2.3 Dérivée seconde directionnelle . . . . . . . . . . . . . . . . . . . . . . . . . 226
17.2.4 Égalité de Taylor-Lagrange à l’ordre 1 . . . . . . . . . . . . . . . . . . . . . 226
17.3 Recherches d’extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

17.3.1 Condition suffisante d’existence d’extrema locaux . . . . . . . . . . . . . . 227
17.3.2 Positions relatives du graphe et de l’hyperplan tangent . . . . . . . . . . . . 228
17.3.3 Recherche d’extrema sous contraintes linéaires . . . . . . . . . . . . . . . . 228
17.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
17.4.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
17.4.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
18 Statistiques descriptives 233

18.1 Statistiques à une variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
18.1.1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
18.1.2 Étude d’une série statistique . . . . . . . . . . . . . . . . . . . . . . . . . . 234
18.2 Statistiques à deux variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
18.2.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
18.2.2 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
18.2.3 Ajustement affine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
18.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
18.3.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
18.3.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
19 Statistique inférentielle : estimation 241

19.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
19.1.1 Premier exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
19.1.2 Second exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
19.2 Position du problème de l’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . 246
19.3 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
19.3.1 Estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
19.3.2 Biais d’un estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
19.3.3 Risque quadratique et convergence d’un estimateur . . . . . . . . . . . . . . 248
19.3.4 Critères de convergence d’un estimateur . . . . . . . . . . . . . . . . . . . . 249
19.4 Estimation par intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . 249
19.4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
19.4.2 Construction d’un intervalle de confiance . . . . . . . . . . . . . . . . . . . 250
19.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
19.5.1 Pour les TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
19.5.2 Pour les DL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
20 Solutions des exercices 255

20.1 Suites réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
20.1.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
20.1.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
20.1.3 DL (voir l’énoncé à la page 19) . . . . . . . . . . . . . . . . . . . . . . . . 255
20.1.4 DL* (voir l’énoncé à la page 20) . . . . . . . . . . . . . . . . . . . . . . . . 258
20.2 Variables aléatoires réelles discrètes finies . . . . . . . . . . . . . . . . . . . . . . . 260
20.2.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
20.2.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
20.3 Espaces vectoriels, applications linéaires, matrices . . . . . . . . . . . . . . . . . . 266
20.3.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
20.3.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
20.4 Étude des fonctions numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
20.4.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
20.4.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
20.5 Séries numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
20.5.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
20.5.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
20.6 Variables aléatoires discrètes infinies . . . . . . . . . . . . . . . . . . . . . . . . . . 278
20.6.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
20.6.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
20.7 Réduction des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
20.7.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
20.7.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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
20.9 Intégrales sur un intervalle quelconque . . . . . . . . . . . . . . . . . . . . . . . . . 300
20.9.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
20.9.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
20.10Variables aléatoires à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.10.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.10.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.11Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
20.11.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
20.11.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

20.12Continuité des fonctions de n variables . . . . . . . . . . . . . . . . . . . . . . . . 318
20.12.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
20.12.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
20.13Variables aléatoires à densités usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 322
20.13.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
20.13.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
20.13.3 DL (voir énoncé à la page 181) . . . . . . . . . . . . . . . . . . . . . . . . . 322
20.14Endomorphismes symétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
20.14.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
20.14.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
20.15Fonctions de n variables de classe C 1 . . . . . . . . . . . . . . . . . . . . . . . . . 333
20.15.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
20.15.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
20.16Convergences des suites de variables aléatoires . . . . . . . . . . . . . . . . . . . . 338
20.16.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
20.16.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
20.17Fonctions de n variables de classe C 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 342
20.17.1 TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
20.17.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
Chapitre 1
Suites réelles
Il est vivement conseillé de réviser les chapitres 1, 2, 3, 4, 5, 7, 8, 27 (techniques opératoires et déve-

loppements usuels) et accessoirement 19 du cours de première année.
1.1 Notions sur les suites

– Suite, suite extraite, opérations sur les suites (en particulier notion de sous espace vectoriel).
– Suites minorées, majorées, bornées.
– Suites (strictement) croissantes, (strictement) décroissantes.
– Suites arithmétiques, géométriques, arithmético-géométriques, récurrentes linéaires d’ordre 2.
Théorème des 4 sommes (QC)

Pour tout entier naturel n non nul et pour tout réel q, on a :
n n n 2
X n(n + 1) X
2 n(n + 1)(2n + 1) X
3 n(n + 1)
k= k = k =
k=1
2 k=1
6 k=1
2
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
(a) Déterminer l’expression du terme général de cette suite en fonction du réel a.

(b) En déduire la nature (et la limite éventuelle) de la suite (un ) en fonction du réel a.
2. Soit a un réel. On définit la suite (un )n∈N par :
u0 = 0 u1 = a et ∀n ∈ N, un+2 = 2un+1 − a2 un
(a) Déterminer l’expression du terme général de cette suite en fonction du réel a.

(b) En déduire, lorsque cela est « possible », la nature (et la limite éventuelle) de la suite (un ) en
fonction du réel a.
13
14 CHAPITRE 1. SUITES RÉELLES
1.2 Convergence et divergence

– Limite finie, limite infinie, pas de limite.
– Opérations sur les limites, limites et inégalité(s).
– Limite comme point fixe d’une fonction numérique.
– Suites adjacentes : définition, convergence (admis).
– Convergence (ou divergence) à l’aide de suites extraites. Ces des suites extraites des rangs pairs et
impairs.
Théorème de l’unicité de la limite (QC, démonstration uniquement en cas de convergence)
Si une suite admet une limite alors celle-ci est unique.
Preuve (par l’absurde)

`0 −`
Soit (un )n≥0 une suite convergeant à la fois vers ` et vers `0 > `. Posons ε = 3
> 0. Alors, la
convergence vers ` nous donne :
∃n1 ∈ N, / ∀n ≥ n1 , |un − `| ≤ ε
La convergence vers `0 nous donne ensuite :
∃n2 ≥ n1 / ∀n ≥ n2 , |un − `0 | ≤ ε
Ainsi, pour tout entier n ≥ n2 , on a :
`0 + 2` 2`0 + `
un ≤ ` + ε = < = `0 + ε ≤ un
3 3
ce qui est absurde.
Théorème (QC)
Toute suite convergente est bornée.

Attention : la limite n’est pas nécessairement le minorant ou le majorant de la suite dont on dispose.
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
Preuve (par l’absurde)

Supposons l’existence d’un couple (m, n) d’entiers supérieurs à p tels que un > vm . Posons alors
ε = un − vm > 0. Pour tout entier k supérieur à max{n, m}, on a donc :
uk − v k ≥ un − v m ≥ ε > 0
Comme la suite (uk − vk )k≥p converge vers 0 alors, par passage à la limite dans l’inégalité, on obtient :
0≥ε>0
ce qui est absurde.
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 .
1.3 Borne supérieure et borne inférieure d’une partie de R

Théorème de l’existence de la borne supérieure et/ou inférieure d’une partie de R (QC*)
Soit A une partie de non vide et majorée (resp. minorée) de R. Alors A admet un plus petit majorant
(resp. plus grand minorant) noté sup(A) (resp. inf(A)).
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.
Propriété de la borne supérieure (resp. inférieure)

Soit A une partie non vide et majorée (resp. minorée) de R. Alors, pour tout réel ε > 0, il existe un
élément x de A tel que :
|x − sup(A)| ≤ ε (resp. |x − inf(A)| ≤ ε)
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)|
1.4 Suites monotones

Théorème (QC*)
Soit (un )n≥p une suite croissante (resp. décroissante). Alors :
– (un ) converge si et seulement si elle est majorée (resp. minorée),
– (un ) diverge vers +∞ (resp. −∞) si et seulement si elle n’est pas majorée (resp. minorée).
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
ce qui assure la convergence de la suite vers `.

– Si (un ) diverge vers +∞ alors elle ne converge pas donc elle n’est pas majorée.
Supposons maintenant que (un ) n’est pas majorée. Soit M ∈ R. Alors :
∃n0 ∈ N / un0 ≥ M
Par croissance de la suite, on en déduit que :
∀n ≥ n0 , un ≥ un0 ≥ M
ce qui prouve que la suite diverge vers +∞.
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
1.5 Suites négligeables, suites équivalentes, développements limités

– Définitions et propriétés.
– Négligeabilité des suites de référence.
– Équivalents des suites « usuelles » à des suites de référence.
– Développements limités à l’ordre n au voisinage de +∞.
Exercice
Déterminer un couple (a, b) de réels tel que :
h√ i
lim 4n2 + n + 1 − (an + b) = 0
n→+∞
Préciser alors un équivalent de cette suite.
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→+∞
iii. On pose : ∀n ∈ N, an = xn − πn. Prouver que la suite (an ) converge vers π2 .

(b) i. Soit a un réel tel que π2 − a ∈] − π2 , π2 [. Exprimer tan π2 − a en fonction de tan(a).

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
3. Soit a et b deux réels strictement positifs.

(a) Justifier l’existence et l’unicité de la suite (un )n∈N définie par :
√
u0 = a u1 = b et ∀n ∈ N, un+2 = un+1 un
√
3
(b) Démontrer que cette suite converge vers ab2 .
4. Pour tout entier naturel n non nul, on pose :
n
! n
!
X 1 √ X 1 √
un = √ −2 n+1 et vn = √ −2 n
k=1
k k=1
k
(a) Démontrer que, pour tout n ∈ N∗ , on a :
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.
(a) Théorème : moyenne de Cesaro.

Pour tout entier naturel n non nul, on pose :
n
u1 + · · · + un 1X
vn = = uk
n n k=1
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 +∞ ?
(b) Étude de la réciproque.
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) Lemme de l’escalier et application.
i. (lemme de l’escalier) Soit ` ∈ R̄. En utilisant le théorème de Cesaro, démontrer que :

un
lim (un+1 − un ) = ` ⇒ lim =`
n→+∞ n→+∞ n
ii. On suppose que : ∀n ∈ N, un > 0. Déduire de la question ci-avant que :

un+1 √
lim =` ⇒ lim n
un = `
n→+∞ un n→+∞
1.6. EXERCICES 19
iii. Déterminer les limites suivantes :

s
2n 1p
lim n et lim n
n(n + 1)(n + 2) . . . (n + n)
n→+∞ n n→+∞ n
2. On définit les ensembles :

1 (−1)n

1 1 1 ∗ 2
A= + − (m, n) ∈ (N ) et B = + (m, n) ∈ (N∗ )2
m n mn n m
(a) Montrer que A et B sont non vide et bornées. Conséquence ?
(b) Déterminer les bornes inférieure et supérieure de A puis de B.
1.6.2 Pour les DL

DL 1 (voir le corrigé à la page 255)
1. Moyenne arithmético-géométrique.
Soit a et b deux réels positifs.
(a) Justifier l’existence des suites (an )n∈N et (bn )n∈N définies par :
an +bn

a0 = a an+1 = √
et ∀n ∈ N, 2
b0 = b bn+1 = an bn
(b) Étude de ces deux suites.

i. Démontrer que : ∀n ∈ N∗ , an ≥ bn .
ii. En déduire le sens de variation des suites (an )n≥1 et (bn )n≥1 .
iii. Démontrer qu’alors ces deux suites convergent et ont la même limite.
On notera `(a, b) cette limite et on ne cherchera pas à l’exprimer en fonction de a et b.
(c) Un peu de programmation.
Écrire un programme qui demande les valeurs de a et b (des réels positifs ou nuls) puis la
précision ε (un réel strictement positif) puis qui calcule et affiche une valeur approchée de `(a, b)
à ε près par défaut ainsi que le rang n correspondant à cette valeur approchée.
(d) Quelques propriétés de la limite.
i. Calculer `(a, b) dans les trois cas suivants : a = 0, b = 0, a = b.
ii. Comparer `(b, a) et `(a, b).
iii. Montrer que : ∀λ ∈ R+ , `(λa, λb) = λ`(a, b).
√
iv. Montrer que : ab ≤ `(a, b) ≤ a+b 2
.
2. Théorème du point fixe.
Soit a et b deux réels tels a < b. Soit f : [a, b] → [a, b] une fonction croissante sur [a, b]. On pose :
A = {x ∈ [a, b] |f (x) ≥ x }
(a) Justifier que A admet une borne supérieure que l’on note α.
(b) i. Justifier que a ≤ α ≤ b.
ii. En déduire que f (α) ≥ α puis que f (α) = α.
3. Soit a et b deux réels strictement positifs.
(a) Soit n un entier naturel supérieur ou égal à 2. Démontrer que l’équation xn = ax + b admet une
unique solution positive que l’on note un .
(b) Montrer que la suite (un )n≥2 converge et déterminer sa limite `.
Indication : On distinguera les cas a + b ≤ 1 et a + b > 1.
(c) Déterminer un équivalent de un − `.
DL* 1 (voir le corrigé à la page 258)

1. Suite de l’exercice sur la moyenne arithmético-géométrique.
Soit L l’application définie sur [0, +∞[ par : L(x) = `(1, x).
(a) Sens de variation de L.
i. Soit (x, y) un couple de réels tels que 0 ≤ x < y. On note (an (x))n≥0 et (bn (x))n≥0
les suites arithmético-géométriques définies pour a = 1 et b = x ainsi que (an (y))n≥0 et
(bn (y))n≥0 les suites arithmético-géométriques définies pour a = 1 et b = y.
Démontrer que, pour tout entier naturel n, on a :
an (x) ≤ an (y) et bn (x) ≤ bn (y)
ii. En déduire que la fonction L est croissante sur [0, +∞[.

(b) Quelques propriétés de la fonction L.
Justifier que, pour tout réel x positif ou nul, on a :
√
√

L(x) 1 1+x 2 x 1+x
x 6= 0 ⇒ =L L(x) = L x ≤ L(x) ≤
x x 2 1+x 2
(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
admet une unique solution xn dans R+ .

(b) Démontrer que la suite (xn ) est décroissante et qu’elle converge vers 0.
ln(p)
(c) En déduire que : xn ∼ ln(n)
.
1.6. EXERCICES 21
1.6.3 Autres exercices

Colle
1. Soit (un )n≥0 la suite définie par :
1
u0 = 1 et ∀n ∈ N, un+1 = un +
un
(a) Étudier la monotonie et déterminer la limite éventuelle de la suite (un ).

(b) Démontrer que : ∀k ∈ N, 2 ≤ u2k+1 − u2k ≤ 2 + uk+1 − uk .
(c) En déduire que : ∀n ∈ N, 2n + 1 ≤ u2n ≤ 2n + un .
√
(d) Démontrer que : un ∼ 2n.
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
(b) Montrer que : ∀n ∈ N, a2n − 2b2n = (−1)n .

j √ n k
(c) Calculer 1 + 2 en fonction de an pour tout entier naturel n.
n
Y 1 1
un = 1+ 2 et v n = un 1+
k=1
k n
(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.
4. Soit A une partie non vide et bornée de R. On pose :
B = |x − y| (x, y) ∈ A2

Démontrer que B est bornée puis que sup(B) = sup(A) − inf(A).

5. Soit A une partie non vide et majorée de R et x un réel. Montrer que x = sup(A) si et seulement si x
est un majorant de A et il existe une suite (xn )n∈N d’éléments de A qui converge vers x.
6. Encadrer la suite définie par : ∀n ∈ N∗ , un = nk=1 n2 +k 1
P
2 . Que peut-on en déduire ?
7. Nature de la suite de terme général :

2n+1 n−1
√ √

X 1 1X 1
n2 + n + 1 − n n 2
cos √
k=1
n +k n k=0 n+k
8. On donne la suite (un )n∈N par :

√ √
u0 = 2 et ∀n ∈ N, un+1 = 2 − un
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 .
10. Soit (un ) la suite définie par :

√
u0 = 1 et ∀n ∈ N, un+1 = 1 + un
(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
Calculer un en fonction de n puis préciser la nature de cette suite.

14. (Méthode d’Héron). Soit a et u0 deux réels strictement positifs. On pose :

1 a
∀n ∈ N, un+1 = un +
2 un
√
On se propose de démontrer que cette suite converge vers a.
(a) Montrer que :

2
(u2n − a)
∀n ∈ N, u2n+1 − a =
4u2n
√
(b) Montrer que un ≥ a pour tout entier n ≥ 1 puis que cette suite est décroissante.
√
(c) En déduire que cette suite converge vers a.
√ √
En utilisant la relation u2n+1
(d) √ √ − a = (un+1 − a) (un+1 + a), donner une majoration de un+1 −
a en fonction de un − a.
√
(e) Si u1 − a ≤ k et n ≥ 1, montrer que :
2n−1
√ √

k
un − a≤2 a √
2 a
√
En déduire un entier n tel que un soit une approximation de 10 à 10−8 près dans le cas où
u0 = 3.
15. Nature et limite éventuelle de un = nk=1 n1 .

P
(k )
16. Soit (un ) et (vn ) deux suites à valeurs dans [0, 1] et telles que un vn −→ 1. Montrer que ces deux
n→+∞
suites convergent vers 1.
1.6. EXERCICES 23
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
(a) i. Montrer que un < vn pour tout entier naturel n.

ii. En déduire que ces deux suites sont adjacentes.
(b) Soit α ∈ 0, π2 tel que cos(α) = ab (remarquer que cela est possible).

i. Montrer que, pour tout entier naturel n, on a :

α b sin(α)
un = vn cos et vn =
2n sin 2αn

2n
ii. En déduire la limite commune des ces deux suites.

(c) Un peu de programmation.
2. étude de un (p) = np 1
P
k=n+1 k .
P1
3. étude de k
− ln(n)
Chapitre 2
Variables aléatoires réelles discrètes finies
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.
Formule du crible Poincaré (admise)

Soit (A1 , . . . , An ) une famille d’événements d’un espace probabilisé fini (Ω, ℘(Ω), P).
– Dans le cas général, on a :
n
" #
X X
P(A1 ∪ · · · ∪ An ) = (−1)k−1 P (Ai1 ∩ · · · ∩ Aik )
k=1 1≤i1 <···<ik ≤n
– Dans le cas où les événements sont deux à deux incompatibles, la formule se simplifie en :
P(A1 ∪ · · · ∪ An ) = P(A1 ) + · · · + P(An )
2.1.2 Conditionnement et indépendance

– Probabilité conditionnée par un événement A de probabilité non nulle : définition, espace probabilisé
(Ω, ℘(Ω), PA ).
– Indépendance de deux événements, indépendance mutuelle d’une famille finie d’événements. Cas de
la substitution de certains événements par leur événement contraire.
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
Formule des probabilités composées (QC)

Soit (A1 , . . . , An ) une famille d’événements d’un espace probabilisé fini (Ω, ℘(Ω), P).
– Si P(A1 ∩ · · · ∩ An−1 ) 6= 0 alors :
P(A1 ∩ · · · ∩ An ) = P(A1 ) × PA1 (A2 ) × · · · × PA1 ∩···∩An−1 (An )
– 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 )
Preuve (par récurrence)

Soit P(n) la proposition : « pour toute famille (A1 , . . . , An ) d’événements tels que P(A1 ∩· · ·∩An−1 ) 6=
0, on a P(A1 ∩ · · · ∩ An ) = P(A1 ) × PA1 (A2 ) × · · · × PA1 ∩···∩An−1 (An ) ». La définition de la probabilité
conditionnelle assure que P(2) est vraie. Soit n ≥ 2 et supposons que P(n) est vraie. Soit (A1 , . . . , An+1 )
une famille d’événements tels que P(A1 ∩ · · · ∩ An ) 6= 0. D’après P(2), on a :
P(A1 ∩ · · · ∩ An+1 ) = P(A1 ∩ · · · ∩ An ) × PA1 ∩···∩An (An+1 )
Comme A1 ∩ · · · ∩ An ⊂ A1 ∩ · · · ∩ An−1 alors :
0 < P(A1 ∩ · · · ∩ An ) ≤ P(A1 ∩ · · · ∩ An−1 )
On peut ainsi appliquer P(n) :
P(A1 ∩ · · · ∩ An+1 ) = P(A1 ) × PA1 (A2 ) × · · · × PA1 ∩···∩An−1 (An ) × PA1 ∩···∩An (An+1 )
donc P(n + 1) est vraie.
Formule des probabilités totales (QC)

Soit (A1 , . . . , An ) un système complet d’événements (tous de probabilité non nulle) d’un espace proba-
bilisé fini (Ω, ℘(Ω), P). Pour tout événement B, on a :
n
X n
X
P(B) = P(Ak ∩ B) = P(Ak )PAk (B)
k=1 k=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
Formule de Bayes (QC)

Soit (A1 , . . . , An ) un système complet d’événements (tous de probabilité non nulle) d’un espace proba-
bilisé fini (Ω, ℘(Ω), P). Alors, pour tout événement B de probabilité non nulle et pour tout entier i ∈ J1, nK,
on a :
P(Ai )PAi (B) P(Ai )PAi (B)
PB (Ai ) = = Pn
P(B) k=1 P(Ak ∩ B)
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.
2.1.3 Variables aléatoires finies

– Définition, opérations sur les variables aléatoires.
Remarquer que la variable aléatoire qui prend l’unique valeur a ∈ R est l’application a11Ω .
– Loi de probabilité, fonction de répartition, existence d’une variable aléatoire.
On s’autorisera à écrire P(X = x) à la place de P([X = x]) pour désigner la probabilité de l’évé-
nement [X = x]. Par contre, la probabilité de l’événement [X = x] ∩ [X = x0 ] s’écrira encore
P([X = x] ∩ [X = x0 ]) sinon il y a difficulté d’interprétation des notations.
Remarquer aussi que si X(Ω) = {x1 , . . . , xn } où x1 < · · · < xn , si pk = P(X = xk ) et si
qk = p1 + · · · + pk alors :
FX = q1 11[x1 ,x2 [ + q2 11[x2 ,x3 [ + · · · + qn−1 11[xn−1 ,xn [ + qn 11[xn ,+∞[
égalité qui est à la base d’une technique utilisée pour simuler informatiquement une variable aléatoire
discrète pour laquelle on ne dispose pas de modèle expérimental.
– Espérance E, variance V, écart type σ.
Remarquer que : V(X) = 0 ⇔ P (∃a ∈ R / X = a11Ω ) = 1 ⇔ ∃a ∈ R / X = a11Ω .
– Fonctions de transfert, théorème de transfert, application à l’espérance et la variance.
Inégalité de Markov (QC*)

Soit X une variable discrète finie à valeurs positives dans un espace probabilisé fini (Ω, ℘(Ω), P). Alors,
pour tout réel a > 0, on a :
E(X)
P(X ≥ a) ≤
a
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)
d’où le résultat attendu.

Inégalité de Markov généralisée (QC*)
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
Inégalité de Bienaymé-Tchebychev (QC*)
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
C’est une conséquence immédiate du cas particulier r = 2 de l’inégalité de Markov généralisée.
2.1.4 Lois discrètes usuelles

– Loi uniforme, espérance et variance, condition d’utilisation.
– Loi de Bernoulli, espérance et variance, condition d’utilisation.
– Loi binomiale, espérance et variance, condition d’utilisation.
– Loi hypergéométrique, espérance et variance, condition d’utilisation.
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
2.2 Complément : espérance conditionnelle

Définition
Soit X une variable aléatoire définie sur un espace probabilisé fini (Ω, ℘(Ω), P). Soit A un événement
de probabilité non nulle. On appelle espérance conditionnelle de X sachant réalisé l’événement A le
réel, noté EA (X) ou bien E(X|A), égal à l’espérance de X dans l’espace probabilisé (Ω, ℘(Ω), PA ), c’est à
dire que : X
EA (X) = E(X|A) = xPA ([X = x])
x∈X(Ω)
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).
Formule de l’espérance totale (QC)

Soit X une variable aléatoire définie sur un espace probabilisé fini (Ω, ℘(Ω), P) et (A1 , . . . , An ) un
système complet d’événements (tous de probabilité non nulle). Alors :
n
X n
X
E(X) = P(Ak )EAk (X) = P(Ak )E(X|Ak )
k=1 k=1
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).
2.3 Rappels (suite)

2.3.1 Couples de variables aléatoires finies
– Définition, loi de probabilité (ou loi conjointe) du couple, lois marginales, lois conditionnelles.
– Indépendance de deux variables aléatoires.
– Covariance, non corrélation, matrice de variance-covariance.
– Coefficient de corrélation.
Théorème : croissance de l’espérance

Soit X et Y deux variables aléatoires discrètes finies sur (Ω, ℘(Ω), P). Alors :
P(X ≥ 0) = 1 ⇒ E(X) ≥ 0 et donc P(X ≥ Y ) = 1 ⇒ E(X) ≥ E(Y )
Preuve
La première implication est évidente. La seconde découle de l’égalité [X ≥ Y ] = [X − Y ≥ 0] et de la
linéarité de l’espérance.
Somme de deux lois binomiales (QC)

Soit p un réel de ]0, 1[, m et n deux entiers strictement positifs et (X, Y ) un couple aléatoire sur un
espace probabilisé fini (Ω, ℘(Ω), P). On suppose que X et Y sont indépendantes et telles que X ,→ B(m, p)
et Y ,→ B(n, p). Alors : X + Y ,→ B(m + n, p).
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}
Inégalité de Cauchy-Schwarz (QC)

Soit (X, Y ) un couple aléatoire discret fini sur un espace probabilisé (Ω, ℘(Ω), P). Alors :
Cov(X, Y )2 ≤ V(X)V(Y ) ou |Cov(X, Y )| ≤ σ(X)σ(Y )
Preuve
Pour tout réel t, on a :
0 ≤ V(X + tY ) = Cov(X + tY, X + tY ) = V(X) + 2tCov(X, Y ) + t2 V(Y )
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
d’où le résultat attendu.
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.
2.3.2 Vecteurs aléatoires finis

– Définition, loi de probabilité du vecteur, lois marginales, lois conditionnelles.
– Indépendance mutuelle d’une famille finie de variables aléatoires.
– Covariance, non corrélation, matrice de variance-covariance.
2.4. COMPLÉMENT : ESPÉRANCE CONDITIONNELLE (SUITE) 31
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).
2.4 Complément : espérance conditionnelle (suite)

Définition
Soit (X, Y ) un couple aléatoire discret fini sur un espace probabilisé (Ω, ℘(Ω), P). On appelle espé-
rance conditionnelle de X sachant Y la variable aléatoire, notée EY (X) ou bien E(X|Y ), dont la loi est
l’ensemble des couples de la forme :

E[Y =y] (X), P(Y = y)
pour tout y ∈ Y (Ω). Autrement dit :

∀y ∈ Y (Ω), P E(X|Y ) = E[Y =y] (X) = P(Y = y)
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.
Théorème de l’espérance totale (QC)

Pour tout couple (X, Y ) de variables aléatoires discrètes finies sur (Ω, ℘(Ω), P), on a :
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)
Déterminer l’équation réduite de la droite de régression de Y en X puis celle de X en Y .

(d) Déterminer la loi de la variable E(Y |X) puis celle de E(X|Y ) (on vérifiera le résultat du théo-
rème de l’espérance totale).
3. Soit X1 , . . . , Xn des variables aléatoires admettant la même loi discrète finie. Soit N une variable
aléatoire à valeurs dans J1, nK. On suppose que les toutes ces variables mutuellement indépendantes.
On pose : SN = X1 + · · · + XN . Montrer que : E(SN ) = E(N )E(X1 ).
4. Une urne contient N boules numérotées de 1 à N . On tire au hasard, successivement et avec remise n
fois une boule. On note Sn (resp. In ) le plus grand (resp. petit) numéro obtenu au cours des n tirages.
(a) Déterminer la loi de Sn . En déduire lim P(Sn = N ). Commenter.
n→+∞
2.5. EXERCICES 33
(b) Déterminer la loi de In . En déduire lim P(In = 1). Commenter.

n→+∞
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 .
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
2.5.2 Pour les DL

1. On lance successivement n fois un dé équitable à m faces numérotées de 1 à m. On note Xn le nombre
de faces différentes obtenues au cours de ces n lancers.
(a) Pour entier k ∈ J1, mK, on désigne par Ak l’événement « la face portant le numéro k n’est pas
apparue au cours des n lancers.
i. Soit k ∈ J1, mK et (i1 , . . . , ik ) un k-uplets d’entiers tels que 1 ≤ i1 < · · · < ik ≤ m.
Préciser la valeur de P(Ak ) puis celle de P (Ai1 ∩ · · · ∩ Aik ).

ii. En déduire la valeur de P Ā1 ∩ · · · ∩ Āk ∩ Ak+1 ∩ · · · ∩ Am pour tout entier k ∈ J1, mK.
iii. Déterminer la loi de Xn .
iv. Calculer lim P(Xn = k) pour tout entier k ∈ J1, mK. Ce résultat était-il prévisible ?
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→+∞
iii. Calculer lim E(Xn ). Ce résultat était-il prévisible ?

m→+∞
2.5. EXERCICES 35
2. (d’après EDHEC 99)

Une urne contient une boule noire et n − 1 boules blanches (où n est un entier supérieur ou égal
à 2). On vide l’urne en effectuant des tirages d’une boule de la manière suivante : le premier tirage
s’effectue sans remise, le deuxième s’effectue avec remise, le troisième sans remise, le quatrième avec
remise, ... D’une manière générale, les tirages d’ordre impair s’effectuent sans remise et les tirages
d’ordre pair s’effectuent avec remise de la boule tirée.
(a) i. Quel est le nombre total N de tirages effectués lors de cette épreuve ?
ii. Pour j ∈ J1, n−1K, combien reste-t-il de boules avant le (2j)ème tirage ? avant le (2j +1)ème
tirage ?
(b) On désigne par Xk la variable aléatoire qui vaut 1 si la boule noire est obtenue au k ème tirage
(que ce soit la première fois ou non) et 0 sinon. On désigne par X la variable aléatoire égale au
nombre d’apparitions de la boule noire lors de cette épreuve.
i. Calculer P(X1 = 1) puis P(X2 = 1).
ii. Pour j ∈ J1, n − 1K, calculer P(X2j+1 = 1) et P(X2j = 1)
iii. En déduire la loi suivie par toutes les variables Xk .
(c) Pour j ∈ J1, nK, on note Uj l’événement « on obtient la boule noire pour la première fois au
(2j − 1)ème tirage ».
i. En considérant l’état de l’urne avant le (2n − 2)ème tirage, montrer que : P(Un ) = 0.
n−j
Montrer que : ∀j ∈ J1, nK, P(Uj ) = .
n(n − 1)
ii. Exprimer l’événement [X = 1] en fonction des Uj puis en déduire la valeur de P(X = 1).
1
iii. Montrer que : P(X = n) = .
n!
P2n−1
(d) Montrer que X = k=1 Xk puis en déduire l’espérance de X.
(e) Soit i ∈ J0, n − 2K.
i. Pour tout j ∈ J1, 2n − 2i − 2K, donner la valeur de P[X2i+1 =1] (X2i+j+1 = 1).
1
ii. En déduire que : ∀j ∈ J1, 2n − 2i − 2K, Cov (X2i+1 , X2i+j+1 ) = − 2 .
n
(f) Soit i ∈ J1, n − 1K.
1
i. Montrer que : ∀k ∈ J1, n − i − 1K, P[X2i =1] (X2i+2k = 1) = .
n−i
1
ii. Montrer que : ∀k ∈ J0, n − i − 1K, P[X2i =1] (X2i+2k+1 = 1) = .
n−i
i
iii. En déduire que : ∀j ∈ J1, 2n − 2i − 1K, Cov (X2i , X2i+j ) = 2 .
n (n − i)
n−1
(2n + 1)(n − 1) 2 X 1
(g) Montrer que la variance de X est : V(X) = − .
n2 n j=1 j

1. Une urne contient b boule blanches, n boules noires et r boules rouges où (b, n, r) ∈ N∗ × N∗ × N.
Un joueur tire une boule. Si elle est blanche alors il gagne ; si elle est noire alors il perd ; si elle est
rouge alors il la met de côté et effectue un nouveau tirage (avant le second tirage, l’urne contient donc
r − 1 boules rouges). Dans ce dernier cas, si la boule est blanche alors il gagne ; si elle est noire alors
il perd ; si elle est rouge alors il la met de côté et effectue un troisième tirage, ... La partie s’arrête
lorsque le joueur a gagné ou perdu.
(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).

Colle
1. On considère r boules numérotées de 1 à r (où r ≥ 1) ainsi qu’une commode constituée de n tiroirs
numérotés de 1 à n (où n ≥ 1). On place les boules l’une après l’autre au hasard dans l’un des tiroirs
(chaque tiroir pouvant contenir l’intégralité des boules). On note :
• T le nombre de boules dans le tiroir 1,
• V le nombre de tiroir(s) vide(s) à l’issue de cette expérience aléatoire.
L’objectif de l’exercice est de calculer Cov(V, T ). Pour cela, on note :
• Vi la variable aléatoire prenant la valeur 1 lorsque le tiroir i est vide et la valeur 0 dans le cas
contraire (pour chaque i ∈ J1, nK),
• Tj la variable aléatoire prenant la valeur 1 lorsque la boule j est dans le tiroir 1 et la valeur 0 dans
le cas contraire (pour chaque j ∈ J1, rK).
(a) i. Préciser Card(Ω).
ii. Calculer P([Vi = 1] ∩ [Tj = 1]) pour tout i ∈ J1, nK et tout j ∈ J1, rK).
iii. En déduire la valeur de Cov(Vi , Tj ) puis celle de Cov(V, T ).
iv. Que peut-on en conclure ?
(b) i. Déterminer la loi de T .
ii. Déterminer la loi de V .
iii. On suppose que n ≥ 2 et r ≥ 2. Montrer que P([V = n − 1] ∩ [T = 1]) 6= P(V =
n − 1)P(T = 1).
iv. Affiner la conclusion précédente.
2. s
2.5. EXERCICES 37
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 :
X ,→ U(J1, nK) X ,→ B(1, p) X ,→ B(n, p)

P
(on écrira les fonctions génératrices sans le symbole ).
(b) Soit Y une autre variable aléatoire telle que Y (Ω) ⊂ J0, nK.
i. Justifier que X et Y ont même loi si et seulement si elles ont la même fonction génératrice.
ii. On suppose que X et Y sont indépendantes. Montrer GX+Y = GX GY .
iii. En déduire que si (X1 , . . . , Xp ) sont des variables aléatoires mutuellement indépendantes
toutes à valeurs dans J0, nK alors : GX1 +···+Xp = GX1 . . . GXp .
iv. Retrouver ainsi la fonction génératrice de X ,→ B(n, p) à partir de variables de Bernoulli.
(c) A compléter (voir Foata/Fuchs)
2. s
Chapitre 3
Espaces vectoriels, applications linéaires et

matrices
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.
3.1 Espaces et sous espaces vectoriels

3.1.1 Rappels
– K-espace vectoriel, sous espace vectoriel, combinaisons linéaires, sous espace engendré par une fa-
mille de vecteurs.
– Familles libres, familles génératrices, bases (et coordonnées), dimension d’un (sous) espace vectoriel,
rang d’une famille de vecteurs.
– Somme et somme directe de deux sous-espaces : propriétés, lien avec les bases. Supplémentaire,
existence en dimension finie.
Théorème de la base incomplète (QC)

Soit E un K-espace vectoriel de dimension finie n ≥ 2. Toute famille libre dans E peut être complétée
en une base de E. Autrement dit, pour tout p ∈ J1, n − 1K et toute famille libre (~x1 , . . . ~xp ) de vecteurs de
E, il existe une famille (~xp+1 , . . . , ~xn ) de vecteurs de E telle que (~x1 , . . . ~xn ) est une base de E.
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.
Formule de Grassmann (QC*)

Soit F et G deux sous espaces vectoriels d’un espace E de dimension finie. Alors :
dim(F + G) = dim(F ) + dim(G) − dim(F ∩ G)
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 :
dim(F ∩ G) = p dim(F ) = p + r et dim(G) = p + s
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 :
dim(F + G) = p + r + s = (p + r) + (p + s) − p = dim(F ) + dim(G) − dim(F ∩ G)
3.1.2 Somme et somme directe de plusieurs sous espaces

Définitions
Soit (F1 , . . . , Fp ) une famille de vecteurs d’un K-espace vectoriel E.
– On appelle somme des sous espaces F1 , . . . , Fp , le sous ensemble de E :
F1 + · · · + Fp = {~x ∈ E |∃(~x1 , . . . , ~xp ) ∈ F1 × · · · × Fp / ~x = ~x1 + · · · + ~xp }
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 :
∀~x ∈ F1 + · · · + Fp , ∃!(~x1 , . . . , ~xp ) ∈ F1 × · · · × Fp / ~x = ~x1 + · · · + ~xp
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.
Théorème : caractérisations de la somme directe (QC*)

Soit (F1 , . . . , Fp ) une famille de vecteurs d’un K-espace vectoriel E. Pour tout i ∈ J1, pK, on considère
une base Bi de Fi . Les propositions suivantes sont équivalentes :
1. la somme F1 + · · · + Fp est directe,
2. pour tout (~x1 , . . . , ~xp ) ∈ F1 × · · · × Fp , si ~x1 + · · · + ~xp = ~0 alors ~x1 = · · · = ~xp = ~0,
3. la concaténation des bases B1 , . . . , Bp est une base de F1 + · · · + Fp ,
4. dim (F1 + · · · + Fp ) = dim(F1 ) + · · · + dim(Fp ).
Ce résultat s’applique, en particulier, au cas où E = F1 ⊕ · · · ⊕ Fp .
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
Par unicité de la décomposition de ~0 dans F1 + · · · + Fp , on en déduit que :

ri
X (i) (i)
∀i ∈ J1, pK, λk ~xk = ~0
k=1
Comme chaque Bi est une base de Fi , on en déduit que :

(i)
∀i ∈ J1, pK, ∀k ∈ J1, ri K, λk = 0
La concaténation des bases est une famille libre et génératrice de la somme : c’en est donc une base.
– 3 ⇒ 1 : Supposons que la concaténation des bases est une base de la somme. Soit ~x ∈ F1 + · · · + Fp .
Supposons l’existence de deux décompositions :
~x = ~x1 + · · · + ~xp = ~y1 + · · · + ~yp
Pri (i) (i) (i) (i)
∈ Fi et ~yi = rk=1
Pi
Posant ~xi = k=1 λk ~xk µk ~xk ∈ Fi pour tout i ∈ J1, pK, on obtient :
p p
ri
! ri
!
X X (i) (i)
X X (i) (i)
~x = λk ~xk = µk ~xk
i=1 k=1 i=1 k=1

(1) (1) (p) (p)
Comme ~x1 , . . . , ~xr1 , . . . , ~x1 , . . . , ~xrp est une base de F1 + · · · + Fp , alors :
(i) (i)
∀i ∈ J1, pK, ∀k ∈ J1, ri K, λk = µk
D’où l’unicité de la décomposition.
– 3 ⇔ 4 : c’est immédiat.
3.2 Applications linéaires

3.2.1 Rappels
– f ∈ L(E, F ), f (~0E ) = ~0F , f (λ1~x1 + · · · + λn~xn ) = . . . , applications IdE : ~x 7→ ~x et ΘE : ~x 7→ ~0.
– Endomorphisme, isomorphisme, automorphismes, formes linéaires ; espace L(E), ensemble GL(E).
– Noyau et image, applications linéaires injectives/surjectives/bijectives, lien avec les bases, hyperplan.
– Rang d’une application linéaire, théorème du rang, dimension d’un hyperplan, cas d’un endomor-
phisme en dimension finie.
– Opérations sur les applications linéaires, dimension de L(E, F ).
– Opération sur les iso(auto)morphismes.
– Projecteurs et symétries : définitions, propriétés, caractérisation.
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 :
f (λ~x + µ~y ) = λf (~x) + µf (~y ) = λ~0F + µ~0F = ~0F
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 :
∃(~a, ~b) ∈ E 2 / f (~a) = ~x, f (~b) = ~y
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 .
Théorème : caractérisation de l’injectivité (QC)

Soit E et F deux K-espaces vectoriels et f ∈ L(E, F ). Alors, l’application f est injective si et seule-
ment si Ker(f ) = {~0E }.
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 )
Par injectivité de f , on en déduit que ~x = ~0E donc que Ker(f ) ⊂ {~0E }.

– ⇐ : Supposons que Ker(f ) = {~0E }. Soit (~x, ~y ) ∈ E 2 tel que f (~x) = f (~y ). Par linéarité de f , on en
déduit que f (~x − ~y ) = ~0F . Par hypothèse, on obtient donc que ~x − ~y = ~0E d’où l’injectivité de f .
Théorème du rang (QC)

Soit f ∈ L(E, F ) où E est de dimension finie. Alors :
dim(E) = dim(Ker(f )) + rg(f ) = dim(Ker(f )) + dim(Im(f ))

3.2. APPLICATIONS LINÉAIRES 43
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.
Caractérisation d’un projecteur (QC*)

Soit p ∈ L(E). Alors, p est un projecteur de E si et seulement si p2 = p.
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
3.2.2 Sous espace stable par une application linéaire

Définition
Soit f ∈ L(E) et F un sous espace de E. On dit que F est stable par f si seulement si f (F ) ⊂ F , c’est
à dire si et seulement si :
∀~x ∈ F, f (~x) ∈ F
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.
3.2.3 Polynômes annulateurs d’une application linéaire

Définition
Soit E un K-espace vectoriel. Soit f ∈ L(E) et P (X) = a0 + a1 X + · · · + an X n ∈ K[X].
– L’endomorphisme P (f ) = a0 IdE + a1 f + · · · + an f n (évaluation de P (X) en l’endomorphisme f )
est appelé polynôme en f .
– On dit que P (X) est un polynôme annulateur de f si et seulement si P (f ) = ΘE .
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 :
(λP + µQ)(f ) = λP (f ) + µQ(g)
(P Q)(f ) = P (f ) ◦ Q(f ) = Q(f ) ◦ P (f ) = (QP )(f )

En conséquence, si P est un polynôme annulateur de f alors P Q est aussi un polynôme annulateur de f .
Preuve
C’est du calcul.
Théorème : existence d’un polynôme annulateur (QC)

Tout endomorphisme d’un K-espace vectoriel E de dimension finie admet un polynôme annulateur.
3.3. MATRICES D’UNE APPLICATION LINÉAIRE 45
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 .
Recherche pratique d’un polynôme annulateur

1. Rechercher un polynôme unitaire de degré 1 (donc de la forme X + a).
2. Si aucun polynôme de degré 1 ne convient, rechercher un polynôme unitaire de degré 2 (donc de la
forme X 2 + aX + b).
3. Si aucun polynôme de degré 2 ne convient, rechercher un polynôme unitaire de degré 3 (donc de la
forme X 3 + aX 2 + bX + c).
4. On continue jusqu’à obtenir satisfaction (ce qui arrivera nécessairement compte tenu du théorème
précédent).
Exemple
x x+y

Déterminer un polynôme annulateur de f : K2 → K2 , y
7→ x+y
.
3.3 Matrices d’une application linéaire

3.3.1 Rappels
– Définition, opérations sur les matrices.
– Rang d’une matrice, propriétés du rang, caractérisation des matrices inversibles.
– Invariance du rang par opérations élémentaires successives sur les lignes : application à l’inversion
des matrices par la méthode du pivot de Gauss.
– Matrice de passage d’une base à une autre : définition et propriétés.
– Lien entre les matrices d’une même application dans deux bases distinctes.
– Matrices semblables.
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.
3.3.2 Cas de la somme directe

Soit E de dimension finie n ≥ 2. Soit f ∈ L(E). On suppose que :
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
où Ai est la matrice dans la base Bi de l’endomorphisme induit par f sur Fi .

– Une telle matrice est dite diagonale par blocs.
Preuve
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
3.3.3 Polynômes annulateurs d’une matrice

Définitions
Soit A ∈ Mn (K) et P (X) = a0 + a1 X + · · · + am X m ∈ K[X].
– La matrice P (A) = a0 In +a1 A+· · ·+am Am (évaluation de P en la matrice A), est appelé polynôme
en la matrice A.
– On dit que P (X) est un polynôme annulateur de la matrice A si et seulement si P (A) = Θn .
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 :
(λP + µQ)(A) = λP (A) + µQ(A)
(P Q)(A) = P (A) × Q(A) = Q(A) × P (A) = (QP )(A)
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.
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 :
E = Ker(f ) ⊕ Im(f ) = Ker(g) ⊕ Im(g)
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 :
∀P ∈ E, u(P ) = (X 2 + 1)P 0 (X) − nXP (X)
i. Montrer que u ∈ L(E).

ii. Déterminer tous les couples (λ, Pλ ) ∈ C × (E − {0}) tels que : u(Pλ ) = λPλ .
iii. En déduire qu’il existe une base B de E telle que la matrice de u dans cette base est diago-
nale. On précisera la base et la matrice obtenues.
3.4.2 Pour les DL

1. Soit A ∈ Mn (K) non inversible. En utilisant chacune des deux méthodes suivantes, démontrer que :
∃X ∈ M1 (K) − {Θ} / AX = Θ
(a) le rang de la matrice A,

(b) l’endomorphisme associé dans la base canonique de Kn .
2. Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
 
−1 −1 1
A =  −1 −1 −1 
1 −1 −1
Par ailleurs, on note Id l’application identique de R3 , f 0 = Id et f n+1 = f n ◦f = f ◦f n les composées

successives de f .
(a) i. Déterminer un polynôme P (X) annulateur de f unitaire et de degré le plus petit possible.
ii. L’application f est-elle un automorphisme de R3 ? Si oui, préciser l’expression de f −1 en
fonction de f et Id.
(b) Pour tout entier naturel n, on note an X + bn le reste de la division euclidienne de X n par P (X).
i. Montrer que : ∀n ∈ N, f n = an f + bn Id.

ii. Déterminer les expressions de an et bn en fonction de n.
iii. L’égalité f n = an f + bn Id conviendrait-elle encore pour n = −1 ?
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).
(a) Démontrer que E = Ker(f − aIdE ) ⊕ Ker(f − bIdE ).

(b) On suppose que E = Mn (K). Vérifier que f : M 7→ tM est un endomorphisme de E puis lui
appliquer le résultat qui précède.

1. Soit A ∈ Mn (C) telle que :
X
∀i ∈ J1, nK, |ai,i | > |ai,j |
j∈J1,nK−{i}
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 :
(A1 ) : u2 = u ◦ u = −Id (A2 ) : v 6= Id

(A3 ) : (v − Id)2 = Θ (A4 ) : Ker(u + v + Id) 6= {0}
(a) Étude d’un exemple.

Vérifier que les endomorphismes u et v donct les matrices dans la base B sont respectivement :

0 −1 1 1
U= et V =
1 0 0 1
sont solutions du problème posé.

(b) On revient désormais au cas général et on considère un couple (u, v) solution du problème.
i. Montrer que u et v sont des automorphismes de R2 puis exprimer u−1 et v −1 en fonction de

u, v et Id.
ii. Pour tout entier naturel n, exprimer v n comme combinaison linéaire de v et Id.
(c) i. Établir que : Im(v − Id) ⊂ Ker(v − Id).

ii. En déduire, en raisonnant sur les dimensions, que : Im(v − Id) = Ker(v − Id).
(d) Montrer, en raisonnant par l’absurde, que : dim (Ker(u + v − Id)) = 1.
(e) Soit (e2 ) une base de Ker(u + v − Id). On pose : e1 = −u(e2 ).
i. Montrer que (e1 , e2 ) est une base de R2 .

ii. Donner les matrices de u et v dans cette base.
(f) Donner la conclusion de l’exercice.

3.4. EXERCICES 51

Colle

2 2 a b
1. Soit f ∈ L(K ) dont la matrice dans une base de K est : A = .
c d
Montrer que X 2 − (a + d)X + (ad − bc) est un polynôme annulateur de f .
2. (oral ESCP 2001) Soit E un R-espace vectoriel de dimension 4. On note 0 l’endomorphisme nul de
E et I l’application identique de E. On considère un endomorphisme u de E tel que u3 + u2 + u = 0.
On pose :
E1 = Ker(u2 + u + I) et E2 = Ker(u)
(a) Montrer que Im(u) ⊂ E1 puis que E1 et E2 sont stables par u.
(b) Montrer que E = E1 ⊕ E2 puis que E1 = Im(u) et E2 = Im(u2 + u + I).
(c) Montrer que, pour tout vecteur non nul x de E1 , la famille (x, u(x)) est libre.
(d) Montrer que s’il existe deux vecteurs x et y de E1 tels que la famille (x, u(x), y) est libre alors
la famille (x, u(x), y, u(y)) est libre.
(e) Quelles sont les dimensions possibles de E1 ?
3. (oral ESCP 2001) Soit E un R-espace vectoriel de dimension finie. Soit (f, g) ∈ L(E).
(a) Montrer que : Ker(g|Im(f ) ) = Ker(g) ∩ Im(f ).
(b) En déduire que :
rg(g ◦ f ) = rg(f ) − dim(Ker(g) ∩ Im(f )) et rg(g ◦ f ) ≥ rg(f ) + rg(g) − dim(E)
4. Soit n ≥ 2, A ∈ Mn (R) et P un polynôme annulateur de A. On suppose que 0 est racine d’ordre k

de P c’est à dire que P (X) = X k Q(X) avec Q(0) 6= 0. Montrer que A est inversible si et seulement
si Q est un polynôme annulateur de A.
5. (oral ESCP 2001) Soit E = M2 (R). Un endomorphisme D de E est appelé dérivation dans E si et
seulement si :
∀(p, q) ∈ E 2 , D(pq) = D(p)q + pD(q)
On note D(E) l’ensemble des dérivations dans E.

x 0
(a) Soit D ∈ D(E) et X = ∈ E où x ∈ R. Déterminer D(X).
0 x
(b) Soit a ∈ E et Da : E → E, p 7→ ap − pa. Montrer que Da est une dérivation.
(c) Montrer que D(E) est un sous espace vectoriel de L(E).
(d) Montrer que si D1 et D2 sont deux dérivations dans E alors il en est de même de D1 ◦ D2 −
D2 ◦ D1 .
6. (oral ESCP 2001) Soit E = Mn (C) où n ≥ 2. On note S (resp A) le sous espace vectoriel de E
formé des matrices symétriques (resp. antisymétriques). On désigne par I la matrice unité de E et Id
l’application identique de E. Soit (a, b) un couple de complexes non nuls et f l’application définie
sur E par :
∀M ∈ E, f (M ) = aM + btM
(a) Montrer que E = S ⊕ A.
(b) Exprimer f en fonction de p et q où p désigne un projecteur sur S dans la direction de A et
q = Id − p.
(c) Exprimer f 2 = f ◦ f en fonction de f et Id.
(d) Déterminer une condition nécessaire et suffisante pour que f soit un automorphisme de E.
Exprimer alors f −1 en fonction de f et Id.
(e) Exprimer, pour tout k ∈ N∗ , f k en fonction de p, q, a, b. En déduire la puissance k ème de la

matrice :  
a+b 0 0 0
 0 a b 0 
A=  0

b a 0 
0 0 0 a+b
7. (oral ESCP 2001) Soit a et b deux réels distincts. On désire déterminer une solution de l’équation :
(En ) (X − a)n An (X) + (X − b)n Bn (X) = 1
d’inconnues An (X) et Bn (X) éléments de Rn−1 [X].

(a) Montrer que si (En ) admet un couple solution alors celui-ci est unique.
(b) On considère les ensembles :
F = {(X − a)n P (X) | P ∈ Rn−1 [X]} et G = {(X − b)n P (X) | P ∈ Rn−1 [X]}
i. Vérifier que F et G sont deux espaces vectoriels dont on précisera la dimension.

ii. Déterminer F ∩ G. En déduire la dimension de F + G.
iii. En déduire que (En ) admet une unique solution.
(c) i. Montrer qu’il existe un polynôme Pn (X), dont on précisera le degré, vérifiant :
Z x
∀x ∈ R, ((t − a)(t − b))n−1 dt = (x − a)n Pn (x)
a
ii. Établir l’identité :
∀x ∈ R, (x − a)n Pn (x) + (b − x)n Pn (a + b − x) = (b − a)n Pn (b)
iii. Exprimer le couple solution de (En ) en fonction du polynôme Pn .
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:
Fa = {P ∈ E | P (a) = 0} Fb = {P ∈ E | P (b) = 0} F = {P ∈ E | P (a) = P (b) = 0}
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
Étude des fonctions numériques
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.
4.1 Limites, continuité en un point

– Limite en un point, continuité, prolongement par continuité, développement limité à l’ordre 0.
– Limites à gauche et à droite, critère de continuité. Cas des fonctions monotones.
– Limite en l’infini, branches infinies d’une courbe : asymptotes, branches paraboliques.
– Opérations sur les limites, opérations sur les fonctions continues en un point. Caractérisation séquen-
tielle de la limite.
– Équivalents et développements limités usuels.
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
Une seule égalité suffit lorsque x0 est une borne de l’intervalle I.
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
4. Étudier les branches infinies des fonctions :

√ √
r
x x3 3
f (x) = g(x) = h(x) = x3 + 1 + x2 + x + 1
ln(x) x−1
4.2 Continuité sur un intervalle

– Continuité sur I : définition, ensemble C 0 (I), opérations sur les fonctions de cet ensemble, en parti-
culier, c’est un espace vectoriel.
– Théorème des valeurs intermédiaires, minimum et maximum sur un segment, l’image d’un segment
par une application continue sur ce segment est un segment, théorème de la bijection.
– QC : Applications aux fonction trigonométriques réciproques.
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
7. Soit f une fonction dérivable sur ]a, +∞[. Démontrer que :

(a) lim f 0 (x) = +∞ ⇒ lim f (x) = +∞
x→+∞ x→+∞
f (x)
(b) lim f 0 (x) = 0 ⇒ lim =0
x→+∞ x→+∞ x
f (x)
(c) lim f 0 (x) = L (L ∈]0, +∞[) ⇒ lim = L et lim f (x) = +∞
x→+∞ x→+∞ x x→+∞
√
3
√3
8. Déterminer la limite en +∞ de x3 + x2 − x3 − x2 .
p √ √
9. Déterminer un équivalent en +∞ de x2 + x4 + 1 − x 2.
10. Soit f (x) = x ln(x) − x pour tout x ∈]1, +∞[.
(a) Montrer que f est une bijection de ]1, +∞[ dans ] − 1, +∞[.
(b) On pose g = f −1 . Calculer g(0) et g 0 (0).
4.4 Fonctions convexes

– Définition : convexité, concavité, point d’inflexion, interprétation graphique avec les cordes.
– Cas d’une fonction dérivable, interprétation graphique.
– Cas d’une fonction deux fois dérivable, interprétation graphique.
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 )
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
Lorsque l’on peut prolonger, la fonction est-elle dérivable ? de classe C 1 ?

6. Étudier la continuité sur R de :
p p
f (x) = x + x − bxc g(x) = bxc + x − bxc
n (n)
7. Soit n ∈ N et Pn le polynôme : Pn (X) = (1 − X 2 ) .
(a) Quel est son degré ?
(b) Montrer que Pn (X) admet n racines réelles simples toutes situées dans l’intervalle ] − 1, 1[.
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
iii. Montrer que f est de classe C 1 sur R.

(c) Démontrer que f est de classe C ∞ sur R et préciser f (n) (0) pour tout entier naturel n.
Indication : on pourra démontrer que, pour tout entier naturel n non nul, il existe un polynôme
Pn (X) ∈ Rn [X] tel que :
Pn (t) − 1
Pn (0) = 1 et ∀t ∈]0, +∞[, f (n) (t) = e t
t2n
4.5.2 Pour les DL

1. Soit f une fonction définie sur R, continue en 0 et en 1 et telle que :
∀x ∈ R, f (x2 ) = f (x)
Démontrer que f est constante.

2. Soit f : [0, 1] → [0, 1] une application continue sur [0, 1].
(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 .
3. Soit x et y deux réels tels que 0 < x < y.

y−x
(a) Montrer que : x < ln(y)−ln(x)
< y.
(b) Soit f la fonction définie sur [0, 1] par :
∀α ∈ [0, 1], f (α) = ln(αx + (1 − α)y) − α ln(x) − (1 − α) ln(y)
i. Déduire de l’étude de f que :
∀α ∈ [0, 1], ln(αx + (1 − α)y) ≤ α ln(x) + (1 − α) ln(y)
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 ?

1. Soit F une fonction définie et croissante sur R à valeurs dans [0, 1]. On suppose de plus que F est
continue à droite en tout point et que :
lim F (x) = 0 et lim F (x) = 1

x→−∞ x→+∞
(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 :
∀x ∈ R, (h ◦ F )(x) ≤ x et ∀t ∈]0, 1[, (F ◦ h)(t) ≥ t
ii. Montrer que si F est strictement croissante sur R alors h ◦ F = IdR .

iii. Montrer que si F est continue sur R alors F ◦ h = Id]0,1[ .
iv. Que peut-on en déduire lorsque F est continue et strictement croissante sur R ?
(c) Représenter F , déterminer la fonction h et la représenter dans les cas suivants :
i. ∀x ∈ R, F (x) = (1 − e−λx )11[0,+∞[ (x) où λ est un réel strictement positif.
ii. Soit (p1 , . . . , pn ) un n-uplet de réels strictement positifs tels que p1 + · · · + pn = 1. Soit
P1n, . . . , xn ) un n-uplet de réels tel que x1 < · · · < xn . Alors, on pose : ∀x ∈ R, F (x) =
(x
k=1 pk 1 1[x1 ,x] (xk ).
f (x)
2. Soit f une fonction croissante sur ]0, +∞[ et telle que x 7→ x
est décroissante sur ]0, +∞[. Montrer
que f est continue sur ]0, +∞[.

Colle
1
1. On pose f (x) = x− 1+ln(x) .
(a) Préciser le domaine de définition de cette fonction et justifier que f y est de classe C 1 .
(b) Montrer que f se prolonge par continuité en 0 et préciser f (0). La fonction est-elle alors déri-
vable en 0. Préciser graphiquement.
(c) Montrer que la courbe de f admet une asymptote au voisinage de +∞ et préciser la position
relative de la courbe par rapport à son asymptote.
(d) Préciser les autres limites de f sur les bornes de son domaine de définition ainsi que d’éventuels
autres prolongements.
(e) Justifier que f établit une bijection de [0, +∞[ dans R et préciser l’expression de f −1 (y) pour
tout réel y.
2. Soit f une fonction définie et continue sur [0, 1], à valeurs réelles et telle que f (0) = f (1). Montrer
que :
∗ 1 1
∀n ∈ N , ∃xn ∈ 0, 1 − / f xn + = f (xn )
n n
3. Soit f une fonction deux fois dérivables sur [a, a + 2h] où h est un réel strictement positif. Démontrer
qu’il existe un réel α ∈ [0, 2] tel que :
f (a) − 2f (a + h) + f (a + 2h) = h2 f 00 (a + αh)
Indication : on pourra utiliser la fonction g définie par g(t) = f (a + t + h) − f (a + t).

4.5. EXERCICES 59
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
Montrer que g est continue à droite sur I.

5. (*) Soitn ∈ N et h(x) = nk=0 k x pour tout réel x.
P
(a) Étudier les variations de h. Préciser la convexité de h.

(b) Pour tout réel x, on pose : H(x) = ln(h(x)).
Étudier les variations de H. Préciser la convexité de H.
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
où pi = P(X = xi ) pour tout entier i ∈ J1, kK.
(a) Un exemple. Dans cette seule question, on suppose que X ,→ U({−1, 1}).
i. Déterminer l’expression de ϕX (t) pour tout réel non nul t.

ii. A. Donner un développement limité à l’ordre 2 au voisinage de 0 de la fonction exponen-
tielle.
B. En déduire que ϕX admet un développement limité à l’ordre 1 au voisinage de 0 que
l’on précisera.
C. Justifier alors que ϕX se prolonge par continuité en 0 (prolongement encore appelé
ϕX ) et que ce prolongement est dérivable en 0. On précisera les valeurs de ϕX (0) et de
ϕ0X (0).
iii. Montrer que ϕX est dérivable sur R et préciser ϕ0X (t) pour tout réel t.
iv. Étudier les variations de la fonction f : t 7→ t2 ϕ0X (t) sur R. En déduire les variations de ϕX
sur R.
v. Déterminer lim ϕX (t) et lim ϕX (t).
t→+∞ t→−∞
vi. Tracer l’allure de la courbe représentative de ϕX .
(b) Cas général : X est une variable aléatoire non certaine.
i. A. Déterminer un développement limité à l’ordre 1 de ϕX au voisinage de 0 en fonction

de E(X) et de V(X).
Indication : on pourra utiliser un développement limité à l’ordre 2 de et au voisinage
de 0.
B. Que peut-on en déduire quant à la continuité et à la dérivabilité de ϕX en 0 ?
ii. A. Montrer que :
∀z ∈]0, +∞[, ∀α ∈]0, 1[, z α ≤ 1 + α(z − 1)
Dans quel cas a-t-on l’égalité ?
B. Soit (t1 , t2 ) un couple de réels tel que 0 < t1 < t2 . On pose :

t1
α= et ∀i ∈ J1, kK, zi = et2 [xi −ϕX (t2 )]
t2
En utilisant l’inégalité qui précède, démontrer que ϕX (t1 ) < ϕX (t2 ).
C. Étudier les variations de ϕX sur R.
Indication : On pourra utiliser ϕ−X .
iii. Déterminer lim ϕX (t) et lim ϕX (t).
t→+∞ t→−∞
iv. Tracer l’allure de la courbe représentative de ϕX .
(c) Étude de l’application X 7→ ϕX .
i. Soit a ∈ R∗ et X une variable aléatoire discrète finie. Comparer ϕX+a et ϕaX avec ϕX .
ii. Montrer que si X et Y sont deux variables aléatoires discrètes finies indépendantes alors
ϕX+Y = ϕX + ϕY .
iii. A. Soit (αn )n∈N∗ une suite strictement croissante de réels. Pour tout entier naturel n non
nul, on définit la fonction fn :
∀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 :
∀a ∈∈ R, ∀t ∈ [0, +∞[, eat P(X ≥ a) ≤ etϕX (t)
vi. Soit N un entier supérieur ou égal à 2 et UN ,→ U(J0, n − 1K).

A. Montrer que :
!
N −1 1 sinh N2t
∀t ∈ R∗ , ϕUN (t) = + ln
N sinh 2t

2 t
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
Il est vivement conseillé de réviser le chapitre 30 du cours de première année.
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
– Soit k ∈ N∗ . La série géométrique n(n − 1) . . . (n − k + 1)xn−k dérivée d’ordre k est convergente

P
si et seulement si |x| < 1 et la convergence est absolue. De plus, pour tout réel x ∈] − 1, 1[, on a :
+∞ +∞
X
n−k
X k!
n(n − 1) . . . (n − k + 1)x = (n + k)(n + k − 1) . . . (n + 1)xn =
n=k n=0
(1 − x)k+1
– 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
On procède par récurrence pour obtenir les dérivées successives.

– La série qui précède étant convergente, on peut diviser terme à terme à terme par k! et on obtient le
résultat.
5.2 Séries doubles

Aucun des résultats qui suivent n’est exigible des candidats et tout exercice ou problème y faisant appel
devra impérativement les rappeler.
5.2. SÉRIES DOUBLES 63
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
tout couple (A, B) de parties finie de N.

pour X
P
– Soit ui,j une série double et λ un réel. On appelle produit du réel λ par la série ui,j la série
i,j
P
notée λui,j et constituée des réels de la forme :
XX XX
λui,j = λ ui,j
i∈A j∈B i∈A j∈B
pour tout couple (A, B) de parties finie de N.
Remarque
En pratique, ce qui nous intéresse est essentiellement le cas :
A = J0, pK et B = J0, qK
et on veut savoir si les quantités :

+∞ X
+∞ p q +∞ X
+∞ q p
X X X X X X
ui,j = lim lim ui,j et ui,j = lim lim ui,j
p→+∞ q→+∞ q→+∞ p→+∞
i=0 j=0 i=0 j=0 j=0 i=0 j=0 i=0
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.
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.
5.2.2 Séries doubles à termes positifs

Théorème/Définition (inversion de l’ordre des sommes, convergence d’une série double positive)
P
Soit ui,j une série double à termes positifs.POn suppose que :
– pour toutPentier naturel i, la série (simple) j ui,j converge vers un réel ai ,
– la série ai converge vers un réel S.
Alors, on a : P
– pour toutPentier naturel j, la série (simple) i ui,j converge vers un réel bj ,
– la série bj converge 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 dit que la série double ui,j converge et que sa somme vaut S. Dans le cas
contraire, la série est dite divergente.
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.
Théorème (convergence ou divergence par comparaison)

P P
Soit ui,j et vi,j deux série doubles telles que :
∀(i, j) ∈ N2 , 0 ≤ ui,j ≤ vi,j
P P
– Si la série vi,j converge alors la série ui,j converge aussi et on a :
+∞ X
X +∞ +∞ X
X +∞
ui,j ≤ vi,j
i=0 j=0 i=0 j=0
P P
– Si la série ui,j diverge alors la série ui,j converge aussi.
5.2. SÉRIES DOUBLES 65
Preuve
À peu près immédiat pour la convergence d’après la définition précédente. Un poil plus sophistiqué pour
la divergence.
5.2.3 Séries doubles à termes de signe variable

Définition
P
Soit ui,j une série double. On dit que cette sériePest absolument convergente (ou bien qu’elle
converge absolument) si et seulement si la série double |ui,j | converge.
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 :
|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,P
P j) d’entiers naturels. Comme 0 ≤ vi,j ≤ |u
Pi,j | et comme la série
ui,j converge absolument alors la série vi,j converge. On prouve de même que wi,j converge.
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.
Exemple
P λi+j
Nature et somme de la série i!j!
.
Théorème (sommation par paquets)

ui,j une série double absolument convergente. Soit (Ak )k∈K une partition de N2 où K est un
P
Soit
ensemble du type J0, nK ou N. Alors : P
– pour tout k ∈ K, la série double (i,j)∈Ak ui,j converge absolument vers un réel ak ,
P
– la série (ou la somme finie) k ak converge absolument et on a :
X X X
ui,j = ui,j
k∈K (i,j)∈Ak (i,j)∈N2
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

n
!
X 1
un = − ln(n)
k=1
k
(a) Déterminer un développement limité à l’ordre 2 de un+1 − un .

(b) En déduire que la suite (un )n≥1 converge.
On notera γ sa limite (appelée constante d’Euler) et on admettra que γ > 0.
n
X 1
(c) Justifier que : = ln(n) + γ + o (1) puis que : 1 + 12 + · · · + n1 ∼ ln(n).
k=1
k n→+∞ n→+∞
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
(b) En déduire que la série double (n,k) 21n nk ak converge absolument.

P
P P
(c) Montrer que la série bn converge et exprimer sa somme en fonction de celle de la série an .
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
(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
5.3.2 Pour les DL

1. Soit un une série absolument convergente. Montrer que la série u2n converge.
P P
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.

(−1)k xk converge.
P
1. (a) i. Déterminer l’ensemble I des réels x pour lesquels la série k≥0
ii. Pour tout x ∈ I, calculer la somme +∞ k k

P
k=0 (−1) x .
P+∞ k k
iii. Pour tout entier naturel n et tout réel x
P de I, on pose : R n (x) = k=n+1 (−1) x .
Calculer Rn (x), montrer que la série n≥0 Rn (x) converge et calculer sa somme.
P
(b) Soit (un )n≥0 une suite de réels positifs telle que la série un converge. Pour tout entier n ≥ 1,
on pose Rn = +∞
P
k=n+1 ku .
i. Soit n ∈ N. Calculer nk=0 Rk − nk=0 kuk en fonction de n et de Rn .
P P
P P
ii. Montrer que si la série Rn converge alors la série nun converge.
P
(c) i. On suppose que la série nun converge. Que vaut limn→+∞ (n + 1)Rn ?
P P
ii. En déduire que les séries Rn et nun sont de même nature et que, en cas de conver-
gence, elles ont la même somme.
1
(d) Application : dans cette question un (x) = nx
.
5.3. EXERCICES 69
P
i. Pour quelles valeurs de x la série n≥1 un (x) converge-t-elle ?
On note alors ζ(x) = +∞
P 1
P+∞ 1
n=1 nx et, pour tout entier n ≥ 0 : Rn (x) = k=n+1 kx .
P
ii. Pour quelles valeurs de x la série Rn (x) est-elle convergente ? Exprimer alors sa somme
en fonction de ζ(x − 1).
P (i+j)! i+j
2. Soit x un réel tel que |x| < 21 . Montrer que la série double i!j!
x converge absolument et
calculer sa somme.

Colle
1. s
DS
1. s
Chapitre 6
Variables aléatoires discrètes infinies
Il est vivement conseillé de revoir les chapitres 31 et 32 du cours de première année.

Dans tout ce chapitre, Ω désigne un ensemble infini (et non dénombrable en général).
6.1 Espaces probabilisés infinis

– Tribu T de parties de Ω : définition, propriétés opératoires ensemblistes, tribu engendrée par une
famille finie ou infinie de parties.
– Espaces probabilisables : définition, vocabulaire.
– Espace probabilisé (Ω, T , P) : définition, propriété de la probabilité P (en particulier formule du crible
de Poincaré), système presque complet, proposition vraie presque sûrement.
Théorèmes de limite monotone (admis) et corollaires
Soit (Ω, T , P) un espace probabilisé.

– Si (An )n∈N est une suite croissante d’éléments de T alors la suite (P(An ))n∈N converge et :
+∞
!
[
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
– En conséquence, si (An )n∈N une suite d’éléments de T alors :
+∞
! n
! +∞
! n
!
[ [ \ \
P Ak = lim P Ak et P Ak = lim P Ak
n→+∞ n→+∞
k=0 k=0 k=0 k=0
Preuve
La suite ( nk=0 Ak )n∈N est croissante et on a +∞

S S Sn S+∞
n=0 k=0 A k = n=0 An d’où le résultat par limite
monotone. Même type de raisonnement dans le cas d’une intersection avec la décroissance.
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 ».
6.1.2 Conditionnement et indépendance

– Probabilité conditionnelle : définition, nouvel espace probabilisé.
– QC : formule des probabilités conditionnelles, formule des probabilités totales, formule de Bayes.
– Indépendance : couple d’événements indépendants, famille d’événements mutuellement indépen-
dants, cas des événements contraires ; couple de tribus indépendantes, famille de tribus mutuellement
indépendantes, cas des tribus engendrées (résultat admis).
6.2 Variables aléatoires réelles discrètes

Définition
Soit (Ω, T ) un espace probabilisable. On appelle variable aléatoire réelle toute application X de Ω
dans R telle que :
∀x ∈ R, X −1 (] − ∞, x[) = {ω ∈ Ω | X(ω) < x} ∈ T
Autrement dit, X : Ω → R est une variable aléatoire si et seulement si l’image réciproque d’un borélien
(de R) est un événement (de T ).
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→+∞
– soit E = {. . . , y2 , y1 , x0 , x1 , . . .} (les éléments de E sont numérotés à l’aide des éléments de Z) et :

· · · < y2 < y1 < x0 < x1 < . . . lim yn = −∞, et lim xn = +∞
n→+∞ n→+∞
6.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES 73
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 :
x0 < x 1 < . . . et lim xn = +∞

n→+∞
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
Soit (Ω, T ) un espace probabilisable. Soit X et Y deux variables aléatoires discrètes.

– La famille ([X = x])x∈X(Ω) est un système complet d’événements.
– La tribu associée à X est : AX = {[X ∈ A] | A ⊂ X(Ω)}.
– La famille ([X = x] ∩ [Y = y])(x,y)∈X(Ω)×Y (Ω) est un système complet d’événements.
– Les tribus associées à X et à Y sont incluses dans la tribu associée à (X, Y ).
Preuves
6.2.2 Lois de probabilités

Définition
Soit (X, Y ) un couple de variables aléatoires discrètes sur (Ω, T , P).

– On appelle loi de probabilité de X l’ensemble des couples :
{(x, P(X = x)) | x ∈ X(Ω)}
– La loi conjointe du couple (X, Y ) est l’ensemble des triplets :
{(x, y, P([X = x] ∩ [Y = y])) | (x, y) ∈ X(Ω) × Y (Ω)}
– Les lois marginales du couples sont les lois de X et de Y .

– Pour tout réel x ∈ X(Ω), on appelle loi conditionnelle de Y sachant réalisé l’événement [X = x]
l’ensemble :

y, P[X=x] (Y = y) y ∈ Y (Ω)
– On dit que X et Y sont indépendantes si et seulement si :
∀(x, y) ∈ X(Ω) × Y (Ω), P([X = x] ∩ [Y = y]) = P(X = x) × P(Y = y)

Propositions
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
Définitions (lois discrètes infinies usuelles)

Soit X une variable aléatoire définie sur un espace probabilisé (Ω, T , P).
– On dit que la loi de X est la loi géométrique de paramètre p ∈]0, 1[ si et seulement si :
X(Ω) = N∗ et ∀n ∈ N∗ , P(X = n) = p(1 − p)n−1
– 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 :
P(Z = n + 2) = qP(Z = n + 1) + pqP(Z = n)
(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 ?
6.2.3 Fonctions de transfert

Définition
– On appelle fonction de transfert d’une variable aléatoire X toute fonction f : I → R où l’intervalle
I contient X(Ω).
– On appelle fonction de transfert d’un couple aléatoire (X, Y ) toute fonction f : U → R où U est une
partie de R2 contenant (X, Y )(Ω).
– On appelle fonction de transfet d’un vecteur aléatoire (X1 , . . . , Xn ) toute fonction f : U → R où U
est une partie de Rn contentant (X1 , . . . , Xn )(Ω).
Propositions
– 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
– X 2 est une variable aléatoire et :

2 0 si y < 0
∀y ∈ R, P(X = y) = √ √
P X = − y + P X = y si y ≥ 0
– Soit (X, Y ) un couple aléatoire et f : U → R une fonction de transfert. Alors Z = f ◦ (X, Y ) =

f (X, Y ) est une variable aléatoire et on a :
Z(Ω) = {f (xi , yj ) | (i, j) ∈ (X, Y )(Ω)}

X
∀z ∈ Z(Ω), P(Z = z) = P([X = x] ∩ [Y = y])
(x,y)∈f −1 ({z})
En particulier, X + Y , XY , inf(X, Y ) et sup(X, Y ) sont des variables aléatoires.
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).
Théorème (loi de la somme de deux variables indépendantes : produit de convolution, QC)

Soit X et Y deux variables aléatoires indépendantes. Alors :
X
∀z ∈ R, P(X + Y = z) = P(X = x)P(Y = z − x)
x∈X(Ω)
z−x∈Y (Ω)
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)
d’où le résultat par indépendance de X et de Y .
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.
6.2.4 Fonction de répartition

– Définition et propriétés caractéristiques.
– Équivalence loi de probabilité avec fonction de répartition.
6.3. ESPÉRANCE D’UNE VARIABLE ALÉATOIRE 77
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 ).
6.3 Espérance d’une variable aléatoire

6.3.1 Généralité
– Définition de l’existence, variable aléatoire centrée.
– Nécessité de la convergence absolue de la séries (à des fins de sommation par paquets).
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.
6.3.2 Espérance conditionnelle

Proposition/Définition (QC)
Soit (Ω, T , P) un espace probabilisé, A un événement de probabilité non nulle et X une variable aléa-
toire discrète admettant une espérance (pour P).
– La variable X admet une espérance pour PA , c’est à dire dans l’espace probabilisé (Ω, ℘(Ω), PA ).
– L’espérance de X pour PA est appelée espérance conditionnelle de X sachant réalisé l’événement
A et on la note :
+∞
X
E(X|A) = EA (X) = xk PA (X = xk )
k=0
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.
Théorème de l’espérance totale (QC*)

Soit (Ω, T , P) un espace probabilisé, (An )n∈N un système (presque) complet d’événements tous de
probabilité non nulle et X une variable aléatoire discrète. Alors, X admet une espérance pour P si et
seulement si X admet une espérance pour chaque PAn et dans ce cas, on a :

+∞
X
E(X) = E(X|An )P(An )
n=0
Preuve
Pour tout couple (k, n) ∈ N2 , on pose :
uk,n = xk P(An )PAn (X = xk ) = xk P(An ∩ [X = xk ])
– 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
– ⇐ : Même principe mais dans l’autre sens.
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.
6.3.3 Théorème de transfert et applications

Théorème
– Soit X une variable aléatoire discrète. Soit f : I → R une fonctionP
de transfert et Y = f (X). Alors :
– la variable Y admet une espérance si et seulement si la série n≥0 f (xn )P(X = xn ) converge
absolument et dans ce cas, on a :
+∞
X X
E(Y ) = f (xn )P(X = xn ) = f (x)P(X = x)
n=0 x∈X(Ω)
– 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(λX + µY ) = λE(X) + µE(Y )
– Si X et Y admettent une espérance et sont indépendantes alors XY admet une espérance et on a :
E(XY ) = E(X)E(Y )
– Généralisation à un transfert d’un vecteur aléatoire et à l’espérance d’une combinaison linéaire.
Preuves
s
Proposition (croissance de l’espérance)

Soit X et Y deux variables aléatoires discrètes sur un espace probabilisé (Ω, T , P). Alors :
P(X ≥ 0) = 1 ⇒ E(X) ≥ 0 et donc P(X ≥ Y ) = 1 ⇒ E(X) ≥ E(Y )
Preuve
La première implication est évidente. La seconde découle de l’égalité [X ≥ Y ] = [X − Y ≥ 0] et de la
linéarité de l’espérance.
6.3.4 Inégalités de Markov

Proposition
– Soit X une variable aléatoire discrète à valeurs strictement positives et admettant une espérance.
Alors, pour tout réel a strictement positif, on a :
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
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.
6.4 Variance et covariance

6.4.1 Variance, écart type et autre moments
– Variance et écart type : définitions, variable aléatoire centrée réduite, variable aléatoire centrée réduite
associée.
– Théorème de Koenig-Huygens.
– Variance et écart type de aX + b.
– Variance d’une somme finie de variables aléatoires mutuellement indépendantes.
– Moment d’ordre k ∈ N∗ , moment centré d’ordre k ∈ N∗ . L’existence d’un moment d’ordre k im-
plique l’existence d’un moment à tous les ordres inférieurs à k.
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
Théorème (Inégalité de Bienaymé-Tchebychev)
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.
(c) Loi de Xk pour k quelconque.

Pour tout entier n ≥ 1, on note Sn le nombre de boules noires obtenues lors des n premiers
tirages et An l’événement « le nème tirage amène une boule noire.
i. Préciser Xk (Ω).
ii. Justifier que : ∀n ≥ k, [Xk = n] = [Sn−1 = k − 1] ∩ An . En déduire P(Xk = n).
iii. Vérifier que Xk est bien une variable aléatoire.
iv. En utilisant la loi de probabilité obtenue précédemment, montrer que Xk admet une espé-
rance et la calculer..
5. Antirépartition.
Soit X une variable aléatoire telle que X(Ω) ⊂ N.
(a) Démontrer que :
n
X n
X
∀n ∈ N, P(X > k) = kP(X = k) + (n + 1)P(X > n)
k=0 k=1
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
ii. Conclure que X admet une espérance et la préciser.

(c) Réciproquement, on suppose que X admet une espérance.
i. Démontrer que :
+∞
X
∀n ≥ 1, (n + 1)P(X > n) ≤ kP(X = k)
k=n+1
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)
(a) Justifier que la variable certaine égale à 0 est sans mémoire.

6.5. EXERCICES 83
(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*
1. Un péage autoroutier comporte m guichets. On suppose que le nombre N de voitures arrivant en 1

heure suit une loi de Poisson de paramètre λ. On suppose, de plus, que les conducteurs choisissent au
hasard leur guichet et que ces choix sont indépendants. Soit Xi (où 1 ≤ i ≤ m) le nombre de voitures
passant au guichet numéro i.
(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 ?
6.5.2 Pour les DL

1. (d’après ESCP, voie économique)
Une chaîne de fabrication produit des objets dont certains peuvent être défectueux. Pour modéliser
ce processus, on considère une suite (Xn )n≥1 de variables aléatoires de Bernoulli indépendantes, de
paramètres p (où 0 < p < 1). La variable aléatoire Xn prend la valeur 1 si le nème objet produit est
défectueux et prend la valeur 0 s’il est de bonne qualité.
Pour contrôler la qualité des objets produits, on effectue des prélèvements aléatoires et on considère
une suite (Yn )n≥1 de variables aléatoires de Bernoulli indépendantes de paramètre p0 (où 0 < p0 < 1).
La variable aléatoire Yn prend la valeur 1 si le nème objet produit est contrôlé et prend la valeur 0 s’il
ne l’est pas.
Toutes ces variables aléatoires sont définies sur un même espace probabilisé (Ω, T , P) et sont suppo-
sées toutes indépendantes entre elles.
Pour tout entier naturel n non nul, on pose Zn = Xn Yn . La variable aléatoire Zn ainsi définie vaut
donc 1 si et seulement si le nème objet produit est contrôlé et défectueux.
L’objet de l’exercice est d’étudier le nombre d’objets défectueux produits par la chaîne avant qu’un
objet défectueux n’est été détecté.
(a) Déterminer, pour tout entier n ≥ 1, la loi de la variable aléatoire Zn puis la covariance des
variables Xn et Zn . En déduire que les variables aléatoires Xn et Zn ne sont pas indépendantes.
Par contre, il résulte des hypothèses (et on ne demande pas de le justifier) que, pour tout entier
n la variable aléatoire Zn est indépendante des variables Xi , Yi et Zi pour tout entier naturel
i 6= n.
(b) Pour tout entier n ≥ 1, on considère l’événement An : « le nème objet produit est le premier qui
est contrôlé et trouvé défectueux ».
i. Exprimer l’événement An en fonction des variables aléatoires Z1 , . . . , Zn puis déterminer
la probabilité P(An ).
ii. Montrer qu’on finira presque sûrement par détecter un objet défectueux.
(c) Soit n ≥ 2.
i. Pour tout entier k tel que 1 ≤ k ≤ n − 1, calculer la probabilité des événements [Xk =
1] ∩ [Zk = 0] et [Xk = 1] ∩ An .
ii. On note Bk l’événement [Zk = 0]. Montrer que :
p − pp0
∀k ∈ J1, n − 1K, PAn (Xk = 1) = PBk (Xk = 1) =
1 − pp0
iii. Soit (x1 , . . . , xn−1 ) ∈ {0, 1}n−1 . Montrer que :
n−1
! n−1
\ Y
PAn [Xk = xk ] = PAn (Xk = xk )
k=1 k=1
(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) Préciser la loi de Xi , son espérance et sa variance.

(b) Pour tout réel x ∈] − 1, 1[ et tout entier s ∈ N∗ , calculer les sommes :
s
X +∞
X
k−1
As (x) = kx et Bs (x) = kxk−2
k=1 k=s+1
(c) Soit (i, j) ∈ J1, nK2 tel que i 6= j.

i. Déterminer la loi conjointe du couple (Xi , Xj ).
ii. En utilisant la question (b), calculer E(Xi Xj ).
iii. En déduire la valeur du coefficient de corrélation ρ(Xi , Xj ).

1. Soit X et Y deux variables aléatoires à valeurs dans N indépendantes et de même loi. Soit p ∈]0, 1[
et on pose : q = 1 − p. Enfin, on considére les variables aléatoires V = inf(X, Y ) et W = X − Y .
(a) i. Justifier que : ∀k ∈ N, P(V = k) = P(X ≥ k)2 − P(X ≥ k + 1)2 .
ii. Justifier que : ∀k ∈ Z, P(W = k) = +∞
P
i=0,i−k≥0 P(X = i)P(X = i − k).
(b) On suppose que la loi de X est donnée par : ∀n ∈ N, P(X = n) = pq n .
i. Déterminer la loi de V .
pq |k|
ii. Montrer que : ∀k ∈ Z, P(W = k) = 1+q
.
iii. Montrer que V et W sont indépendantes.
P(W =1)
(c) Réciproquement, on suppose que V et W sont indépendantes. On pose : α = P(W =0)
.
P([X=n+1]∩[Y =n])
i. En calculant de deux façons différentes le quotient P([X=n]∩[Y =n])
, montrer que : ∀n ∈
P(X=n+1)
N, α = P(X=n)
.
ii. En déduire la loi commune de X et de Y .
2. On considère d’un jeu à deux issues S (succès) et E (échec). On suppose que la probabilité de succès
est p ∈]0, 1[. On répète ce jeu jusqu’à obtenir pour la première fois au moins un succès et au moins
un échec. On note alors T le nombre de répétitions réalisées, S le nombre de succès et E le nombre
d’échecs au moment de l’arrêt.
(a) i. Déterminer la loi de T . En déduire que T est bien une variable aléatoire.
ii. Montrer que T admet une espérance et une variance et les calculer.
(b) i. Donner la loi conjointe du couple (S, T ).
ii. En déduire la loi de S et vérifier que S est bien une variable aléatoire.
iii. Montrer que S possède une espérance et une variance et les calculer.
iv. Justifier que le couple (S, T ) admet une covariance puis la calculer.
(c) Montrer que le couple (S, E) admet une covariance et la calculer.

Colle
1. On donne :
e−1 1
∀(n, m) ∈ N2 , P([X = n] ∩ [Y = m]) = × n
n! 2
(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
(b) On suppose que : ∀n ∈ N, P(An ) 6= 1. Démontrer que :

+∞
!
[ X X
P An = 1 ⇔ ln P(Ān diverge ⇔ P(An ) diverge
n=0 n≥0 n≥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
Chapitre 7
Réduction des endomorphismes et des matrices

carrées
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.
7.1 Matrices et application linéaire

7.1.1 Rappels
– Matrice de passage d’une base à une autre : définition et propriétés opératoires.
– Lien entre les matrices d’une même application dans deux bases distinctes.
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.
7.1.2 Cas de la somme directe

Soit E de dimension finie n ≥ 2. Soit f ∈ L(E). On suppose que :
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 .
89
90 CHAPITRE 7. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES CARRÉES
– La matrice de f dans la base B est alors :

 
A1 Θ ... Θ
 ... .. 
 Θ A2 . 
MatB (f ) = 
 .. ... ...

 . Θ 

Θ ... Θ Ap
où Ai est la matrice dans la base Bi de l’endomorphisme induit par f sur Fi .

– Une telle matrice est dite diagonale par blocs.
Preuve
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 ?
3. Justifier que la matrice A0 de f dans la base B 0 est diagonale par blocs. La déterminer.
7.1.3 Matrices semblables

Définition
On dit que deux matrices M et N de Mn (K) sont semblables si et seulement s’il existe une matrice
P ∈ GLn (K) telle que N = P −1 M P .
7.2. ÉLÉMENTS PROPRES D’UN ENDOMORPHISME 91
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
7.2 Éléments propres d’un endomorphisme

Définitions
– On dit que λ ∈ K est une valeur propre de l’endomorphisme u si et seulement si :
∃~x ∈ E − {~0E } / u(~x) = λ~x
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 :
Eλ (u) = {~x ∈ E | u(~x) = λ~x} = Ker(u − λIdE )
– L’ensemble des valeurs propres de u s’appelle le spectre de u, on le note Sp(u).
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) Déterminer une base de Ker(f ).

 
1
(b) Préciser f  1 .
1
(c) En déduire des valeurs valeurs propres ainsi que 3 vecteurs propres de f .
2. Soit u l’application définie sur R2 [X] par : pour tout polynôme P (X) ∈ R2 [X], u(P ) est le reste de
la division euclidienne de P (X) par X − 1.
(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.
3. Soit v : C ∞ → C ∞ définie par : ∀f ∈ C ∞ , v(f ) = f 00 .
(a) Vérifier que v ∈ L(C ∞ ).

(b) Soit a ∈ R. Justifier que x 7→ eax est un vecteur propre de v associé à une valeur propre que
l’on précisera.
(c) Montrer que les fonctions sin et cos sont deux vecteurs propres appartenant à un même sous
espace propre.
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
7.2.2 Lien avec les polynômes annulateurs

Proposition
Soit λ ∈ Sp(u) et ~x un vecteur propre qui lui est associé. Alors : ∀k ∈ N, uk (~x) = λk ~x.
7.2. ÉLÉMENTS PROPRES D’UN ENDOMORPHISME 93
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
Comme ~x 6= 0, on en déduit que P (λ) = 0.

Un contre exemple de la réciproque : u = IdE admet pour unique seule valeur propre le réel 1 mais
admet aussi X(X − 1) comme polynôme annulateur.
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.
7.2.3 À propos des sous espaces propres

Théorème
On suppose que E est de dimension finie. Les sous espaces propres de u (en nombre fini) sont en somme
directe.
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.
Exemples
Déterminer les valeurs propres et les sous espaces propres des endomorphismes du paragraphe 7.2.1.
7.3 Endomorphismes diagonalisables

On suppose que E est de dimension finie.
– Les propositions
P suivantes sont équivalentes :
– dim(E) = λ∈Sp(u) dim(Eλ (u)),
L
– E = λ∈Sp(u) Eλ (u),
– il existe une base de E constituée exclusivement de vecteurs propres de u.
– On dit que l’endomorphisme u est diagonalisable dans K si et seulement si l’une des propositions
précédentes est vérifiée.
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.
7.4 Matrices carrées diagonalisables

7.4.1 Éléments propres d’une matrice
Définitions
Soit A ∈ Mn (K) et λ ∈ K.
– On dit que λ est une valeur propre de la matrice A si et seulement si :
∃X ∈ Mn,1 (K) − {0} / AX = λX
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 :
Eλ (A) = {X ∈ Mn,1 (K) | AX = λX}
– On appelle spectre de la matrice A l’ensemble Sp(A) constitué des valeurs propres de A.

– On dit que la matrice A est diagonalisable dans K si et seulement si Mn,1 (K) admet une base
constituée de vecteurs propres de A.
7.4.2 Lien entre matrice et application linéaire

On suppose ici que E est de dimension finie égale à n. On considère une base B = (~e1 , . . . , ~en ) de E et
on note A la matrice de u dans la base B.
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 :
Eλ (A) = Ker(A − λIn )
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
7.4.3 Méthode pratique de recherche des éléments propres

Utilisation du pivot de Gauss.
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
7.5 Réduction des endomorphismes et des matrices carrées

7.5.1 Théorème fondamental de la réduction
Théorème
Soit M la matrice de u dans une base B = (~e1 , . . . , ~en ) de E. On suppose que u est diagonalisable dans
une base de vecteurs propres B 0 = (~x1 , . . . , ~xn ) associés aux valeurs propres respectives λ1 , . . . , λn (non
nécessairement deux à deux disctintes). On pose :
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
7.5.2 Application : puissances successives d’une matrice diagonalisable

Proposition (preuve à établir à chaque fois)
Soit M ∈ Mn (K) une matrice diagonalisable dans K. Alors, il existe une matrice inversible P et une
matrice diagonale D telles que :
∀k ∈ N, M k = P Dk P −1
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
Soit ψ l’application définie sur Mn (R) par : ∀M ∈ Mn (R), ψ(M ) = M B − BM .

(a) Montrer que ψ est un endomorphisme de Mn (R).
(b) Démontrer que : ∀k ∈ N, ψ(Ak ) = kAk .
(c) On suppose que A n’est pas nilpotente. Que peut-on dire du spectre de ψ ? Conclure.
5. Soit n un entier supérieur ou égal à 2. Soit u l’endomorphisme de Rn dont la matrice dans la base
canonique de Rn est donnée par :
 
1 1 ... 1
 1 0 ... 0 
A =  .. ..  ∈ Mn (R)
 
..
 . . . 
1 0 ... 0
(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 :
f (P ) = (X 2 − 1)P 0 − (nX + 1)P
(a) Propriétés générales.

i. Calculer f (X n ) et f (1). Calculer f (X k ) pour tout entier k ∈ J1, n − 1K.
ii. Quelles sont les valeurs de l’entier k ∈ J0, nK telles que deg(f (X k )) = deg(X k ) ?
iii. Montrer que f est un endormorphisme de En .
iv. Écrire la matrice A de f dans la base canonique de En .
(b) Étude de f pour des valeurs particulières de n.
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 :
Pk (X) = (X − 1)k (X + 1)n−k
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
 
(a) Déterminer une matrice A telle que :

   
un+1 un
∀n ∈ N,  vn+1  = A  vn 
wn+1 wn
   
un u0
(b) Exprimer  vn  en fonction de  v0 , A et n pour tout entier naturel n.
wn w0
(c) Montrer que A est diagonalisable et préciser ses sous espaces propres.
(d) En déduire les expressions de un , vn et wn en fonction de n pour tout entier naturel n.
TD*
1. Soit M ∈ M3 (R) et A ∈ M3,1 (R).
(a) On suppose que A est un vecteur propre de tM . Montrer que :
∀X ∈ M3,1 (R), tAX = 0 ⇒ tAM X = 0
(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
i. Donner les valeurs propres de M .

ii. Donner toutes les droites stables par f .
iii. Donner tous les plans stables par f .
2. Soit tr l’application définie sur Mn (K) par :
n
X
∀A = (ai,j ) ∈ Mn (K), tr(A) = ai,i
i=1
(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.
7.6.2 Pour les DL

1. On dit qu’une suite (An )n∈N de matrices de M2 (R) telle que :

an bn
∀n ∈ N, An =
cn dn
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→+∞
Pour toute matrice M ∈ M2 (R) et pour tout entier naturel n, on pose :

n
X
Sn (M ) = Mk = I + M + · · · + Mn
k=0
où I désigne la matrice unité de M2 (R).

(a) On suppose que la suite de matrices (An )n∈N converge vers une matrice A dans M2 (R). Soit P
une matrice de M2 (R). Montrer que la suite (P An )n∈N converge vers P A. Que peut-on dire de
la suite (An P )n∈N ?
(b) Soit A ∈ M2 (R) et P ∈ GL2 (R).
i. Exprimer, pour tout entier naturel n, la matrice Sn (P −1 AP ) en fonction des matrices Sn (A)
et P .
ii. En déduire que la suite (Sn (A))n∈N converge si et seulement si la suite (Sn (P −1 AP ))n∈N
converge.
(c) Soit u un endomorphisme non diaonalisable de R2 admettant une valeur propre a ∈ R. Soit e1
un vecteur propre de u associé à la valeur propre a.
i. Préciser Sp(u) et la dimension du sous espace propre de u associé à la valeur propre a.
ii. Justifier l’existence d’un vecteur e2 ∈ R2 tel que la famille B = (e1 , e2 ) est une base de R2 .

a b
iii. Montrer qu’il existe un réel b 6= 0 tel que la matrice de u dans la base B soit .
0 a
iv. Déterminer alors la matrice de u dans la base C = (be1 , e2 ) de R2 .

a 1
(d) Soit a ∈ R et T = .
0 a
i. La matrice T est-elle diagonalisable ?
ii. Calculer T n pour tout entier naturel n.
iii. En déduire que la suite (Sn (T ))n∈N converge si et seulement si a ∈] − 1, 1[ et calculer la
limite de cette suite.
(e) Soit A ∈ M2 (R) admettant au moins une valeur propre réelle.
i. Montrer que (Sn (A))n∈N converge si et seulement si les valeurs propres de A appartiennent
toutes à ] − 1, 1[.
ii. Préciser, pour tout entier naturel n, la matrice (I − A)Sn (A).
iii. En déduire que, lorsque la suite (Sn (A))n∈N converge, sa limite vaut (I − A)−1 .
2. On considère un espace probabilisé (Ω, T , P) et deux variables aléatoires X et Y à valeurs dans
J1, n + 1K où n ≥ 2. On pose :
∀(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.

1. Soit n un entier naturel tel que n ≥ 2. Soit E = Cn [X] l’espace vectoriel des polynômes à coefficients
complexes de degré inférieur ou égal à n.
(a) i. Soit λ ∈ C et Pk (X) = (X − λ)k où k ∈ J1, nK. Montrer que Pk (X) est divisible par son
polynôme dérivé.
ii. Réciproquement, soit P (X) ∈ E divisible par son polynôme dérivé P 0 (X). Déterminer la
forme de P (X).
(b) Soit u l’application définie sur E par :
∀P (X) ∈ E, u(P )(X) = (X 2 + 1)P 0 (X) − nXP (X)
i. Montrer que u est un endomorphisme de E.

ii. Déterminer les valeurs propres et les sous espaces propres de u.
iii. L’endomorphisme u est-il diagonalisable ?
7.6. EXERCICES 101
2. Soit p ∈]0, 1[. On pose : q = 1 − p. On considère la matrice A de M3 (R) définie par :

 
0 1 0
A= 0 0 1 
2
−p q 0 1
(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

Colle
 
4 1 −1
1. Diagonaliser la matrice A =  2 5 −2 .
1 1 2
2. Pour quelles valeurs de a, b, c les matrices suivantes sont-elles diagonalisables :
   
1 a 1 0 0 a
A= 0 1 b  et B= 0 0 b 
0 0 c a b c
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
Chapitre 8
Intégrales sur un segment
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
8.1.2 Propriétés de l’intégrale

– linéarité, Chasles, positivité (QC),
– intégration par parties (QC),
– changements de variables (QC, les changements de variable non affines sont fournis), applications
aux fonctions paires ou impaires ou périodiques.
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.
8.1.4 Formules de Taylor

– Formule de Taylor avec reste intégral (QC),
– Égalité et inégalité de Taylor-Lagrange,
– Formule de Taylor-Young.
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.

ii. En posant uk = (−1)k ϕ k + 12 et en utilisant uk −uk−1 , exprimer ϕ n + 12 puis ϕ(n+1)

en fonction de l’entier naturel n.

k−1 k−1
iii. En déduire que les séries k≥1 (−1) et k≥1 (−1)k sont convergentes et calculer leurs
P P
2k−1
sommes respectives.
5. Soit f : [0, +∞[→ R convexe et de classe C 2 sur [0, +∞[.
(a) Justifier que f 0 est croissante sur [0, +∞[.
(b) Soit k ∈ N.
R k+1 R k+1
1
f 0 (x)dx en fonction de f (k), f (k + 1) et

i. Exprimer k
x−k− 2 k
f (x)dx.
f (k)+f (k+1) R k+1
ii. En déduire que : 2
≥ k f (x)dx puis que :
Z n
1 ∗ 1
∀n ∈ N , f (1) + f (2) + f (3) + · · · + f (n − 1) + f (n) ≥ f (x)dx
2 2 1
R k+1 0 0 (k)
x − k − 12 f 0 (x)dx ≤ f (k+1)−f

(c) i. Soit k ∈ N. Montrer que : k 8
.
1 2 1 1
On remarquera que x 7→ 2 (x − k) − (x − k) − 4 est une primitive de x 7→ x − k − 2
sur R.
ii. En déduire que :
n
f 0 (n) − f 0 (1)
Z
1
∗ 1
∀n ∈ N , f (1) + f (2) + f (3) + · · · + f (n − 1) + f (n) − f (x)dx ≤
2 2 1 8
6. (a) Montrer que, pour tout couple (s, t) de réels de [0, 1], on a :
ln2 (1 + t) − ln2 (1 + s) ≤ 2|t − s|
(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
(a) Montrer que :

π
t2
Z
∗ 1
∀n ∈ N , − t cos(nt)dt = 2
0 2π n
(b) Montrer que :
N
∗
X 1 t
∀N ∈ N , ∀t ∈]0, π[, cos(nt) = sin(N t) cos + cos(N t) − 1
n=1
2 2
(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
2. Soit f ∈ C 2 ([a, b]).

Rb Rb
(a) Montrer que : a
f (t)dt = b−a
2
(f (a) + f (b)) + 1
2 a
f 00 (x)(a − x)(b − x)dx.
(b) i. Justifier l’existence des réels : m = minf 00 et de M = maxf 00 .
[a,b] [a,b]
Rb
ii. En déduire un encadrement de a
f (t)dt.
8.2. EXERCICES 107
8.2.2 Pour les DL

1. (d’après EML, voie économique).
Rπ
Pour tout entier naturel n, on note : wn = 02 cosn (t)dt.
(a) Calculer w0 et w1 .
(b) i. Montrer que la suite (wn )n∈N est décroissante.
ii. Montrer que la suite (wn )n∈N est convergente.
(c) Soit n ∈ N.
i. À l’aide d’une intégration par parties, montrer que :
Z π
2
wn+2 = (n + 1) cosn (t) sin2 (t)dt
0
n+1
ii. En déduire que wn+2 = w .
n+2 n
(d) i. En utilisant certains résultats des questions précédentes, montrer que :

n+1
∀n ∈ N, 0 < wn ≤ wn+1 ≤ wn
n+2
ii. En déduire que wn+1 ∼ wn .

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
Indication : On pourra utiliser l’inégalité de Taylor-Lagrange.

Pour tout réel x > −1 et pour tout réel h non nul et tel que −1 < x − |h|, on pose :
Z 1
t2

1
D(x, h) = F (x + h) − F (x) − h 2
dt
h 0 1 + xt
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.
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
).
ii. Montrer que F est de classe C 1 sur ] − 1, +∞[.

R1
(d) i. En utilisant les résultats de la question (c)i, calculer 0
ln(1 + xt2 )dt.
ii. Montrer que F peut être prolongée par continuité en −1.
(e) Soit G le prolongement de F et C sa courbe représentative.
i. Étudier la dérivabilité de G en −1. Qu’en déduit-on pour C ?

ii. Quelle est la nature de la branche infinie de C ?
iii. Tracer l’allure de C.
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.
i. Déterminer une relation de récurrence entre I(a, b) et I(a + 1, b − 1) pour a ∈ N et b ∈ N∗ .

ii. En déduire l’expression de I(a, b) en fonction des entiers naturels a et b.
Pb (−1)k b

iii. Utiliser ce résultat pour déterminer une expression simplifiée de la somme : k=0 a+k+1 k .
(b) i. Montrer que :

Z x
1
∀P ∈ Rn [X], ∃!Q ∈ Rn [X] / ∀x ∈ R − {1}, Q(x) = P (t)dt
x−1 1
On a ainsi défini une application f sur Rn [X] par : f (P ) = Q.

ii. Montrer que f est un automorphisme de Rn [X] et préciser sont automorphisme réciproque
f −1 .
(c) i. Écrire la matrice A de f dans la base canonique (1, X, . . . , X n ) de Rn [X].
ii. La matrice A est-elle diagonalisable dans R ? Si oui, préciser ses valeurs propres.
iii. La matrice A est-elle inversible ? Si oui, préciser sa matrice inverse A−1 .
(d) i. Soit α ∈ C une racine complexe de multiplicité k ∈ N∗ d’un polynôme Q ∈ Rn [X]. Est-
elle racine du polynôme f −1 (Q) et si oui avec quelle multiplicité ? (on pourra discuter selon
les valeur de k et de α)
ii. En déduire les sous espaces propres de f −1 et montrer qu’ils sont également propres pour
f.
iii. Déterminer la matrice T triangulaire supérieure dont les coefficients de la diagonale sont
tous égaux à 1 et la matrice diagonale D telles que D = T −1 AT .
(e) Soit k ∈ N∗ et p ∈ J0, nK. Montrer que le coefficient de X p du polynôme f k (X n ) est égal à :
n−p
(−1)j
X
n n−p
p j=0 j (p + j + 1)k
8.2. EXERCICES 109

1. (d’après Oral ESCP 2001) Soit E l’espace vectoriel des fonctions continues sur [0, 1] et à valeurs
dans R. Pour toute fonction f ∈ E, on définit la fonction Φ(f ) par :
Z x
∀x ∈ [0, 1], Φ(f )(x) = f (t)dt
0
(a) Justifier que Φ est un endomorphisme de E.

(b) On note Φ0 = IdE et, pour tout entier naturel n, Φn+1 = Φn ◦ Φ = Φ ◦ Φn .
Soit f ∈ E, x ∈ [0, 1] et n ∈ N.
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.

Colle
1. s
DS
1. s
Chapitre 9
Intégrales sur un intervalle quelconque
9.1 Intégrales généralisées ou intégrales impropres

Définitions
– Soit a ∈ R et b ∈]a, +∞]. On suppose que f est définie et continue sur [a, b[.
Rb
– L’intégrale a f (t)dt est qualifiée d’impropre en la borne b.
– On dit que f admet une intégrale sur l’intervalle [a, b[ ou bien que l’intégrale (qualifiée aussi
Rb
de généralisée) a f (t)dt est convergente en la borne b si et seulement si :
Z x
lim f (t)dt ∈ R
x→b a
x<b
et la valeur de l’intégrale se note alors :

Z b Z x
f (t)dt = lim f (t)dt
a x→b a
Rb
– L’intégrale a f (t)dt, impropre en b, est dite divergente si et seulement si elle ne converge pas en
b (la limite peut être infinie ou bien ne pas exister).
– Soit b ∈ R et a ∈ [−∞, b[. On suppose que f est définie et continue sur ]a, b].
Rb
– L’intégrale a f (t)dt est qualifiée d’impropre en la borne a.
Rb
– On dit que f admet une intégrale sur l’intervalle ]a, b] ou bien que l’intégrale a f (t)dt est
convergente en la borne a si et seulement si :
Z b
lim f (t)dt ∈ R
x→a x
x>a
et la valeur de l’intégrale se note alors :

Z b Z b
f (t)dt = lim f (t)dt
a x→a x
Rb
– L’intégrale a f (t)dt, impropre en a, est divergente si et seulement si elle ne converge pas en a.
– Soit (a, b) ∈ R̄2 tel que a < b. Soit c ∈]a, b[. On suppose que f est définie et continue sur ]a, b[.
Rb
– L’intégrale a f (t)dt est qualifiée d’impropre en les deux bornes a et b.
Rb
– On dit que f admet une intégrale sur l’intervalle ]a, b[ ou bien que l’intégrale a fR(t)dt est
c
convergente en les deux bornes a et b si et seulement si les deux intégrales impropres a f (t)dt
Rb
et c f (t)dt sont convergentes et on note :
Z b Z c Z b Z c Z x
f (t)dt = f (t)dt + f (t)dt = lim f (t)dt + lim f (t)dt
a a c x→a x x→b c
Rb
– L’intégrale a
f (t)dt, impropre en a et en b, est divergente si et seulement si elle est divergente en
a ou en b.
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
2. Montrer que les intégrales qui suivent sont divergentes :

Z 1 Z +∞ Z +∞
dx dx dx
0 x 1 x e x ln(x)
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
cette dernière intégrale n’étant

R 1 ln(1+x) R 1 pas du tout impropre mais bien une intégrale sur un segment.
Exemple : 0 x
dx et 0 t ln(t)dt sont faussement impropres en 0.
Définitions (fonctions avec points de discontinuité)

Soit (a, b) ∈ R̄2 tel que a < b. On suppose que f est continue sur ]a, b[ sauf en un nombre finis de points
a1 , . . . , an tels que :
a = a0 < a1 < · · · < an < b = an+1
Rb
On dit que f admet une intégraleRsur ]a, b[ ou bien que l’intégrale a f (t)dt converge si et seulement
a
si, pour tout i ∈ J0, nK, l’ intégrale aii+1 f (t)dt, impropres en les deux bornes ai et ai+1 , est convergente.
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.
9.2.2 Lien avec les suites de limite la borne impropre

Théorème
Rb
On suppose que l’intégrale a f (t)dt impropre en b est convergente. Alors, pour toute suite (un )n∈N
d’éléments de [a, b[ telle que un −→ b, on a :
n→+∞
Z un Z b
f (t)dt −→ f (t)dt
a n→+∞ a
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
Par convergence de la suite vers b, on a : ∃n0 ∈ N / ∀n ≥ n0 , un ∈ [b − α, b[. Alors :

Z un
∀n ≥ n0 , I − f (t)dt ≤ ε
a
– Cas b = +∞ : Par convergence de l’intégrale, il existe un réel x0 > 0 tel que :

Z x
∀x ≥ x0 , I − f (t)dt ≤ ε
a
Par divergence de la suite vers +∞, on a : ∃n0 ∈ N / ∀n ≥ n0 , un ≥ x0 . Alors :

Z un
∀n ≥ n0 , 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.
9.2.3 Lien avec les séries

Il convient de noter certaines analogies entre les intégrales et les sommes :
– Intégrale sur un segment / Somme finie.
– Intégrale sur un intervalle non majoré / Série : cas de convergence, cas de divergence.
Nous allons donc pousser un peu plus loin les analogies mais voir aussi certaines différences dans le cas
d’intégrales impropres en +∞.
Théorème de comparaison série/intégrale

R +∞
Psuppose que f est continue, positive et décroissante sur [a, +∞[. Alors, l’intégrale
On a
f (t)dt et la
série n≥Ent(a)+1 f (n) sont de même nature.
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
Alors, pour tout réel x ≥ a + 1, on a :

Ent(x)+1 Z Ent(x)+1 Ent(x)
X 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.
Application : Reste d’une intégrale impropre

Rb
On suppose que l’intégrale a f (t)dt impropre en b est convergente. Pour tout réel x ∈ [a, b[, on appelle
Rb Rb Rx
reste de l’intégrale impropre sur l’intervalle [x, b[ le réel x f (t)dt = a f (t)dt − a f (t)dt.
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.
Application : Inégalité de Cauchy-Schwarz

Soit a ∈ R et b ∈]a, +∞]. On suppose que f et g sont continues sur [a, b[ et que les intégrales
Rb Rb Rb
a
f (t)g(t)dt, a f (t)2 dt et a g(t)2 dt convergent. Démontrer que :
s s
Z b Z b Z b
f (t)g(t)dt ≤ 2
f (t) dt × g(t)2 dt
a a a
9.2.6 Positivité et inégalités

Théorèmes
Soit a ∈ R et b ∈]a, +∞]. On suppose que f et g sont continues sur [a, b[.
Rb Rb
– Si f est positive sur [a, b[ et si a f (t)dt converge alors a f (t)dt ≥ 0.
Rb Rb Rb Rb
– Si f ≤ g sur [a, b[ et si les intégrales a f (t)dt et a g(t)dt convergent alors a f (t)dt ≤ a g(t)dt.
Rb
– Si f est positive sur [a, b[, si f est non nulle en au moins un point de [a, b[ et si a f (t)dt converge
Rb
alors a f (t)dt > 0.
Rb Rb
Par contraposition, si f est positive sur [a, b[, si a f (t)dt converge et si a f (t)dt = 0 alors f est
nulle sur [a, 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.
9.2.7 Intégration par parties

Nous n’énoncerons pas de théorème particulier. Dans la pratique, pour effectuer une intégration par
parties sur une intégrale impropre, on se ramènera d’abord à une intégrale sur un segment (cf la définition
de la convergence de l’intégrale impropre) puis on effectuera l’intégration par parties proprement dite et
enfin on passera à la limite sur la(les) borne(s) impropre(s) de l’intégrale.
Exemple
R +∞
Calculer l’intégrale : 0
t2 e−t dt.
9.2.8 Changement de variables

Théorème
Soit a ∈ R et b ∈]a, +∞]. On suppose que f est continue sur ]a, b[. Soit u :]α, β[→]a, b[ une application
Rb Rβ
de classe C 1 sur ]α, β[ et strictement croissante sur ]α, β[. Alors, les intégrales a f (t)dt et α f (u(x))u0 (x)dx
sont de la même nature. De plus, en cas de convergence, on a :
Z b Z β
f (t)dt = f (u(x))u0 (x)dx
a α
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
puis on passe à la limite lorsque x0 → β, ce qui est équivalent à t0 → b.
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 :
∀x ∈]a, +∞[ (resp. ]a, b]), F 0 (x) = f (x)
– 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 :
∀x ∈] − ∞, b[ (resp. [a, b[), F 0 (x) = −f (x)
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.
9.3 Cas des fonctions positives

9.3.1 Intégrales de Riemann
Définition
R +∞ 1
R1 1
Pour tout réel α, les intégrales 1 tα
dt et 0 tα
dt sont appelées intégrales de Riemann.
Théorème (QC)
Soit α un réel.R Alors :

+∞
– l’intégrale 1 t1α dt, impropre en +∞, converge si et seulement si α > 1.
R1
– l’intégrale 0 t1α dt, impropre en 0, converge si et seulement si α < 1.
Preuve
Définition de la convergence et primitive usuelle.

Remarque
R +∞En1 utilisant le théorème ci-dessus

1
ainsi que le théorème de comparaison série/intégrale à l’intégrale
1 tα
dt pour la fonction x 7→ xα qui est continue et décroissante sur [1, +∞[ lorsque α > 0, on
(re)démontre le théorème sur la convergence des séries de Riemann.
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
9.3.3 Règles de comparaison

Théorèmes de comparaison des intégrales impropres (QC*)
Soit a ∈ R et b ∈]a, +∞]. On suppose que f et g sont continues et positives sur [a, b[.
– On suppose que : ∀t ∈ [a, b[, f (t) ≤ g(t). Alors :
Rb Rb
– si l’intégrale a g(t)dt converge en b alors l’intégrale a f (t)dt converge en b,
Rb Rb
– si l’intégrale a f (t)dt diverge en b alors l’intégrale a g(t)dt diverge en b.
– On suppose que : f (t) = o (g(t)). Alors :
t→b
Rb Rb
– si l’intégrale a g(t)dt converge en b alors l’intégrale a f (t)dt converge en b,
Rb Rb
– si l’intégrale a f (t)dt diverge en b alors l’intégrale a g(t)dt diverge en b.
Rb Rb
– On suppose que : f (t) ∼ g(t). Alors, les intégrales a f (t)dt et a g(t)dt sont de la même nature.
t→b
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 :
lim ε(t) = 0 et ∀t ∈ [α, b[, f (t) = g(t)ε(t)

t→b
La fonction ε est alors positive et majorée sur [α, b[. Soit donc M un majorant. On a :
∀t ∈ [α, b[, 0 ≤ f (t) ≤ M g(t)
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 :
lim ε(t) = 0 et ∀t ∈ [α, b[, f (t) = g(t)(1 + ε(t))

t→b
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
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.
Propriétés de la fonction Γ (QC)

Pour tout réel x > 0, on a :
Γ(x + 1) = xΓ(x)
En particulier, pour tout entier naturel n, on a :
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→+∞
D’où le résultat : Γ(x + 1) = xΓ(x).

– On effectue alors une récurrence. En utilisant la définition, on obtient immédiatement que :
Γ(1) = 1 = 0!
La propriété précédente assure l’hérédité :
Γ(n + 2) = (n + 1)Γ(n + 1) = (n + 1)n! = (n + 1)!
Exercice
Démontrer que la fonction Γ est strictement décroissante sur ]0, 1] et strictement croissante sur [1, +∞[.
9.4 Cas des fonctions de signe variable

Définitions
Soit a ∈ R et b ∈]a, +∞]. On suppose que f est continue sur [a, b[.
Rb
– On dit que l’intégrale a f (t)dt est absolument convergente (ou bien qu’elle converge absolument)
Rb
si et seulement si l’intégrale a |f (t)|dt converge.
Rb
– On dit que l’intégrale a f (t)dt est semi-convergente si et seulement si elle est convergente et non
absolument convergente.
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
Par passage à la limite lorsque x → b, on obtient l’inégalité attendue.
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
3. Existence et calcul des intégrales :

R2 et +e−t
(a) 1 √xdx2 −1 (pour le calcul, on pourra poser x = 2
),
R +∞ √ √
(b) 0 e− x dx (pour le caclul, on pourra poser u = x),
R +∞ 5
(c) 0 x12x +1 dx (pour le caclul, on pourra poser u = x6 ).
4. Soit f : R → R telle que lim f (x) = ` et lim f (x) = `0 .

x→+∞ x→−∞
Z B+1 Z A+1
(a) Déterminer lim f (x)dx et lim f (x)dx.
B→+∞ B A→−∞ A
(b) Établir la convergence des intégrales :

Z +∞ Z 0
(f (x + 1) − f (x))dx et (f (x + 1) − f (x))dx
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
iii. Déterminer l’expression de I2n+1 en fonction de n.

I2n+1
iv. Préciser I2n
en fonction de n.
(c) i. Montrer que, pour tout entier, n ≥ 1, on a :
Z +∞ 2
Z +∞
nx2
n+1 − nx
x e 2 dx = xn−1 e− 2 dx
0 0
ii. Montrer que, pour tout entier, n ≥ 1, on a :

Z +∞
− n+2 − n+1 1 nx2
n 2 In+1 − n 2 In = xn−1 e− 2 (x − 1)2 dx
2 0
iii. En déduire que, pour tout entier, n ≥ 1, on a :

√
0 ≤ nIn ≤ In+1
9.5. EXERCICES 123
(d) i. Montrer que, pour tout entier, n ≥ 1, on a :

r √
1 πn 2n
1− ≤ n ≤1
2n 4 n
ii. En déduire un équivalent de 2n

n
.
√
(e) On admet la formule de Stirling : n! ∼ nn e−n 2πn. Retrouver directement le résultat qui
n→+∞
précède.
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
iv. Montrer que :

+∞ Z +∞
X 1
f (nh) ∼ + f (x)dx
h→0 h 0
n=0
2
tn converge pour tout t ∈] − 1, 1[.
P
(b) i. Montrer que le série 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
(−1)n In converge et trouver une expression de sa somme à

P
ii. En déduire que la série n≥2
l’aide d’une intégrale.
9.5.2 Pour les DL

R +∞ sin(t)
1. Calcul de 0 t
dt.
Rπ sin((2n+1)t)
(a) Pour tout entier naturel n, on pose : In = 2
0 sin(t)
dt.
i. Justifier l’existence de la suite (In )n∈N .
ii. Pour tout entier naturel n, calculer : In+1− In .
Indication : sin(a) − sin(b) = 2 cos a+b 2
sin a−b
2
.
iii. Calculer I0 puis déterminer l’expression de In en fonction de n ∈ N.
(b) i. Soit f une fonction de classe C 1 sur le segment [a, b]. Montrer que :
Z b
lim f (t) sin(nt)dt = 0
n→+∞ a
ii. Montrer que l’application g : 0, π2 → R, x 7→ 1 1

x
− sin(x)
se prolonge en une fonction de
g de classe C 1 sur 0, π2 .

R +∞
iii. En déduire que 0 sin(t) t
dt = π2 .
R +∞ 2
2. Calcul de −∞ e−t dt et de Γ n + 12 .

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
iii. Montrer que :

Z x 2
−t2 π
∀x ∈ R, g(x) + e dt =
0 4
R +∞ 2
iv. En déduire la valeur de 0
e−t dt.
(b) Loi de Laplace-Gauss.
R +∞ 2
i. Justifier la convergence et calculer l’intégrale −∞ e−t dt.
R +∞ 2
ii. En déduire la valeur de −∞ √12π exp − x2 dx.
Rx 1 2
iii. Étudier la fonction Φ : x 7→ −∞ 2π exp − t2 dt (variations, limites, convexité, courbe).
√
(c) À propos de la fonction Γ.

√ R +∞ 2
1
e−t dt.

i. En utilisant le changement de variable u = t, montrer que Γ 2
= 0
ii. En déduire la valeur de Γ n + 12 pour tout entier naturel n.

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
(b) Montrer que :

Z bx Z by
f (u) f (u)
lim+ du = 0 et lim du = 0
x→0 ax u y→+∞ ay u
R +∞ f (at)−f (bt)
(c) En déduire la convergence et la valeur de l’intégrale I = 0 t
dt.

R1 Γ(a)Γ(b)
1. Où l’on montre que 0 ta−1 (1 − t)b−1 dt = Γ(a+b)
.
(a) Pour tout couple (x, y) de réels strictement positifs, on pose :

Z 1
B(x, y) = tx−1 (1 − t)y−1 dt
0
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.
(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)
(d) Soit (x, y) un couple de réels strictement positifs.

i. Montrer que : B(n + 1, y) ∼ Γ(y)
y .
n→+∞ n
Γ(y)
ii. En déduire que : B(x, y) ∼ xy
.
x→+∞
Γ(x)Γ(y)
iii. Montrer, enfin, que : B(x, y) = Γ(x+y)
.
Γ(x+y) B(x+n,y)ny
Indication : On pourra montrer que Γ(x) = lim en utilisant la question (c).
n→+∞ B(x,y)
2. Soit a et b deux réels tels que 0 < a < b. Soit f :]0, +∞[→ R continue sur ]0, +∞[ et telle que :
lim f (t) = ` ∈ R et lim f (t) = L ∈ R

t→0+ t→+∞
(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
(b) Montrer que :

bx by
f (u) − ` f (u) − L
Z Z
lim+ du = 0 et lim du = 0
x→0 ax u y→+∞ ay u
+∞
f (at) − f (bt)
Z
(c) En déduire la convergence et la valeur de l’intégrale I = dt.
0 t
Z +∞ −at
e − e−bt
(d) Que vaut dt ?
0 t

Colle
1. Étudier la convergence des intégrales :
Z 1 Z 1
ln(x)
dx xα ln(x)dx
0 x+1 0
9.5. EXERCICES 127
2. Soit P la fonction polynomiale définie par : P (t) = t5 − t + 1.

(a) i. Combien P admet-elle de racines réelles ?
ii. Montrer que les racines complexes de P sont simples.
R +∞
(b) On définit la fonction F par : F (x) = x P 4(t) dt.
i. Déterminer le domaine de définition de F .
ii. Déterminer le sens de variation de F et préciser sa convexité.
(c) i. Étudier les limites de F aux bornes de son domaine de définition.
ii. Montrer que F (x) ∼ 14 .
x→+∞ x
iii. Montrer que F (x) ∼ + − 4 ln(x−a)

5a2 −1
où le réel a est tel que P (a) = 0.
x→a
R +∞ R x+1
3. Soit f ∈ C 1 ([0, +∞[, R) telle que 0
f (t)dt est convergente et x 7→ x
(f 0 (t))2 dt est bornée sur
[0, +∞[. Déterminer lim f (x).
x→+∞
R +∞ −xn
4. On pose In = 1 e dx.
(a) En utilisant le changement de variable u = xn , montrer que :
Z A −u Z A −u
e 1/n e
∀A > 1, lim u du = du
n→+∞ 1 u 1 u
(b) En déduire un équivalent de In lorsque n tend vers +∞.

5. (d’après Oral ESCP 2003)
R +∞ −xt
(a) i. Déterminer l’ensemble D des réels x pour lesquels l’intégrale impropre 0 e1+t dt est
convergente. R +∞ −xt
Pour x ∈ D, on pose alors : f (x) = 0 e1+t dt.
R +∞ e−u
ii. Pour x ∈ D, montrer que l’intégrale impropre 0 x+u du est convergente et comparer sa
valeur à f (x).
(b) Soit g et h les fonctions définies sur D par :
Z 1 −u +∞
e −1 e−u
Z
g(x) = du et h(x) = du
0 x+u 1 x+u
i. Montrer que g et h sont bornées sur D.
ii. En déduire que : f (x) ∼ + − ln(x).
x→0
1 1 u
(c) i. Montrer que : ∀(x, u) ∈ D × R+ , 0 ≤ x
− x+u
≤ x2
.
ii. En déduire un équivalent simple de f (x) au voisinage de +∞.
R +∞
6. Condition sur α pour que 0 arctan(t)
tα
dt converge. Calculer l’intégrale pour α = 32 .
DS
1. s
Chapitre 10
Variables aléatoires à densité
10.1 Rappels sur les variables aléatoires quelconques

– Tribu des boréliens, définition d’une variable aléatoire, σ-algèbre associée à une variable aléatoire.
– La somme et le produit de deux variables aléatoires sont deux variables aléatoires.
– Fonction de répartition d’une variable aléatoire : définition et propriétés (croissance, limites, conti-
nuité à droite).
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.
10.2 Généralités sur les variables à densité

10.2.1 Introduction
Soit f : R → R une fonction positive sur R, continue sur R sauf éventuellement en
R +∞ R xun nombre fini de
réels a1 < · · · < an et telle que −∞ f (t)dt converge et vaut 1. Soit F : R → R, x 7→ −∞ f (t)dt.
1. (a) Justifier que F est bien définie sur R puis préciser ses limites en −∞ et en +∞.
(b) Montrer que F est croissante sur R.
(c) Montrer que F est continue sur R.
Ainsi, F est la fonction de répartition d’une variable aléatoire X.
(d) Justifier que F est de classe C 1 sur les intervalles ]−∞, a1 [ , ]x1 , a2 [ , . . . , ]an−1 , an [ , ]an , +∞[.
2. Soit x ∈ R. En utilisant la famille d’événements x − n1 < X ≤ x n∈N∗ , calculer P(X = x).

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 :
P(X ≤ 1) P(X = 1) P(X < 1) P(X ≥ 1) P(X > 1)
(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
Alors, on en déduit que :
P(X ≤ x) = P(X < x) + P(X = x) = P(X < x)
et de même pour P(X > x).

– On sait que FX0 (t) = f (t) sauf éventuellement en les points a1 < · · · < an qui sont en nombre finis.
Nécessairement f = FX0 est continue sur les intervalles définis par ces points. Soit x ∈ R. Si x < a1
alors :
Z x
0 0
∀t ∈] − ∞, x], f (t) = FX (t) et f ∈ C (] − ∞, x]) donc FX (x) = f (t)dt
−∞
Si x ∈]xi , xi+1 [ alors : ...
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 ?
10.2.4 Densité par transfert

Théorème (QC)
Soit f une densité d’une variable aléatoire X. Soit ϕ une fonction de classe C 1 , strictement monotone
et de fonction dérivée ϕ ne s’annulant pas sur un intervalle I contenant X(Ω). Alors, Y = ϕ ◦ X est une
variable aléatoire à densité et la fonction g définie par :
f (ϕ−1 (y))
∀y ∈ R, g(y) = 11ϕ(I) (y)
|ϕ0 (ϕ−1 (y))|
en est une densité.

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 :
FY (y) = P(Y ≤ y) = P(ϕ ◦ X ≤ y)
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 :
FY (y) = P(X ≤ ϕ−1 (y)) = FX (ϕ−1 (y))
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 :
FY (y) = P(X ≥ ϕ−1 (y)) = 1 − FX (ϕ−1 (y))
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.
(a) (QC) Déterminer une densité de Y = aX + b avec a ∈ R∗ et b ∈ R.

Dans le cas où a = 0, que peut-on dire de la variable aléatoire Y ?
(b) Préciser le résultat dans la cas où Y = −X.
2. Soit X une variable aléatoire dont f est une densité. On suppose que X(Ω) ⊂]0, +∞[. Déterminer
une densité de Y = ln(X).
(a) Déterminer une densité de Y = eαX où α ∈ R∗ .

(b) Préciser la loi de Y lorsque f = 11[0,1] (on vérifiera d’abord que l’on a bien 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
Quelques cas de fonctions de transfert non bijectives

(a) (QC) Déterminer une densité g de la variable aléatoire Y = X 2 .

1
(b) i. Préciser la fonction g dans le cas où f (x) = π(1+x2 )
.
√
ii. En déduire la loi de Y (on pourra effectuer le changement de variable u = y).
(a) (QC) Déterminer une densité g de la variable aléatoire Y = |X|.

(b) i. Préciser la fonction g dans le cas où f = 12 11[−1,1] .
ii. En déduire la loi de Y .
10.2.5 Somme de deux variables aléatoires à densité indépendantes

Proposition
R +∞ R +∞
Soit f et g deux densités et x un réel. Alors, les deux intégrales −∞ f (t)g(x − t)dt et −∞ f (x − t)g(t)dt
sont de même nature. De plus, en cas de convergence, elles sont égales.
Preuve
Changement de variable.
Théorème (admis) / Définition

Soit X et Y deux variables aléatoires à densité indépendantes. Soit f une densité de X et g une densité
de Y . Sous réserve de convergence, on pose :
Z +∞ Z +∞
∀z ∈ R, h(z) = f (x)g(z − x)dx = f (z − y)g(y)dy
−∞ −∞
– 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
 
1. (a) Représenter graphiquement FX et FY .

(b) Préciser X(Ω) et Y (Ω). En déduire (X + Y )(Ω).
2. (a) Déterminer une densité f de X puis une densité g de Y . Les représenter graphiquement.
(b) Déterminer une densité h de X + Y . La représenter graphiquement.
(c) Déterminer la loi de X + Y .
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
10.3 Moments d’une variable aléatoire à densité

10.3.1 Moment d’ordre k
Définition
Soit X une variable aléatoire à densité et f l’une de ses densités. Soit k ∈ N∗ . R
+∞
– On dit que X admet un moment d’ordre k si et seulement si l’intégrale −∞ tk f (t)dt converge
absolument.
– Si X admet un moment d’ordre k alors on appelle moment d’ordre k de X le réel :
Z +∞
mk (X) = tk f (t)dt
−∞
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
Propriété (positivité de l’espérance)

– Soit X une variable aléatoire à densité admettant une espérance et telle que X(Ω) ⊂ [0, +∞[. Alors
E(X) ≥ 0.
– (admis) Soit X et Y deux variables aléatoires quelconques (à densité ou discrètes ou ni l’un ni l’autre)
admettant une espérance. Si [X ≤ Y ] est vraie presque sûrement alors E(X) ≤ E(Y ).
Preuve (dans le cas de variables à densité)

s
Propriété (linéarité de l’espérance, admis)

Soit X et Y deux variables aléatoires quelconques (à densité ou discrètes ou ni l’un ni l’autre) admettant
une espérance. Alors, pour tout couple (λ, µ) de réels, la variable aléatoire λX + µY admet une espérance
et on a :
E(λX + µY ) = λE(X) + µE(Y )
Preuve (dans le cas de variables à densité)

– L’existence découle d’un résultat sur les intégrales absolument convergentes.
– L’égalité découle du fait que l’on peut scinder l’intégrale puisque chacune des deux converge.
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.
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
−∞
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.
Théorème de transfert (preuve non exigible)

Soit X une variable aléatoire à densité telle que X(Ω) est un intervalle ]a, b[ de R (avec −∞ ≤ a < b ≤
+∞). Soit f une densité de X et ϕ une fonction continue sur ]a, b[ sauf éventuellement en un nombre fini
Rb
de points. Alors la variable aléatoire ϕ(X) admet une espérance si et seulement si l’intégrale a ϕ(t)f (t)dt
converge absolument. De plus, en cas de convergence absolue, on a
Z b
E(ϕ(X)) = ϕ(t)f (t)dt
a
Preuve (dans le cas où ϕ est de classe C 1 avec ϕ0 strictement positive ou négative)

Utiliser le théorème de transfert précédent.
10.3.3 Moment d’ordre 2 et variance

Définitions
Soit (Ω, T , P) un espace probabilisé. Soit X une variable aléatoire à densité dont f est l’une de ses
densités. On suppose que X admet une espérance. R +∞
– On dit que X admet une variance si et seulement si l’intégrale −∞ (t − E(X))2 f (t)dt converge
(absolument).
– Si X admet une variance alors on appelle variance de X le réel :
Z +∞
V(X) = µ2 (X) = (t − E(X))2 f (t)dt
−∞
p
et écart type de X le réel σ(X) = V(X).
– On dit que X est centrée-réduite si et seulement si elle admet une variance et :
E(X) = 0 et V(X) = 1
Exemples
Reprendre les exemples de calculs d’espérance et déterminer les variances éventuelles.
Proposition (formule de Koenig-Huygens)

Une variable aléatoire X admet une variance si et seulement si elle admet un moment d’ordre 2. De
plus, en cas d’existence de l’un de ces deux réels, on a :
V(X) = E(X 2 ) − E(X)2
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
10.3.4 Inégalités usuelles

Proposition (inégalités de Markov et de Bienaymé-Tchebychev, QC)
Soit (Ω, T , P) un espace probabilisé. Soit X une variable aléatoire à densité.
– Si X est à valeurs strictement positives et admet une espérance alors, pour tout réel a strictement
positif, on a :
E(X)
P(X ≥ a) ≤
a
r
– Soit r ∈]0, +∞[. Si X 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 (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.
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
i. Déterminer la loi de Zn . Que vaut la probabilité P(Zn > 1) ?

ii. Étudier l’existence des moments de Zn .
4. Loi de Rayleigh.
2
On considère la fonction f : R → R, t 7→ te−t /2 11[0,+∞[ (t).
(a) Montrer que f est une densité d’une variable aléatoire X.
(b) Déterminer la fonction de répartition de X.
(c) Montrer que X admet des moments de tous les ordres et les calculer. Préciser en particulier
l’espérance et la variance de X.
5. Loi de Gilbrat.
2
On considère la fonction f : R → R, t 7→ √1 e− ln (t)/2 1]0,+∞[ (t).
t 2π
(a) Montrer que f est une densité.
(b) Soit X une variable aléatoire admettant f pour densité. Montrer que X admet une espérance et
une variance et les calculer.
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
10.4.2 Pour les DL

1. (d’après Oral ESCP 2001).
R +∞ dt
(a) Montrer que, pour tout réel a, l’intégrale I(a) = a e2t +1
est convergente et la calculer.
Indication : On pourra poser x = e−t .
1
(b) Soit f : R → R, x 7→ π(1+x2 )
. Vérifier que f est une densité de probabilité.
(c) Soit x ∈ R. Déterminer deux réels A et B tels que :
1 A B
∀u ∈ R+ , 2x
= +
(u + 1)(u + e ) u + 1 u + e2x
(d) On considère deux variables aléatoires X et Y indépendantes et admettant la même densité f .

i. Déterminer une densité de ln(|X|).
ii. Déterminer une densité de Z = ln(|XY |).
2. (d’après Ecricome, voie économique).
Un système est constitué de n composants. On suppose que les variables aléatoires T1 , . . . , Tn mesu-
rant le temps de bon fonctionnement de chacun des composants sont mutuellement indépendantes et
de même loi donnée par la densité f : t 7→ λe−λt 11[0,+∞[ (t) où λ ∈]0, +∞[.
(a) Nombre moyen de composants défaillants entre les intstants 0 et t.
On note Nt la variable aléatoire égale au nombre de composants défaillants entre les instants 0
et t où t ∈ [0, +∞[.
i. Soit i ∈ J1, nK. Calculer P(Ti ≤ t).
ii. Quelle est la loi de Nt ? Préciser son espérance.
iii. À partir de quel instant t0 le nombre moyen de composants défaillants dépasse-t-il la moitié
du nombre de composants ?
(b) Montage en série.
On suppose que le système fonctionne correctement si tous les composants eux-mêmes fonc-
tionnent correctement et on note Sn le temps de bon fonctionnement du système.
i. Pour t ∈ R, exprimer l’événement [Sn > t] en fonction des événements [T1 > t], . . . , [Tn >
t].
ii. Déterminer la fonction de répartition Fn de la variable aléatoire Sn puis définir une densité
fn .
iii. Montrer que Sn admet une espérance et une variance que l’on calculera.
(c) Montage en parallèle.
On suppse maintenant que le système fonctionne correctement si l’un au moins des composants
fonctionne correctement et on note Un la variable aléatoire mesurant le temps de bon fonction-
nement du système.
i. Pour t ∈ R, exprimer l’événement [Un < t] en fonction des événements [T1 < t], . . . , [Tn <
t].
ii. Déterminer la fonction répartition Gn de la variable aléatoire Un puis montrer qu’une den-
sité gn est donnée par :

0 si t < 0
gn (t) =
nλ(1 − e−λt )n−1 e−λt si t ≥ 0
iii. Montrer que Un admet une espérance puis que :

n−1
1 X (−1)k

n
E(Un ) =
λ k=0 k + 1 k + 1
iv. En déduire la valeur de E(Um+1 ) − E(Um ) puis, par sommation, déterminer un équivalent
simple de E(Un ).

1. (d’après Oral ESCP 2001). Soit X et Y deux variables aléatoires indépendantes à valeurs dans R∗+
et de densité respectives fX et fY .
(a) On pose U = ln(X) et V = ln(Y ). Exprimer des densités fU et f−V des variables aléatoires U
et −V à l’aide de fX et de fY .
(b) En déduire une expression d’une densité de T = ln X

Y
.

0 si x ≤ 0
(c) Montrer qu’une densité g de X Y
est donnée par : g(x) = 1 .
f (ln(x)) si x > 0
x T
(d) Préciser la fonction g dans les cas :
(1) fX = fY = 11[1,2] et (2) fX = fY : t 7→ e−t 11]0,+∞[ (t)

Colle
1. Soit X une variable aléatoire admettant une densité f continue sur R. On suppose que X admet une
espérance. Montrer que : Z +∞
E(X) = (1 − FX (t))dt
0
2. Loi de Cauchy généralisée.

3. Loi bêta.
DS
1. s
Chapitre 11
Espaces euclidiens
11.1 Produit scalaire

Dans ce paragraphe, E désigne un R-espace vectoriel de dimension finie ou infinie.
11.1.1 Produit scalaire et norme associée

Définition
Soit ϕ : E × E → R. On dit que ϕ est un produit scalaire sur E si et seulement si ϕ est une forme :
– bilinéaire :
∀(x1 , x2 , y) ∈ E 3 , ∀(λ1 , λ2 ) ∈ R2 , ϕ(λ1 x1 + λ2 x2 , y) = λ1 ϕ(x1 , y) + λ2 ϕ(x2 , y)
∀(x, y1 , y2 ) ∈ E 3 , ∀(λ1 , λ2 ) ∈ R2 , ϕ(x, λ1 y1 + λ2 y2 ) = λ1 ϕ(x, y1 ) + λ2 ϕ(x, y2 )

– symétrique :
∀(x, y) ∈ E 2 , ϕ(y, x) = ϕ(x, y)
– définie-positive :
∀x ∈ E, ϕ(x, x) = 0 ⇔ x = 0
∀x ∈ E, ϕ(x, x) ≥ 0
On utilise souvent les notations hx|yi ou bien hx, yi au lieu de ϕ(x, y).
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
Ce produit scalaire est appelé produit scalaire canonique de Rn .

2. Soit E = C 0 ([a, b]). Pour tout couple (f, g) ∈ E 2 , on pose :
Z b
ϕ(f, g) = f (t)g(t)dt
a
141
142 CHAPITRE 11. ESPACES EUCLIDIENS
3. Soit E = R[X]. Pour tout couple (P, Q) ∈ E 2 , on pose :

Z +∞ Z 1
−t P (t)Q(t)
hP, Qi = P (t)Q(t)e dt et ϕ(P, Q) = √ dt
0 −1 1 − t2
4. Soit E = Rn [X]. Pour tout couple (P, Q) ∈ E 2 , on pose :

n
X
hP |Qi = P (k)Q(k)
k=0
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
– On dit d’un vecteur x de E qu’il est unitaire si et seulement si kxk = 1.
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 .
Propriétés de la norme (QC)

Soit h., .i un produit scalaire sur E de norme associée k.k. Alors :
– ∀x ∈ E, kxk = 0 ⇔ x = 0,
– ∀x ∈ E, ∀λ ∈ R, kλxk = |λ| × kxk,
– ∀(x, y) ∈ E 2 , kx + yk2 = kxk2 + kyk2 + 2 hx, yi,
– Inégalité de Cauchy-Schwarz :
∀(x, y) ∈ E 2 , |hx, yi| ≤ kxk × kyk
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 :
F ⊥ G ⇔ ∀(i, j) ∈ J1, kK × J1, hK, ϕ(xi , yj ) = 0
Proposition (théorème de Pythagore)

Deux vecteurs x et y de E sont ϕ-orthogonaux si et seulement si kx + yk2 = kxk2 + kyk2 .
Preuve
Immédiat avec la propriété 3 de la norme.
– 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 :
ϕ(x, λ1 y1 + λ2 y2 ) = λ1 ϕ(x, y1 ) + λ2 ϕ(x, y2 ) = 0
– Comme ϕ(0E , x) = 0 pour tout x ∈ F alors F ⊥ 6= ∅. Soit (y1 , y2 ) ∈ F ⊥ et (λ1 , λ2 ) ∈ R2 . Alors :
∀x ∈ F, ϕ(x, λ1 y1 + λ2 y2 ) = λ1 ϕ(x, y1 ) + λ2 ϕ(x, y2 ) = 0
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].
11.1.3 Familles orthogonales et familles orthonormales

Définitions
– On dit qu’une famille (x1 , . . . , xp ) de vecteurs est ϕ-orthogonale si et seulement si ses vecteurs sont
deux à deux orthogonaux.
– On dit qu’une famille (x1 , . . . , xp ) de vecteurs est ϕ-orthonormale (ou orthonormée) si et seulement
si ses vecteurs sont unitaires et deux à deux orthogonaux.
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
Théorème : Procédé d’orthonormalisation de Gram-Schmidt (QC*)

Soit h., .i un produit scalaire sur E et (e1 , . . . , ep ) une famille libre dans E. Alors, il existe une famille
orthonormale (x1 , . . . , xp ) dans E telle que :
∀k ∈ J1, pK, Vect(x1 , . . . , xk ) = Vect(e1 , . . . , ek )
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 :
∀j ∈ J1, kK, hxj , ej i =

6 0 et ∀i ∈ Jj + 1, kK, hxi , ej i = 0
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 :
∀i ∈ J1, kK, ∃!αi ∈ R / λi = αi λk+1

Pk+1
On en déduit que xk+1 = λk+1 i=1 αi ei en posant αk+1 = 1. On pose aussi : xk+1 = λk+1 x. Comme
αk+1 = 1 alors x 6= 0. Alors :
kxk+1 k = 1 ⇔ |λk+1 | × kxk = 1

1
On peut ainsi choisir λk+1 = kxk
6= 0. Alors P(k + 1) est vraie.
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 ).
11.2 Espaces euclidiens

Définition
On appelle espace euclidien tout couple (E, ϕ) où E est un R-espace vectoriel de dimension finie et ϕ
un produit scalaire sur E.
Par abus de langage, on dit souvent que E est un espace euclidien.
Dans le restant de ce chapitre, (E, h., .i) désigne un espace euclidien de dimension n.
11.2.1 Bases orthonormales

Théorème
– Tout espace espace euclidien admet une base orthonormale.
– Si (e1 , . . . , en ) est une base orthonormale de E alors les coordonnées, dans cette base, de tout vecteur
x de E sont données par :
n
X
x= hx, ei i ei = hx, e1 i e1 + · · · + hx, en i en
i=1
ainsi la norme d’un tel vecteur x est donnée par :

v
n
X
u n q
uX
kxk2 = hx, ei i2 donc kxk = t hx, ei i = hx, e1 i2 + · · · + hx, en i2
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.
11.2.2 Produits scalaires et matrices

Proposition
Soit B = (e1 , . . . , en ) une base orthonormale de E. Soit (x, y) un couple de vecteurs de E dont les
coordonnées dans la base B sont les matrices colonnes respectives X et Y . Alors :
hx, yi = tXY et kxk2 = tXX
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
La seconde égalité est immédiate.
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

passage de la base B à la base B 0 . Montrer que : A0 = tP AP .
Théorème : changement de base orthonormale (QC*)

Soit B = (e1 , . . . , en ) et B 0 = (e01 , . . . , e0n ) deux bases orthonormales. Soit P la matrice de passage de
la base B à la base B 0 . Alors, la matrice de passage de la base B 0 à la base B est la matrice :
P −1 = tP
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 .
11.3 Projections orthogonales

11.3.1 Supplémentaire orthogonal
Théorème
Soit F un sous espace vectoriel de E. Alors F ⊥ est un supplémentaire de F dans E. En particulier :
dim(F ⊥ ) = dim(E) − dim(F )
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 ⊥ .
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
– Si y = pF (x) alors c’est OK.

– Si y 6= pF (x) alors kpF (x)−xk < ky−xk d’après ce qui précède et donc ky−xk =
6 min {ku − xk | u ∈ F }
d’où le résultat par contraposition.
11.3.3 Application : un problème des moindres carrés

Proposition (QC*)
Soit les matrices A ∈ Mn,p (R) de rang p (donc p ≤ n) et B ∈ Mn,1 (R). Alors :
– Il existe une unique matrice X ∈ Mp,1 (R) telle que la valeur de kAX − Bk est minimale.
– De plus, cette matrice X est solution de l’équation tAAX = tAB.
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 :
∀Y ∈ F, ∃!X ∈ Mp,1 (R) / AX = f (X) = Y
On en déduit qu’il existe une unique matrice X0 ∈ Mp,1 (R) telle que f (X0 ) = pF (B). Or :
AX0 = pF (B) ⇔ kAX0 − Bk = min {kU − Bk | U ∈ F } = min {kAX − Bk | X ∈ Mp,1 (R)}
toujours par bijectivité de g ce qui assure l’existence et l’unicité de X0 .

– De plus :
f (X0 ) = pF (B) ⇔ f (X0 ) ∈ F et B − f (X0 ) ∈ F ⊥ ⇔ B − f (X0 ) ∈ F ⊥

⇔ [∀Y ∈ F, hY, B − f (X0 )i = 0] ⇔ [∀X ∈ Mp,1 (R), hAX, B − f (X0 )i = 0]

⇔ ∀X ∈ Mp,1 (R), t(AX)(B − AX0 ) = 0

⇔ ∀X ∈ Mp,1 (R), tX tA(B − AX0 ) = 0

⇔ ∀X ∈ Mp,1 (R), X, tA(B − AX0 ) = 0 ⇔ tA(B − AX0 ) = Θ

d’où le résultat : tAAX0 = tAB.
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.
11.4 Exercices
11.4.1 Pour les TD
TD
1. À tous polynômes P (X) = a0 + a1 X + a2 X 2 et Q(X) = b0 + b1 X + b2 X 2 de R2 [X], on associe le

réel :
hP, Qi = (a0 + a1 )b0 + (a0 + 3a1 )b1 + 3a2 b2
Montrer que h., .i est un produit scalaire sur R2 [X].

  
x1 y1
2. On considère l’application f définie pour (x, y) =  x2  ,  y2  = R3 × R3 par :
x3 y3
f (x, y) = x1 y1 + 6x2 y2 + 3x3 y3 + 2x1 y2 + 2x2 y1 + 3λx1 y3 + 3λx3 y1
(a) Montrer que f est une forme bilinéaire symétrique sur R3 .

(b) Pour quelle(s) valeur(s) du réel λ, l’application f est-elle un produit scalaire sur R3 ?
3. Les applications suivantes sont-elles des produits scalaires sur R[X] :

Z 1 Z 1
0 0
ϕ(P, Q) = [P (t)Q(t) + P (t)Q (t)] dt ψ(P, Q) = P (0)Q(0) + P 0 (t)Q0 (t)dt
−1 −1
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
Montrer que f et g sont deux endomorphismes de E.

Indication : (x1 , x2 ) ∈ E 2 et (λ1 , λ2 ) ∈ R2 étant fixés, on pourra calculer hf (λ1 x1 + λ2 x2 ) |yi pour
tout vecteur y.
5. (a) Montrer que, pour tout entier naturel n, il existe un unique polynôme Tn de R[X] tel que :
∀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
i. Montrer que h., .i est un produit scalaire sur Rn [X].

ii. Montrer que la famille (Tk )0≤k≤n est une base orthogonale pour ce produit scalaire.
iii. Déterminer kTk k pour tout entier k ∈ J0, nK.
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.
11.4.2 Pour les DL

1. Soit (E, ϕ) un espace euclidien. Soit f : E → E telle que f (0E ) = 0E et :
∀(x, y) ∈ E 2 , kf (x) − f (y)k = kx − yk
Montrer que f est linéaire.
2. (d’après Oral ESCP 2001) Soit (E, h., .i) un espace euclidien. Soit (e1 , . . . , en ) une famille de vec-
teurs unitaires tels que :
X n
∀x ∈ E, kxk2 = hx, ek i2
k=1
(a) Montrer que la famille (e1 , . . . , en ) est orthonormale.
(b) Soit F = Vect(e1 , . . . , en ), x ∈ E et y sa projection orthogonale sur F . Montrer que x = y.
(c) En déduire que (e1 , . . . , en ) est une base orthonormale de E.
3. Pour tout vecteur u de coordonnées (x, y, z) de R3 , on pose : Φ(u) = x2 + 5y 2 + z 2 − 4xy + xz − yz.
(a) Méthode de Gauss pour l’écriture de Φ(u) comme combinaison linéaire de carrés.
i. En considérant que les termes en x de Φ(u) forment le début du développement de (αx +
βy + γz)2 écrire Φ(u) sous la forme : (αx + βy + γz)2 + ay 2 + byz + cz 2 .
ii. En considérant que les termes en y de ay 2 + byz + cz 2 forment le début du développement
d’un carré, écrire Φ(u) sous la forme d’une combinaison linéaire de trois carrés.
iii. En déduire que Φ(u) ≥ 0 pour tout vecteur u ∈ R3 puis que Φ(u) = 0 si et seulement si u
est le vecteur nul.
(b) Pour tout couple (u, v) de vecteurs de R3 , on pose : ϕ(u, v) = 14 [Φ(u + v) − Φ(u − v)].
Montrer que ϕ est un produit scalaire sur R3 préciser sa norme associée en fonction de Φ.
R1
4. On considère l’application h.|.i : R2 [X]2 → R, (P, Q) 7→ −1 P (t)Q(t)dt.
(a) Montrer que h.|.i est un produit scalaire sur R2 [X].
(b) Déterminer l’orthonormalisée (P0 , P1 , P2 ) de Gram-Schmidt de la base canonique de R3 .
(c) Déterminer la distance de P (X) = 1 + X + X 2 au sous espace vectoriel F des polynômes de
R2 [X] dont la dérivée s’annule en 0.

1. (d’après Oral ESCP 2001) Soit E l’ensemble des polynômes P à coefficients réels tels que :
P (X)P (X + 1) = −P (X 2 ) (∗)
(a) Trouver tous les polynômes constants vérifiant la relation (∗).

(b) On suppose, dans cette question, que P ∈ E a un degré supérieur ou égal à 1.
p
i. Soit α une racine (éventuellement complexe) de P . Montrer qu’alors α2 est racine de P
pour tout entier naturel p. Que peut-on en déduire sur le module de α ?
ii. Montrer que si α est racine de P alors (α − 1)2 est également racine de P .
iii. Quelles sont les racines possibles de P ?
iv. Montrer que P est de la forme −X n (X − 1)n avec n ≥ 1.
(c) Soit n ∈ N∗ .
R1
i. Montrer que (P, Q) 7→ 0 P (t)Q(t)dt définit un produit scalaire sur Rn [X].
(k)
ii. La famille X k (X − 1)k est-elle orthonormée pour ce produit scalaire ?
0≤k≤n
On rappelle que P (k) désigne le polynômé dérivé d’ordre k de P .
2. Soit n ∈ N∗ . Pour toute matrice M = (mi,j ) de Mn (R), on appelle trace de M le réel :
n
X
tr(M ) = m1,1 + · · · + mn,n = mi,i
i=1
Pour tout couple (A, B) de matrices de Mn (R), on pose : hA, Bi = tr(tAB).

(a) Montrer que h., .i est un produit scalaire sur Mn (R).
(b) i. Soit D le sous ensemble des matrices diagonales de Mn (R). Montrer que D est un sous
espace vectoriel de Mn (R) dont on précisera une base puis déterminer D⊥ .
ii. Soit S le sous ensemble des matrices symétriques de Mn (R). Montrer que S est un sous
espace vectoriel de Mn (R) puis déterminer S ⊥ .
(c) Soit N la norme associée à ce produit scalaire.
i. Montrer que : ∀(A, B) ∈ Mn (R)2 , N (AB) ≤ N (A)N (B).
√
ii. Montrer que : ∀A ∈ Mn (R), |tr(A)| ≤ nN (A).

Colle
1. Soit (E, ϕ) un espace euclidien (non réduit au vecteur nul). Soit (a, b, c) ∈ R3 et ψ : E × E → R
l’application définie par :
∀(x, y) ∈ E 2 , ψ(x, y) = aϕ(x, x) + bϕ(x, y) + cϕ(y, y)
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
4. Soit F et G deux sous espaces d’un espace euclidien E. Montrer que :

(a) si F ⊂ G alors G⊥ ⊂ F ⊥ ,
(b) (F + G)⊥ = F ⊥ ∩ G⊥ ,
(c) (F ∩ G)⊥ = F ⊥ + G⊥ ,
(d) (F ⊥ )⊥ = F .
5. Soit E un espace euclidien. Soit f : E → E telle que :
∀(x, y) ∈ E 2 , hf (x), yi = hx, f (y)i
(a) Montrer que f est linéaire.

(b) Soit A sa matrice dans une base orthonormée de E. Montrer que A est symétrique.
6. Soit B = (e1 , e2 , e3 ) la base canonique de R3 muni de son produit scalaire canonique h., .i.
     
1 1 −1
(a) Montrer que la famille  1  ,  0  ,  1  est une base de R3 .
2 1 −1
(b) Orthonormaliser cette base. On la notera B 0 = (e01 , e02 , e03 ).
(c) Déterminer la matrice de passage de la base B 0 à la base B.
7. Soit B = (e1 , e2 , e3 ) la base canonique de R3 muni de son produit scalaire canonique h., .i.
     
1 −1 0
(a) Montrer que la famille  −1  ,  0  ,  1  est une base de R3 .
0 1 −2
(b) Orthonormaliser cette base. On la notera B 0 = (e01 , e02 , e03 ).
(c) Déterminer la matrice de passage de la base B 0 à la base B.
R1
8. On pose hP, Qi = 0 P (t)Q(t)dt pour tout couple (P, Q) d’éléments de E = R2 [X].
(a) Montrer que h., .i est un produit scalaire sur E.
(b) Montrer que la famille ((X + 1)X, X(X − 1), (X + 1)(X − 1)) est une base de E.
(c) Orthonormaliser cette base.
R +∞
9. On pose hP, Qi = 0 P (t)Q(t)e−t dt pour tout couple (P, Q) d’éléments de E = R2 [X].
(a) Montrer que l’application h., .i existe puis que c’est un produit scalaire sur E.
(b) Montrer que la famille ((X + 1)X, X(X − 1), (X + 1)(X − 1)) est une base de E.
(c) Orthonormaliser cette base.
DS
1. s
Chapitre 12
Continuité des fonctions de n variables
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
12.1 Éléments de topologie de l’ensemble Rn

12.1.1 Équation paramétrique d’une droite, d’un segment
Définitions
Soit A un point de l’ensemble Rn et u un vecteur non nul de Rn .
−→
– Soit λ ∈ R et B le point de Rn tel que AB = λu. Alors, on note : B − A = λu ou bien B = A + λu.
– On appelle droite passant par A et de vecteur directeur u l’ensemble :
n −→ o
dA,u = M ∈ Rn AB ∈ Vect(u) = {A + λu | λ ∈ R }
De plus, l’application :
R → Rn
λ 7→ A + λu
(qui est une bijection de R dans u) est appelée paramétrisation de la droite dA,u .
– Soit B un point de Rn distinct de A. On appelle segment d’extrémités A et B l’ensemble :
[AB] = {A + λ(B − A) | λ ∈ [0, 1]} = {(1 − λ)A + λB | λ ∈ [0, 1]}
De plus, l’application :
[0, 1] → Rn
λ 7→ A + λu
(qui est une bijection de [0, 1] dans [AB]) est appelée paramétrisation du segment [AB].
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
– On appelle boule fermée de centre A et de rayon r l’ensemble des points de Rn :

n −−→ o
Bf (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.
12.1.3 Ensembles ouverts

Définition
On dit qu’une partie O de l’ensemble Rn est un ensemble ouvert dans Rn pour la norme euclidienne
si et seulement si :
∀A ∈ O, ∃r > 0 / B(A, r) ⊂ O
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
12.1.4 Ensembles fermés

Définition
On dit qu’une partie F de l’ensemble Rn est un ensemble fermé dans Rn pour la norme euclidienne
si et seulement si son complémentaire dans Rn est ouvert dans Rn .
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 ?
12.1.5 Ensembles bornés

Définition
On dit qu’une partie B de l’ensemble Rn est bornée si et seulement si elle est incluse dans une boule.
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.
12.1.6 Ensembles convexes

Définition
On dit qu’une partie C de l’ensemble Rn est convexe si et seulement si :
∀(A, B) ∈ C 2 , [A, B] ⊂ C
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
12.2 Fonctions définies sur Rn

Définitions
Soit U une partie de Rn et f : U → R, (x1 , . . . , xn ) 7→ f (x1 , . . . , xn ).
– On appelle représentation graphique (ou graphe) de la fonction f dans le repère Rn+1 l’en-
semble des points (appelé surface) :
Sf = (x1 , . . . , xn , f (x1 , . . . , xn )) ∈ Rn+1 | (x1 , . . . , xn ) ∈ U

– 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
12.3 Continuité des fonctions de n variables

Dans tout le restant du chapitre, O désigne un ouvert de Rn .
12.3.1 Limite et continuité en un point

Dans ce paragraphe, on considère un point A(a1 , . . . , an ) de Rn tel que :
– ou bien A ∈ O,
– ou bien A ∈ / O mais toute boule ouverte de centre A contient au moins un point de O (autrement dit,
A est sur le bord de O, noté parfois ∂O).
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 :
∀ε > 0, ∃r > 0 / ∀M ∈ Bf (A, r) ∩ O, |f (M ) − `| ≤ ε
– Dans le cas où A ∈ O, on dit alors que f est continue en A.

– Dans le cas où A ∈
/ O, on dit alors que f se prolonge par continuité en A.
– Notations :
lim f (x1 , . . . , xn ) = ` ou lim f (M ) = ` ou lim

−−→
f (M ) = `
(x1 ,...,xn )→(a1 ,...,an ) M →A kAM k→0
– Dans le cas où A ∈
/ O, on dit que :
– f admet +∞ pour limite en le point A si et seulement si :
∀m > 0, ∃r > 0 / ∀M ∈ Bf (A, r) ∩ O, f (M ) ≥ m
– f admet −∞ pour limite en le point A si et seulement si :
∀m < 0, ∃r > 0 / ∀M ∈ Bf (A, r) ∩ O, f (M ) ≤ m

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
Théorème (« tous les chemins mènent à Rome »)

Soit f : O → R admettant pour limite ` (resp. ±∞) en A. Soit I un intervalle de R et t0 ∈ I.
– Pour tout n-uplet (u1 , . . . , un ) de fonctions définies sur I, à valeurs dans R et telles que :
∀t ∈ I, (u1 (t), . . . , un (t)) ∈ O et ∀i ∈ J1, nK, lim u1 (t) = ai

t→t0
la fonction t 7→ f (u1 (t), . . . , un (t)) admet pour limite ` (resp. ±∞) en t0 .

– En particulier, pour tout entier i ∈ J1, nK, la fonction :
xi 7→ f (a1 , . . . , ai−1 , xi , ai+1 , . . . , an )
admet pour limite ` (resp. ±∞) en ai .
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.
Exemple
xy
Montrer que (x, y) 7→ ne se prolonge pas par continuité en O.
x2 + y 2
12.3.2 Continuité sur un ouvert

Définition
Soit f : U → R où U est une partie de Rn . On dit que f est continue sur U si et seulement si f est
continue en chaque point de U.
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.
12.3.3 Cas de fonctions particulières

Propositions
Pour tout entier i ∈ J1, nK, on considère un intervalle Ii ouvert de R et une application ui : Ii → R
continue sur Ii . Alors :
– (x1 , . . . , xn ) 7→ ui (xi ) est définie et continue sur R × · · · × R × Ii × R × · · · × R donc sur I1 × · · · × In ,
– (x1 , . . . , xn ) 7→ u1 (x1 ) + · · · + un (xn ) est définie et continue sur I1 × · · · × In ,
– (x, y) 7→ u1 (x) × · · · × un (xn ) est définie et continue sur I1 × · · · × In .
En conséquence, toute fonction polynôme de n variables (i.e. polynôme en la variable xi pour tout entier i)
est continue sur Rn .
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
3. Démontrer que la fonction f qui suit est continue sur R2 :
f : R2 → R
 p xy

si (x, y) 6= (0, 0)
(x, y) →
7 x2 + y 2
 0 si (x, y) = (0, 0)
Proposition à ajouter (cas particulier de f (u1 (t), . . . , un (t)) à ajouter aussi)

Si f est continue sur I1 × · · · × In et si i ∈ J1, nK alors, pour tout (. . . , x̂i , . . . ) ∈ · · · × Iˆi × . . . , on a :
t 7→ f (x1 , . . . , t, . . . , xn )
est continue sur Ii .
12.3.4 Autres théorèmes

Théorèmes
Soit f : O → R continue sur O.
– Pour tout intervalle ouvert I de R, f −1 (I) est ouvert dans Rn .
– Pour tout intervalle fermé J de R, f −1 (J) est fermé dans Rn .
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 .
Théorème (analogue aux « valeurs intermédiaires ») (admis)

Soit F un fermé et borné de Rn et une fonction f : F → R continue sur F. Alors, l’ensemble f (F) est
borné et ses bornes, notées minf et maxf sont atteintes en un ou plusieurs points de F.
F F
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
ii. Montrer que lim f (x, y) n’existe pas.

(x,y)→(0,0)

1 1

(b) Soit g définie sur R2 − {0, 0} par : g(x, y) = (x + y) sin x
sin y
.
i. Montrer que : lim g(x, y) = 0.

(x,y)→(0,0)
h i
ii. Montrer que lim lim g(x, y) et lim lim g(x, y) n’existe pas.
x→0 y→0 y→0 x→0
2. Étudier l’existence d’une limite en (0, 0) de :
x2 y |x| + |y| x4 y
f (x, y) = g(x, y) = h(x, y) =
x+y x2 + y 2 x2 − y 2
3. Étudier l’existence d’une limite en (0, 0, 0) de :

xyz x+y
f (x, y, z) = et g(x, y, z) =
x+y+z x2 − y2 + z2
4. Étudier la continuité sur R2 des fonctions suivantes :

sin(xy) exy −1
y
si y 6= 0 x2 +y 2
si (x, y) 6= (0, 0)
f (x, y) = g(x, y) =
x si y = 0 0 si (x, y) = (0, 0)
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.
12.4.2 Pour les DL

1. (a) Un exemple.
sin(x)−sin(y)
Soit f définie sur R2 − {(x, x) | x ∈ R} par : f (x, y) = x−y
.
i. Montrer que f est continue sur son domaine de définition.
ii. Peut-on prolonger f en une fonction continue sur R2 ?

utiliser, en la justifiant préalablement, l’égalité : sin(x) − sin(y) =
Indication: On pourra
2 sin x−y
2
cos x+y
2
.
(b) Cas général. f (x)−f (y)
1 2 si x 6= y
Soit f de classe C sur R et F définie sur R par : F (x, y) = 0
x−y .
f (x) si x = y
Démontrer que F est continue sur R2 .
2. Intégrale dépendant d’un paramètre.
Soit I un intervalle de R et (a, b) un couple de réels tel que a ≤ b. Soit f une fonction définie et
Rb
continue sur I × [a, b]. Pour tout réel x de I, on pose : g(x) = a f (x, t)dt. Montrer que g est définie
et continue sur I.
3. Soit ϕ : [0, 1] → R continue sur [0, 1]. Soit n ∈ N. Pour tout a = (a0 , . . . , an ) ∈ Rn+1 , on pose :
n
X
f (a) = sup ϕ(t) − ak tk
t∈[0,1] k=0
(a) Justifier l’existence de f (a) pour tout a = (a0 , . . . , an ) ∈ Rn+1 .

(b) Soit a et b deux éléments de Rn+1 .
i. Montrer que, pour tout réel t ∈ [0, 1], on a :
n
X n
X n
X
k k
ϕ(t) − ak t ≤ ϕ(t) − bk t + |bk − ak | tk
k=0 k=0 k=0
n
X
≤ f (b) + |bk − ak |
k=0
√
≤ f (b) + n + 1kb − ak
√
ii. En déduire que f (a) ≤ f (b) + n + 1kb − ak puis que :
√
|f (b) − f (a)| ≤ n + 1kb − ak
iii. Montrer que f est continue sur Rn+1 .

Pn
(c) On définit la fonction g : Rn+1 → R par : g(a) = supt∈[0,1] k
k=0 ak t .
On remarquera que g est continue sur Rn+1 puisque c’est un cas particulier de la situation
précédente (prendre ϕ = 0).
i. Montrer que g(a) > 0 pour tout a 6= 0.
ii. On pose µ = inf g(a).
kak=1
Justifier l’existence de cette borne inférieure puis montrer qu’elle est atteinte (en un certain
vecteur a). En déduire que µ > 0.
iii. Montrer que : ∀a ∈ Rn+1 , g(a) ≥ µkak.
iv. En déduire que :
∀a ∈ Rn+1 , f (a) ≥ g(a) − K ≥ µkak − K avec K = sup |ϕ(t)|

t∈[0,1]
Préciser alors lim f (a).

kak→+∞
(d) Déduire de ce qui précède que f possède un minimum. P

Si le minimum de f est atteint en a alors le polynôme nk=0 ak tk est appelé polynôme de
meilleure approximation de ϕ sur [0, 1].
12.4. EXERCICES 165

x
2 ey 6 0
si y =
1. Étudier la continuité sur R de la fonction définie par : f (x, y) = .
0 si y = 0
(
|x|p |y|q
|x|+|y|
si (x, y) 6= (0, 0)
2. Soit p et q deux réels strictement positifs. On pose : f (x, y) = .
0 si (x, y) = (0, 0)
−−→ p+q−1
(a) Montrer que : ∀M ∈ R2 , f (M ) ≤ OM .
(b) Calculer f (x, x) pour tout réel x 6= 0.
(c) En déduire les valeurs du couple (p, q) pour lesquelles f est continue en O.
Rx
3. Soit f : R2 → R continue sur R2 . Pour tout réel x, on pose : g(x) = 1 f (t, t2 )dt.
(a) Justifier que l’on a ainsi défini une fonction g sur R.
(b) Démontrer que g est continue sur R.

Colle
1
−
1. Soit f : R2 − {(0, 0)} → R, (x, y) 7→ (x2 + y 2 )e x2 +y 2 .
(a) Justifier que f est continue sur R2 − {(0, 0)}.
(b) Montrer que f se prolonge en une fonction continue sur R2 .
x3 y
2. Soit f : R2 − {(0, 0)} → R, (x, y) 7→ 2x4 +y 4
.
(a) Justifier que f est continue sur R2 − {(0, 0)}.

(b) La fonction f se prolonge-t-elle en une fonction continue sur R2 ?
DS
1. s
Chapitre 13
Variables aléatoires à densité usuelles
Dans tout ce chapitre, on considère un espace probabilisé (Ω, T , P).
13.1 Loi uniforme sur un intervalle

13.1.1 Loi uniforme sur [0, 1]
– La fonction 11[0,1] est la densité d’une variable aléatoire réelle.
– On dit qu’une variable aléatoire X suit la loi uniforme sur l’intervalle [0, 1] si et seulement si l’une
de ses densités est la fonction 11[0,1] .
– Notation : X ,→ U([0, 1]).
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.
Propositions : fonction de répartition, espérance et variance d’une loi uniforme (QC)

Soit X ,→ U([0, 1]). Alors :
– Pour tout réel x ∈ R, on a : 
 0 si x < 0
FX (x) = x si 0 ≤ x ≤ 1
1 si x > 1

– La variable aléatoire X admet une espérance et une variance. De plus :
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
– Pour tout couple (A, B) de réels tel que A < 0 et B > 1, on a :

Z B Z 1 2 1
t 1
t11[0,1] (t)dt = tdt = =
A 0 2 0 2
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 .
13.1.2 Loi uniforme sur [a, b]

Soit (a, b) un couple de réels tel que a < b.
1
– La fonction b−a 11[a,b] est la densité d’une variable aléatoire réelle.
– On dit qu’une variable aléatoire X suit la loi uniforme sur l’intervalle [a, b] si et seulement si une
1
de ses densités est la fonction b−a 11[a,b] .
– Notation : X ,→ U([a, b]).
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 :
X ,→ U([0, 1]) ⇔ Y = (b − a)X + a ,→ U([a, b])
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
c’est à dire que :

x−a
∀x ∈ R, 11[a,b] (x) = 11[0,1]
b−a
– ⇒ : Supposons que X ,→ U([0, 1]). Alors :

1 x−a 1
∀x ∈ R, fY (x) = 11[0,1] = 11[a,b] (x)
b−a b−a b−a
donc Y ,→ U([a, b]).

– ⇐ : Supposons que Y ,→ U([a, b]). Alors, pour tout réel x, on a :

1 1 x−a x−a x−a
11[a,b] (x) = fX ⇔ fX = 11[0,1]
b−a b−a b−a b−a b−a
x−a
Par bijectivité de x 7→ b−a
, on en déduit que fX = 11[0,1] c’est à dire que X ,→ U([0, 1]).
Remarque
Cette proposition est à la base de la simulation informatique de X ,→ U([a, b]).
Conséquences : fonction de répartition, espérance et variance d’une loi uniforme

Soit X ,→ U([a, b]). Alors :
– Pour tout réel x ∈ R, on a : 
 0 si x < a
x−a
FX (x) = b−a
si a ≤ x ≤ b
1 si x > 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 )
(a) Déterminer la loi de Sn .

(b) En déduire que Sn est une variable à densité et préciser l’une de ces densités.
(c) Montrer que Sn admet une espérance et une variance que l’on déterminera.
13.2 Loi exponentielle

13.2.1 Loi E(1)
– La fonction x 7→ e−x 11[0,+∞[ (x) est la densité d’une variable aléatoire réelle.
– On dit que qu’une variable aléatoire X suit la loi exponentielle de paramètre 1 si et seulement si
l’une de ses densités est la fonction x 7→ e−x 11[0,+∞[ (x).
– Notation : X ,→ E(1).
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→+∞
Fonction de répartition, espérance et variance (QC)

Soit X ,→ E(1).
– La fonction de répartition de la variable aléatoire X est :
∀x ∈ R, FX (x) = 1 − e−x 11[0,+∞[ (x)

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→+∞
et la convergence est absolue. D’après la formule de Koenig-Huygens, on en déduit que :
V(X) = E(X 2 ) − E(X)2 = 2 − 12 = 1

13.2. LOI EXPONENTIELLE 171
13.2.2 Loi E(λ)

Soit λ un réel strictement positif.
– La fonction x 7→ λe−λx 11[0,+∞[ (x) est la densité d’une variable aléatoire réelle.
– On dit que qu’une variable aléatoire X suit la loi exponentielle de paramètre λ si et seulement si
l’une de ses densités est la fonction x 7→ λe−λx 11[0,+∞[ (x).
– Notation : X ,→ E(λ).
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).
Fonction de répartition, espérance et variance (QC)

Soit λ un réel strictement positif et X ,→ E(λ).
– La fonction de répartition de la variable aléatoire X est :
∀x ∈ R, FX (x) = 1 − e−λx 11[0,+∞[ (x)


1 1
E(X) = et V(X) =
λ λ2
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).
13.2.3 Loi sans mémoire

L’exemple qui précède tend à montrer que la loi exponentielle est une extrapolation (continue) de la loi
géométrique (discrète). Rappelons que la loi géométrique est la seule loi sans mémoire discrète. Voyons ce
qu’il en est de la loi exponentielle.
Définition
Soit X une variable aléatoire à valeurs positives et telle que :
∀x ≥ 0, P(X > x) > 0
On dit que la loi de X est une loi sans mémoire si et seulement si :
∀(x, y) ∈ [0, +∞[2 , P[X>y] (X > x + y) = P(X > x)
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 :
∀x ≥ 0, P(X > x) > 0
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 :
P(X > x + y) 1 − FX (x + y) e−λ(x+y)

P[X>y] (X > x+y) = = = −λy
= e−λx = 1−FX (x) = P(X > x)
P(X > y) 1 − FX (x) e
– ⇐ : Supposons que X soit sans mémoire. Posons r(x) = P(X > x) = 1 − FX (x) pour tout réel x.
Alors :
∀(x, y) ∈ [0, +∞[2 , r(x + y) = r(x)r(y)
Pour x = y = 0, on obtient :
r(0) = 0 ou r(0) = 1
13.3. LES DIFFÉRENTES LOIS GAMMA 173
Par hyposthèse, r(0) = P(X > 0) > 0 donc r(0) = 1. Par récurrence, on obtient :
∀(x1 , . . . , xn ) ∈ Rn , r(x1 + · · · + xn ) = r(x1 ) . . . r(xn )
Posons a = r(1) > 0. Alors : ∀n ∈ N, r(n) = r(1)n = an . De plus, on a :
∀n ∈ N, 1 = r(0) = r(−n + n) = r(−n)r(n)
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 :
lim r(xn ) = r(x) donc lim axn = r(x) donc r(x) = ax

n→+∞ n→+∞
donc : ∀x ∈ R, r(x) = ax = ex ln(a) .

Comme FX est croissante alors r est décroissante et donc a ∈]0, 1[. Posons λ = − ln(a). Alors :
λ>0 et ∀x ∈ R, FX (x) = 1 − e−λx
donc X ,→ E(λ).
13.3 Les différentes lois gamma

13.3.1 Loi gamma
Soit ν un réel strictement positif.
1 ν−1 −t
– La fonction t 7→ Γ(ν) t e 11]0,+∞[ (t) est la densité d’une variable aléatoire réelle.
– On dit qu’une variable aléatoire X suit la loi gamma de paramètre ν si et seulement si l’une de ses
1 ν−1 −t
densités est la fonction t 7→ Γ(ν) t e 11]0,+∞[ (t).
– Notation : X ,→ γ(ν).
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.
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
13.3.2 Loi Gamma

Soit b et ν deux réels strictement positifs.
x
1
– La fonction x 7→ bν Γ(ν) xν−1 e− b 11]0,+∞[ (x) est la densité d’une variable aléatoire réelle.
– On dit qu’une variable aléatoire X suit la loi Gamma de paramètres b et ν si et seulement si l’une
x
1
de ses densités est la fonction x 7→ bν Γ(ν) xν−1 e− b 11]0,+∞[ (x).
– Notation : X ,→ Γ(b, ν).
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 :
FX (x) = P(X ≤ x) = P(bX ≤ bx) = FY (bx)

1 y
∀x ∈ R, fX (x) = bfY (bx) et ∀y ∈ R, fY (y) = fX
b b
– ⇒ : Supposons que X ,→ γ(ν). Pour tout réel y, on a :
1 1 y ν−1 − y y 1 y
fY (y) = × e 11]0,+∞[
b = ν y ν−1 e− b 11]0,+∞[ (y)
b Γ(ν) b b b Γ(ν)
puisque b > 0. Ainsi Y ,→ Γ(b, ν).
– ⇐ : Supposons que Y ,→ Γ(b, ν). Pour tout réel x, on a :
1 ν−1 − bx 1 ν−1 −x
fX (x) = b × (bx) e b 1
1 ]0,+∞[ (bx) = x e 11]0,+∞[ (x)
bν Γ(ν) Γ(ν)
puisque b > 0. Ainsi X ,→ γ(ν).
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
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 :
E(X) = E(bY ) = bE(Y ) = bν et V(X) = V(bY ) = b2 V(Y ) = b2 ν
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
13.4 Les différentes lois normales

13.4.1 Loi normale centrée réduite
Rappels
On a les égalités suivantes :
√
Γ 12
+∞ +∞

e−t
Z Z
−x2 1 π
e dx = √ dt = =
0 2 0 t 2 2
d’où l’on tire : Z +∞
−x2
√
Z +∞
x2 √
e dx = π et e− 2 dx = 2π
−∞ −∞
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
Fonction de répartition (QC)

Soit X ,→ N (0, 1). La fonction de répartition FX de X est souvent notée Φ. De plus, pour tout réel x,
on a : Z x 2
1 t
Φ(x) = P(X ≤ x) = √ exp − dt et Φ(−x) = 1 − Φ(x)
2π −∞ 2
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.
Espérance et variance (QC)

Soit X ,→ N (0, 1). Alors X admet une espérance et une variance et on a :
E(X) = 0 et V(X) = 1
d’où l’appellation de loi normale centrée réduite.
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
Lorsque a → −∞ et b → +∞ et après multiplication par √1 , on obtient :

2π
E(X 2 ) = 1 et donc V(X) = 1
Exemple
Soit X ,→ N (0, 1). On note σ son écart type.
1. En utilisant la table de valeurs, donner une valeur approchée de :
P(−σ ≤ X ≤ σ) P(−2σ ≤ X ≤ 2σ) P(−2σ ≤ X ≤ 2σ)
2. Comparer ces valeurs avec celles fournies par l’inégalité de Bienaymé-Tchebychev.
13.4.2 Loi normale générale

Soit m un réel et σ un réel strictement
positif.

(x−m) 2
1
– La fonction x 7→ σ 2π exp − 2σ2
√ est la densité d’une variable aléatoire.
– On dit qu’une variable aléatoire X suit la loi normale
deparamètre (m, σ 2 ) si et seulement si l’une
2
des ses densités est la fonction x 7→ σ√12π exp − (x−m)
2σ 2
.
– Notation : X ,→ N (m, σ 2 ).
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
Soit X une variable aléatoire et Y = σX + m. Pour tout réel x, on a :
FX (x) = P(X ≤ x) = P(σX + m ≤ σx + m) = FY (σx + m)

1 y−m
∀x ∈ R, fX (x) = σfY (σx + m) et ∀y ∈ R, fY (y) = fX
σ σ
Compte tenu des définitions de fX et fY dans les cas qui nous intéressent, le résultat est immédiat.
Exemples
1. Lectures de la table de valeurs. Soit X ,→ N 3, 12 . Donner des valeurs approchées de :

P(2 ≤ X ≤ 4) P(X ≥ 0) P(−1 ≤ X ≤ 5)
2. Soit X ,→ N (2, 1). Déterminer la loi de −X.
Conséquence : espérance et variance
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
d’où le résultat fondamental :

X − E(X)
X∗ = ,→ N (0, 1)
σ(X)
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 :
X1 + · · · + Xn ,→ N (m1 + · · · + mn , σ12 + · · · + σn2 )

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 −∞
σ12 +σ22 −σ22 m1 +σ12 (m2 −x) σ 2 m2 +σ 2 (m −x)2

avec a = 2σ12 σ22
, b = 2σ12 σ22
et c = 2 1 2σ12 σ2 2 . En utilisant le résultat de l’exercice 7 du
1 2
2
chapitre 9, en posant aussi d = c − ba , on obtient :
!
(x − (m1 + m2 ))2
r
1 π 1
fX1 +X2 (x) = e−d =p 2 √ exp −
σ1 σ2 2π a σ1 + σ22 2π 2 (σ12 + σ22 )
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
7. Soit X ,→ N (0, 1) et Y ,→ U({−1, 1}) supposées indépendantes. Déterminer la loi de XY .

X+|X|
8. Soit X ,→ N (0, 1). On pose : Y = 2
.
(a) Justifier que Y n’est pas une variable discrète.
(b) Déterminer la loi de Y . La variable aléatoire Y est-elle à densité ?
(c) Déterminer E(X).
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 .
13.5.2 Pour les DL

1. Loi du χ2 (loi du chi-deux, prononcer khi-deux).
Soit X une variable aléatoire suivant la loi N (0, 1).
(a) On pose Y = X 2 .
i. Déterminer la loi de Y . Représenter graphiquement sa fonction de répartition.
On dit que Y suit la loi du chi-deux à un degré de liberté.
ii. Déterminer une densité de Y puis la représenter graphiquement.
iii. Préciser l’espérance et la variance de Y .
(b) i. Soit X1 et X2 deux variables
aléatoires indépendantes admettant la même loi que X. Justi-
2 2 1
fier que X1 + X2 ,→ E 2 .
ii. Soit n ≥ 2 et (X1 , . . . , Xn ) des variables aléatoires mutuellement indépendantes et ayant
toutes la même loi que X. Déterminer la loi de Yn = X12 + · · · + Xn2 . Préciser son espérance
et sa variance.
On dit que Yn suit la loi du χ2 à n degré de liberté.
√
(c) On pose : Tn = Yn .
i. Déterminer la loi de Tn .
On dit que Tn suit la loi de Maxwell-Rayleigh.
ii. Montrer que :
√ Γ n+1

2
E(Tn ) = 2
Γ n2
iii. Déterminer le moment d’ordre 2 de Tn puis calculer V(Tn ).
2. Loi de Pareto.
Soit X ,→ E(λ) avec λ > 0. On pose Y = eX .
(a) Déterminer une densité de Y .

λ
(b) Montrer que Y admet une espérance si et seulement si λ > 1 et que dans ce cas : E(Y ) = λ−1
.
(c) Pour quelles valeurs de l’entier k ≥ 1, la variable Y admet-elle un moment d’ordre k ?
3. Temps d’attente à un guichet.
On considère un bureau de Poste dans lequel il y a deux guichets. Trois personnes A1 , A2 , A3 entrent
en même temps. Les personnes A1 et A2 vont respectivement vers les deux guichets qui libres à ce
moment-là et A3 attend que l’un des deux guichets se libère. On fait les hypothèses suivantes :
• la durée de passage au guichet de la personne Ai est une variable aléatoire Ti qui suit la loi U([0, 1]),
• les variables aléatoires T1 , T2 , T3 sont indépendantes,
• les durées de mouvement des personnes sont considérées comme nulles.
On note X3 le temps passé par la peronne A3 dans le bureau de poste.
(a) Calculer la probabilité que la personne A3 quitte le bureau de Poste en dernier.
(b) Montrer que X3 est une variable aléatoire à densité dont on donnera la loi et l’espérance.

1. Soit X ,→ E(λ) où λ > 0. Pour tout réel u, on pose :
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)
3. (Oral ESCP 2001).

(a) Soit X ,→ U(]0, 1]) et Y = ln(X). Déterminer la loi de Y .
(b) Soit A et B deux variables aléatoires à densité, indépendantes, définies sur un espace probabilisé
(Ω, T , P) et suivant toutes les deux la loi uniforme sur ]0, 1]. À tout ω ∈ Ω, on associe l’équation
de la variable réelle x : A(ω)x2 − B(ω)x + 1 = 0.
On note α(ω) et β(ω) les racines dans C de cette équation. Déterminer la loi de la variable
aléatoire réelle S définie par : S(ω) = α(ω) + β(ω).

Colle
− π2 , π2 . Montrer que tan(X) suit la loi de Cauchy de densité : x 7→ 1

1. Soit X ,→ U π(1+x2 )
.
2. Loi Log-normale.
3. Loi de l’arcsinus
4. Soit X ,→ Γ(b, n) où b > 0 et n ∈ N∗ . Montrer que (à vérifier) :
n−1
X xk x
∀x ∈ R, FX (x) = 1 − k k!
exp −
k=0
b b
5. (a) Soit X ,→ Γ(3, 2). Calculer P(2 ≤ X ≤ 4).

(b) Déterminer la loi de Y = −X.
6. Soit X ,→ E(λ) où λ > 0.
13.5. EXERCICES 183
(a) Déterminer et représenter une densité de Y = X 2 .

(b) Déterminer la loi de Z = bXc puis préciser si elle admet une espérance.
7. (Daprès Oral ESCP 2003). Soit X ,→ N (m, σ). On pose : Y = eX .
(a) i. Déterminer la loi de Y . On note LN (m, σ) cette loi.
ii. Calculer l’espérance de Y .
2 2
On admet que V(Y ) = e2m+σ (eσ − 1).
(b) Soit Y1 et Y2 deux variables aléatoires indépendantes suivant les lois LN (m1 , σ1 ) et LN (m2 , σ2 ).
i. Quelle est la loi de Z = Y1 Y2 ? Indication : ln(Z) = ln(Y1 ) + ln(Y2 ).
ii. Quelle est l’espérance de Z ? sa variance ?
(c) Quelle est la loi du produit de n variables aléatoires mutuellement indépendantes suivant toutes
la loi LN (m, σ) ?
Y −em
(d) On pose T = σem
.
i. Calculer E(T ) et V(T ) et étudier leur limite lorsque σ tend vers 0.
ii. Déterminer une densité gσ de T qui soit continue sur R.
8. (Oral ESCP 2003). Soit X et Y deux variables aléatoires indépendantes suivant la loi uniforme sur
[0, 1].
(a) Déterminer une densité h de la somme Z = X + Y puis sa fonction de répartition FZ .
(b) On se propose de retrouver cette fonction de répartition par une méthode géométrique : on munit
le plan R2 d’un repère orthonormé.
i. Soit a, b, c, d quatre réels vérifiant : 0 ≤ a < b ≤ 1 et 0 ≤ c < d ≤ 1.
Quelle est la probabilité de l’événement [a < X < b] ∩ [c < Y < d] ?
Vérifier que cette probabilité est égale à l’aire du rectangle de sommets (a, c), (b, c), (b, d), (a, d)
que l’on représentera.
ii. De façon générale, les points de coordonnées (X, Y ) étant uniformément répartis dans le
carré de sommets (0, 0), (1, 0), (1, 1), (0, 1), on admet que, pour toute partie A de [0, 1] ×
[0, 1], la probabilité de l’événement [(X, Y ) ∈ A] est égale à l’aire de cette partie A.
Soit z ∈ [0, 2]. Représenter dans le carré [0, 1] × [0, 1] l’ensemble A des points de coordon-
nées (X, Y ) tels que [X + Y < z].
On séparera les cas 0 ≤ z ≤ 1 et 1 < z ≤ 2.
Calculer dans chacun de ces deux cas l’aire de A et retrouver ainsi la fonction de répartition
de Z.
(c) On se propose d’utiliser cette méthode géométrique pour déterminer la fonction de répartition
de T = XY .
i. Soit z ∈ [0, 1]. Représenter dans le carré [0, 1] × [0, 1] l’ensemble des points vérifiant
XY < z.
ii. Déterminer la fonction de répartition de T .
iii. Calculer l’espérance de T et vérifier que E(XY ) = E(X)E(Y ).
DS
1. s
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
Soit u : E → E. On dit que u est symétrique si et seulement si :
∀(x, y) ∈ E 2 , hu(x), yi = hx, u(y)i
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 :
hu(λx + µy), zi = hλx + µy, u(z)i = λ hx, u(z)i + µ hy, u(z)i

= λ hu(x), zi + µ hu(y), zi = hλu(x) + µu(y), zi
donc, pour tout vecteur z ∈ E, on a :
hu(λx + µy) − [λu(x) + µu(y)] , zi = 0
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
donc u est symétrique.
14.1.2 Lien avec les matrices

Proposition (QC)
Soit u un endomorphisme symétrique de E et B une base orthonormale de E. Alors, la matrice de u

dans B est symétrique.
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
donc A est symétrique.
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.
14.2 Réduction des endomorphismes symétriques

14.2.1 Cas des endomorphismes symétriques
Proposition
Tout endomorphisme symétrique admet une valeur propre réelle.
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.
14.2.2 Cas des matrices symétriques

Théorème
Toute matrice symétrique réelle est diagonalisable dans une base orthonormale. Autrement dit, une
matrice A ∈ Mn (R) est symétrique si et seulement s’il existe une matrice orthogonale P telle que tP AP
est diagonale.
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) .
14.3 Formes quadratiques

14.3.1 Forme quadratique associée à un endomorphisme symétrique
Définition
Soit u un endomorphisme symétrique de E. On appelle forme quadratique associée à l’endomor-
phisme symétrique u l’application :
q : E → R
x 7→ q(x) = hu(x), xi
14.3. FORMES QUADRATIQUES 189
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
– Toute application de la forme :
q : E → R
n
X X
x 7→ q(x) = ai xi + 2 ai,j xi xj
i=1 1≤i<j≤n
où (a1 , . . . , an ) ∈ Rn et(ai,j )1≤i<j≤n ∈ Rn(n−1) est la forme quadratique associée à l’endomorphisme

a1 (ai,j )
symétrique de matrice 
 . ..  dans la base B.

(aj,i ) an
Preuves
s
Propositions (propriétés des formes quadratiques, QC)

Soit q une forme quadratique sur E.
– q(0E ) = 0.
– Pour tout vecteur x de E et tout réel λ, on a : q(λx) = λ2 q(x).
En particulier, on a : ∀x ∈ E, q(−x) = q(x).
– L’application ϕ : (x, y) 7→ 41 (q(x + y) − q(x − y)) est une forme bilinéaire symétrique sur E × E et
alors :
∀(x, y) ∈ E 2 , q(x + y) = q(x) + q(y) + 2ϕ(x, y)
Preuves
– évident avec la définition.
– simple avec la définition.
– toujours la définition avec bilinéraité et symétrie.
14.3.2 Réduction des formes quadratiques

Proposition
Soit q la forme quadratique sur E associée un endomorphisme symétrique u. Soit B = (e1 , . . . , en )
une base orthonormale constituée de vecteurs propres de u (et plus précisément u(ei ) = λi ei pour tout
i ∈ J1, nK). Alors :
X n
∀x ∈ E, q(x) = λi x2i
i=1
où (x1 , . . . , xn ) sont les coordonnées de x dans la base B.

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
à utiliser pour i = 1, . . . , n tant que l’on a un facteur carré,

2. la transformation « bilinéaire/quadratique » :
ai,j
(xi + xj )2 − (xi − xj )2

ai,j xi xj =
4
à n’utiliser que lorsqu’il ne reste plus de carrés mais seulement des « doubles produits ».
Attention, en fin de réduction, on ne doit avoir qu’au plus une combinaison linéaire de n carrés.
14.4. EXERCICES 191
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
2. L’application suivante est-elle un produit scalaire sur R3 :

3
ϕ :  R ×R3  → R
x1 y1
 x2  ,  y2  7→ x1 y2 + x2 y1 + x1 y3 + x3 y1 + 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
2. Montrer de deux manières différentes que l’application :

3
ϕ :  R ×R3  → R
x1 y1 X3 X 3
 x2  ,  y2  →
7 (i + j − 2)xi yj
x3 y3 i=1 j=1
n’est pas un produit scalaire.

 
1 1 ... 1
 1 0 ... 0 
3. Soit A =  .. .. ..  ∈ Mn (R).
 
 . . . 
1 0 ... 0
(a) Justifier que A est diagonalisable.
(b) Déterminer une base de Im(A) puis une base de Ker(A).
(c) En déduire une base orthonormale pour le produit scalaire canonique de Rn dans laquelle A est
diagonalisée.
4. Soit E un espace euclidien de dimension n. Soit v ∈ L(E).
(a) Soit (e1 , . . . , en ) une base orthonormale de E.
i. Soit x = x1 e1 + · · · + xn en et y = y1 e1 + · · · + yn en deux vecteurs de E. Rappeler
l’expression de hx, yi en fonction des réels xi et yj .
ii. Montrer qu’il existe un unique endomorphisme w de E tel que :
∀(x, y) ∈ E 2 , hv(x), yi = hx, w(y)i

iii. Montrer que u = 12 (v + w) est un endomorphisme symétrique de E.

(b) i. Soit f un endomorphisme symétrique de E. On note λ (resp. µ) sa plus petite (resp. grande)
valeur propre. Montrer que :
∀x ∈ E, λkxk2 ≤ hf (x), xi ≤ µkxk2
Indication : utiliser une base orthonormale convenable.

ii. Soit λ (resp. µ) la plus petite (resp. grande) valeur propre de u et α une valeur propre de v.
Montrer que :
λ≤α≤µ
5. Endomorphisme antisymétrique.
On dit qu’un endomorphisme u d’un espace euclidien E est antisymétrique si et seulement si :
∀(x, y) ∈ E 2 , hu(x), yi = − hx, u(y)i
(a) Soit u ∈ L(E). Montrer que u est antisymétrique si et seulement si :
∀x ∈ E, hu(x), xi = 0
(b) Soit ϕ un endomorphisme antisymétrique de E.

i. Montrer que : Ker(ϕ)⊥ = Im(ϕ). En déduire que rg(ϕ) est pair.
ii. Montrer que si λ ∈ Sp(ϕ) alors λ = 0.
iii. Montrer que ϕ2 est symétrique.
(c) Soit x un vecteur propre de ϕ2 associé à une valeur propre µ. On pose : Ex = Vect(x, ϕ(x)).
i. Montrer que Ex et Ex⊥ sont stables par ϕ.
ii. Montrer que µ > 0.
iii. Déterminer alors unebase (e1 , e2 ) de E telle que l’endomorphisme ϕx induit par ϕ sur Ex
√ x
0 − µ
admet pour matrice √ dans cette base.
µ 0
On rappelle que l’endomorphisme ϕx est défini par :
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 :
∀(x, y) ∈ E 2 , hf (x), yi = hx, f ∗ (y)i
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
(c) Soit f ∈ L(E). Démontrer l’équivalence des propositions qui suivent :

i. f ∗ = f −1
ii. ∀x ∈ E, kf (x)k = kxk
iii. ∀(x, y) ∈ E 2 , hf (x), f (y)i = hx, yi
iv. l’image par f d’une base orthonormée de E est une base orthonormée de E
v. l’image par f de toute base orthonormée de E est une base orthonormée de E
Un endomorphisme f vérifiant l’une de ces propriétés est dit orthogonal.
2. Soit u un endomorphisme symétrique d’un espace euclidien E.
On dit que u est positif (resp. défini-positif) si et seulement si toutes ses valeurs propres sont positives
(resp. strictement positives).
(a) On suppose que u est positif. Montrer qu’il existe un endomorphisme symétrique s positif tel
que u = s2 .
L’endomorphisme s est appelé racine positive de u.
(b) On suppose que u est défini-positif. Justifier que s l’est aussi.
14.4.2 Pour les DL

1. (d’après oral ESCP 2001). Soit A et B les matrices de M3 (R) définies par :
   
−2 4 4 5 2 −1
1 1
A =  4 −2 4  et B=  2 2 2 
6 6
4 4 −2 −1 2 5
(a) i. Montrer que A est diagonalisable dans une base orthonormée puis effectuer une telle dia-
gonalisation.
ii. Montrer qu’il existe une matrice inversible P telle que les matrices P −1 AP et P −1 BP soit
toutes les deux diagonales.
(b) Soit F l’application définie sur M3 (R) par :
∀X ∈ M3 (R), F (X) = AX − XB
i. Montrer que F est un endomorphisme de M3 (R).

ii. Soit U un vecteur colonne propre de A et V un vecteur colonne propre de B. Calculer
F (U tV ).
iii. L’application F est-elle un automorphisme de M3 (R) ?
iv. F est-elle diagonalisable ?
2. Polynômes de Legendre.
Soit p un entier naturel non nul.
(a) Montrer que l’application :
h, i : Rp [X]2 → R
R1
(P, Q) 7→ hP, Qi = −1 P (t)Q(t)dt
est un produit scalaire sur Rp [X].

(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. Montrer, à l’aide de la formule de Leibniz, que pour tout n ∈ N, on a :

n 2
1 X n
Pn (X) = n (X − 1)n−k (X + 1)k
2 k=0 k
ii. Vérifier que Pn (1) = 1 et que Pn (−1) = (−1)n .

iii. Prouver que : ∀n ∈ N, deg(Pn ) = n.
(c) On définit l’opérateur de Legendre comme étant l’application L définie comme suit :
L : Rp [X] → Rp [X]
0
P 7→ L(P )(X) = [(X 2 − 1)P 0 (X)]
i. Montrer que L est un endomorphisme de Rp [X].

ii. Prouver que :
∀(i, j) ∈ J0, pK2 , hPi , L(Pj )i = hL(Pi ), Pj i
Que peut-on dire de L ?
(d) i. Montrer que, pour tout entier naturel n, on a :
0
Un+1 (X) − XUn (X) = Θ et (X 2 − 1)Un0 (X) − 2nXUn (X) = Θ
ii. En dérivant (n + 1) fois la seconde égalité, prouver que :
∀n ∈ J0, pK, L(Pn ) = n(n + 1)Pn
Que peut-on dire de Pn pour l’endomorphisme L ?

(e) i. Déduire de ce qui précède que (P0 , . . . , Pp ) est une base orthogonale de Rp [X].
R 1 (n) (n)
ii. Calculer kPn k2 à l’aide d’intégrations par parties successives de −1 Un (t)Un (t)dt.

1. (Oral ESCP 2001). Soit s ∈ N tel que s ≥ 2. On considère l’espace vectoriel Ms (R) des matrices
t
carrées   réels. Pour tout A ∈ Ms (R), on note A la matrice transposée de A.
d’ordres à coefficients
x1 y1
 ..   .. 
Si x =  .  et y =  .  sont deux vecteurs de Rs , on pose :
xs ys
s
X p
hx, yi = xk yk et kxk = hx, xi
k=1
Enfin, si E est un sous espace vectoriel de Rs alors on note E ⊥ l’orthogonal de E.

(a) On suppose dans cette question que s = 4 et on considère la matrice :
 
1 −1 1 1
1  −1 1 −1 −1 
P =  
4  1 −1 1 1 
1 −1 1 1
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
i. Montrer que Q est la matrice d’une projection orthogonale de R4 .

ii. Montrer que P et Q vérifient la condition (∗), où P est la matrice de la première question.
iii. Que peut-on dire de P + Q ?

Colle
1. Soit a ∈ R. Pour tout vecteur u de coordonnées (x, y, z) dans la base canonique B de R3 , on pose :
q(x) = x2 + (1 + a)y 2 + (1 + a + a2 )z 2 + 2xy − 2ayz
(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
Chapitre 15
Fonctions de n variables de classe C 1
Dans ce chapitre, on désigne par :

– n un entier supérieur ou égal à 2,
– (~e1 , . . . , ~en ) (resp. (~e1 , . . . , ~en , ~en+1 )) la base canonique (orthonormale) de l’espace vectoriel eucli-
dien Rn (resp. Rn+1 ) muni de son produit scalaire canonique,
– Rn = (O, ~e1 , . . . , ~en ) (resp. Rn+1 = (O, ~e1 , . . . , ~en+1 )) le repère orthonormé associé de l’espace
affine Rn (resp. Rn+1 ) (espace de points),
−→
– Ii le point tel que OIi , pour tout i ∈ J1, nK,
– O un ouvert de l’espace affine Rn ,
– f et g deux applications définies sur O et à valeurs dans R,
– A(a1 , . . . , an ) un point de O.
Par ailleurs, aucune démonstration n’est exigible.
15.1 Dérivées partielles d’ordre 1 et gradient en un point

Définition
– Soit i ∈ J1, nK. On dit que f admet une dérivée partielle d’ordre 1 par rapport à la variable xi
au point A si et seulement si la fonction xi 7→ f (a1 , . . . , ai−1 , xi , ai+1 , . . . , an ) est dérivable en ai .
– Diverses notations sont alors possibles :
∂f f (a1 , . . . , ai−1 , xi , ai+1 , . . . , an ) − f (a1 , . . . , an )
(a1 , . . . , an ) = lim
∂xi xi →ai xi − ai
f (a1 , . . . , ai−1 , ai + h, ai+1 , . . . , an ) − f (a1 , . . . , an )
= lim
h→0 h
∂f f (A + hIi ) − f (A)
(A) = lim
∂xi h→0 h
– Interprétation graphique : la courbe obtenue par intersection de la représentation graphique de f
avec l’hyperplan affine de Rn+1 d’équation xi = ai admet une tangente au point de coordonnées
(a1 , . . . , an , f (a1 , . . . , an )).
– Lorsque f admet une dérivée partielle par rapport à toutes les variables xi au point A alors, on appelle
gradient de f au point A le vecteur de Rn :
 ∂f 
∂x1
(A)
−−→ ..
∇f (A) = ∇fA = gradf (A) = 
 
. 
∂f
∂xn
(A)
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
1. f : (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + c (application affine)

−−→
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
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 .
Propositions (opérations sur les dérivées partielles au point A)

Soit (λ, µ) ∈ R2 et ϕ une fonction définie sur un intervalle I de R qui contient f (O) qui est dérivable
en f (A).
– Si f et g admettent une dérivée partielle par rapport à la variable xi au point A alors λf + µg, f × g,
f
g
(dans le cas où g(A) 6= 0) et ϕ ◦ f admettent une dérivée partielle par rapport à la variable xi au
point A et on a :
∂(λf + µg) ∂f ∂g
(A) = λ (A) + µ (A)
∂xi ∂xi ∂xi
∂(f × g) ∂f ∂g
(A) = (A) × g(A) + f (A) × (A)
∂xi ∂xi ∂xi

∂ fg ∂f ∂g
(A) × g(A) − f (A) × ∂x (A)
(A) = ∂xi i
∂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) :
∇(λf + µg)(A) = λ.∇f (A) + µ.∇g(A)
∇(f × g)(A) = g(A).∇f (A) + f (A).∇g(A)

f 1
∇ (A) = . [g(A).∇f (A) − f (A).∇g(A)]
g g(A)2
∇(ϕ ◦ f )(A) = ϕ0 (f (A)).∇f (A)
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
15.2 Développement limité à l’ordre 1

Propositions
– On suppose que f admet un gradient en A (c’est D à dire des dérivées partielles par rapport à chaque
−−→E
variable xi ). Alors, l’application H 7→ f (A) + ∇f (A), OH est affine sur Rn et on a :
h D −−→Ei
lim f (A) + ∇f (A), OH = f (A)
H→O
– On suppose, de plus, que f est continue en A. Alors :

h D −−→Ei
lim f (A + H) − f (A) − ∇f (A), OH = 0
H→O
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
– Comme f est continue en A alors f (A + H) − f (A) −→ 0 d’où la conclusion.

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
où ε : R → R est telle que limt→0 ε(t) = 0.

– Lorsque f admet un développement limité à l’ordre 1 au voisinage de A, on appelle approximation
n
D −−→E
affine de f au voisinage de A la fonction, définie sur R par H 7→ f (A) + ∇f (A), OH dont la
sa représentation graphique est appelée plan tangent en A.
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).
−−→
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.
15.3 Fonctions de classe C 1 sur un ouvert de Rn

15.3.1 Fonctions dérivées partielles
Définitions
On suppose que f admet des dérivées partielles par rapport à chaque variable xi en tout point de l’ouvert
O. On appelle fonction dérivée partielle de f sur O par rapport à la variable xi la fonction :
∂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
Propositions (opérations sur les fonctions dérivées partielles)

Soit (λ, µ) ∈ R2 et ϕ une fonction définie, continue et dérivable sur un intervalle I de R qui contient
f (O). Soit i ∈ J1, nK. Si f et g admettent une fonction dérivée partielle par rapport à xi sur O alors λf +µg,
f × g, fg (dans le cas où g(A) 6= 0) et ϕ ◦ f admettent une dérivée partielle par rapport à xi sur O et on a :
∂(λf + µg) ∂f ∂g ∂(f × g) ∂f ∂g

=λ +µ = ×g+f ×
∂xi ∂xi ∂xi ∂xi ∂xi ∂xi

∂ fg ∂f ∂g
× g − f × ∂x ∂(ϕ ◦ f ) ∂f
∂xi
= i
= × ϕ0 ◦ f
∂xi g2 ∂xi ∂xi
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
15.3.2 Fonctions de classe C 1

Définition
On dit que f est de classe C 1 sur O si et seulement si f admet des fonctions dérivées partielles par
rapport à chaque variable xi sur O qui sont aussi continues sur O.
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
Propositions (opérations sur les fonction de classe C 1 )

– On suppose que f et g sont de classe C 1 sur O. Soit (λ, µ) ∈ R2 . Soit ϕ une fonction de classe C 1
sur un intervalle I de R contenant f (O). Alors, les fonctions λf + µg, f × g, fg (dans le cas où g ne
s’annule pas sur O) et ϕ ◦ f sont de classe C 1 sur O.
– En particulier, toute fonction polynôme est de classe C 1 sur Rn .
Preuves
C’est évident d’après les théorèmes précédents.
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
C’est une conséquence du théorème précédent.
Théorème (chemin de classe C 1 sur une surface de classe C 1 )
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
Soit t ∈ I. Pour tout réel h non nul tel que t + h ∈ I, on a :
ui (t + h) = ui (t) + hu0i (t) + hεi (h)) avec lim εi (h) = 0

h→0
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
...
15.3.3 Dérivées directionnelles

On suppose que f est de classe C 1 sur O. Soit U un vecteur unitaire de Rn et I un intervalle de R

contenant 0 et tels que {A + tU | t ∈ I} ⊂ O (c’est un morceau de droite contenant le point A).
– La fonction g : t 7→ f (A + tU ) est de classe C 1 sur I.
– On appelle dérivée de f en le point A dans la direction du vecteur U le réel :
f (A + tU ) − f (A)
fU0 (A) = g 0 (0) = lim
t→0 t
Preuve
C’est une conséquence du théorème précédent.

15.3. FONCTIONS DE CLASSE C 1 SUR UN OUVERT DE RN 203
Exemples
Déterminer la dérivée directionnelle de f en A dans la direction de U dans les cas suivants :

1. f : (x1 , . . . , xn ) 7→ α1 x1 + · · · + αn xn + c avec A = (−1, . . . , −1) et U = √1n , . . . , √1n
−−→
2. f : M 7→ kOM k avec A = (−1, . . . , −1) et U = √1n , . . . , √1n
−−→
3. f : M 7→ kOM k2 avec A = O et U = √1n , . . . , √1n puis avec A = (−1, . . . , −1) et U =

√1 , . . . , √1
n n
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
On suppose que f est de classe C 1 sur O. Alors :

– pour tout vecteur unitaire U de Rn , on a : fU0 (A) = h∇f (A), U i,
– si ∇f (A) n’est pas le vecteur nul alors la plus grande dérivée directionnelle en A est obtenue pour le
vecteur unitaire k∇f1(A)k ∇f (A) (donc selon la direction de ∇f (A)) et vaut k∇f (A)k ; la plus petite
dérivée directionnelle en A est obtenue selon la même direction mais dans le sens opposé,
– si ∇f (A) est le vecteur nul alors toutes les dérivées directionnelles sont nulles (le plan tangent est
horizontal).
Preuves
– Soit U = (α1 , . . . , αn ) ∈ Rn un vecteur unitaire. Alors :
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.
Interprétation du gradient en un point A

−−→
Le vecteur gradf (A) donne la direction de la ligne de « plus grande pente » à la surface Sf au point A
−−→
(si on lâche un objet en A, il va partir dans la direction et le sens de −gradf (A) car il tombe).
15.3.4 Accroissements finis

Théorème des accroissements finis
On suppose que f est de classe C 1 sur O. Si H un point de O tel que [A, A + H] ⊂ O alors :
D −−→E
∃θ ∈]0, 1[ / f (A + H) = f (A) + ∇f (A + θH), OH
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 :
∃C ∈]A, B[ / f (B) − f (A) = h∇f (C), B − Ai
Préciser un tel point C en fonction de A et de B.
15.4 Extrema d’une fonction de n variables

15.4.1 Notions d’extrema
Définitions
On suppose (ici) que f est définie sur une partie U quelconque de Rn .
– On dit que f admet un maximum (resp. minimum) absolu en A sur U si et seulement si :
∀M ∈ U, f (M ) ≤ f (A) resp. f (M ) ≥ f (A)
– On dit que f admet un maximum (resp. minimum) local en A si et seulement si :
∃r > 0 / ∀M ∈ B(A, r), f (M ) ≤ f (A) resp. f (M ) ≥ f (A)

15.4. EXTREMA D’UNE FONCTION DE N VARIABLES 205
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.
15.4.2 Condition nécessaire d’existence d’un extremum sur un ouvert

Définition
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
On écrit un développement limité de f en tout point A de O :

D −−→E −−→ −−→
∀M ∈ O, f (M ) = f (A) + ∇f (A), AM + kAM kε kAM k avec lim ε(t) = 0
t→0
D −−→E −−→ −−→

Au voisinage de A, le réel f (M ) − f (A) a même signe que ∇f (A), AM puisque kAM kε kAM k est
D −−→E
négligeable devant ∇f (A), AM au voisinage de A. Ce signe ne peut être constant sur un voisinage de A
que si le produit scalaire est nul sur ce voisinage donc si ∇f (A) est nul ce qui prouve que le point A est un
point critique.
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.
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 ?
2. On pose f (x, y) = ln(1 + xy).
(a) i. Déterminer le domaine de définition Df de f . Est-il ouvert ?

∂f ∂f
ii. Justifier que f est de classe C 1 sur Df et préciser les fonctions ∂x
et ∂y
.
(b) i. Déterminer le(s) point(s) critique(s) de f .
ii. A-t-on un extremum local en ce(s) point(s) ?
(c) i. Montrer que f admet un maximum et un minimum sur ∆ = {(x, y) ∈ R2 | x ≤ 3, y ≥
−1 x − y ≥ 1}.
ii. Déterminer les points de ∆ en lesquels les extrema sont atteints.
(d) Soit A(xA , yA ) ∈ R2 .
i. Déterminer une équation du plan tangent en A.

ii. Calculer la dérivée directionnelle en tout vecteur unitaire ~u(α, β).
iii. Quelle est la direction de plus grande pente en A 1, − 21 ? Calculer la pente dans cette

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 ?
4. Soit f : R2 → R, (x, y) 7→ x3 − 3x(1 + y 2 ).
(a) Déterminer les extremums locaux de f .

(b) Soit D = {(x, y) ∈ R2 | x2 + y 2 ≤ 1}.
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
15.5.2 Pour les DL

1. (Oral ESCP 2001). Pour tout couple (x, y) de réels strictement positifs, on pose :
Z +∞
et dt
f (x, y) = t t
−∞ (x.e + 1)(y.e + 1)
(a) i. Vérifier la convergence de l’intégrale ci-dessus.

ii. Calculer f (x, x) pour tout réel x > 0.
(b) Soit x et y deux réels strictement positifs distincts.
i. Montrer qu’il existe un unique couple (a, b) de réels tels que :
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 .

1. (D’après Oral ESCP 2001). Soit n ∈ N. L’espace vectoriel Rn est muni de sa structure euclidienne
canonique, le produit scalaire étant noté h., .i et la norme associée k.k. Soit f une application de classe
C 1 définie sur Rn à valeurs dans R et convexe, c’est à dire que :
∀(M, N ) ∈ (Rn )2 , ∀λ ∈ [0, 1], f ((1 − λ)M + λN ) ≤ (1 − λ)f (M ) + λf (N )
Pour tout couple (H, M ) de points de Rn , on définit la fonction :
ϕH,M : R → R, t 7→ f (M + tH)
(a) Soit (H, M ) ∈ (Rn )2 .

i. Montrer que ϕH,M est une fonction dérivable et convexe sur R.
ii. En déduire que : ϕ0H,M (0) ≤ ϕH,M (1) − ϕH,M (0).
(b) Montrer que, pour tout (M, N ) ∈ (Rn )2 , on a :

D−−→ E
gradf (M ), N − M ≤ f (N ) − f (M )
−−→
(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 :
∀(M, N ) ∈ (Rn )2 , ∀λ ∈]0, 1[, M 6= N ⇒ f ((1 − λ)M + λN ) < (1 − λ)f (M ) + λf (N )
i. Montrer que, pour tout point M ∈ Rn , on a : f (O) ≤ f (M ) puis que, si M 6= O alors

f (M ) > 0.
ii. Montrer que inf
−−→
f (M ) existe. On note α cette valeur. Montrer que α > 0.
kOM k=1
−−→ −−→
iii. Montrer que si kOM k > 1 alors f (M ) ≥ αkOM k. En déduire la valeur de −−→
lim f (M ).
kOM k→+∞
2. Soit A ∈ Mn (R) une matrice symétrique. On note S = {X ∈ Rn | kXk = 1} et on considère la

fonction :
ϕ : Rn − {Θ} → R
t
XAX
X 7→
kXk2
(a) Montrer qu’il existe X0 ∈ S tel que : ϕ(X0 ) = max ϕ(X).
X∈S
(b) Montrer que : ϕ(X0 ) = max ϕ(X).
X∈Rn −{Θ}
(c) Montrer que ϕ est de classe C 1 sur Rn − {Θ}.

(d) En remarquant que X0 est un point critique (à préciser) de ϕ, montrer que X0 est un vecteur
propre de A. Quel théorème du cours a-t-on démontré ?

Colle
1. ? ? ? ? Soit f de classe C 1 sur Rn (à valeurs dans R) et F définie sur Rn par :
∀(x1 , . . . , xn ) ∈ Rn , F (x1 , . . . , xn ) = f (x1 − x2 , x2 − x3 , . . . , xn−1 − xn , xn − x1 )
Montrer que F est de classe C 1 sur Rn puis déterminer nk=1 ∂x ∂F

P
i
(x1 , . . . , xn ).
2. (Oral ESCP 2002). Soit f : R2 → R définie par :
(
(x2 + y 2 )x si (x, y) 6= (0, 0)
f (x, y) =
1 si (x, y) = (0, 0)
(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
Convergences des suites de variables aléatoires
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 :
Xn −→ X ⇔ ∀ω ∈ Ω, lim Xn (ω) = X(ω)

n→+∞ n→+∞
(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.
16.1 Convergence en probabilité

Définition
On dit que la suite de variables aléatoires (Xn )n∈N converge en probabilité vers la variable aléatoire X
et on note Xn −→ X si et seulement si :
P
∀ε > 0, lim P (|Xn − X| > ε) = 0

n→+∞
Remarques
– Cette définition de la convergence en probabilité est évidemment équivalente à :
∀ε > 0, lim P (|Xn − X| ≤ ε) = 1

n→+∞
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.
3. On suppose que, pour tout entier naturel n non nul, on a :
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
(les variables X et X 0 sont presque sûrement égales pour la probabilité P).

Vérifier, dans l’exemple 4 ci-avant, que l’on a aussi : Xn −→ 11{0} .
P
– On ne peut pas composer la convergence en probabilité avec l’espérance (voir exemple 3).
16.1.2 Propriétés opératoires de la convergence en probabilité

Théorèmes
– On note 0 la variable certaine égale à 0. On a les équivalences suivantes :
|Xn | −→ 0 ⇔ Xn −→ 0
P P
Xn −→ X ⇔ Xn − X −→ 0
P P
16.1. CONVERGENCE EN PROBABILITÉ 211
– Si Xn −→ X et si f est continue sur R alors f (Xn ) −→ f (X). En particulier, on a :

P P
Xn −→ X ⇒ ∀(a, b) ∈ R2 , aXn + b −→ aX + b
P P
– On suppose que Xn −→ X et que Yn −→ Y .

P P
– Linéarité : ∀(λ, µ) ∈ R2 , λXn + µYn −→ λX + µY .
P
– Produit : Xn Yn −→ XY .
P
Xn X
– Quotient : si P(Y = 0) = 0 alors −→ .
Yn P Y
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
Xn → X ⇔ ∀ε lim P(|Xn − X| > ε) = 0 ⇔ ∀ε lim P(|(Xn − X) − 0| > ε) = 0 ⇔ Xn −X → 0

P n→+∞ n→+∞ P
– Fonction de transfet. C’est difficile.
– Linéarité. Si λ = 0 ou si µ = 0 alors le résultat est immédiat. Dans le cas contraire, on a l’inclusion
des événements :
h εi h ε i
[|λXn + µYn − λX − µY | > ε] ⊂ |λXn − λX| > ∪ |µYn − µY | >
2 2
Comme P(A ∪ B) = P(A) + P(B) − P(A ∩ B) ≤ P(A) + P(B) alors :
ε ε
P (|λXn + µYn − λX − µY | > ε) ≤ P |λXn − λX| > + P |µYn − µY | >
2 2

ε ε
P (|λXn + µYn − λX − µY | > ε) ≤ P |Xn − X| > + P |Yn − Y | > −→ 0
2|λ| 2|µ| n→+∞
– Produit.
– Quotient.
16.1.3 Loi faible des grands nombres

Théorème (dit de la loi faible des grands nombres, QC)
Soit m ∈ R et σ ∈ R+ . On suppose que les Xn sont deux à deux non corrélées (ce qui est le cas
lorsqu’elles sont mutuellement indépendantes), admettent toutes le réel m pour espérance et le réel σ 2 pour
variance. Pour tout entier naturel n non nul, on pose :
1
Yn = (X1 + · · · + Xn )
n
Alors la suite (Yn )n≥1 converge en probabilité vers m11Ω (variable aléatoire certaine égale à m).
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→+∞
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.
16.2 Convergence en loi et approximations de certaines lois usuelles

Définition
On dit que la suite de variables aléatoires (Xn )n∈N converge en loi vers la variable aléatoire X et on
note Xn −→ X si et seulement si :
L
∀x ∈ DX , lim FXn (x) = FX (x)

n→+∞
où DX désigne l’ensemble des points de continuté de la fonction de répartition FX de X.
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
Théorème (lien entre les deux notions de convergence)

Si Xn −→ X alors Xn −→ X. La réciproque est fausse.
P L
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
Comme (Xn ) converge en probabilité vers X alors :

∃n0 ∈ N / ∀n0 ≥ n, P (|X − Xn | > α) ≤ ε
Ainsi, on en déduit que :
∀n0 ≥ n, |F (x) − Fn (x)| ≤ 2ε
ce qui assure la convergence de la suite (Fn (x))n∈N vers F (x) et donc la convergence en loi de la suite (Xn )
vers X.
Exemple et contre exemple

– Soit U ,→ U([0, 1]) et (Un )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 )
Montrer que Sn −→ 1 et que In −→ 0. Retrouver directement ce résultat.
L L
– Soit X ,→ B 1, 12 , Y = 1 − X et Xn = X pour tout entier naturel n. Alors Y ,→ B 1, 12 et donc

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 .

Justifier que Xn −→ 0 puis calculer E(Xn ).

L
2. Soit X ,→ B 1, 21 , Y = 1 − X, Xn = X et Yn = 1 − Xn pour tout entier naturel n.
(a) Justifier que (Xn ) et (Yn ) convergent toutes les deux en loi vers X.
(b) Justifier que (Xn + Yn ) ne converge pas en loi vers X + X = 2X.
16.2.2 Cas des variables discrètes à valeurs dans N et premières approximations

Théorème (QC)
On suppose que les variables aléatoires Xn sont à valeurs dans N et qu’il en est de même de la variable
aléatoire X. Alors :
Xn −→ X ⇔ ∀k ∈ N, lim P(Xn = k) = P(X = k)

L n→+∞
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
puisque la somme comporte un nombre fini de termes.
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
On en déduit donc que XN −→ X.

L
– Soit k ∈ N. Pour tout entier n ≥ max {k, λ}, on a :
k n−k n
n(n − 1) . . . (n − k + 1) λk nk

n λ λ λ
P(Xn = k) = 1− = 1−
k n n k! nk (n − λ)k n
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
Conséquences : approximation de lois discrètes pour diminuer le nombre de paramètres

– Approximation d’une loi hypergéométrique par une loi binomiale.
La première convergence en loi :

a a
XN ,→ H N (a + b), n, −→ X ,→ B n,
a+b L a+b
s’interprète de la manière manière suivante : lorsque N est « assez grand » et pour tout entier naturel
k, on peut écrire :
P(XN = k) ≈ P(X = k)
autrement dit, à proportions constantes et lorsque N est grand, on peut approcher une loi hypergéomé-
trique par une loi binomiale (intuitivement, lorsque l’urne contient une très grand nombre de boules,
effectuer des tirages successifs sans remise est « équivalent » à effectuer des tirages successifs avec
remise). En pratique, dès lors que :
N ≥ 10n
on peut approcher X ,→ H(N, n, p) par Y ,→ B(n, p).
– Approximation d’une loi binomiale par une loi de Poisson.
La seconde convergence en loi :

λ
Xn ,→ B n, −→ [X ,→ P (λ)]
n 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
on peut approcher X ,→ B(n, p) par Y ,→ P(np).
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.
16.2.3 Théorème de la limite centrée et nouvelles approximations

Théorème (admis, appelé théorème de la limite centrée, TLC, ou bien théorème central limite, TCL)
On suppose que les Xn sont mutuellement indépendantes, admettent la même loi et que cette loi admet
une espérance m et une variance σ 2 (où σ > 0). Soit X ,→ N (0, 1). On pose :
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.
(a) i. Préciser la loi de Sn .

ii. En remarquant que [Sn = k] = k − 12 ≤ Sn < k + 21 , donner une valeur approchée de

P(800p ≤ S1000 ≤ 1200p) dans le cas où :
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
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
Conséquence : approximations de lois discrètes usuelles par une loi normale

– Approximation d’une loi binomiale par une loi normale.
On reprend les notations de la première application. Soit k ∈ N. Pour tout entier n ≥ k, on a :
!
k − 12 − np k + 21 − np

1 1 Xn − np
P(Xn = k) = P k − ≤ Xn < k + =P p ≤p <p
2 2 np(1 − p) np(1 − p) np(1 − p)
où l’on effectue encore une correction de continuité. En utilisant le résultat de cette première appli-
cation, on en déduit que pour tout entier n est « assez grand » :
!
k − 12 − np k + 21 − np

1 p 1
P(Xn = k) ≈ P p ≤N ≤ p = P k − ≤ np(1 − p)N + np ≤ k +
np(1 − p) np(1 − p) 2 2
Or, il est manifeste que :
p
N ,→ N (0, 1) ⇒ np(1 − p)N + np ,→ N (np, np(1 − p))
En pratique, dès lors que :
n ≥ 30 np ≥ 15 et n(1 − p) ≥ 5
on peut approcher une loi B(n, p) par une loi N (np, np(1 − p)).
– Approximation d’une loi Poisson par une loi normale.
On reprend les notations de la seconde application. Soit k ∈ N. Pour tout entier n ≥ k, on a :
!
k − 12 − n k + 12 − n

1 1 Xn − n
P(Xn = k) = P k − ≤ Xn < k + =P p ≤ √ < √
2 2 n) n n
En utilisant le résultat de cette première application, on en déduit que pour tout entier n est « assez
grand » :
!
k − 21 − n k + 12 − n 1 √

1
P(Xn = k) ≈ P p ≤N ≤ √ = P k − ≤ nN + n ≤ k +
n) n 2 2
Or, il est manifeste que :
√
N ,→ N (0, 1) ⇒ nN + n ,→ N (n, n)
En pratique, dès lors que :
λ ≥ 20
on peut approcher une loi P(λ) par une loi N (λ, λ).
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
3. Soit Xn ,→ E(n) pour tout entier n ≥ 1.

(a) Déterminer la limite en loi de cette suite de variables aléatoires.
(b) Y a-t-il convergence en probabilité ?
α

4. Soit α ∈]0, +∞[. Pour tout entier n > α, on considère la variable aléatoire Xn telle que : X ,→ G n
.
Étudier la convergence en loi de la suite n1 Xn n>α .

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) Soit n ∈ N∗ . On pose : Sn = X1 + · · · + Xn .

i. Quelle est la loi de Xn + 1 ?
ii. En déduire la loi de Sn .
(b) Soit n ∈ N∗ .
16.3. EXERCICES 219
i. Écrire la formule de Taylor avec reste intégrale à l’ordre n de la fonction exponentielle en

0.
Rn
ii. Montrer que : P(Sn ≤ 0) = 1 − n!1 0 tn e−t dt.

Sn
(c) i. Que peut-on dire de la suite √ n
?
n≥1
ii. Montrer que limn→+∞ P(Sn ≤ 0) = 21 .
7. On considère une suite (Xn )n∈N de variables aléatoires indépendantes suivant toutes la loi B(1, p) (où
p ∈]0, 1[). Pour tout entier naturel n ≥ 1, on pose :
n
1X
Yn = Xn−1 Xn et Zn = Yk
n 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→+∞
(a) Deux exemples.

On suppose, dans cette question, que Ω est l’intervalle [0, 1], T est la tribu des boréliens de [0, 1]
(intersections des boréliens de R avec [0, 1]) et P est la probabilité uniforme. Soit X la variable
certaine égale à 0, autrement dit X = 0 × 11Ω .
i. Pour tout entier naturel n, on définit la variable aléatoire : Xn = 11]0, 1 ] . Montrer que :
n+1
∀ω ∈ Ω, lim Xn (ω) = X(ω)

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
∀ω ∈]0, 1], lim Yn (ω) = X(ω)

n→+∞
En déduire que Yn −→ X. Que vaut lim Yn (0) ?

p.s. n→+∞
(b) La convergence presque sûre implique la convergence en probabilité.

Soit (Xn )n→N une suite de variables aléatoires qui converge presque sûrement vers une variable
aléatoire X. Montrer la suite (Xn )n∈N converge en probabilité vers X.
Indication : on pourra définir les événements :

A = ω ∈ Ω Xn (ω) −→ X(ω)
n→+∞
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
(a) Préciser l’ensemble En = Yn (Ω) pour tout entier n ≥ 1.

(b) Déterminer la loi de Yn .
(c) Montrer que la suite (Yn )n≥1 converge en loi vers une variable aléatoire X qui suit la loi
U([0, 1]).
16.3.2 Pour les DL

1. Méthode de Monte Carlo pour le calcul d’une intégrale.
Soit (Xn )n∈N∗ une suite de variables aléatoires réelles mutuellement indépendantes suivant toutes la
loi uniforme sur [0, 1]. Soit f de classe C 1 et strictement monotone sur [0, 1] et telle que sa dérivée ne
s’annule pas sur [0, 1]. Pour tout entier n ≥ 1, on pose :
n Z 1
1X
In (f ) = f (Xi ) et I(f ) = f (t)dt
n k=1 0
(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→+∞
(d) En utilisant l’inégalité de Bienaymé-Tchebychev, montrer que :

√
∀α ∈]0, 1[, ∃δ > 0 / ∀n ∈ N∗ , P n |In (f ) − I(f )| ≥ δ ≤ α

(e) En utilisant le théorème de la limite centrée, montrer que :

√
∀α ∈]0, 1[, ∃δ > 0 / lim P n |In (f ) − I(f )| ≥ δ = α
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
DL* 16 (voir le corrié à la page 341)

1. Convergences en moyenne.
Soit k un entier naturel non nul. On dit qu’une suite (Xn )n∈N de variables aléatoires d’un même
espace probabilisé (Ω, T , P) admettant un moment d’ordre k converge en moyenne d’ordre k si et
seulement si :
E(|Xn − X|k ) −→ 0
n→+∞
On parle aussi de convergence en moyenne lorsque k = 1 et de convergence en moyenne quadratique
lorsque k = 2.
(a) La convergence en moyenne implique la convergence en probabilité.
Soit (Xn ) une suite de variables aléatoires admettant une espérance.
i. On suppose que les Xn sont toutes à valeurs positives et que E(Xn ) −→ 0. Montrer que
n→+∞
Xn −→ 0.
P
ii. On ne suppose plus, ici, que les Xn sont à valeurs positives. Soit X une autre variable
aléatoire admettant une espérance. Déduire de ce qui précède que :
E(|Xn − X|) −→ 0 ⇒ Xn −→ X
n→+∞ P
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.

Colle
1. On suppose que Xn −→ X avec FX continue sur R et que Yn −→ a11Ω . Montrer que Xn Yn −→ aX.
L P L
(donner indic)
2. Soit Xn −→ X. Soit a un réel.
L
(a) Montrer que Xn + a11Ω −→ X + a11Ω .

L
(b) i. Montrer que −Xn −→ −X (donner indic).
L
ii. En déduire que aXn −→ aX.
L
DS
1. s
16.4 Solutions des exercices

1. Convergences en moyenne.
(a) i. Soit ε > 0. D’après l’inégalité de Markov, on a alors :
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
Fonctions de n variables de classe C 2
Dans ce chapitre, on désigne par :

– n un entier supérieur ou égal à 2,
– (~e1 , . . . , ~en ) (resp. (~e1 , . . . , ~en , ~en+1 )) la base canonique (orthonormale) de l’espace vectoriel eucli-
dien Rn (resp. Rn+1 ) muni de son produit scalaire canonique,
– Rn = (O, ~e1 , . . . , ~en ) (resp. Rn+1 = (O, ~e1 , . . . , ~en+1 )) le repère orthonormé associé de l’espace
affine Rn (resp. Rn+1 ) (espace de points),
−→
– Ii le point tel que OIi , pour tout i ∈ J1, nK,
– O un ouvert de l’espace affine Rn ,
– f et g deux applications définies sur O et à valeurs dans R,
– A(a1 , . . . , an ) un point de O.
Par ailleurs, aucune démonstration n’est exigible.
17.1 Fonctions dérivées partielles d’ordre 2

17.1.1 Dérivées partielles d’ordre 2
Définitions
∂f
Soit (i, j) ∈ J1, nK2 . On suppose que f admet une fonction dérivée partielle ∂x i
d’ordre 1 sur O.
– On dit que f admet une dérivée partielle d’ordre 2 par rapport à xi puis par rapport à xj au
∂f
point A si et seulement si la fonction ∂x i
admet une dérivée partielle par rapport à xj au point A et
on la note alors :
∂2f ∂2f
(A) si j = i et (A) si j 6= i
∂x2i ∂xj ∂xi
– 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 :
∂2f ∂2f ∂2f ∂2f

: M →
7 (M ) si j = i et : M 7→ (M ) si j 6= i
∂x2i ∂x2i ∂xj ∂xi ∂xj ∂xi
– 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
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 :
∂2f ∂2f ∂2f ∂2f

= u00 ∀j ∈ J2, nK, = = =Θ
∂x21 ∂xj ∂x1 ∂x1 ∂xj ∂x2j
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 :
∂f ∂f ∂2f ∂2f ∂2f ∂2f

p= (A) q= (A) r= (A) s= (A) = (A) t= (A)
∂x ∂y ∂x2 ∂x∂y ∂x∂y ∂y 2
17.1.2 Opérations sur les fonctions de classes C 2

Propositions
– On suppose que f et g sont de classe C 2 sur O. Soit (λ, µ) ∈ R2 . Soit ϕ une fonction de classe C 2
sur un intervalle I de R contenant f (O). Alors, les fonctions λf + µg, f × g, fg (dans le cas où g ne
s’annule pas sur O) et ϕ ◦ f sont de classe C 2 sur O.
– En particulier, toute fonction polynôme est de classe C 1 sur Rn .
Preuves
17.2 Utilisations de la forme quadratique associée à la hessienne

17.2.1 Matrice hessienne en un point et théorème de Schwarz
Définition
On suppose que f est de classe C 2 sur O. On appelle hessienne de f au point A la matrice :

 
∂2f ∂2f
∂x21
(A) ... ∂x1 ∂xn
(A)
∂2f

2 2

∇ f (A) = ∇ fA =  .. .. 
= (A) ∈ Mn (R)
 . .  ∂xi ∂xj 1≤i≤n
∂2f ∂2f 1≤j≤n
∂xn ∂x1
(A) ... ∂x2
(A)
n
Exemples
1. Hessienne de f (x1 , . . . , xn ) = α1 x1 + · · · + αn xn en A(a1 , . . . , an ).

2. Hessienne de f (x, y, z) = x2 + xy + y 2 + yz + z 2 + zx + x + y + z + 1 en A(1, 0, −1).
17.2. UTILISATIONS DE LA FORME QUADRATIQUE ASSOCIÉE À LA HESSIENNE 225
Théorème de Schwarz (peut être admis)

∂2f
Soit (i, j) ∈ J1, nK tel que i 6= j. On suppose que f admet des dérivées partielles d’ordre 2, ∂xi ∂xj
et
∂2f
∂xj ∂xi
, qui sont continues au point A. Alors :
∂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
17.2.2 Développement limité à l’ordre 2

Théorème d’existence (peut-être admis)
On suppose que f est de classe C 2 sur O. Alors, il existe une fonction ε : O → R de sorte que, pour
tout point H tel que A + H ∈ O, on a :
D −−→E 1
f (A + H) = f (A) + ∇f (A), OH + qA (H) + kHk2 ε(H) et lim ε(M ) = 0
2 M →O
où qA est la forme quadratique associée à la hessienne de f au point A.
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).
17.2.3 Dérivée seconde directionnelle

Définition
Soit U un vecteur unitaire de Rn , I un intervalle de R contenant 0 et tel que {A + tU | t ∈ I} ⊂ O. On
suppose que la fonction g définie sur I par :
∀t ∈ I, g(t) = f (A + tU )
est deux fois dérivable en 0. Alors, le réel :
fU00 (A) = g 00 (0)
est appelé dérivée seconde de f en A dans la direction de U .
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 )
où qA est la forme quadratique associée à la hessienne de f en A.
Preuve
Posons U = (α1 , . . . , αn ). Pour tout réel t tel que A + tU ∈ O, on a :
g(t) = f (A + tU ) = f (a1 + tα1 , . . . , an + tαn )

n
0
X ∂f
g (t) = αi (a1 + tα1 , . . . , an + tαn )
i=1
∂xi
n
" n
#
X X ∂2f
g 00 (t) = αi αj (A + tU ) = tU ∇2 f (A + tU )U = qA+tU (U )
i=1 j=1
∂xj ∂xi
d’où fU00 (A) 00

= g (0) = qA (U ).
17.2.4 Égalité de Taylor-Lagrange à l’ordre 1

Proposition
On suppose que f est de classe C 2 sur O. Soit H un point tel que [A, A + H] ⊂ O. Alors :
1
∃θ ∈]0, 1[ / f (A + H) = f (A) + h∇f (A), Hi + qA+θH (H)
2
Preuve
Posons H = (h1 , . . . , hn ). Pour tout réel t ∈ [0, 1], on pose :
g(t) = f (A + tH) = f (a1 + th1 , . . . , an + thn )

n
0
X ∂f
g (t) = (a1 + th1 , . . . , an + thn ) = h∇f (A + tH), Hi
hi
i=1
∂xi
n
" n
#
00
X X ∂2f
g (t) = αi αj (A + tU ) = tU ∇2 f (A + tU )U = qA+tU (U )
i=1 j=1
∂xj ∂xi
17.3. RECHERCHES D’EXTREMA 227
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
.
17.3 Recherches d’extrema

17.3.1 Condition suffisante d’existence d’extrema locaux
Théorème
On suppose que f est de classe C 2 sur O (qui est ouvert) et que A est un point critique de f . On note qA
la forme quadratique associée à la hessienne de f en A.
– Si qA (U ) > 0 pour tout vecteur non nul U alors f admet un minimum en A.
– Si qA (U ) < 0 pour tout vecteur non nul U alors f admet un maximum en A.
– S’il existe un couple de vecteurs (U1 , U2 ) tels que qA (U1 ) > 0 et qA (U2 ) < 0 alors A est un point
selle de f .
– Dans les autres cas, on ne peut rien dire sans étude plus approfondie.
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.
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 .
17.3.2 Positions relatives du graphe et de l’hyperplan tangent

Proposition
On suppose que f est de classe C 2 sur O. On note qA la forme quadratique associée à la hessienne de f
en A.
– Si qA est strictement positive sur Rn − {Θ} alors le graphe de f est au-dessus du plan tangent en A
dans un voisinage de A.
– Si qA est strictement négative sur Rn − {Θ} alors le graphe de f est au-dessous du plan tangent en A
dans un voisinage de A.
– S’il existe un couple de vecteurs (U1 , U2 ) de Rn tels que qA (U1 ) > 0 et qA (U2 ) < 0 alors, dans toute
boule ouverte de centre A, il existe des points du graphe de f qui sont au-dessus du plan tangent en
A et des points du graphe de f qui sont au-dessous de ce plan tangent.
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).
17.3.3 Recherche d’extrema sous contraintes linéaires

Dans ce paragraphe, on se donne p formes linéaires g1 , . . . , gp sur Rn , un p-uplet (b1 , . . . , bp ) de réels et
on considère le système linéaire (S) suivant :

 g1 (x1 , . . . , xn ) = b1

.. ..
 . .
 g (x , . . . , x ) = b
p 1 n p
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 :
f (x, y) = x2 + xy + y 2 + 2x − 2y + 1 g(x, y) = x3 + 3xy 2 + 15x + 12y
2. Déterminer les extremums sur R3 de la fonction f définie par : f (x, y, z) = (x + y + z)2 .

3. Soit (a, b) ∈ R2 − {(0, 0)} et f : R2 → R, (x, y) 7→ ax + by.
(a) Montrer que f admet un maximum M et un minimum m sur l’ensemble D = Bf ((0, 0), 1).
(b) Montrer que ces extremums ne peuvent être atteints que sur le bord de D puis les déterminer.
4. Soit f : R3 → R, (x, y, z) 7→ x2 − 2xy + yz + y − z.
(a) Déterminer les points critiques de f puis les extremums et les points selles.

2x − y = 1
(b) Déterminer les extremums de f sous la contrainte : .
x+z =1
5. Déterminer le(s) extremum(s) de la fonction f :]0, +∞[n → R, (x1 , . . . , xn ) 7→ x41 + · · · + x4n sous la
contrainte x1 + · · · + xn = n.
TD*
1. Soit F la fonction définie sur R3 par :
F (x, y, z) = 24x2 + 2y 2 + z 2 + 12xy + 2yz + 4xz − 240x − 48y − 12z
(a) i. Déterminer les points critiques de F .

ii. Montrer que, pour tout triplet (x, y, z) de réels, on a :
F (x, y, z) = (2x + y + z − 6)2 + (4x + y − 18)2 + 4(x − 9)2 − 684
iii. Montrer que F atteint son minimum sur R3 en un unique point que l’on déterminera (ainsi
que le minimum).
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
iii. Déterminer I = inf (a,b,c)∈R3 I(a, b, c).

R +∞
(c) i. Justifier que hP, Qi = 0 e−t P (t)Q(t)dt définit un produit scalaire sur R3 [X].
ii. Calculer la distance du polynôme X 3 au sous espace H = R2 [X].
iii. Soit T (X) = aX 2 + bX + c ∈ H. Montrer que T est le projeté orthogonal de X 3 sur H si
et seulement si :  ∂F
 ∂x (a, b, c) = 0
∂F
∂y
(a, b, c) = 0
 ∂F
∂z
(a, b, c) = 0
et retrouver le résultat précédent.
17.4.2 Pour les DL

1. (Oral ESCP 2006). Soit f : R2 → R de classe C 2 sur R. Pour tout réel x, on pose :
Z 1
F (x) = f (x, t)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
ii. Établir que :

Z 1
∂f M
∀h ∈ [−1, 1], F (x0 + h) − F (x0 ) − h (x0 , t)dt ≤ h2
0 ∂x 2
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.

1. (Oral ESCP 2006). La fonction de satisfaction S d’un consommateur dépend de son revenu R et de
son temps de loisir L de la manière suivante :
RL
S(R, L) =
R+L
(a) On suppose que la fonction S est définie sur l’ensemble Ω =]0, +∞[2 . Montrer que S n’admet
pas d’extremum sur Ω.
(b) Montrer que S se prolonge par continuité à l’ensemble Ω̄ = [0, +∞[2 .
Indications : On pourra justifier de l’existence de (r, θ) ∈]0, +∞[×R tel que R = r cos(θ) et
L = r sin(θ) puis remarquer que (R, L) −→ (0, 0) est équivalent à r → 0.
On notera encore S la fonction ainsi prolongée.
(c) On suppose maintenant que R = sW où W désigne le temps de travail et s le salaire horaire.
On définit la fonction S ∗ sur l’ensemble ΩT = {(W, L) ∈ Ω | W + L ≤ T } par :
S ∗ (W, L) = S(sW, L)
où T > 0 désigne le temps total disponible. Rechercher les extrema de S ∗ sur ΩT .

Colle
1. s
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.
18.1 Statistiques à une variable

18.1.1 Vocabulaire
Définitions
– Population : ensemble fini Ω.
– Individu : élément ω de la population Ω.
– Caractère : application X : Ω → E où E est un ensemble quelconque.
Tout élément de X(Ω) est appelé modalité du caractère X. Comme Ω est fini alors l’ensemble X(Ω)
des modalités est fini.
Le triplet (Ω, E, X) est aussi appelé série statistique.
– Caractère qualitatif : l’ensemble E n’est pas un ensemble de nombres.
– Caractère quantitatif discret : l’ensemble E est une partie discrète finie ou infinie de R.
– Caractère quantitatif continu : l’ensemble E est une partie infinie non dénombrable de R (en
général un intervalle que l’on découpe en classes).
– Effectif : Si F est une partie de E alors l’effectif de F pour le caractère X est l’entier Card(X −1 (F ))
(rappelons que Ω est fini donc que X −1 (F ) ⊂ Ω est bien fini). En particulier, si x est une modalité de
X alors l’effectif de x est l’entier Card(X −1 {x}).
On donne les effectifs sous la forme d’un tableau et on représente le diagramme des effectifs sous la
forme d’un histogramme.
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
18.1.2 Étude d’une série statistique

L’objectif de ce paragraphe est de dégager des valeurs caractéristiques d’une série statistique afin réduire
son étude au calcul de quelques nombres.
Toutes les séries statistiques (Ω, E, X) sont telles que l’ensemble E est une partie de R.
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
– Fréquences cumulées décroissantes : Si X est un caractère quantitatif et si x est une modalité de

X alors la fréquence cumulée décroissante 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
2. Voici un relevé de la taille d’un certain nombre de personnes :

Taille [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[ Total
Effectif 3 7 9 16 11 4 50
Définitions (paramètres de positions)

– Mode : On appelle mode de X toute modalité d’effectif maximal.
– Moyenne :
X xCard(X −1 ({x}))
– Cas discret : X̄ = .
Card(Ω)
x∈X(Ω)
– Cas continu : même principe en utilisant les classes (pour chaque classe, on utilise son centre x et
son effectif).
– Médiane et quartiles :
– Cas discret : La médiane (resp. le premier quartile, le troisième quartile) est une valeur M (resp.
Q1 , Q3 ) telle que 50% (resp. 25%, 75%) des valeurs de X lui sont inférieures ou égales et 50%
(resp. 75%, 25%) lui sont supérieures ou égales.
Remarque importante : Selon les ouvrages (et donc les auteurs), « la » définition de « la » médiane
peut varier !
– Cas continu : même principe en utilisant les classes (recherche graphique ou par calcul).
Remarquer que la médiane est le deuxième quartile.
Représentations graphiques : diagrammes en boîtes à moustache.
– Déciles et centiles : même principe que les quartiles en partageant en 10 ou en 100 au lieu de 4.
Exemples (vétérinaire et taille)
0 2 4 6 155 165 175 185
Calculer les moyennes.
Définitions (paramètres de dispersion)

– Étendue : c’est la différence entre la modalité maximale et la modalité minimale, c’est à dire le réel :
e = max X(Ω) − min X(Ω)
L’intervalle [min X(Ω), max X(Ω)] contient 100% des effectifs.

– Intervalle interquartiles : intervalle [Q1 , Q3 ] qui contient 50% des effectifs.
– Écart moyen : la moyenne des écarts absolus à la moyenne, c’est à dire le réel :
1 X
µ= Card(X −1 ({x}))|x − X̄|
Card(Ω)
x∈X(Ω)
– 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 Statistiques à deux variables

Il s’agit maintenant de s’intéresser à deux caractères quantitatifs d’une même population (taille et poids
d’un individu, abscisse et ordonnée d’un point, ...).
Dans ce paragraphe et lorsque cela ne sera pas préciser, on notera n la taille d’un échantillon de la
population observée, X et Y les deux caractères mesurés et (xi , yi ) les couples de valeurs prises par les
caractères sur l’individu i de l’échantillon.
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).
(a) Justifier l’existence du réel :

492
X
min (ayi + b − yi )
(a,b)∈R2
i=1
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 :
Cov(X, Y ) = X.Y − X.Y
– coefficient de corrélation du couple (X, Y ), le réel :

Cov(X, Y )
ρ(X, Y ) =
σ(X)σ(Y )
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.
18.2.3 Ajustement affine

Théorème/Définition (méthode des moindre carrés)
– La droite d’équation :
Cov(X, Y )
y − Ȳ = (x − X̄)
σ(X)2
passe par le point moyen et est la droite d’équation réduite de la forme y = ax + b qui minimise la
somme : n
X
fi (axi + b − yi )2
i=1
2
pour (a, b) ∈ R . Autrement dit :
Cov(X, Y ) Cov(X, Y )
a= et b = Ȳ − X̄
σ(X)2 σ(X)2
réalisent ce minimum sur R2 .
– Cette droitePest appelée droite d’ajustement (ou droite de régression) de Y en X.
– La somme ni=1 fi (axi + b − yi )2 est appelé résidu quadratique.
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.
Remarques
– La droite d’équation x− X̄ = Cov(X,Y )

(y− Ȳ ) minimise la somme ni=1 fi (ayi + b − xi )2 et s’appelle
P
σ(Y )2
droite d’ajustement de X en Y .
– Notons Z = (1, . . . , 1) le caractère constant égal à 1 sur la population commune à X et à Y . Ajuster
Y en X revient à considérer le projeté orthogonal de Y sur le sous espace Vect(X, Z) de l’espace
euclidien Rn pour le produit scalaire canonique.
– Lorsque |ρ(X, Y )| > 0.9 (valeur dépendant des auteurs et des besoins), on considère que l’ajustement
affine de Y en X sera satisfaisant (sinon, il faudra déterminer un autre type d’ajustement).
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.
2. On a mesuré, sur des plantes, les résidus fongicides x en fonction du temps t :
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
(a) On pose : y = ln(x).
i. Déterminer le coefficient de corrélation du couple (t, y).

ii. Déterminer l’équation réduite de la droite d’ajustement de y en t.
iii. En déduire une équation d’un ajustement de x en t
(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) :
X 7.6 9.1 11.4 15.2 22.8 26.5 30.3 37.9 45.5

Y 2.3 2.9 3.7 5.0 7.6 9.1 10.8 13.7 16.7
(a) On pose X 0 = ln(X) et Y 0 = ln(Y ).
i. Calculer le coefficient de corrélation de la série double (X 0 , Y 0 ).

ii. Déterminer l’équation réduite de la droite d’ajustement de Y 0 en X 0 .
iii. En déduire une équation d’un ajustement de Y en X.
(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
18.3.2 Pour les DL

DL 18
1. Dans le tableau ci-dessous, on a relevé le poids total, en grammes, des feuilles ainsi que des racines
de 1000 plantes :
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
(a) i. Calculer le coefficient de corrélation.

ii. Déterminer l’équation réduite de la droite d’ajustement du poids des feuilles en le poids des
racines.
(b) Droite de Mayer.
i. Partager le tableau en deux sous tableaux de 500 plantes chacun (en tachant de minimi-
ser/maximiser la sommes des poids).
ii. Déterminer les coordonnées du point moyen de chaque sous tableau.
iii. Déterminer l’équation réduite de la droite passant ces deux points.
iv. Justifier que cette droite (dite droite de Mayer) passe par le mpoint moyen du tableau initial.
(c) Quel est le meilleur ajustement affine entre ces deux méthodes ?
2. On considère le relevé statistique suivant :
X 0 10 20 30 40 50 60 70 80 90 100
Y 1700 800 200 0 220 850 1800 3000 5000 7000 9500
√
(a) On pose : T = |X − 30| et Z = Y .
i. Calculer le coefficient de corrélation du couple (T, Z).
ii. Déterminer l’équation de la droite d’ajustement de Z en T .
iii. En déduire une équation d’un ajustement de Y en X.
(b) En procédant directement par la méthode des moindres carrés déterminer trois réels (a, b, c) de
sorte d’obtenir un ajustement du type Y = aX 2 + bX + c.
(c) Quel est le meilleur ajustement des deux ?

1. s
Chapitre 19
Statistique inférentielle : estimation
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).
Comment estimer ponctuellement

Soit ω une éventualité et n un entier naturel non nul. Alors (X1 (ω), . . . , Xn (ω)) est un n-échantillon
observé (on ne peut pas réaliser expérimentalement cette situation infinie, on se contentera donc d’observer
des échantillons).
Pour tout entier n ≥ 1, on définit la moyenne empirique de l’échantillon (X1 (ω), . . . , Xn (ω)) par :
1
X̄n (ω) = (X1 (ω) + · · · + Xn (ω))
n
D’après la loi faible des grands nombres, on sait que la suite de variables aléatoires (X̄n )n≥1 converge en
probabilité vers la variable aléatoire certaine égale à p : cette suite est alors appelée estimateur du réel p
(dans le langage courant, on dira aussi que X̄n est un estimateur de p). Comme E(X̄n ) = p, cet estimateur
(X̄n )n≥1 de p est dit estimateur sans biais. De plus :
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.
Une simulation informatique
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.
Quelques résultats de cette simulation (5 exécutions du programme)
Estimation de p : 0.334
Valeur exacte de p : 0.341
Comment estimer par intervalle de confiance
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
le plus simple étant de déterminer un intervalle centré en X̄n (ω).

19.1. INTRODUCTION 243
Une première méthode : à l’aide de l’inégalité de Bienaymé-Tchebychev

On a choisit n = 2000 pour la simulation. On sait que, pour tout ε > 0, on a :

V X̄2000 p(1 − p) 1
P X̄2000 − p > ε ≤ 2
= 2
≤
ε 2000ε 8000ε2
puisqu’il est bien connu que :
1
∀x ∈ [0, 1], 0 ≤ x(1 − x) ≤
4
Ainsi, pour que la probabilité soit inférieure à 0,05 il suffit que le dernier membre des inégalités ci-dessus
soit inférieur à 0,05 ce qui nous donne :
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
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
Notons Φ la fonction de répartition de la variable aléatoire N . Pour tout ε > 0 et tout n ≥ 1, on a :

   
X̄n − p ε  ≈ P |N | ≤ q ε

P X̄2000 − p ≤ ε = P  q ≤q 
p(1−p) p(1−p) p(1−p)
n n n
     
ε  − Φ − q ε  = 2Φ  q ε
≈ Φ q −1
p(1−p) p(1−p) p(1−p)
n n n
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)
Or, à l’aide d’une table de valeurs de la fonction de répartition Φ, on a :

√ √
   
ε 2000 ε 2000
2Φ  q − 1 ≥ 0, 95 ⇔ Φ q ≥ 0, 975
  
X̄2000 (ω) 1 − X̄2000 (ω) X̄2000 (ω) 1 − X̄2000 (ω)
√
ε 2000
⇔ q ≥ 1, 96
X̄2000 (ω) 1 − X̄2000 (ω)
s
X̄2000 (ω) 1 − X̄2000 (ω)
⇔ ε ≥ 1, 96
2000
On considère ainsi que l’intervalle :
 s s 
X̄2000 (ω) 1 − X̄2000 (ω) X̄2000 (ω) 1 − X̄2000 (ω)
X̄2000 (ω) − 1, 96 , X̄2000 (ω) + 1, 96 
2000 2000
est un intervalle de confiance de p 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 toujours une constante fixée à 1000).
BEGIN
randomize ; p := random ; compteur := 0 ;
FOR k := 1 TO repetitions DO
BEGIN
esti := estim(p) ; ecart := 1.96*sqrt(esti*(1-esti)/2000) ;
IF (p>=esti-ecart) AND (p<=esti+ecart) THEN compteur := compteur+1 ;
END ;
writeln(’Proportion d”intervalles contenant p : ’,
compteur/repetitions*100 :1 :1) ;
END.
Résultats (toujours avec 1000 répétitions chacune des six exécutions du programme) :
19.1. INTRODUCTION 245
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
19.1.2 Second exemple

On considère la famille de lois U([a, b]) dont le paramètre θ = (a, b) ∈ R2 est inconnu. On souhaite-
rait obtenir une estimation de l’étendue b − a de l’intervalle [a, b]. Pour cela, on considère un échantillon
(X1 , . . . , Xn ) mutuellement indépendant et identiquement distribué selon la loi U([a, b]) dont on possède
une observation (X1 (ω), . . . , Xn (ω)). On pose alors :
En (ω) = sup{X1 (ω), . . . , Xn (ω)} − inf{X1 (ω), . . . , Xn (ω)}
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
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.
Etendue biaisée : 0.57513

Etendue non biaisée : 0.57570
Etendue réelle : 0.57583
19.2 Position du problème de l’estimation

Soit Θ une partie de Rm (où m ≥ 1 et m = 1 en général) et χ une partie de R. On considère une
famille de lois (µθ )θ∈Θ qui sont toutes à valeurs dans χ. Soit g : Θ → R de sorte que g(θ) représente une
caractéristique de la loi µθ (comme son espérance, sa variance, son étendue, ...).
Pour chaque θ ∈ Θ, on définit alors l’univers Ωθ = {(xn )n≥1 | ∀n ∈ N, xn ∈ χ} que l’on munit d’une
probabilité Pθ telle que :
– pour tout entier k ≥ 1, l’application Xk : Ωθ → χ, (xn )n≥1 7→ xk est une variable aléatoire suivant
la loi µθ ,
– la suite (Xk )k≥1 est une famille de variables aléatoires mutuellement indépendantes pour la probabi-
lité Pθ .
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 :
Θ =]0, 1[⊂ R χ = {0, 1} ⊂ R µθ = B(1, θ) g(θ) = θ

∗
Ωθ = χ N ∀k ∈ N∗ , Pθ (Xk = 1) = θ, Pθ (Xk = 0) = 1 − θ
(a) Moyenne empirique :
x1 + · · · + xn 1
ϕ(x1 , . . . , xn ) = X̄n = ϕ(X1 , . . . , Xn ) = (X1 + · · · + Xn )
n n
(b) Variance empirique :
2
1 2 2
1
ϕ(x1 , . . . , xn ) = x + · · · + xn − (x1 + · · · + xn )
n 1 n
1h 2 2 i
V̄n = ϕ(X1 , . . . , Xn ) = X1 − X̄n + · · · + Xn − X̄n
n
2. Le second exemple ci-dessus correspond à la situation :
Θ = {(a, b) ∈ R2 | a < b} ⊂ R2 χ = [a, b] ⊂ R µθ = U([a, b]) g(a, b) = b − a

∗ x−a
Ω(a,b) = χN ∀x ∈ R, ∀k ∈ N∗ , P(a,b) (Xk ≤ x) = 11[a,b] (x)
b−a
(a) Minimum empirique :
ϕ(x1 , . . . , xn ) = min{x1 , . . . , xn } I¯n = ϕ(X1 , . . . , Xn ) = min{X1 , . . . , Xn }
(b) Maximum empirique :
ϕ(x1 , . . . , xn ) = max{x1 , . . . , xn } S̄n = ϕ(X1 , . . . , Xn ) = max{X1 , . . . , Xn }
(c) Étendue empirique :
ϕ(x1 , . . . , xn ) = max{x1 , . . . , xn } − min{x1 , . . . , xn } Ēn = ϕ(X1 , . . . , Xn ) = S̄n − I¯n
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.
19.3 Estimation ponctuelle

19.3.1 Estimateur
Définitions
Soit θ ∈ Θ et n ∈ N∗ .
– On dit qu’une variable aléatoire Tn est un estimateur de g(θ) si et seulement s’il existe une statistique
ϕ : Rn → R sur le n-échantillon (X1 , . . . , Xn ) telle que Tn = ϕ(X1 , . . . , Xn ).
En faisant varier n, on peut ainsi définir une suite d’estimateurs de g(θ).
– On appelle alors estimation du réel g(θ) tout réalisation ϕ(x1 , . . . , xn ) de Tn où (x1 , . . . , xn ) est une
réalisation de (X1 , . . . , Xn ).
– Estimer ponctuellement g(θ), c’est décider d’accorder à g(θ) la valeur d’une réalisation ϕ(x1 , . . . , xn ).
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.
19.3.2 Biais d’un estimateur

Définitions
Soit θ ∈ Θ.
– Soit n ∈ N∗ et Tn un estimateur de g(θ) admettant une espérance pour la probabilité Pθ .
– On appelle biais de l’estimateur Tn en θ le réel :
bTn (θ) = E(Tn ) − g(θ)
On appelle biais de l’estimateur Tn la fonction :
bTn : Θ → R
θ 7→ bTn (θ) = E(Tn ) − g(θ)
– On dit que l’estimateur Tn est sans biais si et seulement si son biais est nul, c’est à dire si et
seulement si :
E(Tn ) = g(θ)
– Pour tout entier n ∈ N∗ , on considère un estimateur Tn de g(θ) admettant une espérance pour la
probabilité Pθ .
On dit que la suite d’estimateurs (Tn )n∈N∗ est asymptotiquement sans biais si et seulement si la
suite des biais converge vers 0, c’est à dire si et seulement si :
lim E(Tn ) = g(θ)
n→+∞
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.
19.3.3 Risque quadratique et convergence d’un estimateur

Définitions
Soit θ ∈ Θ, n ∈ N∗ et Tn un estimateur de g(θ) admettant un moment d’ordre 2 pour la probabilité Pθ .
On appelle risque quadratique de l’estimateur Tn en θ le réel :
rTn (θ) = E (Tn − g(θ))2

On appelle risque quadratique de l’estimateur Tn la fonction :

rTn : Θ → R
θ 7→ rTn (θ) = E ((Tn − g(θ))2 )
19.4. ESTIMATION PAR INTERVALLE DE CONFIANCE 249
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
19.3.4 Critères de convergence d’un estimateur

Définition
Soit θ ∈ Θ et (Tn )n∈N∗ une suite d’estimateurs de g(θ). On dit que cette suite d’estimateurs est conver-
gente si et seulement si elle converge en probabilité vers la variable certaine égale à g(θ), c’est à dire que :
∀ε > 0, lim Pθ (|Tn − g(θ)| > ε) = 0

n→+∞
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 :
rTn (θ) = E((Tn − g(θ))2 ) > ε2 Pθ (|Tn − g(θ)| > ε) ≥ 0
d’où le résultat par passage à la limite.
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 Estimation par intervalle de confiance

S’il existe des critères pour juger des qualités d’un estimateur ponctuel (biais, risque, convergence),
aucune certitude ne peut jamais être apportée quant au fait que l’estimation donne la vraie valeur à estimer.
Nous allons donc rechercher un intervalle aléatoire qui contient g(θ) avec une probabilité minimale
donnée.
Dans ce paragraphe, Un = ϕ(X1 , . . . , Xn ) et Vn = ψ(X1 , . . . , Xn ) sont deux statistiques sur un même
n-échantillon.
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
Le réel α est appelé risque.
Exemples
Revoir l’exemple 1 initial, deux méthodes.
19.4.2 Construction d’un intervalle de confiance

Théorème (à redémontrer à chaque utilisation)
On suppose que X1 , . . . , Xn suivent la loi B(1, p) où p ∈]0, 1[ est inconnu. Soit α ∈]0, 1[ et tα le réel
positif tel que Φ(tα ) = 1−α
2
. Alors :
" r r #
p(1 − p) p(1 − p)
X̄n − tα , X̄n + tα
n n
est un intervalle de confiance de p au risque 1 − α.
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 .
(a) Quelle est la loi de T1 ? Donner la valeur de son espérance.

19.5. EXERCICES 251
(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
i. Soit (h1 , . . . , hn ) ∈ Rn tel que n1 + h1 , . . . , n1 + hn ∈ ∆n . Simplifier :

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 ).
(a) i. Rappeler la loi de Yn = nX̂n , son espérance et sa variance.

ii. Quelle convergence peut-on établir pour la suite (X̂n )n≥1 .
(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 .
19.5.2 Pour les DL

DL 19
1. (Oral ESCP 2001). Onadmet que la mesure d’une grandeur physique, dont la valeur exacte est m,

m 2
suit une loi normale N m, 10 . On effectue une série de n mesures indépendantes et on note Yn
la moyenne des résultats obtenus.
(a) Montrer que Yn est un estimateur sans biais convergent de m.
(b) Combien faut-il effectuer de mesures pour que l’erreur relative commise sur m soit inférieure à
1% avec une probabilité supérieure à 0,9 ?
On pourra utiliser la table de la loi normale centrée réduite.
2. (Oral ESCP 2002). On étudie dans une population une grandeur X suivant une loi uniforme sur un
intervalle de longueur 1 : [θ, θ + 1]. On cherche à estimer le réel θ. On considère donc un échantillon
(X1 , . . . , Xn ) indépendant extrait de la loi uniforme sur [θ, θ + 1]. On pose :
Sn = max Xi et In = min Xi
1≤i≤n 1≤i≤n
(a) Déterminer la loi de Sn , son espérance et sa variance.

(b) En remarquant que In = − max (−Xi ), déterminer l’espérance et la variance de In .
1≤i≤n
(c) Pour α ∈]0, 1[, on pose : Θn (α) = α(Sn − 1) + (1 − α)In .
i. Déterminer α pour que Θn (α) soit un estimateur sans biais de θ.
On note Θn l’estimateur ainsi obtenu.
ii. En admettant que Cov(Sn , In ) = (n+1)12 (n+2) , calculer la variance de Θn .
(d) On pose X̄n = n1 (X1 + · · · + Xn ) et Θ0n = X̄n − 12 .
i. Montrer que Θ0n est un estimateur sans biais et convergent de θ.
ii. Si vous deviez estimer θ, quel estimateur choisiriez vous et pourquoi ?
19.5. EXERCICES 253
DL* 19
1. s

Colle
1. Estimation par maximum de vraissemblance (Foata/Fuchs, p69, §3.2)
DS
1. s
Chapitre 20
Solutions des exercices
20.1 Suites réelles

20.1.1 TD
s
20.1.2 TD*
s
20.1.3 DL (voir l’énoncé à la page 19)

1. (a) Une récurrence immédiate assure que an et bn sont positifs à tous les rang n.
Conclusion : Les deux suites sont bien définies .
(b) i. Soit P(n) la proposition : an ≥ bn . Au rang 1 , on a :
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 :
x≤α ⇒ f (x) ≤ f (α) ⇒ x ≤ f (α)
donc f (α) est un majorant de α. On en déduit que : α ≤ f (α) .

Supposons que α < f (α). Soit alors x ∈ ]α, f (α)[. Alors x 6∈ A puisque x > α. De plus,
par croissance de f , on a :
f (α) ≤ f (x)
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 :
fn (un ) = 0 = fn+1 (un+1 ) = (un+1 )n+1 − aun+1 − b ≥ (un+1 )n − aun+1 − b = fn (un+1 )
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 :
fn (un ) = 0 = fn+1 (un+1 ) = (un+1 )n+1 − aun+1 − b ≤ (un+1 )n − aun+1 − b = fn (un+1 )
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
20.1.4 DL* (voir l’énoncé à la page 20)

1. (a) i. Soit P(n) la proposition « an (x) ≤ an (y) et bn (x) ≤ bn (y) ». Comme a0 (x) = 1 = a0 (y)
et comme b0 (x) = x < y = b0 (y) alors P(0) est vraie. Soit n ∈ N et supposons que P(n)
est vraie. Alors :
an (x) + bn (x) an (y) + bn (y)
an+1 (x) = ≤ = an+1 (y)
2 2
p p
bn+1 (x) = an (x)bn (x) ≤ an (y)bn (y) = bn+1 (y)
puisque ces suites sont à termes positifs. Ainsi P(n + 1) est vraie.
Conclusion : ∀n ∈ N, an (x) ≤ an (y), bn (x) ≤ bn (y) .
ii. Soit 0 ≤ x < y. Par passage à la limite, on en déduit que : `(1, x) ≤ `(1, y).
Conclusion : L est croissante sur [0, +∞[ .
(b) i. Soit x > 0. Alors :

1 1
xL = x` 1, = `(x, 1) = `(1, x) = L(x)
x x

L(x) 1
Conclusion : ∀x ∈]0, +∞[, =L .
x x
ii. Soit x ≥ 0. Alors :
√ √
1+x √

1+x 2 x 1+x 2 x
L = ` 1, =` , 1 × x = `(1, x) = L(x)
2 1+x 2 1+x 2
√
puisque (a0 , b0 ) = (1, x) ⇒ (a1 , b1 ) = 1+x

2
, 1 × x (il suffit de décaler d’un rang les
suites, elles convergeront quand même vers la même limite).
√
1+x 2 x
Conclusion : ∀x ∈ [0, +∞[, L(x) = L .
2 1+x
iii. Soit x ≥ 0. On applique le résultat de la question d(ii) de la première partie de l’exercice.
√ 1+x
Conclusion : ∀x ∈ [0, +∞[, x ≤ L(x) ≤ .
2
(c) i. La fonction L est croissante sur [0, +∞[ et est minorée par L(0) = 0 sur [0, +∞[.
Conclusion : L admet une limite à droite en 0 .
ii. Soit a cette limite. Alors :
√ √
2 x 2 x
lim = 0+ et lim+ L(y) = a donc lim+ L =a
x→0+ 1 + x y→0 x→0 1+x
On en déduit que :
√
1+x 2 x 1
a = lim+ L(x) = lim+ L = a
x→0 x→0 2 1+x 2
ce qui prouve que a = 0 = L(0). Conclusion : L est continue en 0 .

√
(d) Comme x ≤ L(x) on en déduit que : lim L(x) = +∞ .
x→+∞
De plus, par continuité de L en 0, on a : L(x) 1

x
= L x
−→ 0.
x→+∞
Conclusion : CL admet une branche parabolique de direction horizontale en + ∞ .
20.1. SUITES RÉELLES 259
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
De même, pour tout réel x ∈]0, x0 [, on a :

L(x0 ) L(x) x0
≤ ⇒ L(x0 ) ≤ L(x) ⇒ L(x0 ) ≤ lim− L(x)
x0 x x x→x0
Conclusion : ∀x0 ∈]0, +∞[, lim+ L(x) ≤ L(x0 ) ≤ lim− L(x) .

x→x0 x→x0
iii. On déduit des deux doubles inégalités que :

∀x0 ∈]0, +∞[, lim− L(x) = L(x0 ) = lim+ L(x)
x→x0 x→x0
ce qui prouve que L est continue sur ]0, +∞[ .

x x
2. (a) Soit fn : [0, +∞[→ R, x 7→ an1 + · · · + anp . On a : fn (0) = p > 0. On sait aussi que
axk = o (nx ) pour tout entier k ∈ J1, pK donc fn (x) −→ 0. De plus fn est continue sur
x→+∞ x→+∞
[0, +∞[ et somme de fonctions strictement décroissantes (puisque ank < 1). Ainsi, f établit
une bijection de [0, +∞[ dans ]0, p] et l’équation fn (x) = 1 admet alors une unique solution
dans [0, +∞[.
Conclusion : L’équation ax1 + · · · + axp = nx admet une unique solution dans R+ .
(b) Pour tout entier n > ap , on a :
fn+1 (xn ) = ax1 n + · · · + axp n − (n + 1)xn = nx − (n + 1)xn < 0 = fn+1 (xn+1 )
Comme fn+1 est décroissante sur [0, +∞[ alors xn > xn+1 . On en déduit que la suite est dé-
croissante. Comme elle est minorée par 0, on en déduit aussi que la suite est convergente. Soit `
sa limite. Si ` > 0 alors on a :
p p
X X
`
ak = lim exn ln(ak ) = lim nxn = lim exn ln(n) = +∞
n→+∞ n→+∞ n→+∞
k=1 k=1
ce qui est absurde. On en déduit que ` = 0.

Conclusion : La suite (xn )n>ap est décroissante et converge vers 0 .
(c) On en déduit que :
ax1 n + · · · + axp n = lim exn ln(n)

p = lim
n→+∞ n→+∞
donc :
ln(p) = lim xn ln(n) ⇒ ln(p) ∼ xn ln(n)
n→+∞ n→+∞
ln(p)
Conclusion : xn ∼ .
n→+∞ ln(n)
20.2 Variables aléatoires réelles discrètes finies

20.2.1 TD
s
20.2.2 TD*
s

1. (a) i. Si Ak,i est l’événement « le numéro k n’apparaît pas au lancer i » alors on a :
P(Ak ) = P (Ak,1 ∩ · · · ∩ Ak,n ) = P (Ak,1 ) × · · · × P (Ak,n )
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
ii. Soit k ∈ J1, mK. On a :

P Ā1 ∩ · · · ∩ Āk ∩ Ak+1 ∩ · · · ∩ Am = P (Ak+1 ∩ · · · ∩ Am ) PAk+1 ∩···∩Am Ā1 ∩ · · · ∩ Āk
Or, sachant Ak+1 ∩ · · · ∩ Am , cela revient à avoir un dé à k faces donc :

PAk+1 ∩···∩Am Ā1 ∩ · · · ∩ Āk = 1 − PAk+1 ∩···∩Am (A1 ∪ · · · ∪ Ak )
k
" #
X X
= 1− (−1)h+1 PAk+1 ∩···∩Am (Ai1 ∩ · · · ∩ Aih )
h=1 1≤i1 <···<ih ≤k
k n Xk−1 n
h k
X k−h h k k−h
= 1+ (−1) = (−1)
h=1
h k h=0
h k
(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
En remarquant que hk = k−h k

puis en procédant au changement de variable h0 = k − h

et enfin en permutant les deux sommes, on obtient :

m
" n X m #
X h m k
E(Xn ) = (−1)h (−1)k k
h=1
m k=h
k h
On utilise la formule sans nom m

k m m−h

k h
= h k−h
puis on procède au changement de
variable k 0 = k − h et on obtient :
m
" m−h #
n X
X m h m − h
E(Xn ) = (−1)k (k + h)
h=1
h m k=0
k
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→+∞
Conclusion : lim E(Xn ) = n .

m→+∞
Lorsque le nombre de faces du dé est très grand, il est raisonnable de penser qu l’on obtient
presque toujours n faces différentes au cours des n lancers.
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 :
P(X2 = 1) = P(X1 = 0)P[X1 =0] (X2 = 1) + P(X1 = 1)P[X1 =1] (X2 = 1)

n−1 1 1 1
= × + ×0=
n n−1 n n
1
Conclusion : P(X2 = 1) = .
n
ii. Soit j ∈ J1, n − 1K. On a :
[X2j+1 = 1] = [X1 = 0] ∩ [X3 = 0] ∩ · · · ∩ [X2j−1 = 0] ∩ [X2j+1 = 1]
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 :
P(X2j+1 1) = P(X1 = 0) × P[X1 =0] (X3 = 0) × · · · × P[X1 =0]∩···∩[X2j−1 =0] (X2j+1 = 1)

n−1 n−2 n−j 1 1
= × × ··· × × =
n n−1 n−j+1 n−j n
Comme précédemment, on a :
[X2j = 1] = [X1 = 0] ∩ [X3 = 0] ∩ · · · ∩ [X2j−1 = 0] ∩ [X2j = 1]
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 :
Uj = [X1 = 0] ∩ [X2 = 0] ∩ · · · ∩ [X2j−2 = 0] ∩ [X2j−1 = 1]
On en déduit que :
P(Uj ) = P(X1 = 0) × P[X1 =0] (X2 = 0) × · · · × P[X1 =0]∩···∩[X2j−2 =0] (X2j−1 = 1)

2 2
n−1 n−2 n−j 1 n−j
= × × ··· × × =
n n−1 n−j+1 n−j n(n − 1)
n−j
Montrer que : ∀j ∈ J1, nK, P(Uj ) = .
n(n − 1)
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
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

1. (a) i. Dans le cas où r = 0, le premier tirage suffit à achever le jeu.
b
Conclusion : P(G0 ) = .
b+n
Dans le cas où r = 1 le jeu peut se terminer à l’issue du premier tirage ou bien à l’issue
du second si la première boule tirée est rouge. Avec le système complet d’événements
(B1 , N1 , R1 ), on obtient :
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
ii. On utilise encore le système complet d’événements (B1 , N1 , R1 ) :

P(Gr ) = P(B1 )PB1 (Gr ) + P(N1 )PN1 (Gr ) + P(R1 )PR1 (Gr )
b n r
= ×1+ ×0+ × P(Gr−1 )
b+n+r b+n+r b+n+r
puisque cela revient à commencer les tirages au rang 2 avec une urne contenant initialement
r − 1 boules rouges.
b r
Conclusion : P(Gr ) = + × P(Gr−1 ) .
b+n+r b+n+r
iii. La suite (ur ) de terme général ur = P(Gr ) n’est pas arithmético-géométrique (puisque
les coefficients dépendent de r) mais comme les deux premiers termes sont égaux, une
récurrence immédiate prouve que la suite est constante.
b
Conclusion : ∀r ∈ N, P(Gr ) = .
b+n
(b) i. X0 est la variable certaine égale à 1 donc E(X0 ) = 1 .
Dans le cas où r = 1, on a X1 (Ω) = {1, 2} et :
b+n 1
P(X1 = 1) = P(R̄1 ) = donc P(X1 = 2) =
b+n+1 b+n+1
b+n+2
Conclusion : E(X1 ) = .
b+n+1
Dans la cas où r = 2, on a X2 (Ω) = {1, 2, 3} et :
b+n
P(X2 = 1) = P(R̄1 ) =
b+n+2
2 b+n
P(X2 = 2) = P(R1 ∩ R̄2 ) = P(R1 )PR1 (R̄2 ) = ×
b+n+2 b+n+1
2
P(X2 = 3) =
(b + n + 2)(b + n + 1)
b+n+3
b+n+1
ii. Soit r ≥ 1 et k ≥ 2. Avec le système complet (R1 , R̄1 ), on a :
P(Xr = k) = P(R1 )PR1 (Xr = k) + P(R̄1 )PR̄1 (Xr = k)
r b+n
= P(Xr−1 = k − 1) + ×0
b+n+r b+n+r
r
Conclusion : ∀r ≥ 1, ∀k ≥ 2, P(Xr = k) = P(Xr−1 = k − 1) .
b+n+r
Soit r ≥ 1. On en déduit que :
r+1 r+1
X X r
E(Xr ) = kP(Xr = k) = P(Xr = 1) + k P(Xr−1 = k − 1)
k=1 k=2
b+n+r
r
b+n r X
= + (k 0 + 1)P(Xr−1 = k 0 )
b + n + r b + n + r k0 =1
" r
#
b+n r X
= + E(Xr−1 ) + P(Xr−1 = k)
b+n+r b+n+r k=1
r
Conclusion : ∀r ≥ 1, E(Xr ) = 1 + E(Xr−1 ) .
b+n+r
iii. D’après la question (b)i, on postule que E(Xr ) = b+n+r+1

b+n+1
et l’égalité est initialisée au rang
0. La question (b)ii permet une récurrence immédiate sur r.
b+n+r+1
Conclusion : E(Xr ) = .
b+n+1
2. Comme Xr est à valeurs strictement positives alors X r est à valeurs strictement positives donc E(X r )
est strictement positive et donc er est bien défini pour tout réel r non nul. De plus, pour tout réel r 6= 0,
on a : !
n
1 1 X
ln(er ) = ln (E(X r )) = ln xrk P(X = xk )
r r k=1
Or, pour tout réel k ∈ J1, nK, on a :

h i
xrk P(X = xk ) = er ln(xk ) P(X = xk ) = P(X = xk ) 1 + r ln(xk ) + o (r)
r→0
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 Espaces vectoriels, applications linéaires, matrices

20.3.1 TD
s
20.3.2 TD*
s

1. (a) Comme la matrice A n’est pas inversible alors ses colonnes C1 , . . . , Cn vu comme éléments de
Mn (K) sont liées, c’est à dire que :
∃(α1 , . . . , αn ) ∈ Kn − {(0, . . . , 0)} / α1 C1 + · · · + αn Cn = Θ

20.3. ESPACES VECTORIELS, APPLICATIONS LINÉAIRES, MATRICES 267
 
α1
Posons X =  ... . Alors, on a : AX = α1 C1 + · · · + αn Cn = Θ.
 
αn
Conclusion : ∀A ∈ Mn (K) − GLn (K), ∃X ∈ M1 (K) − {Θ} / AX = Θ .
(b) Soit B la base canonique de Kn et f l’endomorphisme de Kn tel que MatB (f ) = A. Comme
la matrice A n’est pas inversible alors f n’est pas un automorphisme de Kn et en particulier il
n’est pas injectif donc :
∃~x ∈ Kn − {~0} / f (~x) = ~0
Soit X la colonne des coordonnées de ~x dans la base B. On sait alors que X 6= Θ et que f (~x) a
pour colonne de coordonnées la matrice AX. Comme f (~x) = ~0 alors AX = Θ.
Conclusion : ∀A ∈ Mn (K) − GLn (K), ∃X ∈ M1 (K) − {Θ} / AX = Θ .
2. (a) i. Clairement A et I sont linéairement indépendantes donc un polynôme annulateur sera de
degré au moins 2. Comme :
 
3 1 −1
A2 =  1 3 1  = 2I − A
−1 1 3
on en déduit que : P (X) = X 2 + X − 2 convient .

ii. On sait alors que f 2 + f = 2Id donc que :

1 1 1 1
f◦ f + Id = Id = f + Id ◦ f
2 2 2 2
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 :
∃! (Qn (X), Rn (X)) ∈ Rn [X] × R1 [X] / X n = P (X)Qn (X) + Rn (X)
Comme Rn (X) ∈ R1 [X] alors :
∃(an , bn ) ∈ R2 / Rn (X) = an X + bn
i. On sait que l’évaluation en f de l’égalité X n = P (X)Qn (X) + Rn (X) donne :
f n = P (f ) ◦ Qn (f ) + an f + bn Id = an f + bn Id
puisque P (X) est aussi un polynôme annulateur de f . Conclusion : ∀n ∈ N, f n = an f + bn Id .

ii. Un rapide calcul nous assure que 1 et −2 sont les racines de P (X). Par évaluation de
l’égalité en ces deux racines, on a :
n
1 = P (1)Qn (1) + an + bn an + bn = 1
∀n ∈ N, n ⇔
(−2) = P (−2)Qn (−2) − 2an + bn −2an + bn = (−2)n
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 .
3. (a) i. Montrons que Ker(f − aIdE ) ∩ Ker(f − bIdE ) = {0E }.

Soit un vecteur x dans cette intersection. Alors :
f (x) = ax et f (x) = bx
Comme a 6= b alors x = 0E ce qui donne le résultat escompté.

ii. Montrons que dim(E) = dim (Ker(f − aIdE )) + dim (Ker(f − bIdE )).
D’après ce qui précède, la somme Ker(f − aIdE ) + Ker(f − bIdE ) est directe et donc :
dim(Ker(f − aIdE )) + dim(Ker(f − bIdE )) = dim (Ker(f − aIdE ) ⊕ Ker(f − bIdE ))

≤ dim(E)
De plus, comme P est un polynôme annulateur de f alors :
(f − aIdE ) ◦ (f − bIdE ) = Θ
ce qui assure que : Im(f − bIdE ) ⊂ Ker(f − aIdE ). D’après le théorème du rang, on a :
dim(E) = dim(Ker(f − aIdE )) + dim(Im(f − aIdE ))

≤ dim(Ker(f − aIdE )) + dim(Ker(f − bIdE ))
d’où l’égalité des dimensions attendues.

iii. Conclusion : E = Ker(f − aIdE ) ⊕ Ker(f − bIdE ) .
(b) On sait que la transposition est linéaire donc : f ∈ L(E) .

De plus, il est immédiat que f ◦ f = Id donc P (X) = X 2 − 1 = (X − 1)(X + 1) est un
polynôme annulateur de f . Comme 1 6= −1 alors, on en conclut que :
Mn (K) = Ker(f − Id) ⊕ Ker(f + Id)
Remarquer que cela correspond à la décomposition (connue être en somme directe) en matrices
symétriques et matrices antisymétriques.

1. Supposons que A ne soit pas inversible. Alors :
 
α1
∃(α1 , . . . , αn ) ∈ Cn − {(0, . . . , 0)} / A  ...  = Θ
 
αn
Soit i0 ∈ J1, nK tel que : |αi0 | = max{|α1 | , . . . , |αn |} =

6 0. Alors :
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 }
ce qui est absurde. Conclusion : A ∈ GLn (C) .

20.3. ESPACES VECTORIELS, APPLICATIONS LINÉAIRES, MATRICES 269
2. (a) Vérifions chacune des 4 propriétés sur les matrices. On a :

2 0 −1 0 −1 −1 0
U = = = −I2
1 0 1 0 0 −1

1 1
V = 6= I2
0 1
2
2 0 1 0 0
(V − I2 ) = = =Θ
0 0 0 0

0 0
U + V − I2 = 6∈ GL2 (R)
1 0
Conclusion : (u, v) est solution du problème .
(b) i. Comme u2 = −Id alors u ◦ (−u) = (−u) ◦ u donc u ∈ GL(R2 ) et u−1 = −u .

Comme (v − Id)2 = Θ alors v 2 − 2v = −Id donc v ◦ (2Id − v) = (2Id − v) ◦ v = Id.
Conclusion : v ∈ GL(R2 ) et v −1 = 2Id − v .
ii. On sait que v 2 = 2v − Id. Alors :
v 3 = v 2 ◦ v = 2v 2 − v = 2(2v − Id) − v = 3v − 2Id
Soit P(n) la proposition : v n = nv − (n − 1)Id. Alors P(0), P(1), P(2), P(3) sont vraies.
Soit n ∈ N et supposons que P(n) est vraie. Alors :
v n+1 = v n ◦v = (nv−(n−1)Id)◦v = nv 2 −(n−1)v = 2nv−nId−(n−1)v = (n+1)v−nId
donc P(n + 1) est vraie. Conclusion : ∀n ∈ N, v n = nv − (n − 1)Id .

(c) i. C’est la question classique : f ◦ g = Θ ⇒ Im(g) ⊂ Ker(f ).
Soit y ∈ Im(g). Alors y = g(x) pour un certain x ∈ E. Ainsi, on a : f (y) = f (g(x)) = 0
donc y ∈ Ker(f ). On conclut ici en choisissant f = g = v − Id.
Conclusion : Im(v − Id) ⊂ Ker(v − Id) .
ii. D’après ce qui précède, on a :
0 ≤ dim (Im(v − Id)) ≤ dim (Ker(v − Id)) ≤ dim R2 = 2

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
Conclusion : Im(v − Id) = Ker(v − Id) .

(d) Supposons que Ker(u + v − Id) n’est pas de dimension 1. Alors, il est de dimension 0 ou 2. Mais
la dimension nulle est impossible d’après (A4 ). Si la dimension vaut 2 alors u + v − Id = Θ
donc u−1 = −u = v − Id . Comme dim (Ker(v − Id)) = 1 alors v − Id n’est pas inversible ce
qui est pourtant le cas de u−1 auquel il est égal.
Conclusion : dim (Ker(u + v − Id)) = 1 .
(e) i. Comme e1 = −u(e2 ) = u−1 (e2 ) alors e2 = u(e1 ). Soit (a, b) ∈ R2 tel que ae1 + be2 = 0.
Alors :
0 = u(ae1 + be2 ) = au(e1 ) + bu(e2 ) = ae2 − be1
En multipliant par b la première égalité et par a la seconde puis en ajoutant les deux, on
en déduit que (a2 + b2 )e2 = 0 et , puisque e2 6= 0 en tant que vecteur d’une base, alors
a2 + b2 = 0 ce qui donne immédiatement que a = b = 0 (on est dans R). La famille est
libre et constituée de deux vecteurs de R2 qui est de dimension 2.
Conclusion : (e1 , e2 ) est une base de R2 .
ii. Notons B = (e1 , e2 ). Compte tenu de ce qui précède, on en déduit que :

0 −1
MatB (u) =
1 0
Par ailleurs, on sait que (u + v − Id)(e2 ) = 0 donc v(e2 ) = e1 + e2 . Enfin, on a :

e1 = (v − Id)(e2 ) (v − Id)(e1 ) = (v − Id)2 (e2 ) = 0
donc

1 1
ce qui prouve que v(e1 ) = e1 . On en déduit que : MatB (v) = .
0 1
(f) On peut alors affirmer que (u, v) est solution du problème (A1 ), (A2 ), (A3 ), (A4 ) si et seulement
s’il existe une base B = (e1 , e2 ) de R2 telle que :

0 −1 1 1
MatB (u) = et MatB (v) =
1 0 0 1
20.4 Étude des fonctions numérique

20.4.1 TD
s
20.4.2 TD*
s

n
1. Soit x ∈]0, 1[. Alors la suite x2 n≥0
converge vers 0. De plus, on a :
n+1 n
∀n ∈ N, f x2 = f x2
Une récurrence immédiate assure alors que :

n
∀n ∈ N, f x2

= f (x)
Par continuité de f en 0, on en déduit que :

2n 2n

f (x) = lim f x =f lim x = f (0)
n→+∞ n→+∞
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 :
0 ≤ u < v ≤ 1 ⇒ f (u) ≥ f (v) ⇒ un ≥ v n ⇒ u ≥ v
ce qui est absurde. Conclusion : ∀n ≥ 1, ∃!an ∈ [0, 1] / f (an ) = ann .

ii. Soit n ≥ 1. On sait que gn (an ) = 0. De plus :
gn (an+1 ) = f (an+1 ) − ann+1 = an+1 n n

n+1 − an+1 = an+1 (an+1 − 1) ≤ 0 = gn (an )
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
Par application de l’inégalité des accroissement finis, on obtient :
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 :
∀α ∈ [0, 1], f (α) = ln((x − y)α + y) + (ln(y) − ln(x))α − ln(y)
La fonction f est donc dérivable sur [0, 1] et on a :

x−y
∀α ∈ [0, 1], f 0 (α) = + ln(y) − ln(x)
(x − y)α + y
Or (x − y)α + y = αx + (1 − α)y ∈ [x, y]. Alors, f 0 (α) ≥ 0 si et seulement si :

y−x y−x
≤ ln(y) − ln(x) donc (x − y)α + y ≥ ≥x
(x − y)α + y ln(y) − ln(x)
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) .
ii. On en déduit que la fonction ln est concave sur R .

4. Comme f 00 est négative sur [a, b] alors f 0 est décroissante sur [a, b]. Comme f (a) = f (b) = 0 alors le
théorème de Rolle nous dit que f 0 s’annule en un réel c ∈]a, b[. Alors, la fonction f 0 est positive sur
[a, c] et négative sur [c, b] et donc la fonction f est croissante sur [a, c] et décroissante sur [c, b]. Ainsi
f admet un minimum local en a et en b. Mais ces deux minima locaux sont tous les deux égaux à 0.
Conclusion : ∀x ∈ [a, b], f (x) ≥ 0 .
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→±∞
Cf est au-dessous de son asymptote au voisinage de + ∞
Cf est au-dessus de son asymptote au voisinage de − ∞

(c) Pour tout réel x > 0, on x + 1 > 0 donc :
f (x) = ex[ln(x+1)−ln(x)]
Or x ln(x + 1) −→ 0 et x ln(x) −→ 0 ainsi :
x→0 x→0
lim f (x) = 1 et f se prolonge par continuité en 0 et f (0) = 1

x→0
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
donc f n’est pas dérivable en 0 mais Cf y admet une demi-tangente verticale .

On sait que x+1 x+1
+

x
−→ −
0 donc x ln x
−→ − +∞ ainsi :
x→(−1) x→(−1)
lim f (x) = +∞ et Cf admet une tangente verticale d’équation x = −1

x→−1
20.4. ÉTUDE DES FONCTIONS NUMÉRIQUE 273

1. (a) Soit t ∈]0, 1[. Comme limx→+∞ F (x) = 1, alors pour ε = 1 − t > 0, il existe A > 0 tel que :
∀x ≥ A, |F (x) − 1| ≤ ε donc ∀x ≥ A, F (x) ≥ t
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 :
h(t) = inf{x ∈ R | F (x) ≥ t} donc ∀x > h(t), F (x) ≥ t
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[ :
∀x < h(t), F (x) < t donc F (h(t)) = lim F (x) ≤ t

x→h(t)−
Alors F (h(t)) ≤ t ≤ F (h(t)) donc F (h(t)) = t. Conclusion : F ◦ h = Id]0,1[ .

iv. Lorsque F est continue et strictement croissante sur R alors h ◦ F = IdR et F ◦ h = Id]0,1[
donc F est une bijection de R dans ]0, 1[ et F −1 = h .
(c) Représenter F , déterminer la fonction h et la représenter dans les cas suivants :
i. Ici F n’est pas strictement croissante sur R mais elle y est continue. Ainsi F ◦ h = Id]0,1[ .
Toutefois, f est strictement croissante sur ]0, +∞[ et limx→0 F (x) = 0 ainsi, un raisonne-
ment analogue à ce qui précède assure que h ◦ F = Id]0,+∞[ et donc h est la réciproque de
F sur ]0, +∞[. Alors, pour tout couple (x, t) ∈]0, +∞[×]0, 1[, on a :
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 ...
∀t ∈]p1 + · · · + pn−1 , p1 + · · · + pn−1 + pn ], h(t) = xn

2. Soit x0 ∈]0, +∞[. Comme f est croissante sur ]0, +∞[ alors on a :
lim f (x) ≤ f (x0 ) ≤ lim+ f (x)

x→x−
0 x→x0
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
On en déduit donc que f (x0 ) = limx→x+0 f (x). Ainsi f est continue en x0 .

Conclusion : f est continue sur ]0, +∞[ .
20.5 Séries numériques

20.5.1 TD
s
20.5.2 TD*
s

1. Comme la série converge absolument alors |un | −→ 0. Ainsi, par définition de la limite :
n→+∞
∃n0 ∈ N / ∀n ≥ n0 , |un | ≤ 1
Alors, on en déduit que :

∀n ≥ n0 , 0 ≤ u2n ≤ |un |
X
Par théorème de comparaison des séries à termes positifs, on en déduit que u2n converge .
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
Une récurrence immédiate assure que :
∀n ≥ n0 , 0 < un ≤ (a + ε)n−n0 u0
(a + ε)n converge. Les deux séries étant à termes

P
Comme 0 < a + ε < 1 alors la série
P X
positifs, on en déduit que la série n≥n0 un converge et donc que : La série un converge .
20.5. SÉRIES NUMÉRIQUES 275
(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→+∞
Posons : A = exp(S + ln(t1 )). Alors, le réel A est strictement positif et on a :
lim ln(nb un ) = ln(A) donc lim (nb un ) = A

n→+∞ n→+∞
Comme A n’est pas nul, on a :

n b un ∼ A
n→+∞
A
Conclusion : un ∼ .
n→+∞ nb
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)k qui est une série géométrique. Elle converge donc si et
P
1. (a) i. On a affaire à la série
seulement si | − x| < 1. Conclusion : I =] − 1, 1[ .
+∞
X 1
ii. On applique alors le résultat connu : ∀x ∈] − 1, 1[, (−1)k xk = .
k=0
1+x
iii. Pour tout (n, x) ∈ N × I, on a :
+∞ n
X
k k
X 1 1 − (−x)n+1
Rn (x) = (−1) x − (−1)k xk = −
k=0 k=0
1+x 1+x
(−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
Rn converge. Soit ` sa somme. La suite ( nk=0 kuk )n≥0 est croissante

P P
ii. Supposons que
puisque kuk ≥ 0. Si elle ( nk=0 kuk )n≥0 ne converge pas alors elle a pour limite +∞ donc
P
Pn Pn
k=0 Rk − k=0 kuk −→ −∞ ce qui est absurde à cause de la positivité de (n + 1)Rn .
n→+∞
Ainsi, la suite converge.
X X
Conclusion : Si la série Rn converge alors la série nun converge .
(c) i. Pour tout entier n ≥ 0, on a :
+∞
X
(n + 1)Rn = (n + 1)uk et ∀k ≥ n + 1, 0 ≤ (n + 1)uk ≤ kuk
k=n+1
P
Comme la série kuk converge alors :
+∞
X
(n + 1)Rn ≤ kuk −→ 0
n→+∞
k=n+1
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
2. Soit i ∈ N. Pour tout entier naturel j, on a :

(i + j)! i+j xi
x = × (i + j) × (i + j − 1) × · · · × (j + 1) × xj
i!j! i!
Or (i + j) × (i + j − 1) × · · · × (i + j + 1) × xj est le terme général d’une série géométrique dérivée
d’ordre i qui converge absolument puisque |x| < 12 . Ainsi, on a :
+∞
X (i + j)! i+j |x|i i! |x|i
x = × =
j=0
i!j! i! (1 − |x|)i+1 (1 − |x|)i+1
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
20.6 Variables aléatoires discrètes infinies

20.6.1 TD
s
20.6.2 TD*
s

1. (a) Soit n ≥ 1. On a :
P(Zn = 1) = P([Xn = 1] ∩ [Yn = 1]) = P(Xn = 1)P(Yn = 1) = pp0
Conclusion : ∀n ≥ 1, Zn ,→ B(1, pp0 ) .

Alors :
Cov(Xn , Zn ) = E(Xn Zn ) − E(Xn )E(Zn ) = P([Xn2 = 1] ∩ [Yn = 1]) − p2 p0

= P([Xn = 1] ∩ [Yn = 1]) − p2 p0 = pp0 − p2 p0
Conclusion : ∀n ≥ 1, Cov(Xn , Zn ) = p(1 − p)p0 .

Comme p 6= 0, 1 − p 6= 0 et p0 6= 0 alors Cov(Xn , Zn ) 6= 0.
Conclusion : Xn et Zn ne sont pas indépendantes .
(b) i. On a : ∀n ≥ 1, An = [Z1 = 0] ∩ · · · ∩ [Zn−1 = 0] ∩ [Zn = 1] .

Les variables Zi sont mutuellement indépendantes d’après la remarque précédente de l’énoncé.
Alors : ∀n ≥ 1, P(An ) = (1 − pp0 )n−1 pp0 .
ii. Soit D l’événement « on détecte un objet défectueux ». Alors : D = +∞
S
n=1 An . Comme les
événements An sont deux à deux incompatibles, par définition de P, on en déduit que :
+∞ +∞
X X 1
P(D) = P(An ) = (1 − pp0 )n−1 pp0 = pp0 =1
n=1 n=1
1 − (1 − pp0 )
Conclusion : On finira presque sûrement par détecter un objet défectueux .

(c) i. Soit k ∈ J1, n − 1K. On a :
P([Xk = 1] ∩ [Zk = 0]) = P([Xk = 1] ∩ [Yk = 0])
donc : P([Xk = 1] ∩ [Zk = 0]) = p(1 − p0 ) . On en déduit que :
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
Conclusion : ∀k ∈ J1, n − 1K, P([Xk = 1] ∩ An ) = p2 p0 (1 − p0 )(1 − pp0 )n−2 .

20.6. VARIABLES ALÉATOIRES DISCRÈTES INFINIES 279
ii. Soit k ∈ J1, n − 1K. On a :
P([Xk = 1] ∩ An ) p2 p0 (1 − p0 )(1 − pp0 )n−2 p(1 − p0 )

PAn (Xk = 1) = = =
P(An ) (1 − pp0 )n−1 pp0 1 − pp0
P([Xk = 1] ∩ [Zk = 0]) p(1 − p0 )

PBk (Xk = 1) = =
P(Zn = 0) 1 − pp0
p − pp0
Conclusion : ∀k ∈ J1, n − 1K, PAn (Xk = 1) = PBk (Xk = 1) = .
1 − pp0
iii. Soit (x1 , . . . , xn−1 ) ∈ {0, 1}n−1 . On a :
n−1
!
P n−1
T
k=1 [Xk = xk ] ∩ An
\
PAn [Xk = xk ] =
k=1
P(An )
P n−1
T
k=1 ([Xk = x k ] ∩ [Z k = 0]) ∩ [Z n = 1]
=
P(An )
Qn−1
k=1 P ([Xk = xk ] ∩ [Zk = 0]) P(Zn = 1)
=
P(An )
par indépendance mutuelle des couples (Xk , Zk ). De plus :
P([Xk = 1] ∩ [Zk = 0]) = p(1 − p0 ) et P([Xk = 0] ∩ [Zk = 0]) = P([Xk = 0]) = 1 − p
On en déduit donc que :

n−1
!
\ (p(1 − p0 ))x1 +···+xn−1 (1 − p)n−1−(x1 +···+xn−1 ) pp0
PAn [Xk = xk ] =
k=1
(1 − pp0 )n−1 pp0
x +···+xn−1 n−1−(x1 +···+xn−1 )
p − pp0 1

1−p
=
1 − pp0 1 − pp0
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
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
alors, par dérivation sur ] − 1, 1[ et évaluation en x, on obtient :
s
X 1 − (s + 1)xs + sxs+1
As (x) = kxk−1 =
k=1
(1 − x)2
La somme xBs (x) est le reste la série géométrique, donc :
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
ii. Il s’agit d’évaluer E(Xi Xj ) = +∞

P P+∞ P+∞ P+∞
h=1 k=1 hkP([Xi = h] ∩ [Xj = k]) = h=1 k=1 hkph,k
∗
sous réserve d’existence. Soit h ∈ N . D’après la question précédente, on a :
+∞ h−1 h i +∞ h i
n−2 k−1 n−1 h−2 n−2 h−1 n−1 k−2
X X X
hk n12 hk n12

hkph,k = n−1 n
+ n−1 n
k=1 k=1 k=h+1
h−2 h−1
h n−1 n−2 h n−2 n−1
= Ah−1 + 2 Bh
n2 n n−1 n n−1 n
h h−1 h−1
n−1 n−2+h n−2 n−1+h n−2
= h −h +h
n n n n n
h h−1
n−1 2h n − 2
= h +
n n n
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)

1. (a) i. Il est manifeste que V (Ω) = N. Soit k ∈ N. Alors :
P(V ≥ k) = P([X ≥ k] ∩ [Y ≥ k]) = P(X ≥ k)P(Y ≥ k) = P(X ≥ k)2
par indépendance de X et Y puis par loi identique. On sait aussi que :
P(V = k) = P(V ≥ k) − P(V ≥ k + 1)
Conclusion : ∀k ∈ N, P(V = k) = P(X ≥ k)2 − P(X ≥ k + 1)2 .

ii. Il est manifeste que W (Ω) = Z. Soit k ∈ Z. Comme X et Y sont indépendantes alors X et
−Y sont indépendantes ainsi, par convolution :
+∞
X
P(W = k) = P(X + (−Y ) = k) = P(X = i)P(−Y = k − i)
i=0
−(k−i)∈N
+∞
X
Conclusion : ∀k ∈ Z, P(W = k) = P(X = i)P(X = i − k) .
i=0
i−k∈N
(b) i. Pour tout k ∈ N, on a :

k−1
X 1 − qk
P(X ≥ k) = 1 − P(X < k) = 1 − pq i = 1 − p = qk
i=0
1−q
Conclusion : ∀k ∈ N, P(V = k) = (1 − q 2 )q 2k = p(1 + q)q 2k .

ii. Soit k ∈ Z. Pour des raisons quasi évidentes de symétrie, on a : P(W = −k) = P(W = k).
De plus, pour tout k ≥ 0, on a :
+∞ +∞ +∞
X X X 1
P(W = k) = pq i pq i−k = p2 q k q 2(i−k) = p2 q k (q 2 )i = p2 q k
i=k i=k i=0
1 − q2
pq |k|
Conclusion : ∀k ∈ Z, P(W = k) = .
1+q
iii. Soit (i, k) ∈ N × Z. Remarquons que :
[V = i] = ([X = i] ∩ [Y = i]) ∪ ([X > i] ∩ [Y = i]) ∪ ([X = i] ∩ [Y < i])
réunions d’événements deux à deux incompatibles. On a alors :


 P([X = i] ∩ [Y = i] ∩ [X − Y = 0]) si k = 0
P([V = i] ∩ [W = k]) = P([X > i] ∩ [Y = i] ∩ [X − Y = k]) si k > 0
P([X = i] ∩ [Y > i] ∩ [X − Y = k]) si k < 0


 P(X = i)P(Y = i) si k = 0
= P(X = i + k)P(Y = i) si k > 0
P(X = i)P(Y = i − k) si k < 0

= p2 q 2i+|k| = P(V = i)P(W = k)
Conclusion : V et W sont indépendantes .

(c) i. Soit n ∈ N. D’une part, on a :
P([X = n + 1] ∩ [Y = n]) P(X = n + 1)P(Y = n) P(X = n + 1)
= =
P([X = n] ∩ [Y = n]) P(X = n)P(Y = n) P(X = n)
D’autre part, on a :
P([X = n + 1] ∩ [Y = n]) P([V = n] ∩ [W = 1]) P(V = n)P(W = 1)
= = =α
P([X = n] ∩ [Y = n]) P([V = n] ∩ [W = 0]) P(V = n)P(W = 0)
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
réunion d’événements incompatibles. Par indépendance mutuelle des événements Sn , on en

déduit que : ∀k ≥ 2, P(T = k) = (1 − p)pk−1 + p(1 − p)k−1 .
Les séries k≥2 pk−1 et k≥2 (1 − p)k−1 sont convergentes puisque géométriques avec
P P
(p, 1 − p) ∈]0, 1[2 . De plus :
+∞ +∞
X
k−1
X 1
(1 − p)p = (1 − p) pk+1 = (1 − p)p =p
k=2 k=0
1−p
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
On en déduit donc que T admet une espérance et que :

1 1 1
E(T ) = − (1 − p) + − p = −1
1−p p 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
Conclusion : P(S = 1) = (1 + p)(1 − p) et ∀i ≥ 2, P(S = i) = (1 − p)pi .

1
La série i≥2 pi converge et a pour somme p2 1−p
P
donc :
+∞
X 1
P(S = i) = (1 − p)(1 + p) + (1 − p)p2 =1
i=1
1−p
Conclusion : S est une variable aléatoire .

iii. Puisque iP(S = i) = p(1 − p)ipi−1 correspond au terme général d’une série absolument
convergente (géométrique dérivée) alors S admet une espérance . De plus :
+∞
X
i−1 1
E(S) = (1 − p)(1 + p) + p(1 − p) ip = (1 − p)(1 + p) + p(1 − p) −1
i=2
(1 − p)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
p(1 − 2(1 − p))2 p

Conclusion : Cov(S, T ) = 2
= − 2p .
(1 − p) (1 − p)2
(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
Conclusion : Cov(S, E) = −p(1 − p) .
20.7 Réduction des endomorphismes

20.7.1 TD
s
20.7.2 TD*
s

p q
1. (a) Notons P = . Alors, pour tout entier naturel n, on a :
r s

p q an bn pan + qcn pbn + qdn
P An = =
r s cn dn ran + scn rbn + sdn
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 : (P An )n∈N converge vers P A .

Le même raisonnement prouve que (An P )n∈N converge vers AP .
k
(b) i. Une récurrence immédiate assure que : ∀k ∈ N, (P −1 AP ) = P −1 Ak P . On en déduit
alors que : !
Xn n
X
∀n ∈ N, Sn (P −1 AP ) = P −1 Ak P = P −1 Ak P
k=0 k=0
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 :
∃!(α, b) ∈ R2 / u(e2 ) = be1 + αe2

a b
On en déduit que MatB (u) = . Si α 6= a alors α serait une seconde valeur
0 α
propre de u. Si b = 0 alors la matrice de u dans la base B serait diagonale donc u serait

a b
diagonalisable. Conclusion : ∃b 6= 0 / MatB (u) = .
0 a
iv. On a : u(be1 ) = bu(e1 ) = bae1 = a(be1 ) et u(e2 ) = (be1 ) + a(e2 ).

a 1
Conclusion : MatC (u) = .
0 a
(d) i. Comme T est triangulaire alors a est la seule valeur propre de T . De plus :

0 1
rg(T − aI) = rg = 1 = 2 − dim (Ker(T − aI))
0 0
donc Ker(T − aI) 6= R2 ce qui assure que T n’est pas diagonalisable .

ii. On a :

0 1 0 a 1 2 a2 2a 3 a3 3a2
T = T = T = T =
0 1 0 a 0 a2 0 a3

n an nan−1
Une récurrence prouve que : ∀n ∈ N, T = .
0 an
n k Pn Pn
X a kak−1 k=0 ak k=1 ka k−1
∀n ∈ N, Sn (T ) = = Pn
0 ak 0 k=0 a
k
k=0
D’après les résultats connus sur les séries géométriques et géométriques dérivées :
(Sn (T ))n∈N converge si et seulement si a ∈] − 1, 1[
1 1
1−a (1−a)2
De plus, en cas de convergence, on a : lim Sn (T ) = 1 .
n→+∞ 0 1−a
(e) i. Soit u l’endomorphisme de R2 représenté par la matrice A dans la base canonique de R2 .

Supposons que u soit diagonalisable dans une base B. Notons P la matrice de passage de
la base canonique à la base B. Alors :

−1 a 0
P AP =
0 b
!
1−an+1
0
Ainsi : ∀n ∈ N, Sn (P −1 AP ) = 1−a
1−bn+1 . Cette suite converge si et seulement
0 1−b
si les valeurs propres de A (les réels a et b) sont dans ] − 1, 1[.
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
Notons P la matrice de passage de la base canonique à la base B. Alors :

a 1
= P −1 AP
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[ .
ii. Par développement et télescopage, on a : ∀n ∈ N, (I − A)Sn (A) = I − An+1 .

iii. Supposons que la suite (Sn (A))n∈N converge. Les calculs qui précèdent assurent que :
lim An+1 = Θ donc lim (I − A)Sn (A) = I

n→+∞ n→+∞
c’est à dire que : (I − A) limn→+∞ Sn (A) = I. On prouve de même que :

lim Sn (A) (I − A) = I
n→+∞
d’où l’on déduit que I − A est inversible.

Conclusion : Si (Sn (A))n∈N converge alors lim Sn (A) = (I − A)−1 .
n→+∞
2. On considère un espace probabilisé (Ω, T , P) et deux variables aléatoires X et Y à valeurs dans

J1, n + 1K où n ≥ 2. On pose :
∀(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
On effectue les opérations élémentaires suivantes : L1 ↔ L3 et L2 ↔ L4 puis L3 ←

L3 + 6λL1 et L4 ← L4 − (1 − 6λ)L1 pour obtenir :
 
1 0 1 − 6λ 0
1 0 1 0 −6λ 

2
6  0 0 1 + 6λ − 36λ 0 
0 0 0 1 + 6λ − 36λ2
Alors : √
2 1± 5
λ ∈ Sp(A) ⇔ 1 + 6λ − 36λ = 0 ⇔ λ =
12
( √ √ )
1− 5 1+ 5 √
donc : Sp(A) = , . Dans le cas où λ = 1+12 5 , on a :
12 12
√
1− 5
 
1 0 2
0√
 0
rg(A − λI) = rg  1 0 − 1+2 5 
=2
 0 0 0 0 
0 0 0 0
√ √
donc dim(Eλ (A)) = 4 − 2 = 2. De plus, 1−2 5 C1 − C3 = 0 et 1+2 5 C2 + C4 = 0.
 1−√5   
0√
2
 0   1+ 5 
Conclusion : E 1+ 5 (A) = Vect 
√    ,  2  .
12 −1   0 
0 1
 1+√5   
0√
2
 0   1− 5 
Un raisonnement analogue amène : E 1− 5 (A) = Vect 
√    ,  2  .
12 −1   0 
0 1
Comme dim(Eλ (A)) + dim(Eλ (A)) = dim(M4,1 (R)) alors A est diagonalisable dans R .
(b) On sait que X(Ω) ⊂ J1, n + 1K. Soit i ∈ J1, n + 1K. Alors :
n+1 1
X si i = 1 ou i = n + 1
P(X = i) = P([X = i] ∩ [Y = j]) = 2n
1
n
si 2 ≤ i ≤ n
j=1
Par symétrie en (i, j) de ai,j , on en déduit que : X(Ω) = Y (Ω) = J1, n + 1K et :

1
si i = 1 ou i = n + 1
∀i ∈ J1, n + 1K, P(X = i) = P(Y = i) = 2n
1
n
si 2 ≤ i ≤ n
(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
ii. On en déduit que :

 1    
0 ... 0 2
0 1  1
× n1
 1
2n 2n
 .. . . . . ..
1 1
2
1 1 1
 . 0 1 × + 1 × 2n
    
n n

2 n
. ..
    
  ..    .. 
 0 12 1
0   .  =  . . . 12 × 1
+ 12 × n1 . . .  = 1. 

2 n  1. 
 
. 1 1 1

. .. . × + 1 × 2n
  1  
 1 0 . . ..

 n  2 n  n 
1 1
0 12 0 ... 0
1
2
×n 1
2n 2n
 
P(X = 1)
..
Conclusion :   ∈ E1 (B) .
 
.
P(X = n + 1)

1. (a) i. On sait que Pk0 (X) = k(X − λ)k−1 donc, comme k > 0, alors Pk (X) = k1 (X − λ)Pk0 (X).
Conclusion : ∀λ ∈ C, ∀k ∈ J1, nK, Pk0 (X)|Pk (X) .
ii. Excluons le cas où P (X) est un polynôme constant (son polynôme dérivé est nul donc on ne
peut effectuer la division euclidienne). Si P (X) = aX + b avec a 6= 0 alors son polynôme
dérivé P 0 (X) = a en est bien un diviseur. Supposons que deg(P ) ≥ 2 et que P 0 |P . Notons
a1 , . . . , ak les racines de P 0 (X) avec multiplicité respective m1 , . . . , mk . Comme P 0 (X)
divise P (X) alors a1 , . . . , ak sont encore racines de P (X) mais avec multiplicité respective
m1 + 1, . . . , mk + 1. Alors :
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 :
u(X k ) = (X 2 + 1)kX k−1 − nXX k = (k − n)X k+1 + kX k−1
(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 :
u(P ) = λP ⇔ (X 2 + 1)P 0 (X) = (λ + nX)P (X)
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 :
(X − i)P 0 (X) = nP (X)
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 :
ni ∈ Sp(u) et Eni (u) = Vect((X − i)n )

On montre de même que :

−ni ∈ Sp(u) et E−ni (u) = Vect((X + i)n )
• Supposons que λ soit tel que λ + nX ne divise pas X 2 + 1. Alors nécessairement i et −i
sont racines de P (X) d’où :
P (X) = (X 2 + 1)Q(X)
et deg(Q) = deg(P ) − 2 = n − 2. De (X 2 + 1)P 0 (X) = (λ + nX)P (X), on déduit que :
(X 2 + 1)Q0 (X) = (λ + (n − 2)X)Q(X)
On se retrouve dans la situation du point précédent avec Q au lieu de P . Alors :
(n − 2)i ∈ Sp(u) et E(n−2)i (u) = Vect((X 2 + 1)(X − i)n−2 )
(−n + 2)i ∈ Sp(u) et E(−n+2)i (u) = Vect((X 2 + 1)(X + i)n−2 )
Si λ est tel que ..., on itére ce processus jusqu’à obtenir un polynôme de degré trop petit et
avoir obtenu « assez » de valeurs propres
Conclusion : Sp(u) = {−ni, (−n + 2)i, (−n + 4)i, . . . , (n − 4)i, (n − 2)i, ni} et :
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
λ ∈ Sp(A) ⇔ λ3 − λ2 + p2 q = 0 ⇔ (λ − p)(λ2 − qλ − pq) = 0

puisque p est une racine du polynôme de degré 3. Pour le polynôme de degré 2, comme son
discriminant est strictement positif, il admet deux racines réelles distinctes a et b. Alors λ2 −
qλ − pq = (λ − a)(λ − b), ce qui donne ce qu’il faut par identification des coefficients.
Conclusion : Sp(A) = {p, a, b} avec a + b = q et ab = −pq .
(b) i. Il est manifeste que Bn = A2 ∪ · · · ∪ An réunion d’événements deux à deux disjoints donc :
P(Bn ) = P(A2 ) + · · · + P(Bn )
n
X
Comme p1 = 0, on en déduit que : P(Bn ) = pk .
k=1
Notons Sk l’événement « l’épreuve i amène un succès ». Alors :
pn+3 = P(Bn+3 ) = P(B̄n ∩ S̄n+1 ∩ Sn+2 ∩ Sn+3 )
Comme Sk est indépendant de Bn pour tout k > n alors Sk (ou son contraire) est indépen-
dant de B̄n . Ainsi :
pn+3 = P(B̄n )P(S̄n+1 ∩ Sn+2 ∩ Sn+3 )
n
!
X
Conclusion : pn+3 = p2 q 1 − pk .
k=1
ii. Si n = 1 alors un calcul immédiat donne le résultat. Soit n > 1. On a :

n
! n−1
!
X X
pn+3 − pn+2 = p2 q 1 − pk − p2 q 1 − pk = −p2 qpn
k=1 k=1
Conclusion : ∀n ∈ N∗ , pn+3 = pn+2 − p2 qpn .

n−1−b n−1
Soit P(n) la proposition : pn = p2 a a−b .
a 0 −b0
Pour n = 1, on a p1 = 0 = p2 a−b .
Pour n = 2, on a p2 = P(S1 ∩ S2 ) = p2 = p2 a−b
a−b
.
2 −b2
Pour n = 3,on a p3 = P(S̄1 ∩ S2 ∩ S3 ) = p q = p2 (a + b) = p2 aa−b
2
.
Soit n ≥ 1 et supposons que P(n), P(n + 1), P(n + 2) sont vraies. Alors :
an+1 − bn+1 an−1 − bn−1

pn+3 = pn+2 − p2 qpn = p2 − p2 qp2
a−b a−b
p2 n−1 2 p2 n−1 3
a (a − p2 q) − bn−1 (b2 − p2 q) = a a − bn−1 b3

=
a−b a−b
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 Intégrales sur un segment

20.8.1 TD
s
20.8.2 TD*
s

π
1. (a) On a : w0 = et w1 = 1 .
2
(b) i. Soit n ∈ N. On a :
h πi h πi
∀t ∈ 0, , 0 ≤ cos(t) ≤ 1 donc ∀t ∈ 0, , 0 ≤ cosn+1 (t) ≤ cosn (t)
2 2
Z π Z π
2 2
n+1
0≤ cos (t)dt ≤ cosn (t)dt donc 0 ≤ wn+1 ≤ wn
0 0
Conclusion : (wn )n∈N est décroissante .

ii. De plus, les inégalités qui précèdent prouvent que la suite est minorée par 0.
Conclusion : (wn )n∈N est convergente .
(c) i. On pose : u(t) = sin(t) et v(t) = cosn+1 (t). Ces deux fonctions sont de classe C 1 sur R et
on a :
Z π Z π
2 2
wn+2 = n+2
cos (t)dt = u0 (t)v(t)dt
0 0
Z π
n+1
π2 2
sin(t)(n + 1)(− sin(t)) cosn (t)dt

= sin(t) cos (t) 0 −
0
20.8. INTÉGRALES SUR UN SEGMENT 291
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
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!
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
∀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
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
On en déduit que limx→0− F 0 (x) = 1

3
= F 0 (0). Ainsi, F 0 est continue en 0.
Conclusion : F ∈ C 1 (] − 1, +∞[) .
(d) i. Soit x > −1. Les fonctions t 7→ t et t 7→ ln(1 + xt2 ) sont de classe C 1 sur [0, 1] et :
Z 1 Z 1
2 1 2xt
2
dt = ln(1 + x) − 2xF 0 (x)

ln(1 + xt )dt = t ln(1 + xt ) 0 − t
0 0 1 + xt2
 √
arctan( x)


 ln(1 + x) − 2 + 2 √
x
si x > 0
2x
Conclusion : F (x) = ln(1 + x) − 3 √ si x = 0 .
1− −x

 ln(1 + x) − 2 − √1 ln
 √ si − 1 < x < 0
−x 1+ −x
ii. Pour tout réel x ∈] − 1, 1[, on a :

√ 2 √ √ √ √
ln(1+x) = ln 1 − −x = ln (1 − −x)(1 + −x) = ln 1 − −x +ln 1 + −x
√ √
√ √ 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
lim F (x) = 2 ln(2) − 2

x→−1+
Conclusion : F est prolongeable par continuité en -1 .

(e) i. Pour tout réel x ∈] − 1, 0[, on a :

√
−x−1 √ √
−x+1 √
G(x) − G(−1) √
−x
ln 1 − −x + √
−x
ln 1 + −x − 2 − (2 ln(2) − 2)
=
x+1 x+1
√
√ √ ln(1+ −x)
− ln 1 − −x ln 1 + −x − ln(2) √
−x
− ln(2)
= √ √ + +
1 + −x −x x − (−1) x − (−1)
Or, on a : √
− ln 1 − −x
√ √ −→ +∞
1 + −x −x x→−1+
√
√ ln(1+ −x)
De plus, les fonctions x 7→ ln 1 + −x et x 7→ √
−x
étant dérivables en -1, on a :
√
√ ln(1+ −x)
− ln(2)

ln 1 + −x − ln(2) √
1 −x 2 ln(2) − 1
−→+ − et −→+
x − (−1) x→−1 4 x − (−1) x→−1 4
d’où l’on tire que : limx→−1+ G(x)−G(−1)

x+1
= +∞.
Conclusion : G n’est pas dérivable en − 1 et C admet une tangente verticale en ce point .
ii. Pour tout réel x > 0, on a :
√ π
lim ln(1 + x) = +∞ et lim arctan( x) = donc lim G(x) = +∞
x→+∞ x→+∞ 2 x→+∞
√
ln(1 + x) arctan( x) G(x)
lim = 0 et lim √ = 0 donc lim =0
x→+∞ x x→+∞ x x x→+∞ x
Conclusion : C admet une branche parabolique de direction horizontale au voisinage de + ∞ .
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
iii. On calcule directement l’intégrale I(a, b) :

Z 1" X b
# b Z 1
a b b−k k
X b k a+k
I(a, b) = x 1 (−x) dx = (−1) x dx
0 k=0
k k=0
k 0
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)
Conclusion : f ∈ GL(Rn [X]) et f −1 : Q(X) 7→ Q(X) + (X − 1)Q0 (X) .

(c) i. Soit k ∈ J0, nK. On a :
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 :
f −1 (X k ) = X k + (X − 1)kX k−1 = (k + 1)X k − kX k−1
(acceptable encore pour k = 0 où l’on a f −1 (1) = 1).

1 −1
 
(0)
...
 0 2
 
Conclusion : A−1 =  . . .

 .. . . . . . −n 
0 ... 0 n + 1
(d) i. On peut écrire : Q(X) = (X − α)k R(X) avec R(α) 6= 0. Alors :
f −1 (Q) = (X − α)k R(X) + (X − 1) k(X − α)k−1 R(X) + (X − α)k R0 (X)

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 :
(α − α) [R(α) + (α − 1)R0 (α)] + k(α − 1)R(α) = k(α − 1)R(α) 6= 0
• k > 1 : α est donc racine de f −1 (Q) d’ordre k − 1.

• k = 1 : α n’est pas racine de f −1 (Q).
ii. D’après ce qui précède, si Q ∈ Rn [X] admet pour racine α 6= 1 alors Q ne peut pas
être vecteur propre de f −1 puisque la multiplicité de α n’est pas la même dans Q et dans
f −1 (Q). Ainsi, un vecteur propre de f −1 ayant une racine ne peut avoir que 1 pour racine.
De plus :
∀k ∈ J1, nK, f −1 (X − 1)k = (X − 1)k + (X − 1)k(X − 1)k−1 = (k + 1)(X − 1)k

et f −1 (1) = 1 + (X − 1)0 = 1. Conclusion : ∀k ∈ J0, nK, Ek+1 (f −1 ) = Vect (X − 1)k .

Soit k ∈ J0, nK. On a alors :

x
(x − 1)k+1
Z
k 1 k 1 1
(x − 1)k

f (X − 1) : x 7→ (x − 1) dx = × =
x−1 1 k+1 x−1 k+1
(f ) = Vect (X − 1)k .

Conclusion : ∀k ∈ J0, nK, E 1
k+1
iii. Soit k ∈ J0, nK. On a alors :
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
La matrice T est la matrice de passage de la base canonique de Rn [X] à la base de vecteurs

propres pour f obtenue ci-dessus. Comme l’automorphisme f est diagonalisable alors, en
 
1 (0)
posant D = 
 ...  , on a bien : D = T −1 AT .

1
(0) n+1
(e) Soit k ∈ N∗ et p ∈ J0, nK. On a :

n
n n
X n
X = ((X − 1) + 1) = (X − 1)p
p=0
p

n
! n
k n k
X n p
X n
f (X ) = f (X − 1) = f k ((X − 1)p )
p=0
p p=0
p
n n p
nX

1 X n 1 X p
p
= k
((X − 1) ) = k
(−1)p−i X i
p=0
p (p + 1) p=0
p (p + 1) i=0
i
n X n n X n
X p p−i n 1 i
X
p−i n n−i 1
= (−1) k
X = (−1) k
Xi
i=0 p=i
i p (p + 1) i=0 p=i
i p − i (p + 1)
Le coefficient de X i dans f k (X n ) est donc :

n n−i
n − i (−1)p−i (−1)p
X X
n n n−i
=
i ,p=i p − i (p + 1)k i p=0 p (p + i + 1)k
par changement de variable p0 = p − i. En renommant p ↔ j et i ↔ p, on obtient :
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

1. (a) Par linéarité de l’intégrale, on en déduit immédiatement la linéarité de Φ. Soit f ∈ E. On sait
aussi que Φ(f ) est la primitive de f sur [0, 1] qui s’annule en 0. Ainsi Φ(f ) est de classe C 1 donc
continue sur [0, 1]. Conclusion : Φ ∈ L(E) .
(b) Remarquons (par récurrence sur n) que, pour tout f ∈ E, la fonction Φn (f ) est de classe C n .
i. On sait que Φ(f )(0) = 0 et que Φ(f )0 = f donc Φ(f )0 (0) = f (0). Ainsi, par récurrence
sur p ∈ J0, n − 1K, on a : (Φn (f ))(p) = Φn−p (f ).
Conclusion : (Φn (f ))(n) (0) = f (0) et ∀p ∈ J0, n − 1K, (Φn (f ))(p) (0) = Φn−p (f )(0) .
ii. La formule de Taylor avec reste intégral à l’ordre n − 1 donne alors :
n−1
(Φn (f ))(p) (0) x
(x − t)n−1 n
X Z
n
Φ (f )(x) = p
x + (Φ (f ))(n) (t)dt
p=0
p! 0 (n − 1)!
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
(c) Soit f ∈ E. Pour tout x ∈ [0, 1], on pose g(x) = +∞ n

P
n=0 Φ (f )(x) (qui existe bien par conver-
gence de la série). On montre alors que la fonction g est continue sur [0, 1], qu’elle est solution
de l’équation et enfin qu’il n’existe pas d’autre solution.
• 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
d’après l’écriture intégrale de Φn (f )(x) pour n ≥ 1. Posons M = max|f |. Si x > x0 , alors :

[0,1]
+∞ 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
Si x < x0 , alors on obtient une conclusion

Pnidentique. Ainsi g est continue en x0 .
k
• Solution de l’équation : Notons gn = k=0 Φ (f ) pour tout entier naturel n. Alors, pour tout
réel x ∈ [0, 1], on a :
+∞
X
gn (x) −→ Φk (f )(x) = g(x) donc gn (x) − Φ(gn )(x) −→ g(x) − Φ(g)(x)
n→+∞ n→+∞
k=0
De plus, pour tout entier n ∈ N, on a :

n
X n
X
gn − Φ(gn ) = Φk (f ) − Φk+1 (f ) = f − Φn+1 (f )
k=0 k=0
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 :
∀n ∈ N, Φn (h) − Φn+1 (h) = Φn (f )
En sommant ces égalités du rang 0 au rang N ∈ N, il vient alors par télescopage :

N
X
N +1
h−Φ (h) = Φn (f )
n=0
Soit x ∈ [0, 1]. D’après la question précédente, on a :

N
X +∞
X
N +1 n
Φ (h)(x) −→ 0 et Φ (f )(x) −→ Φn (f )(x)
N →+∞ N →+∞
n=0 n=0
P+∞
d’où l’on obtient : h(x) = n=0 Φn (f )(x) = g(x).
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
Les intégrations par parties qui suivent amènent :

Z π Z π
(4n)
0< P2n (t) sin(t)dt = A − P2n (t) sin(t)dt
0 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 .
20.9 Intégrales sur un intervalle quelconque

20.9.1 TD
s
20.9.2 TD*
s

i. Soit n ∈ N. La fonction t 7→ sin((2n+1)t)
π
1. (a) sin(t)
est définie et continue sur 0, 2 donc l’intégrale
In est impropre en la borne 0. De plus, on a :
sin((2n + 1)t) (2n + 1)t

∼ = 2n + 1
sin(t) t→0 t
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
ii. En effectuant un développement limité au voisinage de 0, pour tout réel x, on a :

" #
x2

1 1 1 1 1 3
g(x) = − = 1− = 1− 1+ + o(x )
x x − x63 + o(x4 ) x 2
1 − x6 + o(x3 ) x 6
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 :
g(x) − g(0) g(x) 1 1

= = + o(x) −→
x−0 x 6 x→0 6
20.9. INTÉGRALES SUR UN INTERVALLE QUELCONQUE 301
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
On en déduit que g 0 (x) = 1

6
= g 0 (0) donc g 0 est continue en 0.
+ o(x) −→ 1
x→0 6
h πi
1
Conclusion : g se prolonge en une fonction de classe C sur 0, .
2
iii. Comme g « est » de classe C 1 sur 0, π2 , on déduit de la question (b)i. que :

Z π/2
lim g(t) sin(nt)dt = 0
n→+∞ 0
et donc, comme suite extraite, que :

Z π/2 Z π/2
1 1
lim − sin((2n + 1)t)dt = lim g(t) sin((2n + 1)t)dt = 0
n→+∞ 0 t sin(t) 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

Z (2n+1)π/2
sin(x) π
lim dx =
n→+∞ 0 x 2
R +∞ sin(t)
Enfin (ouf !), on a vu en cours que l’intégrale 0 t
dt est convergente. Alors :
Z (2n+1)π/2 Z +∞
sin(x) sin(x)
lim dx = dx
n→+∞ 0 x 0 x
Z +∞
sin(t) π
Conclusion : dt = .
0 t 2
−x(1+t2 )
2. (a) i. Pour tout réel x, la fonction t 7→ e 1+t2 est continue sur [0, 1] donc le réel f (x) est bien
défini. Soit x0 ∈ R. Pour tout réel x 6= x0 , on a :
1 1 2 2 2)
f (x) − f (x0 ) e−x(1+t ) − e−x0 (1+t ) + (x − x0 )(1 + t2 )e−x0 (1+t
Z Z
−x0 (1+t2 )
+ e dt ≤ dt
x − x0 0 0 (x − x0 )(1 + t2 )
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|
d’où l’on obtient :

1 1
f (x) − f (x0 ) 1 + t2
Z Z
−x0 (1+t2 ) 2|x| 2|x0 |
+ e dt ≤ |x − x0 | max{e ,e } dt
x − x0 0 0 2
Comme max{e2|x| , e2|x0 | } −→ e2|x0 | alors :

x→x0
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
Ainsi, la fonction h est constante sur R et :

Z 0 2 Z 1
−t2 dt
∀x ∈ R, h(x) = g(0) + e dt = g(0) = f (0) = = arctan(1)
0 0 1 + t2
Z x 2
−t2 π
Conclusion : ∀x ∈ R, g(x) + e dt = .
0 4
iv. Pour tout réel x, on a :

Z 1 Z 1
−x2 (1+t2 ) −x2 2 t2 )
g(x) = f (x ) = 2
e dt = e e−x dt
0 0
Z 1
−x2 2
|g(x)| ≤ e dt = e−x −→ 0
0 x→+∞
Par passage à la limite dans l’égalité précédente, on a alors :

Z +∞ 2
−t2 π
e dt =
0 4
Z +∞ √
−t2 π
Conclusion : e dt = .
0 2
R0 2
(b) i. Compte tenu du résultat qui précède, il suffit de prouver que l’intégrale −∞ e−t dt converge.
2
Mais ceci est immédiat par changement de variable x = −t et parité de t 7→ e−t :
Z 0 Z +∞ √
−t2 −t2 π
e dt = e dt =
−∞ 0 2
Z +∞ √
2
Conclusion : e−t dt = π.
−∞
ii. Sous réserve de convergence de l’intégrale, on a :

Z +∞ 2 Z +∞ 2 !
1 x 1 x
√ exp − dx = √ exp − √ dx
−∞ 2π 2 −∞ 2π 2
On pose alors t = √x2 . Ce changement de variable est de classe C 1 et strictement croissant

sur R. De plus, c’est une bijection de R dans R. Sous réserve de convergence des intégrales,
on en déduit :
2 !
√
Z +∞ Z +∞ Z +∞
1 x 1 1 2
√ exp − √ dx = √ exp −t 2
2dt = √ e−t dt
−∞ 2π 2 −∞ 2π π −∞
Z +∞ 2
1 x
Comme cette dernière intégrale converge, on en conclut : √ exp − dx = 1 .
−∞ 2π 2
2

iii. Notons Φ la fonction. Comme la fonction t 7→ √1
2π
exp − t2 est de classe C ∞ sur R alors
Φ ∈ C ∞ (R) . De plus, pour tout réel x, on a :
1 2 −2x 2
Φ0 (x) = √ e−x /2 > 0 et Φ00 (x) = √ e−x /2
2π 2π
Ainsi : Φ est strictement croissante sur R, convexe sur R− et concave sur R+ .

√
(c) i. Le changement de variable u = t est de classe C 1 et strictement sur ]0, +∞[ et est une
bijection de ]0, +∞[ dans ]0, +∞[. De plus, on : du = 2dt
√ . Alors :
t
Z +∞ Z +∞
1 1 2
Γ = √ e−t dt = 2e−u du
2 0 t 0
Z +∞
√

1 2
Conclusion : Γ =2 e−t dt = π .
2 0
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!
donc la proposition P(n + 1) est vraie.

√ √

1 ∗ 1 (2n − 1)!
Conclusion : Γ = π et ∀n ∈ N , Γ n + = π 2n−1 .
2 2 2 (n − 1)!
3. (a) Soit (x, y) un couple de réels tel que 0 < x < y. On a :
Z y Z y Z y
f (at) − f (bt) f (at) f (bt)
dt = dt − dt
x t x t x t
Dans la première (resp. seconde) intégrale, on pose u = at (resp. u = bt). Ce changement de

variable est de classe C 1 et strictement croissant sur R et établit une bijection de [x, y] dans
[ax, ay] (resp. [bx, by]). Alors :
y ay Z by Z ay Z by
f (at) − f (bt)
Z Z
f (u) 1 f (u) 1 f (u) f (u)
dt = u dt − u dt = du − du
x t ax a
a bx b
b ax u bx u
Z bx Z ay Z ay Z by
f (u) f (u) f (u) f (u)
= du + du − du − du
ax u bx u bx u ay u
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

1. (a) i. Soit x et y deux réels strictement positifs. La fonction t 7→ tx−1 (1 − t)y−1 est continue et
positive sur ]0, 1[. De plus :
tx−1 (1 − t)y−1 ∼ tx−1 et tx−1 (1 − t)y−1 ∼ (1 − t)y−1

t→0 t→1
R 1/2 dt R1 dt
De plus, l’intégrale 0 t1−x converge en 0 puisque 1 − x < 1 et l’intégrale 1/2 (1−t) 1−y
converge aussi en 1 puisque 1 − y < 1 (avec le changement de variable u = 1 − t, on est

ramené à une intégrale de Riemann convergente en 0).
Conclusion : B(x, y) existe pour tout couple (x, y) ∈]0, +∞[2 .
ii. Soit x et y deux réels strictement positifs. Effectuons le changement de variable u = 1 − t.
Alors :
Z 1 Z 0 Z 1
x−1 y−1 x−1 y−1
t (1 − t) dt = (1 − u) u (−1)du = uy−1 (1 − u)x−1 du
0 1 0
Conclusion : ∀(x, y) ∈]0, +∞[2 , B(y, x) = B(x, y) .

iii. Soit x et y deux réels strictement positifs. Les fonctions t 7→ tx et t 7→ (1 − t)y sont de
classe C 1 sur ]0, +∞[. Alors, pour tout couple (α, β) ∈ R2 tel que 0 < α < β < 1, on a :
Z β x t=β Z β
x y−1 t (1 − t)y (1 − t)y
t (1 − t) dt = − xtx−1 dt
α −y t=α α −y
αx (1 − α)y − β x (1 − β)y x β x−1
Z
= + t (1 − t)y dt
y y α
Comme on a :
αx (1 − α)y = ex ln(α) (1 − α)y ∼ ex ln(α) −→ 0
α→0 α→0
β x (1 − β)y = ex ln(β) ey ln(1−β) ∼ ey ln(1−β) −→ 0

β→1 β→1
on en déduit, par passage à la limite, que :

Z 1
x 1 x−1
Z
x y−1
t (1 − t) dt = t (1 − t)y dt
0 y 0
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
(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
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)
Γ(x) Γ(x) Γ(y)

B(x, y) ∼ B(x + n, y)ny ∼ y
ny
n→+∞ Γ(x + y) n→+∞ Γ(x + y) (x + n)
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
(d) La fonction t 7→ e−t est continue sur ]0 + ∞[ et on a :

lim e−t = 1 et lim e−t = 0
t→0 t→+∞
+∞
e−at − e−bt
Z
b
D’après la question précédente, on en déduit que : dt = .
0 t a
20.10 Variables aléatoires à densité

20.10.1 TD
s
20.10.2 TD*
s

1
1. (a) La fonction t 7→ e2t +1
est continue et positive sur R donc sur [a, +∞[ pour tout réel a. De plus :

1 −2t 1
2t
∼ e = o
e + 1 t→+∞ t→+∞ t2
R +∞ R +∞ R +∞
Comme 1 dt t2
converge alors 1 e−2t dt converge donc 1 e2tdt+1 .
Z +∞
dt
Conclusion : I(a) = 2t
converge pour tout réel a . Soit a ∈ R. Le changement de
a e +1
variable x = e−t est de classe C 1 , strictement décroissant et bijectif de [a, +∞[ dans ]0, e−a ].
Alors : Z e−a e−a
− x1
Z +∞ Z 0
ln(1 + x2 )

dt x
= 1 dx = dx =
a e2t + 1 e−a x2 + 1 0 1 + x2 2 0
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→+∞
Conclusion : f est une densité .

(c) Par réduction au même dénomiateur et identification des coefficients du numérateur, on obtient :

∗ 1 1 1 1
∀x ∈ R , ∀u ∈ R+ , = 2x −
(u + 1)(u + e2x ) e − 1 u + 1 u + e2x
(d) i. Pour tout réel t, on a :

Fln(|X|) (t) = P(ln(|X|) ≤ t) = P(|X| ≤ et ) = P(−et ≤ X ≤ et ) = FX (et ) − FX (−et )
2et
g(t) = et f (et ) − (−et )f (−et ) =
π(1 + e2t )
2et
Conclusion : Une densité de ln(|X|) est : t 7→ .
π(1 + e2t )
20.10. VARIABLES ALÉATOIRES À DENSITÉ 309
ii. Comme Z = ln(|XY |) = ln(|X|) + ln(|Y |) et comme X et Y sont indépendantes alors

ln(|X|) et ln(|Y |) sont indépendantes, ont la même loi (et une densité bornée sur R) et une
densité h de Z est donnée par :
Z +∞ Z +∞
2et 2ex−t
h(x) = g(t)g(x − t)dt = 2t 2(x−t) )
dt
−∞ −∞ π(1 + e ) π(1 + e
4ex +∞
Z +∞
4ex
Z
dt 1 1
= = 2 2x − dt
π 2 −∞ (e2t + 1)(e2t + e2x ) π (e − 1) −∞ e2t + 1 e2t + e2x
Or, pour tout réel a, on a :
Z +∞ Z +∞ Z +∞
1 1 1 1
2t
− 2t 2x
dt = 2t
dt − dt
a e +1 e +e a e +1 a e + e2x
2t
Z +∞
−2x 1
= I(a) − e 2u
du
a−x e +1
ln(1 + e−2a ) ln(1 + e−2(a−x) )
= − e−2x
2 2
ln(1 + e−2a ) + e−2(a−x) )

−2x ln(1
= 1−e
2 ln(1 + e−2a )
si x 6= 0 (on remplace h(0) par 0)...

2. (a) i. Soit i ∈ J1, nK. Si t < 0 alors P(Ti ≤ t) = 0. Pour tout réel t ≥ 0, on a :
Z t Z t
−λx
t
λe−λx dx = e−λx 0

P(Ti ≤ t) = FTi (t) = λe 11[0,+∞[ (x)dx =
−∞ 0
Conclusion : ∀t ∈ R, P(Ti ≤ t) = 1 − e−λt 11[0,+∞[ (t) .

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 }
Par indépendance mutuelles des variables aléatoires, on a :

X k n−k
P (Nt = k) = 1 − e−λt 1 − 1 − e−λt
1≤i <···<i ≤n
1 k
n k −λt n−k
= 1 − e−λt e
k
Conclusion : Nt ,→ B n, 1 − e−λt . On en déduit que E(Nt ) = n 1 − e−λt .

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
Si t < 0 alors Fn (t) = 0. Si t ≥ 0 alors :

n
Fn (t) = 1 − e−λt
Conclusion : ∀t ∈ R, Fn (t) = 1 − e−nλt 11[0,+∞[ (t) .

Par dérivation, on en déduit que : ∀t ∈ R, fn (t) = nλe−nλt 11[0,+∞[ .

R0
iii. L’intégrale −∞ tfn (t)dt converge absolument et vaut 0. Pour tout réel B > 0, on a :
Z B Z B −nλt B
−nλt
−nλt B
−nλt −nλB e
tnλe dt = −te 0
− −e dt = −Be −
0 0 nλ 0
−nλB
1 e 1
= − Be−nλB − −→
nλ nλ B→+∞ nλ
1
De plus, la convergence est absolue. Conclusion : E(Sn ) = .
nλ
Un raisonnement analogue (avec deux intégrations par parties successives) assure que Sn
1
admet un moment d’ordre 2 donc une variance et que : V(Sn ) = 2 2 .
nλ
(c) i. On a : ∀t ∈ R, [Un < t] = [T1 < t] ∩ · · · ∩ [Tn < t] .
ii. Soit t ∈ R. Si t < 0 alors [Un < t] = ∅ donc Gn (t) = 0. Supposons donc que t ≥ 0. On a :
n
Y
Gn (t) = P(Un < t) = P(Tk < t)
k=1
n
Conclusion : ∀t ∈ R, Gn (t) = 1 − e−λt 11[0,+∞[ (t) .
n−1
Par dérivation, on en déduit que : ∀t ∈ R, gn (t) = nλe−λt 1 − e−λt 11[0,+∞[ (t) .
R +∞
iii. La convergence et la convergence absolue de −∞ tgn (t)dt sont équivalentes puisque gn est
R0
nulle sur ] − ∞, 0[. De plus, l’intégrale −∞ tgn (t)dt est nulle. Enfin :

−λt 1 1
tgn (t) ∼ nλte = nλt o 3
= o
t→+∞ t→+∞ t t→+∞ t2
Conclusion : Un admet une espérance . Par ailleurs :
n−1 n−1
−λt
X n−1 k −kλt
X n−1
∀t ≥ 0, gn (t) = nλe (−1) e = nλ (−1)k e−(k+1)λt
k=0
k k=0
k
e−(k+1)t
Ainsi, en intégrant par parties (t 7→ t et t 7→ − k+1 sont de classe C 1 sur R), on a :
Z B B Z B
e−(k+1)t e−(k+1)t

−(k+1)λt
te = −t − − dt
0 λ(k + 1) 0 0 λ(k + 1)
B
e−(k+1)B e−(k+1)t

1 1
= −B − − −→ 2
λ(k + 1) λ(k + 1) λ(k + 1) 0 B→+∞ λ (k + 1)2
d’où l’on tire :
Z +∞ n−1 n−1
(−1)k n − 1 (−1)k

X n−1 1X n
tgn (t)dt = nλ 2 (k + 1)2
=
0 k=0
k λ λ k=0 k + 1 k k+1
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
iv. Ainsi, pour tout entier m ≥ 1 et avec la formule de Pascal, on a :

m m−1
1 X (−1)k m + 1 1 X (−1)k

m
E(Um+1 ) − E(Um ) = −
λ k=0 k + 1 k + 1 λ k=0 k + 1 k + 1
" m−1 # m−1
1 (−1)m X (−1)k m (−1)m X m + 1 (−1)k

= + = +
λ m + 1 k=0 k + 1 k λ(m + 1) k=0 k + 1 λ(m + 1)
m m+1
X m + 1
1 X m+1 k 1
= (−1) = (−1)k−1
λ(m + 1) k=0 k + 1 λ(m + 1) k=1 k
" m+1
#
1 X m + 1 1
(−1)k = 1 + (1 − 1)m+1

= 1−
λ(m + 1) k=0
k λ(m + 1)
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

1. (a) Pour tout réel t, on a :
FU (t) = P(U ≤ t) = P(ln(X) ≤ t) = P(X ≤ et ) = FX (et )
F−V (t) = P(− ln(Y ) ≤ t) = P(Y ≥ e−t ) = 1 − FY (e−t )
Par dérivation, on obtient : ∀t ∈ R, fU (t) = et fX (et ) et ∀t ∈ R, f−V (t) = e−t fY (e−t ) .
(b) Comme X et Y sont indépendantes alors ln(X) et ln(Y ) sont indépendantes et donc U et −V
sont indépendantes. De plus :

X
T = ln = ln(X) − ln(Y ) = U + (−V )
Y
On utilise alors le produit de convolution, c’est à dire que pour tout réel x, on a :
Z +∞ Z +∞
fT (x) = fU (t)f−V (x − t)dt = et fX (et )e−(x−t) fY (e−(x−t) )dt
−∞ −∞
Z +∞
−x
Conclusion : ∀x ∈ R, fT (x) = e e−2t fX (et )fY (e−(x−t) )dt .
−∞
X

(c) Si x ≤ 0 alors P Y
≤ x = 0. Pour tout réel x > 0, on a :

X X
P ≤ x = P ln ≤ ln(x) = FT (ln(x))
Y Y
1
Par dérivation, on a : ∀x ≤ 0, g(x) = 0 et ∀x > 0, g(x) = fT (ln(x)) .
x
(d) On suppose que fX = fY = 11[1,2] . Ces densités sont bornées. Alors :

et ∈ [1, 2] t ∈ [0, ln(2)] t ∈ [max{0, x}, min{x + ln(2), ln(2)]
⇔ ⇔
e−(x−t) ∈ [1, 2] x − t ∈ [− ln(2), 0] x ∈ [− ln(2), ln(2)]
Pour tout réel x ∈ [− ln(2), ln(2)], on a :
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}
Pour tout réel x ∈ [0, ln(2)], on a :
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 Espaces euclidiens

20.11.1 TD
s
20.11.2 TD*
s

1. (a) Soit x ∈ E. On a :
kf (x)k = kf (x) − 0E k = kf (x) − f (0E )k = kx − 0E k = kxk
Conclusion : ∀x ∈ E, kf (x)k = kxk .

(b) Soit (x, y) ∈ E 2 . Alors :On montrer que ϕ(f (x), f (y)) = ϕ(x, y). On sait que :
kf (x) − f (y)k2 = kx − yk2
kf (x)k2 − 2ϕ(f (x), f (y)) + kf (y)k2 = kxk2 − 2ϕ(x, y) + kyk2
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
une base de E (famille libre et de cardinal n = dim(E)). Soit maintenant (x, y) ∈ E 2 et

(λ, µ) ∈ R2 . Alors :
n
X n
X
f (λx + µy) = ϕ (f (λx + µy), f (ek )) f (ek ) = ϕ (λx + µy, ek ) f (ek )
k=1 k=1
Xn n
X n
X
= [λϕ (x, ek ) + µϕ (y, ek )] f (ek ) = λ ϕ (x, ek ) f (ek ) + µ ϕ (x, ek ) f (ek )
k=1 k=1 k=1
X n n
X
= λ ϕ (f (x), f (ek )) f (ek ) + µ ϕ (f (x), f (ek )) f (ek ) = λf (x) + µf (y)
k=1 k=1
Conclusion : f est linéaire .

(d) Remarque : Soit (x, y) ∈ E 2 tel que f (x) = f (y). Alors :
0 = k0E k = kf (x) − f (y)k = kx − yk
donc x − y = 0E d’où x = y. Conclusion : f est injective . On en déduit que : f ∈ GL(E) .
2. (a) Soit 1 ≤ i ≤ n. On a :
n
X n
X
2
2
1 = kei k = hei , ek i = 1 + hei , ek i2
k=1 k=1
k6=i
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
iii. Φ(u) est une somme de trois carrés donc : ∀u ∈ R3 , Φ(u) ≥ 0 .

Soit u ∈ R3 tel que Φ(u) = 0. Alors :
1 1
x − 2y + z = 0 et y+ z=0 et z=0
2 2
d’où l’on tire successivement que z = 0, y = 0 et x = 0 c’est à dire que u = 0R3 . Compte
tenu de la définition de Φ, la réciproque est immédiate.
Conclusion : ∀u ∈ R3 , Φ(u) = 0 ⇔ u = 0R3 .
   0 
x x
(b) Soit (u, v) un couple de vecteurs de R3 . Notons u =  y  et v =  y 0 . En utilisant les
z z0
définitions de ϕ(u, v) puis de Φ(u), on obtient :
ϕ(u, v) = xx0 + 5yy 0 + zz 0 − 4xy 0 − 4x0 y + xz 0 + x0 z − yz 0 − y 0 z
Alors, ϕ est manifestement symétrique, la linéarité par rapport à la première variable est aisée à
établir donc, par symétrie, la linéarité par rapport à la seconde variable est immédiate. De plus :
∀u ∈ R3 , ϕ(u, u) = x2 + 5y 2 + z 2 − 4xy + xz − yz = Φ(u)
donc ϕ est définie-positive d’après la question qui précède.
Conclusion : ϕ est un produit scalaire sur R3 .
p
Enfin, il est maintenant clair que : ∀u ∈ R3 , kuk = Φ(u) .
4. (a) Symétrie : immédiat.
Bilinéarité : la linéarité par rapport à P est la linéarité de l’intégrale ; la bilinéarité en découle
avec la symétrie. R1
Définie-positivité : hP |P i = −1 P (t)2 dt ≥ 0 puisque la fonction polynôme t 7→ P (t)2 est
R1
continue et positive sur [−1, 1]. De plus, si −1 P (t)2 dt = 0 alors P (t)2 = 0 pour tout t ∈
[−1, 1] (toujours par continuité/positivité de t 7→ P (t)2 sur [−1, 1]). Alors P (t) = 0 pour tout
t ∈ [−1, 1]. Le polynôme P , de degré au plus deux, admet une infinité de racines donc il est
égal au polynôme nul.
Conclusion : h.|.i est un produit scalaire sur R2 [X] .
(b) La base canonique de R2 [X] est bien sûr (1, X, X 2 ). On a :
Z 1
1
h1|1i = 1dt = 2 donc P0 = √
−1 2
On cherche P1 de la forme aX + b. Alors :
Z 1
h1|aX + bi = (at + b)dt = 2b donc hP0 |P1 i = 0 ⇔ b = 0
−1
Z 1
r
2 3
haX|aXi = a2 hX|Xi = a2 t2 dt = a2 donc kP1 k = 1 ⇔ a = ±
−1 3 2
q
3
On choisit P1 = 2
X. On cherche P2 de la forme aX 2 + bX + c. Alors :
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
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 ) = . . . .

1. (a) Soit a ∈ R et P (X) = a. Alors P est solution de (∗) si et seulement si :
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 P admettrait une infinité de racines ce qui est impossible.

Conclusion : P (α) = 0 ⇒ |α| ∈ {0, 1} .
ii. On a : 0 = P (α − 1)P ((α − 1) + 1) = −P ((α − 1)2 ).
Conclusion : P (α) = 0 ⇒ P ((α − 1)2 ) = 0 .
iii. La relation précédente prouve que :
P (0) = 0 ⇒ P (1) = 0 ⇒ P (0) = 0 ⇒ P (1) = 0 ⇒ . . .
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
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 la famille est orthogonale.

(2k)
Si k = h alors Pk (t) = (2k)! puisque le terme dominant de Pk (X) est X 2k . On a donc :
Z 1 Z 1 Z 1
(k) (k) k k
Pk (t)Pk (t)dt = (−1) (2k)! Pk (t)dt = (−1) (2k)! tk (t − 1)k dt
0 0 0
On calcule cette dernière intégrale en effectuant encore k intégrations par parties et on

obtient : Z 1
(k!)2
tk (t − 1)k dt = (−1)k
0 (2k + 1)!
d’où l’on tire que :

Z 1
(k) (k) (k!)2 (k!)2
Pk (t)Pk (t)dt = (−1)k (2k)!(−1)k = 6= 1
0 (2k + 1)! 2k + 1
sauf pour k = 0 donc ces polynômes ne sont pas de norme 1 en général.
(k)
Conclusion : La famille X k (X − 1)k est orthogonale mais pas orthonormale .
0≤k≤n

t
2. (a) Symétrie : hB, Ai = tr(tBA) = tr tAB = tr(tAB) = hA, Bi puisque l’application tr ne
s’intéresse qu’aux coefficients diagonaux (« invariants » par transposition).
Bilinéarité : La linéarité par rapport à la première variable résulte de la linéarité des applications
tr (à vérifier) et transposition (connu). Avec la symétrie, on obtient la bilinéarité.
Positivité : Pour toute matrice M ∈ Mn (R), on a :
n X
X n
t
hM, M i = tr( M M ) = mj,i mj,i ≥ 0
i=1 j=1
Définition : D’après ce qui précède, on a :
hM, M i = 0 ⇔ ∀(i, j) ∈ J1, nK2 , m2j,i = 0 ⇔ ∀(i, j) ∈ J1, nK2 , m2j,i = 0 ⇔ M = Θ
Conclusion : h., .i est un produit scalaire sur Mn (R) .

(b) i. Soit (A, B) ∈ D2 et (λ, µ) ∈ R2 . Alors λA + µB est aussi une matrice diagonale. Comme
Θ ∈ D, on en conclut alors que D est un sous espace vectoriel de Mn (R) .
Soit (Ei,j ) la base canonique de Mn (R). Alors les matrices Ei,i sont dans D, elles forment
une famille libre et de plus :
 
a1 (0)
A ∈ D ⇔ ∃(a1 , . . . , an ) ∈ Rn / A = 
 ..  = a1 E1,1 + · · · + an En,n

.
(0) an
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
On en conclut que D⊥ = Vect ((Ei,j )i6=j ) .

ii. Soit (A, B) ∈ S 2 et (λ, µ) ∈ R2 . On a :
t
(λA + µB) = λtA + µtB = λA + µB
Comme Θ ∈ S, on en conclut que : S est un sous espace vectoriel de Mn (R) .

De plus : S = Vect ((Ei,i )1≤i≤n , (Ei,j + Ej,i )1≤i<j≤n ) .
Notons A = Vect ((Ek,l − El,k )1≤k<l≤n ) l’ensemble des matrices antisymétriques. On sait
que Mn (R) = S ⊕ A. De plus, on a :
hEi,i , Ek,l − El,k i = hEi,i , Ek,l i − hEi,i , El,k i = 0 − 0 = 0
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
donc A ⊥ S. Conclusion : S ⊥ = A puisque nous sommes en dimension finie.

Pn
(c) i. Soit (A, B) ∈ Mn (R)2 . On sait que : AB = ( k=1 ai,k bk,j ) 1≤i≤n . Alors :
1≤j≤n
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
Conclusion : ∀(A, B) ∈ Mn (R)2 , N (AB) ≤ N (A)N (B) .

ii. Soit A ∈ Mn (R). Notons I la matrice unité de Mn (R). On a alors :
|tr(A)| = tr tIA = |hI, Ai| ≤ N (I)N (A)

d’après Cauchy-Schwarz. De plus, N (I)2 = tr tII = tr(I) = n.

√
Conclusion : ∀A ∈ Mn (R), |tr(A)| ≤ nN (A) .
20.12 Continuité des fonctions de n variables

20.12.1 TD
s
20.12.2 TD*
s

1. (a) i. Les fonctions (x, y) 7→ sin(x) et (x, y) 7→ sin(y) sont continues sur R2 donc leur différence
aussi. La fonction (x, y) 7→ x − y est polynomiale donc contiue sur R2 . De plus, elle
s’annule exclusivement sur {(x, x) | x ∈ R}.
Conclusion : f est définie et continue sur R2 − {(x, x) | x ∈ R} .
ii. Soit (x, y). À l’aide des formules de duplication, on a :

x−y x+y
x−y x+y
x−y x+y
sin(x)−sin(y) = sin 2
+ 2
+ sin 2
− 2
= · · · = 2 sin cos
2 2
donc, on a :
x−y

sin 2 x+y

x 6= y ⇒ f (x, y) = x−y cos 2
2
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 )

lim f (x, y) = cos(x0 ) = sin0 (x0 )
(x,y)→(x0 ,x0 )
Conclusion : f se prolonge en une fonction continue sur R2 .

(b) Comme f est continue sur R alors (x, y) 7→ f (x) − f (y) est continue sur R2 . De plus (x, y) 7→
x − y est continue sur R2 et est non nulle si et seulement si x 6= y alors F est continue sur
R2 − {(x, x) | x ∈ R}. D’après l’égalité des accroissement finis, pour tout couple (x, y) de réels
tels que x 6= y, on a :
f (x) − f (y)
∃cx,y ∈]x, y[ / F (x, y) = = f 0 (cx,y )
x−y
Soit x0 ∈ R. Comme x < cx,y < y ou bien y < cx,y < x pour tout x 6= y, on a :
x0 = lim x≤ lim cx,y ≤ lim y = x0
(x,y)→(x0 ,x0 ) (x,y)→(x0 ,x0 ) (x,y)→(x0 ,x0 )
De plus, f 0 est continue sur R donc en x0 , d’où :

lim f 0 (cx,y ) = f 0 (x0 )
(x,y)→(x0 ,x0 )
Ainsi, F est continue en (x0 , x0 ). Conclusion : F est continue sur R2 .

2. Soit x0 ∈ I. Alors t 7→ f (x0 , t) est continue sur [a, b] donc g(x0 ) existe. Pour tout réel x ∈ I, on a :
Z b Z b Z b
|g(x) − g(x0 )| = f (x, t)dt − f (x0 , t)dt = [f (x, t) − f (x0 , t)] dt
a a a
Z b
≤ |f (x, t) − f (x0 , t)| dt
a
Soit ε > 0. Pour chaque t0 ∈ [a, b], par continuité de f en (x0 , t0 ), on a :

∃α(t0 ) > 0 / ∀(x, t) ∈ B ((x0 , t0 ), α(t0 )) , |f (x, t) − f (x0 , t0 )| < ε
On a alors une infinité de boules ouvertes « se chevauchant » recouvrant le segment [a, b]. Il faut main-
tenant se convaincre que l’on peut en conserver un nombre fini de ces boules centrées en (x0 , t0 ), . . . , (x0 , tn )
de sorte que a = t0 < t1 < · · · < tn = n et que :
∀k ∈ J1, nK, B ((x0 , tk−1 ), α(tk−1 )) ∩ B ((x0 , tk ), α(tk )) 6= ∅
Un peu d’imagination (et un dessin) permet de se convaincre qu’il existe un réel α > 0 tel que :
n
[
[x0 − α, x0 + α] × [a, b] ⊂ B ((x0 , tk ), α(tk ))
k=0
Alors, pour tout x ∈ x0 − α2 , x0 + α2 , on a :

(x, t0 ) ∈ B ((x0 , t0 ), α) donc |f (x, t0 ) − f (x0 , t0 )| < ε

On en déduit que :
Z b
h α αi
∀x ∈ x0 − , x0 + , |g(x) − g(x0 )| ≤ εdt = ε(b − a)
2 2 a
donc limx→x0 g(x) = g(x0 ). Conclusion : g est définie et continue sur I .

(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
Conclusion : ∀a 6= 0, g(a) > 0 .

ii. L’ensemble {g(a) | kak = 1} est une partie de R non vide (contient g(1, 0, . . . , 0)) et est
minorée (par 0 d’après la question précédente). Conclusion : µ = inf g(a) existe .
kak=1
n+1
On sait que la fonction g est continue sur R donc sur l’ensemble :
S = a ∈ Rn+1 | kak = 1

(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
On en déduit que : µkak ≤ g(a) ≤ f (a) + K.

Conclusion : ∀a ∈ Rn+1 , f (a) ≥ g(a) − K ≥ µkak − K .
Comme kak −→ +∞ alors il est immédiat que : lim f (a) = +∞ .
kak→+∞ kak→+∞
(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 .

1. La fonction (x, y) 7→ xy est continue sur R × R∗ (comme quotient de fonctions continues à dénomi-
nateur non nul) et la fonction exp est continue sur R donc la fonction f est continue sur R × R∗ . Pour
x = 0 et y 6= 0, on a :
f (0, y) = e0 = 1
qui ne tend pas vers f (0, 0) = 0 lorsque (x, y) → (0, 0). Conclusion : f n’est pas continue sur R2 .
2. (a) Soit M = (x, y) ∈ R2 . Alors :
−−→ p −−→ −−→ p+q
OM = x2 + y 2 ≥ |x| et OM ≥ |y| donc |x|p |y|q ≤ OM
De plus, par inégalité triangulaire, on a :

−−→
|x| + |y| ≥ OM
−−→ p+q−1
Conclusion : ∀M ∈ R2 , f (M ) ≤ OM .
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
donc f est continue en O.

Si p + q = 1 alors, d’après (b), on a :
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
donc f n’est pas continue en O.

Conclusion : f est continue en O si et seulement si p + q > 1 .
3. (a) Soit x ∈ R. Les fonctions t 7→ t et t 7→ t2 sont continues sur [1, x]. Comme f est continue sur
R2 alors la fonction t 7→ f (t, t2 ) est continue sur [1, x] et g(x) existe donc.
Conclusion : La fonction g est définie sur R .
(b) La fonction h : t 7→ f (t, t2 ) est continue sur R (idem précédemment). Alors g est la primitive
de h qui s’annule en 1. Conclusion : g est continue sur R .
20.13 Variables aléatoires à densités usuelles

20.13.1 TD
s
20.13.2 TD*
s
20.13.3 DL (voir énoncé à la page 181)

1. (a) i. Il est clair que Y (Ω) = [0, +∞[. Ainsi :
∀x < 0, FY (x) = P(Y ≤ x) = 0
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
d’où l’on tire : E(Yn ) = n et V(Yn ) = 2n .

(c) i. D’après ce qui précède, pour tout x > 0, on a pour expression d’une densité de Yn :
1
fn (x) = xn/2−1 e−x/2
2n/2 Γ(n/2)
Notons gn une densité de Tn . Alors, pour tout réel x > 0, on a :
FTn (x) = P(Tn ≤ x) = P(Yn ≤ x2 ) = FYn (x2 )
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
ii. Sous réserve de convergence (donc de convergence absolue par positivité), on a :

Z +∞ √ Z +∞
1 n − x2
2 2 n+1
−1 −u
E(Tn ) = n −1 n x e dx = n
u 2 e du
2 2 Γ 2 0 Γ 2 0
2 √
en posant u = x2 donc x = 2u et dx = √du2u (bijection strictement croissante de [0, +∞[
dans [0, +∞[ et de classe C 1 sur ]0, +∞[). Par convergence de cette dernière intégrale vers
√ n+1

Γ 2
Γ n+1

2
, on en conclut que : E(Tn ) = 2 .
Γ n2
iii. Avec les réserves habituelles de convergence, on a :
n+2
+∞ +∞

Γ
Z Z
1 − x2
2 2 n+2
−1 n
E(Tn2 ) = n −1 n
xn+1 e dx = n
u 2 e−u du = 2 2
n
=2
22 Γ 2 0 Γ 2 0 Γ 2 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
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
intégrale de Riemann convergente si et seulement si λ > 1. On a alors :

Z +∞ B
λ λ −1 λ
λ
dx = lim λ−1
=
1 x B→+∞ λ − 1 x λ−1
1
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
intégrale de convergence si et seulement si λ + 1 − k > 1 c’est à dire si et seulement si k < λ.

λ
Conclusion : Y admet un moment d’ordre k si et seulement si k ∈ J1, bλcK et E(Y k ) = .
λ−k
3. (a) La personne A3 quitte le bureau de poste en dernier si et seulement si l’événement :
[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]

• La loi de |T1 − T2 | est donnée par :


( 0 si x < 0
0 si x < 0 
F|T1 −T2 | (x) = = FT1 −T2 (x) − FT1 −T2 (−x) si x ∈ [0, 1]
P (−x ≤ T1 − T2 ≤ x) si x ≥ 0 
1 si x > 1

20.13. VARIABLES ALÉATOIRES À DENSITÉS USUELLES 325
d’où une densité par dérivation :

(
0 si x ∈
/ [0, 1]
h(x) =
(1 − x) + (1 + x) si x ∈ [0, 1]
donc |T1 − T2 | ,→ U([0, 1]).
• Comme T3 et |T1 − T2 | sont indépendantes, on en déduit que T3 − |T1 − T2 | a même loi que
T1 − T2 . En conséquence :
1
P (T3 > |T1 − T2 |) = P (T3 − |T1 − T2 | > 0) =
2
par parité de la densité de T1 − T2 obtenue.
1
Conclusion : La probabilité que A3 quitte le bureau de poste en dernier vaut .
2
(b) On sait que X3 = T3 + min(X1 , X2 ).
• Loi de U = min(X1 , X2 ). On a :
FU (x) = 1 − P(U > x) = 1 − P([X1 > x] ∩ [X2 > x]) = 1 − P(X1 > x)P(X2 > x)

0
 si x < 0
2 2
= 1 − (1 − FX1 (x)) = 1 − (1 − x) si 0 ≤ x ≤ 1

1 si x > 1

d’où une densité par dérivation :

(
0 si x ∈
/ [0, 1]
gU (x) =
2(1 − x) si x ∈ [0, 1]
• Loi de X3 . Comme T3 et U sont indépendantes et comme T3 a une densité bornée alors X3
admet une densité donnée par :
Z +∞ Z 1
f3 (x) = 11[0,1] (t)gU (x − t)dt = gU (x − t)dt
−∞ 0
(
0 si x ∈
/ [0, 2]
= R min{1,x}
max{x−1,0}
2(1 − (x − t))dt si x ∈ [0, 2]

0
 si x ∈
/ [0, 2]
Conclusion : Une densité de X3 est donnée par f3 (x) = 2x − x2 si x ∈ [0, 1[ .

(2 − x)2 si x ∈ [1, 2]

Alors : Z 1 Z 2
E(X3 ) = (2x2 − x3 )dx + x(2 − x)2 dx = . . .
0 1
5
6

1. Par théorème de transfert et sous réserve de convergence, on a :
Z +∞ Z +∞
−λt
g(u) = ut
e λe dt = λ e−(λ−u)t dt
0 0
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
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

Alors Y (Ω) =] − ∞, 0[ et, pour tout réel x, on a :


0
 si ex ≤ 0
x x
FY (x) = P(Y ≤ x) = P(X ≤ e ) = FX (e ) = ex si 0 < ex < 1

1 si ex ≥ 1

(
ex si x < 0
Conclusion : ∀x ∈ R, FY (x) = .
1 si x ≥ 0
(b) On sait que : ∀ω ∈ Ω, S(ω) = B(ω) A(ω)

> 0. Comme A et B sont indépendantes alors ln(B) et
− ln(A) le sont aussi. D’après ce qui précède, on a :
∀x ∈ R, Fln(B) (x) = FY (x) et F− ln(A) (x) = 1 − FY (−x)
( (
x
e si x < 0 0 si x ≤ 0
∀x ∈ R, fln(B) (x) = et f− ln(A) (x) = −x
0 si x ≥ 0 e si x > 0
Les densités de ces deux variables aléatoires sont bornées donc une densité de ln(S) est :
Z +∞ Z 0
h(x) = fln(B) (t)f− ln(A) (x − t)dt = et f− ln(A) (x − t)dt
(−∞
R x t −(x−t) ( x−∞
e
ee dt si x < 0 si x < 0 1 −|x|
= R−∞
0 t −(x−t)
= e
2
−x = e
−∞
e e dt si x ≥ 0 2
si x ≥ 0 2
On en déduit que, pour tout réel x, on a :
(
0 si x ≤ 0
FS (x) = P(S ≤ x) =
P(ln(S) ≤ ln(x)) si x > 0
 

R 0 si x ≤ 0 0
 si x ≤ 0
ln(x) et
= −∞ R 2
dt si 0 < x < 1 = x2 si 0 < x < 1

1 ln(x) e−t  1
+ dt si 1 ≤ x 1 − 2x si 1 ≤ x

2 0 2
20.14. ENDOMORPHISMES SYMÉTRIQUES 327
20.14 Endomorphismes symétriques

20.14.1 TD
s
20.14.2 TD*
s

1. (a) i. La matrice A est symétrique réelle donc A est diagonalisable dans une base orthonormale .
 
−1 − 3λ 2 2
De plus, la matrice 3(A − λI3 ) =  2 −1 − 3λ 2  se transforme, par
2 2 −1 − 3λ
opérations élémentaires en :
 
2 2 −1 − 3λ
L1 ↔ L3  2 −1 − 3λ 2 
−1 − 3λ 2 2
 
2 2 −1 − 3λ
L2 ← L2 − L1  0 −3 − 3λ 3 + 3λ 
L3 ← L3 + 3λ+1
2
L1 −9λ2 −6λ+3
0 3λ + 3 2
 
2 2 −1 − 3λ
L3 ← L3 + L2  0 −3 − 3λ 3 + 3λ 
−9λ2 +9
0 0 2

 
2 2 −1 − 3λ
λ ∈ Sp(A) ⇔ rg(3(A − λI3 )) < 3 ⇔ rg  0 −3 − 3λ 3 + 3λ  < 3
−9λ2 +9
0 0 2
⇔ −363λ = 0 ou − 9λ2 + 9 = 0 ⇔ λ ∈ {−1, 1}
Conclusion : Sp(A) = {−1, 1} .

 
2 2 2
Si λ = −1 alors rg  0 0 0  = 1 donc dim(E−1 (A)) = 3 − 1 = 2. De plus, comme
0 0 0
C1 − C2 = C1 − C3 = Θ (colonnes) et comme les vecteurs obtenus sont non colinéaires
   
1 1
alors : E−1 (A) = Vect  −1  ,  0  .
0 −1
 
2 2 −4
Si λ = 1 alors rg  0 −6 6  = 1 donc dim(E1 (A)) = 3 − 2 = 1. De plus, comme
0 0 0
 
1
C1 + C2 + C3 = Θ (colonnes) alors : E1 (A) = Vect  1  .
1
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
ii. Remarquons que :

           
1 1 1 1 −1 0
B  1  =  1  B 0 = 0  et B  2  =  0 
1 1 −1 −1 −1 0
        
1 1 1 1
1  1 
Ainsi E1 (B) = Vect   0  , 1
   = Vect  √
2
0  , 3
√ 1  (base
−1 1   −1  1
−1 −1
1
orthonormale) et que E0 (B) = Vect   2   = Vect √6
  2 . Comme B est
−1 −1
symétrique alors R3 = E0 (B) ⊕⊥ E1 (B). De plus :
     
1 1 −1
 0  ∈ E−1 (A)∩E1 (B)  1  ∈ E1 (A)∩E1 (B)  2  ∈ E−1 (A)∩E0 (B)
−1 1 −1
 −1

√1 √1 √
2 3 6
Posons donc : P =  0 √1 √2 . Comme P est la matrice de passage de la base
 
3 6
−1
√ √1 −1
√
2 3 6
canonique de M3,1 (R) à une base orthonormale de vecteurs propres aussi bien pour A que
pour B alors P est inversible, orthogonale et. De plus, on sait que P est orthogonale (les
deux bases mentionnées étant orthonormales) et on a :
   
−1 0 0 1 0 0
P −1 AP = tP AP =  0 1 0  P −1 BP = tP BP =  0 1 0 
0 0 −1 0 0 0
Conclusion : ∃P ∈ GL3 (R) / P −1 AP et P −1 BP sont diagonales .

(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 )
Conclusion : F ∈ L(M3 (R)) .

ii. On sait que :
∃λ ∈ R / AU = λU et ∃µ ∈ R / BV = µV
Alors, on a :
F (U tV ) = A(U tV ) − (U tV )B = (AU )tV − U t(BV )
puisque la matrice B est symétrique. Comme, on a affaire à des vecteurs propres, on en
déduit que :
F (U tV ) = λU tV − µU tV = (λ − µ)U tV
Conclusion : ∀(λ, µ) ∈ Sp(A) × Sp(B), ∀(U, V ) ∈ Eλ (A) × Eµ (B), F (U tV ) = (λ − µ)U tV .
 
1
iii. Pour λ = µ = 1 et U = V =  1 , on a U tV 6= Θ et F (U tV ) = Θ.
1
Conclusion : F ∈/ GL(M3 (R)) .
iv. Notons (U1 , U2 , U3 ) les vecteurs colonnes de la base commune de vecteurs propres pour A
et B associées aux valeurs propres respectives (λ1 , λ2 , λ3 ) de A et (µ1 ,t µ2, µ3 ) de B. On
t
sait que F Ui Uj = (λi − µj ). On va alors prouver que la famille Ui Uj 1≤i≤3 est libre
1≤j≤3
dans M3 (R). Supposons ainsi que :
3 X
X 3
αi,j Ui tUj = Θ
i=1 j=1
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))!
n 2
1 X n
Conclusion : ∀n ∈ N, Pn (X) = n (X − 1)n−k (X + 1)k .
2 k=0 k

2 2
1 n 1 n
Pn (1) = n (1 − 1)n−n (1 + 1)n et Pn (−1) = n (−1 − 1)n−0 (−1 + 1)0
2 n 2 0
Conclusion : Pn (1) = 1 et Pn (−1) = (−1)n .

iii. Soit n ∈ N. Le facteur (X − 1)n−k (resp. (X + 1)k ) a pour terme dominant X n−k (resp.
X k ) donc le terme (X − 1)n−k (X + 1)k a pour terme dominant X n . Alors, le polynôme Pn
est de degré au plus n et son terme de degré n vaut :
n 2
1 X n 1 2n
= n 6= 0
2n k=0 k 2 n
en vertu de Vandermonde. Conclusion : ∀n ∈ N, deg(Pn ) = n .
(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)

Conclusion : L ∈ L(Rp [X]) .

ii. Soit (i, j) ∈ J0, pK2 . Par intégration par parties de fonctions polynômes (donc de classe C 1
sur [−1, 1]), on a :
Z 1 0
Pi (t) (X 2 − 1)Pj0 (X) (t)dt

hPi , L(Pj )i =
−1
Z 1
0
1
2
Pi0 (t) (t2 − 1)Pj0 (t) dt

= Pi (t)(t − 1)Pj (t) −1 −
−1
Z 1
= − (X 2 − 1)Pi0 (t)Pj0 (X)dt
−1
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
Conclusion : ∀(i, j) ∈ J0, pK2 , hPi , L(Pj )i = hL(Pi ), Pj i .

On en déduit que L est un endomorphisme symétrique de Rp [X] .
(d) i. Soit n ∈ N. On a :
0
0 1 2 n+1 1
Un+1 (X) = n+1
(X − 1) = n+1 (n + 1)2X(X 2 − 1)n
2 (n + 1)! 2 (n + 1)!
1
= n X(X 2 − 1)n = XUn (X)
2 n!
Si n = 0 alors (X 2 − 1)U00 (X) = Θ = 2 × 0.XU0 (X). Si n > 0 alors :

1
(X 2 − 1)Un0 (X) = (X 2 − 1)XUn−1 (X) = (X 2 − 1)X(X 2 − 1)n−1
− 1)!2n−1 (n
1
= n 2nX(X 2 − 1)2 = 2nXUn (X)
2 n!
0
Conclusion : ∀n ∈ N, Un+1 (X) − 2(n + 1)XUn (X) = (X 2 − 1)Un0 (X) − 2nXUn (X) = Θ .
ii. Soit n ∈ J0, pK. Dérivons (n + 1) fois la seconde égalité et utilisons la formule de Leibniz :
(n+1)
(X − 1)Un0 = 2n [XUn ](n+1)
2
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 :
∀n ∈ J0, pK, L(Pn ) = n(n + 1)Pn
Comme Pn 6= Θ, on en déduit que : Pn est un vecteur propre de L pour tout n ∈ J0, pK .

(e) i. Ainsi Sp(L) = J0, pK donc L admet p + 1 valeurs valeurs propres dans un espace vectoriel
de dimension p + 1. Alors L est diagonalisable et (P0 , . . . , Pp ) est une base Rp [X] consti-
tuée de vecteurs propres pour L. Comme cette famille est orthogonale, on en conclut que
(P0 , . . . , Pp ) est une base orthogonale de Rp [X] .
(k) (k)
ii. Soit n ∈ N. Comme Un (1) = Un (−1) = 0 pour tout k ∈ J0, n − 1K (puisque 1 et -1 sont
racines d’ordre n de Un ), on a :
Z 1
2
kPn k = Un(n) (t)Un(n) (t)dt
−1
Z 1 Z 1
(n) (n−1)
1 (n+1) (n−1)
= Un (t)Un (t) −1 − Un (t)Un (t)dt = − Un(n+1) (t)Un(n−1) (t)dt
−1 −1
Z 1 Z 1
(n+1) (n−2) 1 (n+2) (n−2)
Un(n+2) (t)Un(n−2) (t)dt

= − Un (t)Un (t) −1 + Un (t)Un (t)dt =
−1 −1
R 1 (n+k) (n−k)
Une récurrence finie assure que kPn k2 = (−1)k −1 Un (t)Un (t)dt pour tout entier
k ∈ J0, nK. Ainsi :
Z 1 Z 1
2 n (2n) (0) n
kPn k = (−1) Un (t)Un (t)dt = (−1) Un(2n) (t)Un(0) (t)dt
−1 −1
Z 1 n Z 1
(2n)! 2n −1
= (−1)n n n!2n n!
(t 2
− 1)n
dt = (t − 1)n (t + 1)n dt
−1 2 n 4 −1
(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

1. (a) i. On a : P 2 = P et tP = P .
ii. La matrice P est symétrique réelle donc elle est diagonalisable .
iii. Comme P 2 = P alors X 2 − X = X(X − 1) est un polynôme annulateur de P . Ainsi, les
valeurs propres de P figurent parmi les racines de X 2 − X donc : Sp(P ) ⊂ {0, 1}. De plus,
P X = Θ si et seulement si x − y + z + t = 0. En choisissant y, z, t comme paramètres,
     
1 1 1
 1   0   0 
on en déduit que : E0 (P ) = Vect  0  ,  −1  ,  0  et cette famille est
     
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

et ainsi Sp(P ) = {0, 1} et R4 = E0 (P ) ⊕⊥ E1 (P ) .

iv. Comme P 2 = P alors P est la matrice d’une projection. Comme Ker(P ) = E0 (P ) =
E1 (P )⊥ = Im(P )⊥ alors P est la matrice de la projection orthogonale sur E1 (P ) .
(b) Supposons que P soit la matrice d’une projection orthogonale p dans la base canonique B (or-
thonormale) de Rs . Alors P 2 = P et Rs = Ker(P ) ⊕⊥ Im(P ). De plus, il existe une base
orthonormale B 0 telle que :

Irg(P ) (0)
MatB0 (p) =
(0) Θs−rg(P )
Soit M la matrice de passage de la base B à la base B 0 . Alors M est orthogonale et :
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 :
kP (P x)k2 + kQ(P x)k2 ≤ kP xk2 donc kP xk2 + k(QP )xk2 ≤ kP xk2
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 :
∀(i, j) ∈ J1, nK2 , i 6= j ⇒ ∀x ∈ Rs , kPi xk2 + kPj xk2 ≤ kxk2

⇒ 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
(e) i. Comme Q2 = Q et tQ = Q alors Q est la matrice d’une projection orthogonale de R4 .

ii. Soit x = (x1 , . . . , x4 ) ∈ R4 . Alors :
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
2(x1 + x2 )2 + 2(−x3 + x4 )2 x2 + x22 + x23 + x24

kQxk2 = = 1 + x1 x2 − x3 x4
4 2
x21 + x22 + x23 + x24 x1 x2 + x1 x3 + x1 x4 − x2 x3 − x2 x4 − x3 x4

kxk2 − kP xk2 − kQxk2 = −
4 2
2
(−x1 + x2 + x3 + x4 )
= ≥0
4
Conclusion : ∀x ∈ R4 , kP xk2 + kQxk2 ≤ kxk2 .
iii. On déduit de (c)ii que P + Q est la matrice d’une projection orthogonale de R4 .
20.15 Fonctions de n variables de classe C 1

20.15.1 TD
s
20.15.2 TD*
s

1. (a) i. Soit (x, y) ∈]0, +∞[2 . Au voisinage de +∞, on a :
et dt 1 −t
∼ e
(x.et + 1)(y.et + 1) t→+∞ xy
R +∞
Comme ces deux fonctions sont positives et comme 0 e−t dt converge alors l’intégrale
R +∞ et dt
0 (x.et +1)(y.et +1)
dt converge. Au voisinage de −∞, on a :
et dt
∼ et
(x.et + 1)(y.et + 1) t→−∞
R0 R +∞
Comme ces deux fonctions sont positives et comme −∞ et dt = 0 e−t dt converge alors
R0 et dt
l’intégrale −∞ (x.et +1)(y.e t +1) dt converge.
Z +∞
et dt
Conclusion : t + 1)(y.et + 1)
converge pour tout couple (x, y) ∈]0, +∞[2 .
−∞ (x.e
ii. Soit x > 0. On a alors :
+∞ B
et dt
Z
1 1
f (x, x) = t 2
= lim − ×
−∞ (x.e + 1) A→−∞ x x.et + 1 A
B→+∞

1 1 1 1 1
= lim − B
− A
= − [0 − 1] =
A→−∞ x x.e + 1 x.e + 1 x x
B→+∞
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
(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 :
∀(x, y) ∈ O, ψ(x, y) = g(y) = y + a
On en déduit que donc que :

y2 xy
∀(x, y) ∈ O, f (x, y) = − +y+a= +a
x+y x+y
fonction qui est de classe C 1 sur R2 − {(x, y) | x + y = 0}.
xy
Conclusion : Les solutions sont les fonctions f : R2 − {(x, y) | x + y = 0} → R, (x, y) 7→ +a.
x+y
3. Soit D = {(x, y) ∈ R2 | − 1 ≤ x ≤ y ≤ 1} et f : D → R, (x, y) 7→ (y − x)2 + 6xy.

(a) La fonction (x, y) 7→ (y − x)2 + 6xy est continue sur R2 donc sur D (puisque polynomiale). De
plus, on a :
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 :
g(x, y) = (x + 2y)2 − 4y 2 + y 2 = (x + 2y)2 − 3y 2
d’où l’on tire que :

1 3
∀t ∈]0, 1], g −t, t = − t2 < g(0, 0) < t2 = g(−t, 0)
2 4
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 :
A(−1, 1) B(−1, −1) C(1, −1)
Paramétrons les bords :
[AB] = {(1 − t)A + tB | t ∈ [0, 1]} = {(−1, 1 − 2t) | t ∈ [0, 1]}
[BC] = {(1 − t)B + tC | t ∈ [0, 1]} = {(2t − 1, −1) | t ∈ [0, 1]}

[AC] = {(1 − t)A + tC | t ∈ [0, 1]} = {(2t − 1, 1 − 2t) | t ∈ [0, 1]}
On définit alors les trois fonctions suivantes sur [0, 1] par :
fAB (t) = f (−1, 1 − 2t) fBC (t) = f (2t − 1, −1) fAC (t) = f (2t − 1, 1 − 2t)
Alors, pour tout réel t ∈ [0, 1], on a :
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 : max f = 6 et min f = −2 obtenus en B et en A (ou en C).

D D

1. (a) i. L’application t 7→ M + tH est « affine » et f est de classe C 1 sur Rn donc ϕH,M est de
classe C 1 sur R. Soit λ ∈ [0, 1] et (t, t0 ) ∈ R2 . Alors :
ϕH,M ((1 − λ)t + λt0 ) = f (M + [(1 − λ)t + λt0 ]H)
= f ([(1 − λ) + λ]M + [(1 − λ)t + λt0 ]H)
= f ((1 − λ)[M + tH] + λ[M + t0 H])
≤ (1 − λ)f (M + tH) + λf (M + t0 H) = (1 − λ)ϕH,M (t) + λϕH,M (t0 )
Conclusion : ϕH,M est dérivable et convexe sur R .
ii. D’après l’égalité des accroissements finis, on a :
ϕH,M (1) − ϕH,M (0)
∃c ∈]0, 1[ / ϕ0H,M (c) = = ϕH,M (1) − ϕH,M (0)
1−0
Comme ϕH,M est convexe sur R alors ϕ0H,M est croissante sur R, d’où l’on tire :
0 < c ⇒ ϕ0H,M (0) ≤ ϕ0H,M (c)
Conclusion : ϕ0H,M (0) ≤ ϕH,M (1) − ϕH,M (0) .

−−→ −−→
(b) Soit (M, N ) ∈ (Rn )2 . Soit H tel que OH = M N = N − M . Alors :
D−−→ E
gradf (M ), N − M = ϕ0H,M (0) ≤ ϕH,M (1) − ϕH,M (0) = f (N ) − f (M )
D−−→ E
Conclusion : ∀(M, N ) ∈ (Rn )2 , gradf (M ), N − M ≤ f (N ) − f (M ) .
(c) i. Soit M ∈ Rn . D’aprsè la question précédente, on a :
D−−→ E
gradf (O), M − O ≤ f (M ) − f (O) donc 0 ≤ f (M ) − f (O)
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 qui est absurde. Conclusion : ∀M 6= O, f (M ) > 0 .

n −−→ o
ii. Comme l’ensemble M ∈ Rn | kOM k = 1 = Bf (O, 1) − B(O, 1) est fermé et borné et
comme f est continue sur Rn , on en déduit que inf
−−→
f (M ) existe .
kOM k=1
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→+∞
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
(b) Pour tout vecteur X 6= Θ, on a :

t
1 1
ϕ(X) = X A X ≤ ϕ(X0 )
kXk kXk
1
puisque kXk
X ∈ S. Ainsi ϕ admet une borne supérieure sur Rn − {Θ} qui est atteinte en X0 .
Conclusion : ϕ(X0 ) = max ϕ(X) .
X∈Rn −{Θ}
(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
Pour tout entier k ∈ J1, nK, on a alors :

P P Pn P
∂ϕ 2ak,k xk + 2 i<k ai,k xi + 2 i>k ak,i xi i=1 ai,i xi + 2 1≤i<j≤n ai,j xi xj
(X) = Pn 2 − 2xk Pn 2 2
∂xk i=1 xi ( i=1 xi )
Ainsi, par symétrie de A, pour tout X ∈ S, on a :
∇ϕ(X) = 2AX − 2ϕ(X)X
Le vecteur X0 étant un point critique de ϕ, on en déduit que :
Θ = AX0 − ϕ(X0 )X0
Conclusion : X0 est un vecteur propre de A .

On vient alors de prouver que toute matrice symétrique réelle admet une valeur propre réelle .
20.16 Convergences des suites de variables aléatoires

20.16.1 TD
20.16.2 TD*
1. (a) Par théorème de transfert, f (X1 ) est une variable aléatoire à densité . De plus, f (X1 ) admet
R +∞ R1
une espérance si et seulement si l’intégrale −∞ f (t)11[0,1] (t)dt = 0 f (t)dt converge abso-
lument ce qui est évident puisque f est continue sur [0, 1]. On a aussi immédiatement que
20.16. CONVERGENCES DES SUITES DE VARIABLES ALÉATOIRES 339
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
∀ε > 0, lim P (|In (f ) − I(f )| ≥ ε) = 0

n→+∞
(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
Alors, pour tout réel δ > 0, on a :
√ √ 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→+∞
2. (a) Comme d’habitude par indépendance, pour tout réel x, on a :
P(Mn ≤ x) = P([X1 ≤ x] ∩ · · · ∩ [Xn ≤ x]) = P(X1 ≤ x) . . . P(Xn ≤ x)
Conclusion : ∀n ∈ N∗ , ∀x ∈ R, Fn (x) = F (x)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 )
n ln 1 − e−x−ln(n) −ne−x−ln(n) = −e−x

∼
n→+∞
−x
lim P(Zn ≤ x) = e−e
n→+∞
−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
Dans le cas où λ = 1, on a : T = −X avec X ,→ E(1) .

3. (a) La fonction fn est continue sur R (la continuité en 0 est assez aisée à prouver) et positive sur R.
Enfin : Z +∞ Z +∞ 2 A
n x − n2 x22 2 2
− n x2
fn (x)dx = e 2σ dx = lim −e 2σ =1
−∞ 0 σ2 A→+∞
0
Conclusion : fn est une densité .

(b) Notons Fn la fonction de répartition de Xn . Alors Fn (x) = 0 pour tout réel x < 0. Soit donc
x ≥ 0. On a : Z x 2
n t − n2 t22 2 2
− n x2
Fn (x) = e 2σ dt = 1 − e 2σ −→ 1
2
0 σ n→+∞
(
0 si x < 0
La fonction F : x 7→ est la fonction de répartition de la variable certaine X = 11Ω .
1 si x ≥ 0
Conclusion : Xn −→ 11Ω .
L
20.16. CONVERGENCES DES SUITES DE VARIABLES ALÉATOIRES 341

1. (a) i. Comme les Xn sont à valeurs positives et admettent une espérance alors on peut applique
l’inégalité de Markov :
E(Xn )
∀ε > 0, P(|Xn − 0| > ε) = P(Xn > ε) ≤ −→ 0
ε n→+∞
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→+∞
Conclusion : E(|Xn − X|2 ) −→ 0 ⇒ Xn −→ X .

n→+∞ P
ii. Avec la formule de Koenig-Huygens, on a :
E(|Xn − X|2 ) = E((Xn − X)2 ) = V(Xn − X) + E(Xn − X)2 −→ 0

n→+∞
On applique le résultat qui précède et on conclut que :
lim E(Xn − X) = lim V(Xn − X) = 0 ⇒ Xn −→ X

n→+∞ n→+∞ P
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

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→+∞
lim Fn (x) = 1 − e−x

n→+∞
(
0 si x < 0
Soit X ,→ E(1). Alors FX : x 7→ . Conclusion : Xn −→ X avec X ,→ E(1) .
1 − e−x si x ≥ 0 L
20.17 Fonctions de n variables de classe C 2

20.17.1 TD
1. s
20.17.2 TD*
1. s

∂2f
1. (a) i. La fonction f est de classe C 2 sur R2 donc la fonction ∂x2
est continue sur R2 . Par compo-
2
sition avec la valeur absolue qui est continue sur R, on en déduit que ∂∂xf2 est continue sur
[x0 − 1, x0 + 1] × [0, 1] qui est un ensemble fermé et borné (produit de segments). On en
2
déduit que ∂∂xf2 admet un maximum sur [x0 − 1, x0 + 1] × [0, 1].
∂2f
Conclusion : ∃M > 0 / ∀(x, t) ∈ [x0 − 1, x0 + 1] × [0, 1], (x, t) ≤ M .
∂x2
ii. Soit h ∈ [−1, 1]. On a :
Z 1 Z 1
∂f ∂f
F (x0 + h) − F (x0 ) − h (x0 , t)dt = f (x0 + h, t) − f (x0 , t) − h (x0 , t) dt
0 ∂x 0 ∂x
Z 1
∂f
≤ f (x0 + h, t) − f (x0 , t) − h (x0 , t) dt
0 ∂x
Soit t ∈ [0, 1]. On écrit l’inégalité de Taylor-Lagrange à l’ordre 1 sur [x0 , x0 + h] pour la
fonction x 7→ f (x, t) :
∂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
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
F (x0 +h)−F (x0 ) R1∂f

donc h
− 0 ∂x
(x0 , t)dt −→
0 . On en déduit que F est dérivable en x0 et que
h→0
Z 1
0
R 1 ∂f 0 ∂f
F (x0 ) = 0 ∂x (x0 , t)dt. Conclusion : F est dérivable sur R et F : x 7→ (x, t)dt .
0 ∂x
(b) i. Soit n ∈ N. La fonction f : (x, t) 7→ (1 − t2 )n cos(tx) est de classe C 2 sur R2 (comme

produit de fonctions qui le sont) donc le résultat précédent s’applique.
Z 1
0
Conclusion : In est dérivable sur R et In : x 7→ − t(1 − t2 )n sin(tx)dt .
0
−1
ii. Soit x ∈ R. Les fonctions t 7→ − t2 )n+1 et t 7→ sin(tx) sont de classe C 1 sur [0, 1]
2(n+1)
(1
donc par intégration par parties, on a :
Z 1
In0 (x) = − t(1 − t2 )n sin(tx)dt
0
1 Z 1
−1 2 n+1 −1
= − (1 − t ) sin(tx) + (1 − t2 )n+1 x cos(tx)dt
2(n + 1) 0 0 2(n + 1)
Z 1
x
= −0 − (1 − t2 )n+1 cos(tx)dt
2(n + 1) 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.
• Soit n ∈ N et supposons que P(n) est vraie. Alors :

2n + 3 2n + 3 (2n + 1)! 2n + 3 2n + 2 (2n + 1)!
In+1 (0) = In (0) = × 2n = × × 2n
2n + 2 2n + 2 2 (n!)2 2n + 2 2n + 2 2 (n!)2
(2n + 3)! (2(n + 1) + 1)!
= 2 2 2n 2
= 2(n+1)
2 (n + 1) 2 (n!) 2 ((n + 1)!)2
(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
En utilisant le résultat de la question qui précède, on en déduit que :

n
(−1)k

X n! (2n + 1)!
× = 2n
k=0
k!(n − k)! 2k + 1 2 (n!)2
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
ce qui est absurde. Conclusion : Sp(M ) ⊂ R+ .

(b) i. Les deux premières colonnes de M sont libres donc cette matrice est de rang au moins 2.
La somme des trois colonne donne la colonne nulle donc elle n’est pas de rang 3. On a donc
rg(M ) = 2 et dim(Ker(M )) = dim(E0 (M )) = 1. De plus :
     
1 0 1
M  1  =  0  = 0 1 
1 0 1
 
1
d’où l’on tire que E0 (M ) = Vect  1  . D’autre part, on a :
1
           
1 3 1 1 3 1
M  −1  =  −3  = 3  −1  et M  0  =  0  = 3  0 
0 0 0 −1 −3 −1
   
1 1
Pour des raisons de dimension, on en déduit que E3 (M ) = Vect  −1  ,  0 
0 −1
et que M3,1 (R) = E0 (M ) ⊕ E3 (M ). Il ne reste plus qu’orthonormaliser cette base de
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
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
De plus, f est de classe C 2 sur R3 et on a :

 
2ax
∀(x, y, z) ∈ R3 , ∇f (x, y, z) =  2by 
2cz
Supposons que (x, y, z) est un point critique de f sous la contrainte P . Alors :

   
x bc
∇f (x, y, z) ∈ H⊥ ⇒ ax = by = cz ⇒  y  ∈ Vect  ac 
z ab
   
x bc
1
Commme x + y + z = 1, on en déduit que  y  = ab+bc+ca  ac . L’image de ce point
z ab
par f est :
abc 1
= 1 1 1
ab + bc + ca a
+b+c
Cette valeur est le minimum absolu de f sur P puisque :

√ 1 √ 1 √ 1
1 = x + y + z = ax × √ + by × √ + cz × √
a b z
 √   √ 
√ax 1/ √a r
p 1 1 1
≤  by  ×  1/ b  = ax2 + by 2 + cz 2 × + +
√ √ a b c
cz 1/ c
d’où, en élevant au carré :
1
f (x, y, z) ≥ 1
a
+ 1b + 1
c
 
bc
1 1  ac  .
Conclusion : min f = 1 1 1 est obtenu en
P + + ab + bc + ca
a b c ab
Pour tout élément (x, y, z) ∈ P , on a :
f (x, y, z) ≤ max{a, b, c}(x2 + y 2 + z 2 ) ≤ max{a, b, c}(x + y + z)2 = max{a, b, c}
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

1. (a) L’ensemble Ω est un produit d’intervalles ouverts donc est un ouvert de R2 . La fonction S est
de classe C 1 sur Ω et ses dérivées partielles d’ordre 1 sont données par :
2 2
∂S L ∂S R
∀(R, L) ∈ Ω, (R, L) = et (R, L) =
∂R R+L ∂L R+L
Ces fonctions ne peuvent s’annuler simultanément qu’en (0, 0) ∈
/ Ω.
Conclusion : S n’admet pas de point critique donc d’extremum sur Ω .
(b) Soit un réel a > 0. Pour tout couple R, L) ∈ Ω, on a :
L
0 ≤ S(R, L) = R ≤ R −→ 0
R+L (R,L)→(0,a)
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)
donc S se prolonge par continuité au point (0, 0) en posant S(0, 0) = 0.

Conclusion : S se prolonge par continuité sur Ω̄ .
(c) Pour tout couple (W, L) ∈ Ω, on a :
sW L
S ∗ (W, L) = S(sW, L) =
sW + L
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
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 − 2W )((s − 1)W + T ) − W (T − W )(s − 1) T 2 − 2T W − (s − 1)W 2

f 0 (W ) = s = s
((s − 1)W + T )2 ((s − 1)W + T )2
• Si s = 1 alors f 0 s’annule en T2 et donc f est maximale en T2 . On en déduit que S ∗ admet un

maximum en T2 , T2 qui vaut T4 .
• Si s 6= 1 alors le discriminant du numérateur de f 0 (W ) vaut sT 2 > 0 ce qui donne les racines
W1 = 1−T√s et W2 = 1+T√s et le tableau de variation suivant :
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
Φ, 177 Endomorphisme orthogonal, 193

∇, 197 Endomorphisme symétrique, 185
∇2 , 224 Espérance, 134
Sp(u), 91 Espérance conditionnelle, 29, 31
Espace euclidien, 145
Approximation affine, 199 Estimateur, 241
Approximation de lois, 215, 217 Estimateur asymptotiquement sans biais, 245, 248
Biais d’un estimateur, 248 Estimateur convergent, 242
Borélien, 72 Estimateur sans biais, 241, 248
Boule fermée, 156 Estimation ponctuelle, 242
Boule ouverte, 156 Etendue, 235
Etendue empirique, 245, 247
Caractère, 233
Centile, 235 Famille orthogonale, 144
Classes, 233, 237 Famille orthonormale, 144
Coefficient de corrélation, 237 Fermé, 157
Continuité, 159 Fonction continue, 159
Convergence absolue d’une série double, 65 Fonction dérivée partielle, 200, 223
Convergence d’une série double, 64 Fonction génératrice, 37
Convergence en loi, 212 Fonction Gamma, 119
Convergence en moyenne d’ordre k, 221 Forme bilinéaire, 141
Convergence en probabilité, 209 Forme définie-positive, 141
Convergence presque sûre, 209, 219 Forme quadratique, 188
Convexe, 158 Formule de Koenig-Huygens, 136
Correction de continuité, 216, 217 Fréquence, 234
Covariance, 237 Gradient, 197
Décile, 235 Hessienne, 224
Dérivée partielle, 197, 223
Développement limité, 199 iid, 246
Densité, 130 Inégalité de Bienaymé-Tchebychev, 28, 80, 137
Diagonalisable, 94, 95 Inégalité de Cauchy-Schwarz, 142
Discret, 72 Inégalité de Markov, 27, 28, 137
Droite, 155 Individu, 233
Droite d’ajustement, 237 Intégrale absolument convergente, 120
Droite de Mayer, 239 Intégrale convergente, 111
Intégrale de Riemann, 117
Ecart d’ordre r, 36 Intégrale impropre, 111
Ecart moyen, 235 Intégrale semi-convergente, 120
Ecart type, 136, 236 Intervalle de confiance, 243, 244, 250
Echantillon, 246 Intervalle interquartiles, 235
Echantillon observé, 241, 246
Effectif, 233 Ligne de niveau, 159
Endomorphisme adjoint, 192 Loi exponentielle, 170, 171
Endomorphisme antisymétrique, 192 Loi Gamma, 175
Endomorphisme induit, 44 Loi gamma, 173
349
350 INDEX
Loi normale, 178 Sous espace propre, 91, 95

Loi normale centrée réduite, 177 Sous espace stable, 43
Loi sans mémoire, 172 Sous espaces orthogonaux, 143
Loi uniforme sur un intervalle, 167, 168 Spectre, 91, 95
Statistique, 246
Médiane, 235 Suite double, 63
Matrice diagonale par blocs, 46, 90
Matrice nilpotente, 97 Théorème de la limite centrée, 216
Matrice orthogonale, 147 Trace, 99
Matrices semblables, 90 Tribu associée, 73
Maximum empirique, 247 Tribu des boréliens, 72
Maximum/minimum absolu, 204
Minimum empirique, 247 Valeur propre, 91, 94
modalité, 233 Variable aléatoire à densité, 130
Mode, 235 Variable aléatoire centrée, 135
Moment centré, 135 Variable aléatoire centrée réduite, 136
Moment d’une variable aléatoire, 134 Variable aléatoire discrète, 73
Moyenne, 235 Variable aléatoire réelle, 72
Moyenne empirique, 241, 247 Variance, 136
Moyenne géométrique, 36 Variance empirique, 245, 247
Vecteur propre, 91, 94
Norme associée, 142 Vecteur unitaire, 142
Notation de Monge, 224 Vecteurs orthogonaux, 143
Nuage de points, 237
Ouvert, 156
Paramétrisation d’un segment, 155
Paramétrisation d’une droite, 155
Plan tangent, 199
Point critique, 205
Point moyen, 237
Polynôme annulateur, 44, 47
Polynôme d’endomorphisme, 44
Polynôme de matrice, 47
Population, 233
Produit de convolution, 133
Produit scalaire, 141
Produit scalaire canonique, 141
Prolongement par continuité, 159
Quartile, 235
Résidu, 237
Reste d’une intégrale impropre, 115
Risque, 242
Risque quadratique, 248
Série double, 63
Série statistique, 233
Segment, 155
Somme d’une série double, 64, 65
Somme de sous espaces vectoriels, 40
Somme directe de sous espaces vectoriels, 40
Sous espace orthogonal, 143

Cours ECS2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours ECS2

Transféré par

Droits d'auteur :

Formats disponibles

Mathématiques en ECS2

À propos du déroulement de l’année scolaire :

2 Variables aléatoires réelles discrètes finies 25

3 Espaces vectoriels, applications linéaires et matrices 39

3.3.2 Cas de la somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4 Étude des fonctions numériques 53

6 Variables aléatoires discrètes infinies 71

7 Réduction des endomorphismes et des matrices carrées 89

8 Intégrales sur un segment 103

9 Intégrales sur un intervalle quelconque 111

9.3.1 Intégrales de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

10 Variables aléatoires à densité 129

11 Espaces euclidiens 141

12 Continuité des fonctions de n variables 155

13 Variables aléatoires à densité usuelles 167

14 Endomorphismes symétriques 185

14.3.1 Forme quadratique associée à un endomorphisme symétrique . . . . . . . . . 188

15 Fonctions de n variables de classe C 1 197

16 Convergences des suites de variables aléatoires 209

17 Fonctions de n variables de classe C 2 223

17.3 Recherches d’extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

18 Statistiques descriptives 233

19 Statistique inférentielle : estimation 241

20 Solutions des exercices 255

20.11.2 TD* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

Il est vivement conseillé de réviser les chapitres 1, 2, 3, 4, 5, 7, 8, 27 (techniques opératoires et déve-

1.1 Notions sur les suites

Théorème des 4 sommes (QC)

(a) Déterminer l’expression du terme général de cette suite en fonction du réel a.

(a) Déterminer l’expression du terme général de cette suite en fonction du réel a.

1.2 Convergence et divergence

Théorème de l’unicité de la limite (QC, démonstration uniquement en cas de convergence)

Si une suite admet une limite alors celle-ci est unique.

Preuve (par l’absurde)

La convergence vers `0 nous donne ensuite :

Ainsi, pour tout entier n ≥ n2 , on a :

Toute suite convergente est bornée.

Preuve (par l’absurde)

1.3 Borne supérieure et borne inférieure d’une partie de R

Propriété de la borne supérieure (resp. inférieure)

1.4 Suites monotones

ce qui assure la convergence de la suite vers `.

Par croissance de la suite, on en déduit que :

ce qui prouve que la suite diverge vers +∞.

1.5 Suites négligeables, suites équivalentes, développements limités

Préciser alors un équivalent de cette suite.

iii. On pose : ∀n ∈ N, an = xn − πn. Prouver que la suite (an ) converge vers π2 .

3. Soit a et b deux réels strictement positifs.

(a) Démontrer que, pour tout n ∈ N∗ , on a :

(a) Théorème : moyenne de Cesaro.

(b) Étude de la réciproque.

(c) Lemme de l’escalier et application.

i. (lemme de l’escalier) Soit ` ∈ R̄. En utilisant le théorème de Cesaro, démontrer que :

ii. On suppose que : ∀n ∈ N, un > 0. Déduire de la question ci-avant que :

iii. Déterminer les limites suivantes :

2. On définit les ensembles :

1.6.2 Pour les DL

(b) Étude de ces deux suites.

DL* 1 (voir le corrigé à la page 258)

an (x) ≤ an (y) et bn (x) ≤ bn (y)

ii. En déduire que la fonction L est croissante sur [0, +∞[.

admet une unique solution xn dans R+ .

1.6.3 Autres exercices