Cours de mathématiques

Voie é onomique et ommer iale

Option te hnologique
Deuxième année
Baptiste GORIN
 Table des matières

Table des matières 1

I Suites numériques 3
I.1 Raisonnement par ré urren e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.2 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I.3 Suites onvergentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I.4 Étude des suites ré urrentes un+1 = f (un ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

II Matri es 9
II.1 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
II.2 Opérations sur les matri es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
II.3 Matri es inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
II.4 Systèmes linéaires et matri es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

III Fon tions numériques 15

III.1 Fon tions ontinues sur un intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
III.1.1 Théorème des valeurs intermédiaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
III.1.2 Fon tions ontinues sur un segment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
III.1.3 Fon tions ontinues stri tement monotones sur un intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . 15
III.2 Fon tions monotones et limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
III.3 Inégalité des a roissements nis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

IV Séries numériques 21
IV.1 Dénitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
IV.2 Convergen e absolue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
IV.3 Séries de référen e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

V Variables aléatoires dis rètes innies 23

V.1 Loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
V.2 Espéran e. Varian e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

VI Lois usuelles dis rètes innies 26

VI.1 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
VI.2 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

VII Intégrales impropres 28

VII.1 Dénitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
VII.2 Cas des fon tions à valeurs positives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

VIII Variables aléatoires réelles à densité 30

VIII.1 Densité de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
VIII.2 Espéran e. Varian e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

1
IX Lois usuelles 34
IX.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
IX.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
IX.3 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

X Convergen e et approximations 36
X.1 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
X.2 Approximations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
X.2.1 Approximation de la loi binomiale par la loi de Poisson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
X.2.2 Approximation de la loi binomiale par la loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
X.3 Loi binomiale, loi normale, loi faible des grands nombres et intuition . . . . . . . . . . . . . . . . . . . . . . . . 38
Chapitre I
Suites numériques

I.1 Raisonnement par ré urren e

Théorème (prin ipe de ré urren e) I.1.1.  Soient n 0 ∈ N et Pn une propriété dénie sur N.
Si Pn0 est vraie et si, pour tout n > n0 , Pn vraie implique Pn+1 vraie, alors la propriété Pn est vraie pour tout
n > n0 .
Prin ipe de ré urren e
• On montre que la propriété est vraie pour le rang initial : Pn0 est vraie (initialisation).
• On suppose la propriété vraie à un rang n xé et on montre qu'elle l'est également au rang n + 1 : si Pn est
vraie, alors Pn+1 est vraie (hérédité).
Le prin ipe de ré urren e assure que, pour tout n ∈ N, n > n0 , la propriété Pn est vraie.
Exemple I.1.2.  Pour tout n ∈ N∗ , on a :
Pn

k=1
k=
n(n + 1)
2
.
Montrons le résultat par ré urren e.
n n(n + 1)
Soit Pn la propriété  .
P
k=
k=1 2
1 n(n + 1)
Initialisation.  Pour n = 1, on a k = 1 et = 1. Ainsi la propriété P1 est vraie.
P
k=1 2
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
n n(n + 1)
On a : .
P
k=
k=1 2
Alors
n+1
X n
X
k= k + (n + 1)
k=1 k=1
n(n + 1)
= + (n + 1)
2
(n + 1)(n + 2)
=
2
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N∗ .
Exemple I.1.3.  Pour tout n ∈ N, on a : 2n > n + 1.
Montrons le résultat par ré urren e.
Soit Pn la propriété  2n > n + 1 .
Initialisation.  Pour n = 0, on a 2n = 20 = 1 et n + 1 = 1. Ainsi la propriété P0 est vraie.
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
On a : 2n > n + 1.
Alors : 2n+1 = 2 × 2n > 2(n + 1) = n + n + 2 > n + 2.
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N.
Exemple I.1.4.  √
Soit (un )n∈N la suite dénie par u0 = 0 et la relation de ré urren e un+1 = un + 2.
Pour tout n ∈ N, on a : un ∈ [0, 2].
Montrons le résultat par ré urren e.
Suites numériques 4
Soit Pn la propriété  un ∈ [0, 2] .
Initialisation.  Pour n = 0, on a u0 = 0 ∈ [0, 2]. Ainsi la propriété P0 est vraie.
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
On a : 0 6 un 6 2.
Alors on a su essivement :

√ 2 6√un + 2 6 4√
06 2 6 un + 2 6 4 = 2
soit : 0 6 un+1 6 2.
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N.
Remarque I.1.5.  Si la propriété Pn dépend des rangs pré édents, l'initialisation et l'hérédité doivent être
modiées.
Prin ipe de ré urren e double
• On montre que la propriété est vraie pour les deux premiers rangs : P0 et P1 sont vraies (initialisation).
• On suppose la propriété vraie aux rangs n et n + 1 et on montre qu'elle l'est également au rang n + 2 : si Pn
et Pn+1 sont vraies, alors Pn+2 est vraie (hérédité).
Le prin ipe de ré urren e assure que, pour tout n ∈ N, la propriété Pn est vraie.
Exemple I.1.6.  Soit (un )n∈N la suite dénie par u0 = 2, u1 = −1 et la relation de ré urren e un+2 =
−un+1 + 6un .
Pour tout n ∈ N, on a : un = 2n + (−3)n .
Montrons le résultat par ré urren e.
Soit Pn la propriété  un = 2n + (−3)n .
Initialisation.  Pour n = 0, on a u0 = 2 et 20 + (−3)0 = 2. Ainsi la propriété P0 est vraie.
Pour n = 1, on a u1 = −1 et 21 + (−3)1 = −1. Ainsi, la propriété P1 est vraie.
Hérédité.  Supposons les propriétés Pn et Pn+1 vraies à un rang n xé.
On a : un = 2n + (−3)n et un+1 = 2n+1 + (−3)n+1 .
Alors
un+2 = −un+1 + 6un
= −(2n+1 + (−3)n+1 ) + 6(2n + (−3)n )
= −2 × 2n + 3 × (−3)n + 6 × 2n + 6 × (−3)n
= 4 × 2n + 9 × (−3)n
= 2n+2 + (−3)n+2

Ainsi la propriété Pn+2 est vraie.

D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N.

I.2 Dénitions
Dénition I.2.1.  Soit (u ) n n∈N une suite numérique.
La suite est dite roissante si, pour tout n ∈ N, un+1 > un .
La suite est dite dé roissante si, pour tout n ∈ N, un+1 6 un .
Une suite roissante ou dé roissante est dite monotone.
Dénition I.2.2.  Soit (un )n∈N une suite numérique.
La suite (un )n∈N est dite majorée s'il existe un réel M , appelé majorant, tel que, pour tout n ∈ N, un 6 M .
La suite (un )n∈N est dite minorée s'il existe un réel m, appelé minorant, tel que, pour tout n ∈ N, un > m.
La suite (un )n∈N est dite bornée si elle est majorée et minorée.
Remarque I.2.3.  Une suite roissante (resp dé roissante) est minorée (resp. majorée) par son premier
terme.

I.3 Suites onvergentes

Dénition I.3.1.  Soit (un )n∈N une suite.
La suite (un )n∈N est dite onvergente s'il existe un réel ℓ tel que un est aussi pro he de ℓ que l'on veut pourvu
que n soit susamment grand.
On dit que ℓ est la limite de la suite (un )n∈N ou que la suite (un )n∈N onverge vers ℓ. On note lim un = ℓ.
n→+∞
La suite (un )n∈N est dite divergente si elle ne onverge pas.
Suites numériques 5
Dénition I.3.2.  Soit (u ) n n∈N une suite.
La suite (un )n∈N a pour limite +∞ ou diverge vers +∞ si un est aussi grand que l'on veut pourvu que n soit
susamment grand.
On note lim un = +∞.
Remarque I.3.3.  On dénit de façon analogue lim u = −∞.
n→+∞

Théorème (de la limite monotone) I.3.4.  Toute suite roissante majorée (resp. dé roissante minorée)
n→+∞

est onvergente.
Remarque I.3.5.  Un majorant (resp. un minorant) d'une suite roissante (resp.dé roissante) n'est pas
né essairement sa limite.
Proposition I.3.6.  Toute suite roissante non majorée (resp. dé roissante non minorée) diverge vers +∞
(resp. vers −∞).
Dénition I.3.7.  Deux suites (u ) et (v ) sont adja entes si
n n∈N n n∈N
• la suite (un )n∈N est roissante ;
• la suite (vn )n∈N est dé roissante ;
• la suite (vn − un )n∈N onverge vers 0.
Théorème I.3.8.  Deux suites adja entes sont onvergentes et ont la même limite.
Exemple I.3.9.  Soient (u ) et (v ) les suites dénies par
n n∈N∗ n n∈N∗
n
1 1
et
X
un = vn = un +
k! n · n!
k=0

Les suites (un )n∈N∗ et (vn )n∈N∗ sont respe tivement roissante et dé roissante.
Pour tout n ∈ N∗ , on a
1
un+1 − un = >0
(n + 1)!
et
1 1
vn+1 − vn = un+1 − un + −
(n + 1)(n + 1)! n · n!
1 1 1
= + −
(n + 1)! (n + 1)(n + 1)! n · n!
n(n + 1) + n − (n + 1)2
=
n(n + 1)(n + 1)!
−1
=
n(n + 1)(n + 1)!
60

d'où le résultat.
La suite (vn − un )n∈N∗ onverge vers 0.
1
Pour tout n ∈ N∗ , on a vn − un = .
n · n!
Il vient lim (vn − un ) = 0.
n→+∞
On en déduit que les suites (un )n∈N∗ et (vn )n∈N∗ sont adja entes, don sont onvergentes et ont la même limite
Exemple (moyenne arithméti o-géométrique) I.3.10.  Soient (un )n∈N et (vn )n∈N les suites dénies par
0 < v0 < u0 et les relations de ré urren e
( un + vn
un+1 =
√ 2 .
vn+1 = un vn
Pour tout n ∈ N, on a : 0 6 vn 6 un .
Montrons le résultat par ré urren e.
Soit Pn la propriété  0 6 vn 6 un .
Initialisation.  La propriété P0 est vraie par hypothèse.
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
On a : 0 6 vn 6 un .
Alors un + vn > 0 et un vn > 0, d'où un+1 > 0 et vn+1 > 0.
Suites numériques 6
De plus, on a :
√ √
un + vn √ ( un − vn )2
un+1 − vn+1 = − un vn = >0
2 2
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N.
Les suites (un )n∈N et (vn )n∈N sont respe tivement dé roissante et roissante.
Pour tout n ∈ N, on a
un + vn vn − un
un+1 − un = − un = 60
2 2
et
√ vn (un − vn )
vn+1 − vn = un vn − vn = √ >0
un vn + vn
d'où le résultat.
Les suites (un )n∈N et (vn )n∈N sont onvergentes.
Pour tout n ∈ N, on a : 0 6 vn 6 vn+1 6 un+1 6 un 6 u0 .
Dé roissante et minorée par v0 , la suite (un )n∈N onverge d'après le théorème de la limite monotone.
Croissante et majorée par u0 , la suite (vn )n∈N onverge d'après le théorème de la limite monotone.
Les suites (un )n∈N et (vn )n∈N ont la même limite.
Soient α et β les limites respe tives de (un )n∈N et (vn )n∈N .
u + vn
Passons à la limite dans l'égalité : un+1 = n .
2
α+β
Par uni ité de la limite, il vient : α = .
2
Ainsi α = β .
On en déduit que les suites (un )n∈N et (vn )n∈N sont adja entes.
La limite ommune des deux suites est la moyenne arithméti o-géométrique des nombres u0 et v0 .
Théorème I.3.11.  Soient (un )n∈N une suite onvergente, ℓ ∈ R sa limite et f une fon tion ontinue en ℓ.
Alors la suite (f (un ))n∈N onverge vers f (ℓ).

I.4 Étude des suites ré urrentes un+1 = f (un)

Dans e paragraphe, on onsidère une fon tion f dénie sur un intervalle I et la suite (un )n∈N dénie par u0 ∈ I
et la relation de ré urren e un+1 = f (un ).
Remarque (représentation graphique) I.4.1.  Dans un repère orthonormé, on tra e la ourbe représen-
tative Cf de la fon tion f ainsi que la droite ∆ d'équation y = x.
On part du point (u0 ; 0). L'ordonnée du point d'abs isse u0 appartenant à Cf est égale à u1 = f (u0 ).
On reporte ensuite u1 sur l'axe des abs isses en utilisant la droite ∆.
L'ordonnée du point d'abs isse u1 appartenant à Cf est égale à u2 = f (u1 ).
On reporte ensuite u2 sur l'axe des abs isses en utilisant la droite ∆...

Cf

u0 u1 u2 u3

Dénition I.4.2.  Un intervalle J est stable par f si f (J) ⊂ J , autrement dit si, pour tout x ∈ J , f (x) ∈ J .
Proposition I.4.3.  Si l'intervalle I est stable par f , alors la suite (u ) est bien dénie et, pour tout
n n∈N
n ∈ N, u n ∈ I .
Dans la suite, l'intervalle I sera supposé stable par f .
Suites numériques 7
Dénition I.4.4.  α ∈ I est un point xe de f si f (α) = α.
Théorème I.4.5.  Si la suite (u ) onverge vers ℓ et si la fon tion f est ontinue en ℓ, alors ℓ est un
n n∈N
point xe de f .
Remarque I.4.6.  La limite de la suite, si elle existe, est à her her parmi les points xes de f . Mais, un
point xe de f n'est pas né essairement limite de la suite.
Proposition I.4.7.  Si la fon tion f est roissante sur I , alors la suite (u ) est monotone. Plus pré i-
n n∈N
sément, la suite (u ) est roissante si u 6 u , dé roissante si u > u .
Proposition I.4.8.  Si la fon tion x 7−→ f (x) − x garde un signe onstant sur I , alors la suite (u ) est
n n∈N 0 1 0 1

n n∈N
monotone.
Exemple I.4.9.  Soient f la fon tion dénie sur − 23 , +∞ par f (x) = √2x + 3 et (u ) la suite dénie
 
n n∈N

par u0 = −1 et la relation de ré urren e un+1

 = f (un ).
3
La fon tion f est stri tement roissante sur − , +∞ .
2
   
3 3
La fon tion f est ontinue sur − , +∞ et dérivable sur − , +∞ .
  2 2
3 1
Pour tout x ∈ − , +∞ , on a f ′ (x) = √ > 0.
2 2x + 3
De plus, on a lim f (x) = +∞.
x→+∞

3
x − +∞
2

f ′ (x) −
+∞
f (x)
0

La fon tion f admet 3 pour unique point xe.

On a :
√
f (x) = x ⇐⇒ 2x + 3 = x
=⇒ x2 − 2x − 3 = 0
⇐⇒ x = −1 ou x = 3

Comme f est à valeurs positives, on en déduit que 3 est l'unique point xe de f .
L'intervalle I = [0, 3] est stable par f .
Soit x ∈ I . On a : 0 6 x 6 3.
La fon tion f étant roissante sur I , on a
√
06 3 = f (0) 6 f (x) 6 f (3) = 3
Ainsi f (x) ∈ I .
Pour tout x ∈ I , on a f (x) > x.
Pour tout x ∈ I , on a :
√
f (x) − x = 2x + 3 − x
√
√

2x + 3 − x 2x + 3 + x
= √
2x + 3 + x
2x + 3 − x2
= √
2x + 3 − x
(3 − x)(1 + x)
= √
2x + 3 − x
>0

Pour tout n ∈ N∗ , on a un ∈ I .
Suites numériques 8
Montrons le résultat par ré urren e.
Soit Pn la propriété  un ∈ I .
Initialisation.  Pour n = 1, on a u1 = f (u0 ) = f (0) = 1 ∈ I . Ainsi la propriété P1 est vraie.
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
On a : un ∈ I .
Comme l'intervalle I est stable par f , on a f (un ) ∈ I , soit un+1 ∈ I .
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N.
La suite (un )n∈N est roissante.
Méthode 1.  Montrons le résultat par ré urren e.
Soit Pn la propriété  un+1 > un .
Initialisation.  Pour n = 0, on a u0 = −1 et u1 = 1. Ainsi la propriété P0 est vraie.
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
On a : un+1 > un .
La fon tion f étant roissante, on a f (un+1 ) > f (un ), soit un+2 > un+1 .
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N.
Méthode 2.  Comme, pour tout n ∈ N∗ , un ∈ [0, 3] et, pour tout x ∈ [0, 3], f (x) > x, il vient
un+1 = f (un ) > un .
Ainsi la suite (un )n∈N est roissante.
La suite (un )n∈N est onvergente.
Croissante et majorée par 3, la suite (un )n∈N onverge d'après le théorème de la limite monotone.
Soit ℓ sa limite. On a ℓ ∈ [0, 3].
On a ℓ = 3.
Passons à la limite dans l'égalité : un+1 = f (un ).
Par ontinuité de la fon tion f sur [0, 3] et uni ité de la limite, il vient : ℓ = f (ℓ).
Ainsi ℓ est un point xe de f .
Don ℓ = 3.
Chapitre II
Matri es

II.1 Dénitions
Dénition II.1.1.  Soient n, p ∈ N . Une matri e de taille n×p à oe ients réels est un tableau re tangulaire
∗

de nombres réels omportant n lignes et p olonnes.

Si A est une telle matri e, on note ai,j le oe ient de la i-ième ligne et de la j -ième olonne.
 
a1,1 ... a1,j ... a1,p
 .. .. .. 
 . . . 
 
A = (ai,j )16i6n =
 ai,1 ... ai,j ... ai,p 
 . .. .. 

 ..
16j6p
. . 
an,1 . . . an,j . . . an,p

L'ensemble des matri es de taille n × p à oe ients réels est noté Mn,p (R).
Un élément de M1,p (R) (p = 1) est une matri e ligne ; un élément de Mn,1 (R) (n = 1) est une matri e olonne.
Un élément de Mn,n (R) (n = p) est une matri e arrée ; l'ensemble de es matri es est noté plus simplement
Mn (R).
Dénition II.1.2.  Soit A = (ai,j )16i,j6n ∈ Mn (R). La matri e A est
• triangulaire supérieure si, pour tous i, j ∈ [[1; n]], i > j , on a ai,j = 0 ;
 
a1,1 a1,2 ... a1,n
.. ..
. .
 
 0 a2,2 
A= .. .. ..

. . .
 
 an−1,n 
0 ... 0 an,n

• triangulaire inférieure si, pour tous i, j ∈ [[1; n]], i < j , on a ai,j = 0 ;

 
a1,1 0 ... 0
.. .. 
. . 

 a2,1 a2,2
A=  . .. ..

 .. . .

0 
an,1 . . . an,n−1 an,n

• diagonale si, pour tous i, j ∈ [[1; n]], i 6= j , on a ai,j = 0.

 
a1,1 0 ... 0
.. .. 
. . 

 0 a2,2
A=  . .. ..

 .. . .

0 
0 ... 0 an,n

Remarque II.1.3.  Une matri e diagonale A peut se noter A = diag(a , a , . . . , a ).

Dénition II.1.4.  La matri e dont tous les oe ients sont nuls est appelée matri e nulle et notée 0.
1,1 2,2 n,n
Matri es 10
Dénition II.1.5.  La matri e de Mn (R) dont tous les termes diagonaux sont égaux à 1 est appelée matri e
unité (ou identité) de taille n ; on la note In (ou plus simplement I s'il n'y a pas d'ambiguïté sur sa taille).
 
1 0 ... 0
.. .. 
. . 

 0 1
In = diag(1, 1, . . . , 1) =  .. .. ..

. . . 0 
 

0 ... 0 1

II.2 Opérations sur les matri es

Somme de matri es. Multipliation d'une matrie par un réel
Exemple II.2.1.  Soient A = 2 3 1 et B = −3 1 2 .

1 2 3 1 2 −3

3 1 2 2 −3 1
On a
 
−1 −2 15
2A − 3B =  13 3 −4
0 11 1

Produit de deux matri es arrées

Exemple II.2.2.  Soient A = 2 3
   
1 2 3 1 2 −3
1 et B = −3 1 2 .
3 1 2 2 −3 1
On a
   
1 2 −3 1 2 3
−3 1 2 2 3 1
2 −3 1 3 1 2
       
1 2 3 1 −5 4 1 2 −3 −4 5 −1
AB = 2 3 1 −5 4 1 et BA = −3 1 2  5 −1 −4
3 1 2 4 1 −5 2 −3 1 −1 −4 5

Proposition II.2.3.  Soient A, B ∈ M

n,p (R), C, D ∈ Mp,q (R), E ∈ Mq,r (R) et λ ∈ R. On a :
• (A + B)C = AC + BC, A(C + D) = AC + AD
• A(λC) = (λA)C = λ(AC)
• ACE = (AC)E = A(CE)
• In A = AIp = A
Remarque II.2.4.  Certaines règles relatives aux al uls dans R ne sont pas appli ables au produit matri iel.
• AB n'est, en général, pas égal à BA.
• Les identités remarquables sont, en général, fausses.
• Deux matri es non nulles peuvent avoir un produit nul.
• On ne peut en général pas simplier un même fa teur ommun, même s'il est non nul, dans une égalité omme
AB = AC .
Dénition II.2.5.  Soient A, B ∈ Mn (R). A et B ommutent si AB = BA.
Proposition II.2.6.  Dans M (R), le produit de deux matri es triangulaires supérieures (resp. triangulaires
n
inférieures, diagonales) est une matri e triangulaire supérieure (resp. triangulaire inférieure, diagonale).
En parti ulier, si A = diag(α1 , . . . , αn ) et B = diag(β1 , . . . , βn ), alors AB = diag(α1 β1 , . . . , αn βn ).
Dénition II.2.7.  Soient A ∈ Mn (R) et p ∈ N. On pose
A0 = In et Ap = A × A × · · · × A (p fois)

Proposition II.2.8.  Soient A, B ∈ Mn (R).

• Pour tous p, q ∈ N, on a Ap+q = Ap Aq .
• Si A et B ommutent, alors, pour tout p ∈ N, (AB)p = Ap B p .
Proposition II.2.9.  Soit A ∈ Mn (R) une matri e diagonale, A = diag(α1 , α2 , . . . , αn ). Pour tout p ∈ N,
on a :
Ap = diag(αp1 , αp2 , . . . , αpn ).
Matri es 11
Proposition (formule du binme de Newton) II.2.10.  Soient A, B ∈ M (R). Si A et B
n ommutent,
alors, pour tout p ∈ N, on a :
p   p  
p p
Ap−k B k .
X X
(A + B)p = Ak B p−k =
k k
k=0 k=0

Exemple II.2.11. 
 
2 1 1
Soit A = 0 2 1.
0 0 2
 
0 1 1
On a A = 2I + N ave N = 0 0 1.
  0 0 0
0 0 1
On a N 2 = 0 0 0 et N k = 0 pour tout k > 3.
0 0 0
Comme 2I et N ommutent, la formule du binme de Newton donne :
An = (2I + N )n
n  
X n
= (2I)n−k N k
k
k=0
2  
X n n−k k
= 2 N
k
k=0
n(n − 1) n−2 2
= 2n I + n2n−1 N + 2 N
2
 n
n2n−1 n(n + 3)2n−3

2
soit An =  0 2n n2n−1 .
n
0 0 2

Exemple II.2.12. 
 
2 1 1
Soit A = 1 2 1.
 1 1 2
1 1 1
On a A = I + J ave J = 1 1 1.
1 1 1
On a J k = 3k−1 J pour tout k ∈ N∗ .
Comme I et J ommutent, la formule du binme de Newton donne :
An = (I + J)n
n  
X n n−k k
= I J
k
k=0
n  
X n k−1
=I+ 3 J
k
k=1
n  
!
1 X n k
=I+ 3 −1 J
3 k
k=0
4n − 1
=I+ J
3
 n
4 + 2 4n − 1 4n − 1

1 n
soit A =
n 4 − 1 4n + 2 4n − 1.
3
4n − 1 4n − 1 4n + 2

II.3 Matri es inversibles

Dénition II.3.1.  Soit A ∈ M (R). La matri e A est inversible s'il existe une matri e B ∈ M (R) telle
n n
que
AB = BA = In .
Matri es 12
La matri e B , notée A−1 , est l'inverse de A.
On note GLn (R) l'ensemble des matri es arrées réelles inversibles.
Remarque II.3.2.  Par dénition, si A est une matri e inversible, on a AA−1 = A−1 A = In .
Remarque II.3.3.  Comme le sous-entend la dénition, l'inverse d'une matri e inversible est unique.

Exemple II.3.4.  Soit A =  2

 
1 2 −3
−3 1 .
−3 1 2
On a
   
14 −7 −7 21 42 −63
A2 = −7 14 −7 et A3 =  42 −63 21 .
−7 −7 14 −63 21 42

d'où A3 = 21A.
Montrons par l'absurde que la matri e A n'est pas inversible.
Si A était inversible, alors on aurait A−1 A3 = A−1 (21A), soit A2 = 21I . C'est absurde.
Ainsi A n'est pas inversible.

Exemple II.3.5. 
   
1 2 −3 1
Soient A =  2 −3 1  et X = 1.
−3 1 2 1
On a AX = 0.
Montrons par l'absurde que la matri e A n'est pas inversible.
Si A était inversible, alors on aurait A−1 AX = A−1 0, soit X = 0. C'est absurde.
Ainsi A n'est pas inversible.
Proposition II.3.6.  La matri e identité In est inversible et In−1 = In .
Proposition II.3.7.  Soient A, B, C ∈ Mn (R).
• Si A est inversible, alors A−1 est inversible et (A−1 )−1 = A.
• Si A et B sont inversibles, alors AB est inversible et (AB)−1 = B −1 A−1 .
• Si AB = AC et A est inversible, alors B = C .
Théorème II.3.8.  Soient A, B ∈ Mn (R). Si AB = In , alors A et B sont inversibles et inverses l'une de
l'autre.

Exemple (détermination de l'inverse par polynme annulateur) II.3.9.  Soit A = 2

 
1 2 3
1 2.
3 2 1
On a
   
14 10 10 64 58 72
A2 = 10 9 10 et A3 = 58 49 58
10 10 14 72 58 64

d'où A3 − 3A2 − 14A − 8I = 0.

Il vient
A2 − 3A − 14I A2 − 3A − 14I
   
A = A = I.
8 8
 
−3 4 1
A2 − 3A − 14I 1
Ainsi la matri e A est inversible et A−1 = = 4 −8 4 .
8 8
1 4 −3

II.4 Systèmes linéaires et matri es

Dénition II.4.1.  Soit (S) le système linéaire de n équations à p in onnues


 a1,1 x1 + a1,2 x2 + · · · + a1,p xp = b1
 a2,1 x1 + a2,2 x2 + · · · + a2,p xp = b2

(S) .. .. .. ..


 . . . .
an,1 x1 + an,2 x2 + · · · + an,p xp = bn

Matri es 13
 
b1
 b2 
AS = (ai,j )16i6n ∈ Mn,p (R) est la matri e asso iée au système, B =  .  ∈ Mn,1 (R) la matri e des
 
16j6p  .
. 
bn
 
x1
 x2 
se onds membres et X =   ..  ∈ Mp,1 (R) la matri e des in onnues.

 . 
xp
L'é riture matri ielle du système (S) est AS X = B .
Le système est dit homogène si B = 0. Le système homogène asso ié à (S), noté (S0 ), est le système obtenu à
partir de (S) en remplaçant B par 0.
Le système est ompatible s'il existe au moins une solution.
Remarque II.4.2.  Un système homogène admet toujours au moins le p-uplet (0, 0, . . . , 0) pour solution.
Dénition II.4.3.  Soient (S) un système de n équations à n in onnues. Le système (S) est dit de Cramer
s'il admet une unique solution.
Théorème II.4.4.  Soient (S) un système de n équations à n in onnues et AS sa matri e asso iée. Le
système (S) est de Cramer si, et seulement si, la matri e AS est inversible.
Dans e as, l'unique solution du système est X = A−1 S B.
Exemple II.4.5.  Considérons le système linéaire

 x + 2y + 3z − 3
2x + y + 2z = 2
3x + 2y + z = −1


L'é riture matri ielle du système est AX = B ave

  
1 2 3 −3
A = 2 1 2 et B= 2 
3 2 1 −1
La matri e A étant inversible, le système est de Cramer et admet don une unique solution X donnée par
    
−3 4 1 −3 2
1
X = A−1 B =  4 −8 4   2  = −4
8
1 4 −3 −1 1
Ainsi S = {(2; −4; 1)}.

Exemple II.4.6. 
   
1 2 −3 1
Soient A =  2 −3 1  et X = 1.
−3 1 2 1
On a AX = 0.
Montrons que la matri e A n'est pas inversible.
Si A était inversible, alors le système AX = 0 serait de Cramer et admettrait 0 pour unique solution. Or X est
une solution non nulle de e système.
Ainsi A n'est pas inversible.
Proposition II.4.7.  Soit A ∈ Mn (R) une matri e triangulaire (supérieure ou inférieure). A est inversible
si, et seulement si, ses éléments diagonaux sont tous non nuls.
Corollaire II.4.8.  Soit A ∈ Mn (R) une matri e diagonale. A est inversible si, et seulement si, ses éléments
diagonaux sont tous non nuls.  
1 1 1
En parti ulier, si A = diag(α1 , α2 , . . . , αn ) est inversible, alors A−1 = diag , ,..., .
Remarque II.4.9.  Pour déterminer si une matri e A ∈ M (R) est inversible, il sut de montrer que le
α1 α2 αn
n
système AX = 0 est de Cramer, son unique solution étant la matri e olonne nulle.
Pour al uler l'inverse de A, il faut résoudre le système AX = Y . L'unique solution étant X = A−1 Y , on obtient
A−1 .
Dénition II.4.10.  Soit A ∈ Mn,p (R) une matri e. On note L1 , L2 , . . . , Ln ses n lignes. On appelle
opération élémentaire l'une des trois opérations :
• la permutation les lignes Li et Lj , opération notée Li ←→ Lj ;
• le rempla ement de la ligne Li par λLi où λ ∈ R∗ , opération notée Li ←− λLi ;
• le rempla ement de la ligne Li par Li + Lj , j 6= i, opération notée Li ←− Li + Lj .
Matri es 14
Théorème (méthode du pivot de Gauss) II.4.11.  Soit A ∈ M (R). La matri e A peut être transformée
n
en une matri e triangulaire supérieure après un nombre ni d'opérations élémentaires.
Proposition II.4.12.  Soit A ∈ M (R). La matri e A est inversible si, et seulement si, elle peut être
n
transformée en la matri e identité In après un nombre ni d'opérations élémentaires.

Exemple II.4.13. 
 
1 2 3
Soit A = 2 1 2.
3 2 1
Appliquons l'algorithme du pivot de Gauss.
   
1 2 3 1 0 0
2 1 2 0 1 0
3 2 1 0 0 1
   
1 2 3 1 0 0
0 3 4 2 −1 0 L2 ← 2L1 − L2
0 4 8 3 0 −1 L3 ← 3L1 − L3
   
1 2 3 1 0 0
0 3 4 2 −1 0
0 0 8 1 4 −3 L3 ← 3L3 − 4L2
La matri e A a été transformée en une matri e triangulaire supérieure ne omportant pas de zéro sur la diagonale.
A est don inversible.
Poursuivons l'algorithme.
   
8 16 0 5 −12 9 L1 ← 8L1 − 3L3
0 6 0 3 −6 3 L2 ← 2L2 − L3
0 0 8 1 4 −3
   
24 0 0 −9 12 3 L1 ← 3L1 − 8L2
0 6 0 3 −6 3 
0 0 8 1 4 −3
3 1 1 1
 
  − 8 2 8 
L1 ←
24
L1
1 0 0
 1 1  1
 
0 1 0 −1 L2 ← L2
 2 2  6
 
0 0 1  1 1 3 1
− L3 ← L3
8 2 8 8
 
−3 4 1
1
Ainsi A−1 = 4 −8 4 .
8
1 4 −3

Exemple II.4.14. 
 
1 2 −3
Soit A =  2 −3 1 .
−3 1 2
Appliquons l'algorithme du pivot de Gauss.
   
1 2 −3 1 0 0
2 −3 1  0 1 0
−3 1 2 0 0 1
   
1 2 −3 1 0 0
0 7 −7 2 −1 0 L2 ← 2L1 − L2
0 7 −7 3 0 1 L3 ← 3L1 + L3
   
1 2 −3 1 0 0
0 7 −7 2 −1 0
0 0 0 1 1 1 L3 ← L3 − L2
La matri e A a été transformée en une matri e triangulaire supérieure omportant un zéro sur la diagonale. A
n'est don pas inversible.
Chapitre III
Fon tions numériques

III.1 Fon tions ontinues sur un intervalle

III.1.1 Théorème des valeurs intermédiaires
Théorème (des valeurs intermédiaires) III.1.1.  Soient I un intervalle de R, f : I −→ R une fon tion
ontinue et a, b ∈ I , a < b. Pour tout γ ompris entre f (a) et f (b), il existe c ∈ [a, b] tel que f (c) = γ .
Corollaire III.1.2.  Soient I un intervalle de R et f : I −→ R une fon tion ontinue. Alors f (I) est un
intervalle.
III.1.2 Fon tions ontinues sur un segment
Théorème III.1.3.  Soient I = [a, b] un segment de R et f : I −→ R une fon tion ontinue. La fon tion f
est bornée et atteint ses bornes sur I .
Proposition III.1.4.  Soient I = [a, b] un segment de R et f : I −→ R une fon tion ontinue. Il existe
x , x ∈ I tels que f (x ) = m = min{f (x); x ∈ I} et f (x ) = M = max{f (x); x ∈ I} et f (I) = [m, M ].
Corollaire III.1.5.  L'image d'un segment par une fon tion ontinue est un segment.
0 1 0 1

III.1.3 Fon tions ontinues stri tement monotones sur un intervalle

Dénition III.1.6.  Soient I, J deux intervalles de R et f : I −→ R une fon tion. On dit que f réalise une
bije tion de I sur J si f (I) = J et si tout élément de J possède un unique anté édent appartenant à I .
La fon tion ré iproque de f , notée f −1 , est à la fon tion qui, à tout élément de J , asso ie son unique anté édent
appartenant à I .
On a :
∀x ∈ I, ∀y ∈ J, x = f −1 (y) ⇐⇒ f (x) = y

Théorème (de la bije tion) III.1.7.  Soient I un intervalle de R et f : I −→ R une fon tion ontinue
stri tement monotone.
Alors f réalise une bije tion de I sur J = f (I). De plus, la bije tion ré iproque f −1 : J −→ I est ontinue et
stri tement monotone, ave la même monotonie que f .
Remarque III.1.8.  Dans un repère orthonormé, les ourbes représentatives de f et de f −1 sont symétriques
par rapport à la droite d'équation y = x.
Remarque III.1.9.  Soient I un intervalle de R, f : I −→ R une fon tion ontinue et γ ∈ f (I).
Le théorème des valeurs intermédiaires assure l'existen e d'une solution de l'équation f (x) = γ .
Si la fon tion f est de plus stri tement monotone sur I , le théorème de la bije tion garantit non seulement
l'existen e mais aussi l'uni ité de ette solution.
Remarque III.1.10.  Si f est ontinue sur I , alors J = f (I) n'a pas né essairement les mêmes propriétés
que I (ouvert ou fermé, borné ou non borné) sauf si I est un segment. Mais si f est stri tement monotone, le
ara tère ouvert, semi-ouvert ou fermé est onservé.
Exemple (appli
1
ation à l'étude de suites impli ites) III.1.11.  Soit f la fon tion dénie sur R∗+ par
f (x) = x2 − .
x
La fon tion f est stri tement roissante sur R∗+ .
Fon tions numériques 16
La fon tion f est dérivable sur R∗+ omme quotient déni de fon tions dérivables.
1
Pour tout x ∈ R∗+ , on a f ′ (x) = 2x + 2 > 0.
x
De plus, on a lim+ f (x) = −∞ et lim f (x) = +∞.
x→0 x→+∞

x 0 +∞

f ′ (x) +
+∞
f (x)
−∞

1
Pour tout n ∈ N∗ , l'équation f (x) = (resp. f (x) = n) admet, dans R∗+ , une unique solution αn (resp. βn ).
n
Continue ( ar dérivable) et stri tement roissante sur R∗+ , la fon tion f réalise une bije tion de R∗+
sur f (R∗+ ) = R.
1 1
En parti ulier, omme ∈ R (resp. n ∈ R) pour tout n ∈ N∗ , l'équation f (x) = (resp. f (x) = n)
n n
admet une unique solution αn (resp. βn ).
Les suites (αn )n∈N∗ et (βn )n∈N∗ sont dé roissante et roissante respe tivement.
Pour tout n ∈ N∗ , on a :
1 1 1
f (αn+1 ) − f (αn ) = − =− 60
n+1 n n(n + 1)
soit : f (αn+1 ) 6 f (αn ).
La fon tion f étant roissante, il vient : αn+1 6 αn .
Ainsi, la suite (αn )n∈N∗ est dé roissante.
On montrerait de même que la suite (βn )n∈N∗ est roissante.
Pour tout n ∈ N∗ , on a :
1 √
1 6 αn 6 1 + et βn > n
n
Pour tout n ∈ N∗ , on a :
1 1
f (αn ) − f (1) = −0= >0
n n
et
   2
1 1 1 1
f 1+ − f (αn ) = 1 + − −
n n 1 n
1+
n
2n2 + 2n + 1
=
n2 (n + 1)
>0

d'où :
 
1
f (1) 6 f (αn ) 6 f 1 +
n
De même, pour tout n ∈ N∗ , on a :
√ √ 2
 
1 1
f (βn ) − f ( n) = n − n −√ = √ >0
n n
√
soit : f (βn ) > f ( n).
La fon tion f étant roissante, il vient :
1 √
1 6 αn 6 1 + et βn > n
n
Déterminons la limite des suites (αn )n∈N∗ et (βn )n∈N∗ .
 
1
Comme lim 1+ = 1, on déduit du théorème d'en adrement que lim αn = 1.
n→+∞
√ n n→+∞
Comme lim n = +∞, il vient lim βn = +∞.
n→+∞ n→+∞
Fon tions numériques 17
Retrouvons le résultat pré édent en onsidérant la bije tion ré iproque f −1 sur l'intervalle [1, +∞[.
Comme f (1) = 0, on déduit de e qui pré ède que f réalise une bije tion de [1, +∞[ sur [0, +∞[.
Par ailleurs, d'après le théorème de la bije tion, la fon tion f −1 est ontinue et stri tement roissante
sur [0, +∞[.

y 0 +∞
+∞
f −1 (y)
1
 
1
Par ontinuité de f −1 en 0, on a : lim αn = lim f −1 = f −1 (0) = 1.
n→+∞ n→+∞ n
De même, on a lim βn = lim f −1 (n) = lim f −1 (y) = +∞.
n→+∞ n→+∞ y→+∞

Exemple (appli ation à l'étude de suites impli ites) III.1.12.  Pour tout n ∈ N, n > 2, soit f n la
fon tion dénie sur R+ par fn (x) = xn − nx + 1.
La fon tion fn est stri tement dé roissante sur [0, 1] et stri tement roissante sur [1, +∞[.
La fon tion fn est dérivable sur R+ omme fon tion polynme.
Pour tout x ∈ R+ , on a : fn′ (x) = n(xn−1 − 1).
Pour tout x ∈ [0, 1], on a fn′ (x) 6 0 et, pour tout x ∈ [1, +∞[, fn′ (x) > 0.
De plus, on a lim fn (x) = +∞.
x→+∞

x 0 1 +∞

f ′ (x) − 0 +
1 +∞
f (x)
2−n

Pour tout n ∈ N, n > 2, l'équation fn (x) = 0 admet, sur R+ , une unique solution αn ∈ [0, 1] et une unique
solution βn ∈ [1, +∞[.
Continue ( ar dérivable) et stri tement dé roissante sur [0, 1], la fon tion fn réalise une bije tion de
[0, 1] sur fn ([0, 1]) = [2 − n, 1].
En parti ulier, omme 0 ∈ [2 − n, 1] pour tout n ∈ N, n > 2, l'équation fn (x) = 0 admet une unique
solution αn ∈ [0, 1].
Continue ( ar dérivable) et stri tement roissante sur [1, +∞[, la fon tion fn réalise une bije tion de
[1, +∞[ sur fn ([1 + ∞[) = [2 − n, +∞[.
En parti ulier, omme 0 ∈ [2 − n, +∞[ pour tout n ∈ N, n > 2, l'équation fn (x) = 0 admet une
unique solution βn ∈ [1, +∞[.
Notons que α2 = β2 = 1.
Étudions les suites (αn )n>2 et (βn )n>2 .
La suite (αn )n>2 est dé roissante.
Pour tout x ∈ [0, 1], on a : fn+1 (x) − fn (x) = xn (x − 1) − x 6 0.
D'où : fn+1 (αn+1 ) 6 fn (αn+1 ).
Or, fn+1 (αn+1 ) = fn (αn ) = 0, don fn (αn ) 6 fn+1 (αn+1 ).
Comme αn , αn+1 ∈ [0, 1], il vient, par dé roissan e de fn sur [0, 1] : αn > αn+1 .
Ainsi la suite (αn )n>2 est dé roissante.
Dé roissante et minorée par 0, la suite (αn )n>2 onverge d'après le théorème de la limite monotone.
1 2
Pour tout n ∈ N, n > 2, on a : 6 αn 6 .
n n
Pour tout n ∈ N, n > 2, on a
   n    n
1 1 2 2
fn = > 0 et fn = −160
n n n n
   
1 2
Ainsi fn > fn (αn ) > fn .
n n
1 2 1 2
Comme, pour tout n > 2, αn , , ∈ [0, 1], il vient, par dé roissan e de fn sur [0, 1] : 6 αn 6 .
n n n n
Fon tions numériques 18
On en déduit que lim αn = 0.
n→+∞
1 2
Comme lim = lim = 0, on déduit du théorème d'en adrement que lim αn = 0.
n→+∞ n n→+∞ n n→+∞
Pour tout n ∈ N, n > 2, on a βn ∈ [1, 2].
Pour tout n ∈ N, n > 2, on a 2n−1 > n (exemple II.1.3).
On en déduit que fn (2) = 2n − 2n + 1 = 2(2n−1 − n) + 1 > 1 > 0.
D'où : fn (1) 6 fn (βn ) 6 fn (2).
Comme, pour tout n > 2, βn ∈ [1, +∞[, il vient, par roissan e de fn sur [1, +∞[ : 1 6 βn 6 2.
On en déduit que lim βn = 1.
n→+∞
De fn (βn ) = 0, on déduit βnn = nβn − 1.
Par suite, omme, pour tout n ∈ N, n > 2, βn ∈ [1, 2], il vient : 1 6 βn 6 (2n − 1) n .
1

Comme lim (2n − 1) n = 1, il vient lim βn = 1 d'après le théorème d'en adrement.

1

n→+∞ n→+∞

III.2 Fon tions monotones et limites

Dénition III.2.1.  Soit f une fon tion dénie sur un intervalle I .
La fon tion f est dite majorée s'il existe existe un réel M , appelé majorant, tel que f (x) 6 M pour tout x ∈ I .
La fon tion f est dite minorée s'il existe existe un réel m, appelé minorant, tel que f (x) > m pour tout x ∈ I .
La fon tion f est dite bornée si elle est majorée et minorée.
Théorème III.2.2.  Soit f une fon tion dénie sur un intervalle I =]a; b[.
Si f est roissante et majorée (resp. minorée), alors f admet une limite nie en b (resp. en a).
Si f est dé roissante et minorée (resp. majorée), alors f admet une limite nie en b (resp. en a).
Remarque III.2.3.  Un majorant ou un minorant de la fon tion n'est pas né essairement sa limite.
Corollaire III.2.4.  Soit f une fon tion dénie sur un intervalle I =]a, b[.
Si f est monotone et bornée, alors f admet une limite nie en a et en b.

III.3 Inégalité des a roissements nis

Théorème (inégalité des a roissements nis) III.3.1.  Soit f une fon tion dérivable sur un intervalle
I = [a, b], a < b. On suppose qu'il existe des réels m et M tels que
∀x ∈ [a, b], m 6 f ′ (x) 6 M
Alors on a :
m(b − a) 6 f (b) − f (a) 6 M (b − a).

Corollaire III.3.2.  Soit f une fon tion dérivable sur un intervalle I .On suppose qu'il existe k ∈ R ∗
+ tel que
′
∀x ∈ I, |f (x)| 6 k
Alors on a :
∀a, b ∈ I, |f (b) − f (a)| 6 k|b − a|

Exemple III.3.3.  Soient f la fon tion dénie sur R ∗

+ par f (x) = 1 +
1
x
et (un )n∈N la suite dénie par
u0 = 1 et la relation de ré urren e un+1 = f (un ).
La fon tion f est stri tement dé roissante sur R∗+ .
La fon tion f est dérivable sur R∗+ .
1
Pour tout x ∈ R∗+ , on a : f ′ (x) = − 2 < 0.
x
De plus, on a lim+ f (x) = +∞ et lim f (x) = 1.
x→0 x→+∞

x 0 +∞

f ′ (x) −
+∞
f (x)
1
Fon tions numériques 19
 
3
L'intervalle I = , 2 est stable par f , autrement dit f (I) ⊂ I .
2
Soit x ∈ I .
3
On a : 6 x 6 2.
2
La fon tion f étant dé roissante sur I , on a :
 
5 3 3
2> =f > f (x) > f (2) =
3 2 2
Ainsi f (x) ∈ I .
√
1+ 5
La fon tion f admet ϕ = pour unique point xe.
2
On a :
1
f (x) = x ⇐⇒ 1 + =x
x
⇐⇒ x2 − x − 1 = 0
√ √
1+ 5 1− 5
⇐⇒ x = ou x =
2 2
Comme f est dénie sur R∗+ , on en déduit que ϕ est l'unique point xe de f .
4
Pour tout x ∈ I , on a |f ′ (x)| 6 .
9
Pour tout x ∈ I , on a su essivement :
3
6x62
 22
9 3
= 6 x2 6 22 = 4
4 2
4 1 1
> 2 >
9 x 4
4 1 1
− 6− 2 6− .
9 x 4
4 4
d'où : − 6 f ′ (x) 6 .
9 9
4
Soit : |f ′ (x)| 6 .
9
Pour tout n ∈ N∗ , on a un ∈ I .
Montrons le résultat par ré urren e.
Soit Pn la propriété  un ∈ I .
Initialisation.  Pour n = 1, on a u1 = f (u0 ) = f (1) = 2 ∈ I . Ainsi la propriété P1 est vraie.
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
On a : un ∈ I .
Comme l'intervalle I est stable par f , on a f (un ) ∈ I , soit un+1 ∈ I .
Ainsi la propriété Pn+1 est vraie.
D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N∗ .
4
Pour tout n ∈ N∗ , on a : |un+1 − ϕ| 6 |un − ϕ| .
9
4
La fon tion f est dérivable sur I ave , pour tout x ∈ I , |f ′ (x)| 6 .
9
L'inégalité des a roissements nis appliquée à un et ϕ appartenant à I donne :
4
|f (un ) − f (ϕ)| 6 |un − ϕ|
9
Or, f (un ) = un+1 et f (ϕ) = ϕ, d'où
4
|un+1 − ϕ| 6 |un − ϕ|
9
Fon tions numériques 20
 n−1
4
On en déduit que, pour tout n ∈ N∗ , |un − ϕ| 6 |u1 − ϕ|.
9
Montrons le résultat par ré urren e. 
n−1
4
Soit Pn la propriété  |un − ϕ| 6 |u1 − ϕ| .
9
 0
4
Initialisation.  Pour n = 1, on a |u1 − ϕ| = |u1 − ϕ|. Ainsi la propriété P1 est vraie.
9
Hérédité.  Supposons la propriété Pn vraie à un rang n xé.
 n−1
4
On a : |un − ϕ| 6 |u1 − ϕ|.
9
Alors|un+1 − ϕ|, don
4
|un+1 − ϕ| 6 |un − ϕ|
9
 n−1
4 4
6 × |u1 − α|
9 9
 n
4
= |u1 − ϕ|
9

Ainsi, la propriété Pn+1 est vraie.

D'après le prin ipe de ré urren e, la propriété Pn est vraie pour tout n ∈ N∗ .
La suite (un )n∈N onverge vers ϕ.
 n−1
4 4
Comme ∈] − 1, 1[, on a lim = 0.
9 n→+∞ 9
D'après le théorème d'en adrement, il vient : lim |un − ϕ| = 0.
n→+∞
Ainsi lim un = ϕ : la suite (un )n∈N onverge vers ϕ.
n→+∞
Chapitre IV
Séries numériques

IV.1 Dénitions et propriétés

Dénition IV.1.1.  Soit (u )
n
n n∈N une suite de nombres réels. La série de terme général un est la suite
(Sn )n∈N dénie par Sn = uk .
P
k=0
Pour tout n ∈ N, un est le terme d'indi e n et Sn est la somme partielle d'indi e n.
Dénition IV.1.2.  La série P u n est onvergente (resp. divergente) si la suite (Sn )n∈N est onvergente
(resp. divergente).
+∞
Si la série un est onvergente, on note S = un sa limite, somme de la série.
P P

Proposition IV.1.3.  P n=0

Soient un et vn deux séries onvergentes et λ ∈ R.
P
Les séries (un + vn ) et λun sont onvergentes et
P P

+∞ +∞ +∞ +∞ +∞
et
X X X X X
(un + vn ) = un + vn λun = λ un
n=0 n=0 n=0 n=0 n=0

IV.2 Convergen e absolue

DénitionP IV.2.1.  Soit (u ) une suite de nombres réels. La série u est absolument onvergente si
n n∈N
P
n
la série |u | est onvergente.
Théorème IV.2.2.  Soit (u ) une suite de nombres réels. Si la série P u est absolument onvergente,
n

n n∈N n
alors elle est onvergente.
Remarque IV.2.3.  La ré iproque du théorème IV.2.2 est fausse.
Théorème IV.2.4.  Soit (u ) une suite de nombres réels telle que la série P u est absolument onver-
n n∈N n
gente. Alors on ne modie pas la somme de la série en hangeant l'ordre de ses termes.

IV.3 Séries de référen e

Proposition (série géométrique) IV.3.1.  Soit q ∈ R. La série de terme général q n
onverge si, et
seulement si, |q| < 1 auquel as
+∞
1
.
X
qn =
n=0
1−q

Exemple IV.3.2.  On a :
+∞  n +∞  n
X 3 X 3 1 5
2 − =2 − =2× =
5 5 3 4
n=0 n=0 1+
5
Séries numériques 22
Proposition (séries géométriques dérivées) IV.3.3.  Soit q ∈ R, |q| < 1. Les séries de termes généraux
nq n−1 et n(n − 1)q n−2 sont onvergentes et
+∞ +∞
1 2
.
X X
nq n−1 = n(n − 1)q n−2 =
n=1
(1 − q)2 n=2
(1 − q)3

Exemple IV.3.4.  On a :
+∞  n +∞  n−1
X 3 3X 3
n − =− n −
n=1
5 5 n=1 5
3 1
=− × 2
5 3
1+
5
15
=−
64
et
+∞  n X+∞  n
X
2 3 3
n − = (n(n − 1) + n) −
n=1
5 n=1
5
+∞  n X +∞  n
X 3 3
= n(n − 1) − + n −
n=2
5 n=1
5
 +∞
2 X  n−2
3 3 15
= − n(n − 1) − −
5 n=2 5 64
9 2 15
= × 3 −
25 3 64
1+
5
15
=−
256

Théorème (série exponentielle) IV.3.5.  Pour tout x ∈ R, la série P xn! est n

onvergente et
+∞ n
x
.
X
ex =
n=0
n!

Exemple IV.3.6.  On a :
+∞ n
X 3
= e3
n=0
n!

et
+∞ +∞
X 3n X 3n
n =
n=1
n! n=1
(n − 1)!
+∞ k+1
X 3
=
k!
k=0
+∞
X 3k
=3
k!
k=0
3
= 3e
Chapitre V
Variables aléatoires dis rètes infinies

Sans soulever la moindre di ulté théorique, nous étendons les dénitions et les propriétés des espa es proba-
bilisés nis et des variables aléatoires dis rètes nies au as dis ret inni dénombrable.

V.1 Loi de probabilité

Dénition V.1.1.  Soit (Ω, P(Ω)) un espa e probabilisable. Une variable aléatoire sur (Ω, P(Ω)) est une
appli ation X de Ω à valeurs dans R telle que
∀x ∈ R, {ω ∈ Ω; X(ω) 6 x} ∈ P(Ω)

Dénition V.1.2.  Soit X une variable aléatoire


réelle sur un espa e probabilisé (Ω, P(Ω), P). L'appli ation
R −→ R
FX :
x 7−→ P(X 6 x)
est la fon tion de répartition de X .
Dénition V.1.3.  Soit X une variable aléatoire réelle sur un espa e probabilisé (Ω, P(Ω), P). La loi de
probabilité (ou distribution) de X est l'appli ation

X(Ω) −→ R
PX : .
x 7−→ P(X = x)
Autrement dit, la loi de probabilité de X est la donnée de X(Ω) = {xk ; k ∈ N} et des probabilités pk = P(X = xk )
pour tout k ∈ N.
Exemple V.1.4.  La situation i-dessous sera onsidérée pour les exemples suivants.
Une urne ontient 3 boules blan hes et 2 boules noires. On ee tue une innité de tirages d'une boule ave
remise.
On note X la variable aléatoire égale au numéro du tirage où, pour la première fois, la ouleur de la boule est
diérente de elle du tirage pré édent.
Il faut ee tuer au moins 2 tirages, don X(Ω) = N \ {0, 1}.
Considérons les événements
Bk  tirer une boule blan he au k -ième tirage  ;
Nk  tirer une boule noire au k -ième tirage .
Pour tout k ∈ X(Ω), l'événement (X = k) signie que des boules d'une même ouleur ont été tirées lors des
k − 1 premiers tirages, une boule d'une ouleur diérente ayant été tirée au k -ième tirage. Ainsi, on a
(X = k) = (B1 ∩ B2 ∩ · · · ∩ Bk−1 ∩ Nk ) ∪ (N1 ∩ N2 ∩ · · · ∩ Nk−1 ∩ Bk ).
Par in ompatibilité des événements B1 ∩ B2 ∩ · · · ∩ Bk−1 ∩ Nk et N1 ∩ N2 ∩ · · · ∩ Nk−1 ∩ Bk et indépendan e
des tirages, il vient :
P(X = k) = P(B1 ∩ B2 ∩ · · · ∩ Bk−1 ∩ Nk ) + P(N1 ∩ N2 ∩ · · · ∩ Nk−1 ∩ Bk )
= P(B1 )P(B2 ) · · · P(Bk−1 )P(Nk ) + P(N1 )P(N2 ) · · · P(Nk−1 )P(Bk )
 k−1  k−1
2 3 3 2
= +
5 5 5 5
Variables aléatoires dis rètes infinies 24
Proposition V.1.5.  Soit X une variable aléatoire réelle sur un espa e probabilisé ni (Ω, P(Ω), P). Si X
est une variable aléatoire dis rète innie telle que X(Ω) = {xk ; k ∈ N}, on a :
+∞
P(X = xk ) = 1.
X

k=1

Exemple V.1.6.  On a
+∞ +∞  k−1 +∞  k−1
X 2X 3 3X 2
P(X = k) = +
5 5 5 5
k=2 k=2 k=2
2 3 1 3 2 1
= × × + × ×
5 5 3 5 5 2
1− 1−
5 5
=1

V.2 Espéran e. Varian e

Dénition V.2.1.  Soit X une variable aléatoire réelle dis rète innie sur un espa e probabilisé (Ω, P(Ω), P)
ave X(Ω) = {xk ; k ∈ N}. Si la série de terme général xk P(X = xk ) onverge absolument, on dit que X admet
une espéran e mathématique (ou simplement espéran e) égale au réel
+∞
xk P(X = xk ).
X
E(X) =
k=0

Exemple V.2.2.  Sous réserve de onvergen e, on a

+∞
X
E(X) = kP(X = k)
k=2
+∞  k−1 +∞  k−1
2 X 3 3X 2
= k + k
5 5 5 5
k=2 k=2
+∞  k−1
! +∞  k−1
!
2 X 3 3 X 2
= k −1 + k −1
5 5 5 5
k=1 k=1
   

2 1  3 1 
= 2 − 1 +   2 − 1
   
5  5

3 2 
1− 1−
5 5
19
=
6
Remarque V.2.3.  Une variable aléatoire réelle innie peut ne pas admettre d'espéran e.
Proposition (linéarité) V.2.4.  Soient X et Y deux variables aléatoires réelles dis rètes sur un espa e
probabilisé (Ω, P(Ω), P), admettant une espéran e, et λ ∈ R. Alors X + Y et λX sont des variables réelles
dis rètes qui admettent une espéran e et
E(X + Y ) = E(X) + E(Y ) et E(λX) = λE(X).
Corollaire V.2.5.  Soient X une variable aléatoire réelle dis rète sur un espa e probabilisé (Ω, P(Ω), P),
admettant une espéran e, et a, b ∈ R. Alors aX + b est une variable réelle dis rète qui admet une espéran e et
E(aX + b) = aE(X) + b.
Dénition V.2.6.  Toute variable aléatoire réelle dis rète admettant une espéran e nulle est dite entrée.
Théorème (de transfert) V.2.7.  Soient X une variable aléatoire réelle dis rète sur un espa e probabilisé
(Ω, P(Ω), P) ave X(Ω) = {xk ; k ∈ N} et g : X(Ω) −→ R une appli ation. La variable aléatoire g(X) admet une
espéran e si, et seulement si, la série de terme général g(xk )P(X = xk ) est absolument onvergente ; on a alors
+∞
g(xk )P(X = xk ).
X
E(g(X)) =
k=0
Variables aléatoires dis rètes infinies 25
Dénition V.2.8.  Soit X une variable aléatoire réelle dis rète sur un espa e probabilisé (Ω, P(Ω), P) ad-
mettant une espéran e et telle que la variable aléatoire (X − E(X))2 admet une espéran e. La varian e de X ,
notée V(X), est le réel
V(X) = E (X − E(X))2 .

Proposition (formule de K÷nig -Huygens ) V.2.9. 

1 2 Soit X une variable aléatoire réelle dis rète sur
un espa e probabilisé (Ω, P(Ω), P). La variable aléatoire X admet une varian e si, et seulement si, X 2 admet
une espéran e ; on a alors :
V(X) = E(X 2 ) − E(X)2 .

Remarque V.2.10.  Pour al uler E(X ), il peut être plus pratique d'é rire E(X ) = E(X(X − 1)) + E(X)
2 2

(par linéarité de l'espéran e) puis de al uler E(X(X − 1)) en appliquant le théorème de transfert.
Exemple V.2.11.  Sous réserve de onvergen e, d'après le théorème de transfert, on a
+∞
X
E(X(X − 1)) = k(k − 1)P(X = k)
k=2
+∞  k−1 +∞  k−1
2 X 3 3X 2
= k(k − 1) + k(k − 1)
5 5 5 5
k=2 k=2
2 3 2 3 2 2
= × × 3 + × ×  3
5 5 3 5 5 2
1− 1−
5 5
175
=
18
D'après la formule de K÷nig-Huygens et par linéarité de l'espéran e, on a
V(X) = E(X 2 ) − E(X)2
= E(X(X − 1)) + E(X) − E(X)2
 2
175 19 19
= + −
18 6 6
103
=
36

Proposition V.2.12.  Pour toute variable aléatoire réelle dis rète X sur un espa e probabilisé (Ω, P(Ω), P)
admettant une varian e, on a V(X) > 0.
De plus, V(X) = 0 si, et seulement si, X est presque sûrement onstante.
Proposition V.2.13.  Soient X une variable aléatoire réelle dis rète sur un espa e probabilisé (Ω, P(Ω), P),
admettant une varian e, et a, b ∈ R. Alors la variable aléatoire aX + b admet une varian e et
V(aX + b) = a2 V(X).

Dénition V.2.14.  Soit X une variable aléatoire réelle pdis rète sur un espa e probabilisé (Ω, P(Ω), P),
admettant une varian e. L'é art-type de X est le réel σ(X) = V(X).
Proposition V.2.15.  Soient X une variable aléatoire réelle dis rète sur un espa e probabilisé (Ω, P(Ω), P)
et a, b ∈ R. Alors on a
σ(aX + b) = |a|σ(X).

1. Samuel K÷nig, Büdingen 1712 - Zuilenstein 1757

2. Christiaan Huygens, La Haye 1629 - La Haye 1695
Chapitre VI
Lois usuelles dis rètes infinies

VI.1 Loi géométrique

S héma théorique
Considérons une expérien e aléatoire se déroulant en une innité d'épreuves mutuellement indépendantes.
Chaque épreuve a deux issues, à savoir : su ès ave une probabilité p, é he ave une probabilité q = 1 − p.
Soit X la variable aléatoire égale au nombre d'épreuves né essaires pour obtenir le premier su ès. Si toutes les
épreuves ne donnent que des é he s, on pose X = 0.
On a alors X(Ω) = N et
∀k ∈ N∗ , P(X = k) = p(1 − p)k−1 = pq k−1
En eet, on a (X = k) = S1 ∩ S2 ∩ . . . ∩ Sk−1 ∩ Sk où, pour i ∈ N∗ , Si est l'événement  la i-ième épreuve est
un su ès .
Pour tout i ∈ N∗ , on a :
P(Si ) = p et P(Si ) = 1 − p = q
Par indépendan e des événements, il vient :




P(X = k) = P S1 P S2 · · · P Sk−1 P(Sk ) = p(1 − p)k−1 = pq k−1
On en déduit :
+∞
X +∞
X
P(X = k) = pq k−1 = 1
k=1 k=1

+∞
Comme (X = 0) = (X = k), il vient P(X = 0) = 0.
S
k=1
Ainsi, en négligeant l'événement (X = 0) qui est de probabilité nulle, on peut onsidérer que la variable aléatoire
X est à valeurs dans N∗ .
Dénition VI.1.1.  Soit p ∈]0, 1[. Une variable aléatoire X dénie sur un espa e probabilisé (Ω, P(Ω), P)
suit la loi géométrique de paramètre p si X(Ω) = N∗ et
∀k ∈ N∗ , P(X = k) = p(1 − p)k−1 = pq k−1
 X suit la loi géométrique de paramètre p  se note X ֒→ G(p).
Remarque VI.1.2.  La loi géométrique est la loi d'attente du premier su ès au ours d'une innité
d'épreuves de Bernoulli indépendantes et identiques.
Exemple (situation type) VI.1.3.  On onsidère une urne ontenant un nombre ni de boules blan hes
et de boules noires supposées indis ernables au tou her, la proportion de boules blan hes étant p.
Considérons l'expérien e onsistant à ee tuer une innité de tirages ave remise après haque épreuve.
On note X la variable aléatoire égale au nombre de tirages né essaires pour obtenir la première boule blan he.
Alors X suit la loi géométrique G(p).
Proposition VI.1.4.  Soit X une variable aléatoire suivant la loi géométrique G(p). Alors X a une espéran e
et une varian e égales à :
1 1−p q
E(X) = et V(X) = = 2.
p p2 p
Lois usuelles dis rètes infinies 27
Exemple VI.1.5.  Une urne ontient 1 boule numérotée 1, 2 boules numérotées 2, 3 boules numérotées 3 et
4 boules numérotées 4.
On ee tue des tirages ave remise d'une boule dans l'urne.
On désigne par X la variable aléatoire égale au rang d'apparition de la première boule numérotée 3.
X est le rang d'apparition du premier su ès ( obtenir le numéro 3 ) au ours d'une innité d'épreuves de
Bernoulli indépendantes et identiques ( tirer une boule de l'urne ave remise ), la probabilité de su ès étant
3
égale à .
10  
3
Ainsi X suit la loi géométrique G .
10
Autrement dit
∗

 X(Ω) = N  k−1
3 7
 ∀k ∈ N∗ , P(X = k) =
10 10
7
10 70
On a E(X) = et V(X) =  102 = .
3 3 9
10

VI.2 Loi de Poisson

Dénition VI.2.1.  Soit λ ∈ R . Une variable aléatoire X dénie sur un espa e probabilisé (Ω, P(Ω), P)
∗
+
suit la loi de Poisson 1 de paramètre λ si X(Ω) = N et
λk
∀k ∈ N, P(X = k) = e−λ
k!
 X suit la loi de Poisson de paramètre λ  se note X ֒→ P(λ).
Proposition VI.2.2.  Soit X une variable aléatoire suivant la loi de Poisson P(λ). Alors X a une espéran e
et une varian e égales à
E(X) = λ et V(X) = λ.

1. Siméon Denis Poisson, Pithiviers 1781 - S eaux 1840

Chapitre VII
Intégrales impropres

VII.1 Dénitions et propriétés

Dénition VII.1.1.  Soit f une fon tion dénie et ontinue sur [a, +∞[. On dit que l'intégrale de f sur
[a, +∞[ est onvergente si la fon tion F dénie sur [a, +∞[ par
Z x
F (x) = f (t)dt
a

admet une limite quand x tend vers Z+∞.

+∞
Si elle existe, ette limite est notée f (t)dt ; 'est l'intégrale impropre (ou généralisée) de f sur [a, +∞[ ;
a
Z +∞
on dit que l'intégrale f (t)dt est onvergente.
a Z +∞
Si ette limite n'existe pas ou est innie, l'intégrale f (t)dt est divergente.
a
Si l'intégrale ne onverge pas, elle est divergente.
Remarque VII.1.2.  On dénit de manière analogue a
Z
f (t)dt si f est une fon tion dénie, ontinue (ou
−∞
ontinue par mor eaux) sur ] − ∞; a].
Exemple VII.1.3.  Étudions la +∞
Z
onvergen e de e−t dt.
0
Soit x > 0. On a
Z x x
e−t dt = −e−t 0 = 1 − e−x

0
Z +∞
Comme lim (1 − e −x
) = 1, on en déduit la onvergen e de l'intégrale et e−t dt = 1.
x→+∞ 0

Exemple VII.1.4. 
Z +∞
ln(t)
Étudions la onvergen e de dt.
1 t
Soit x > 1. On a
x x
(ln(t))2 (ln(x))2

ln(t)
Z
dt = =
1 t 2 1 2
2
(ln(x))
Comme lim = +∞, on en déduit la divergen e l'intégrale.
x→+∞ 2

Exemple (intégrales de Riemann) VII.1.5.  L'intégrale

Z +∞
1
dt onverge si, et seulement si, α > 1.
1 tα
Soit x > 1. x x
1 1
Z Z
Si α = 1, alors dt = dt = [ln(t)]x1 = ln(x).
1 tα 1 t
+∞
1
Z
Comme lim ln(x) = +∞, on en déduit la divergen e de l'intégrale dt.
x→+∞ 1 t
Intégrales impropres 29
x 1−α x
1 x1−α − 1
Z
t
Si α ∈ R \ {1}, alors α
dt = = .
1 t 1−α 1 1−α
Z +∞
x1−α − 1 1 1 1
Si α > 1, alors lim = , d'où la onvergen e de l'intégrale et α
dt = .
x→+∞ 1 − α α−1 t α − 1
1−α Z +∞ 1
x −1 1
Si α < 1, alors lim = +∞, d'où la divergen e de l'intégrale dt.

Proposition (linéarité) VII.1.6. 

x→+∞ 1 − α 1 tα
Z +∞
Soient f et Zg deux fon tions dénies et ontinues sur I = [a; +∞[.
+∞
• Pour tout λ ∈ R∗ , les intégrales λf (t)dt et λ f (t)dt sont de même nature et, en as de onvergen e,
on a a a

Z +∞ Z +∞
λf (t)dt = λ f (t)dt.
a a
Z +∞ Z +∞ Z +∞
• Si les intégrales f (t)dt et g(t)dt sont onvergentes alors l'intégrale (f +g)(t)dt est onvergente
a a a
et on a
Z +∞ Z +∞ Z +∞
(f + g)(t)dt = f (t)dt + g(t)dt.
a a a

Proposition (relation de Chasles)Z VII.1.7. Z Soit f une fon tion dénie et

+∞ +∞
ontinue sur I = [a, +∞[.
Pour tout b ∈ [a; +∞[, les intégrales f (t)dt et f (t)dt sont de même nature et, en as de onvergen e,
on a a b

Z +∞ Z b Z +∞
f (t)dt = f (t)dt + f (t)dt.
a a b

Dénition VII.1.8.  Soient f une fon tion dénie et +∞

Z
ontinue sur R. L'intégrale f (t)dt onverge si,
−∞
Z +∞ Z a
pour tout a ∈ R, les intégrales f (t)dt et f (t)dt onvergent. Alors
a −∞
Z +∞ Z a Z +∞
f (t)dt = f (t)dt + f (t)dt.
−∞ −∞ a
Z +∞
Si (au moins) l'une des deux intégrales diverge, l'intégrale f (t)dt est divergente.

Remarque VII.1.9.  On étend la notion d'intégrale aux fon tions

−∞
ontinues par mor eaux via la relation
de Chasles.

VII.2 Cas des fon tions à valeurs positives

Proposition VII.2.1.  Soient f une fon tion dénie, ontinue
Z x
(ou ontinue par mor eaux) et positive sur
I = [a, +∞[ et F la fon tion dénie sur [a, +∞[ par F (x) = f (t)dt.
Z +∞ a

L'intégrale f (t)dt est onvergente si, et seulement si, la fon tion F est majorée.

Proposition VII.2.2.  Soient f et g deux fon tions dénies,

a
ontinues (ou ontinues par mor eaux) et
positives sur IZ = [a, +∞[ telles que, pour tout x ∈ [a,Z+∞[, f (x) 6 g(x).
+∞ +∞ Z +∞ Z +∞
Si l'intégrale g(t)dt onverge, alors l'intégrale f (t)dt onverge et f (t)dt 6 g(t)dt.
Za+∞ Z a
+∞
a a

Si l'intégrale f (t)dt diverge, alors l'intégrale

g(t)dt diverge
a a

Exemple VII.2.3. 
Z +∞ −t
e
Étudions la onvergen e de l'intégrale dt.
0 t +1
−t −t Z +∞
e e
Pour tout t ∈ R+ , on a 0 6 6 e−t . Comme la fon tion t 7−→ est positive et l'intégrale e−t dt
t+1 t+1 0
Z +∞ −t
e
est onvergente (exemple VII.1.3), on en déduit la onvergen e de l'intégrale dt.
0 t +1
Chapitre VIII
Variables aléatoires réelles à densité

VIII.1 Densité de probabilité

Dénition VIII.1.1.  Une variable aléatoire réelle X admet une densité f si sa fon tion de répartition F
s'é rit sous la forme
Z x
F (x) = f (t)dt
−∞

où f est une fon tion à valeurs réelles positives, ayant un nombre ni de points de dis ontinuité et telle que
Z +∞
f (t)dt = 1.
−∞

On dit alors que X est une variable aléatoire réelle à densité.

Proposition VIII.1.2.  Soient X une variable aléatoire réelle admettant une densité fX et FX sa fon tion
de répartition. Alors FX est ontinue sur R, roissante de 0 à 1, dérivable sauf peut-être en un nombre ni de
points, sa dérivé est ontinue là où elle est dénie.
De plus, si fX est ontinue en x0 ∈ R, alors FX est dérivable en x0 et FX′ (x0 ) = fX (x0 ).
Proposition VIII.1.3.  Soit f : R −→ R une fon tion telle que :
• f (x) > 0 pour tout x ∈ R ;
• f est ontinue
Z sur R, sauf éventuellement Zen un nombre ni de points ;
+∞ +∞
• l'intégrale f (t)dt est onvergente et f (t)dt = 1.
−∞ −∞
Alors f est la densité de probabilité d'une variable aléatoire.
Exemple VIII.1.4.  La fon tion i-dessous sera onsidérée pour les exemples suivants.
Soit f la fon tion dénie sur R par
si x ∈ [0, 1]

6x(1 − x)
f (x) =
0 sinon
La fon tion f est positive sur R.
La fon tion f est ontinue sur R sauf éventuellement en 0 et 1 (f est ontinue en 0 et en 1).
On a
Z +∞ Z 1
f (t)dt = 6t(1 − t)dt = [3t2 − 2t3 ]10 = 1.
−∞ 0

Don f est la densité de probabilité d'une variable aléatoire X .

On a X(Ω) = [0, 1].
Soit FX la fon tion de répartition de X .
Si x 6 0, on a FX (x) = 0. Si x > 1, on a FX (x) = 1.
Si x ∈ [0, 1], on a
Z x Z x
FX (x) = f (t)dt = 6t(1 − t)dt = [3t2 − 2t3 ]x0 = 3x2 − 2x3 .
−∞ 0
Variables aléatoires réelles à densité 31
Ainsi
si x 6 0

 0
FX (x) = 3x2 − 2x3 si x ∈ [0, 1]

1 si x > 1

Proposition VIII.1.5.  Soit F : R −→ R une fon tion telle que :

• F est ontinue sur R ;
• F est dérivable et à dérivée ontinue sur R, sauf éventuellement en un nombre ni de points ;
• F est roissante sur R ;
• lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
Alors F est la fon tion de répartition d'une variable aléatoire à densité.
Remarque VIII.1.6.  Sous les hypothèses de la proposition VIII.1.5, une densité f est donnée, par exemple,
par :
F ′ (x) si F est dérivable en x

f (x) =
0 sinon

Exemple VIII.1.7.  Soit F la fon tion dénie sur R par

si x < 0

0
F (x) = 3x2
− 2x3 si x ∈ [0, 1]

1 si x > 1
La fon tion F est ontinue sur R \ {0; 1}.
On a de plus lim− F (x) = lim+ F (x) = 0 et lim− F (x) = lim+ F (x) = 1.
x→0 x→0 x→1 x→1
Ainsi la fon tion F est ontinue sur R.
La fon tion F est dérivable, de dérivée ontinue sur R sauf éventuellement en 0 et 1.
La fon tion F est roissante sur R.
On a lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
Don F est la fon tion de répartition d'une variable aléatoire à densité X .
Par dérivation, une densité fX est donnée par
si x ∈ [0; 1]

6x(1 − x)
fX (x) =
0 sinon

Proposition VIII.1.8.  Soient X une variable aléatoire réelle admettant une densité fX , FX sa fon tion
de répartition et a,Zb ∈ R, a 6 b. On a :
b
• P(a < X 6 b) = fX (t)dt = FX (b) − FX (a) ;
a
• P(X = a) = 0 ;
• P(a < X < b) = P(a 6 X < b) = P(a 6 X 6 b) = P(a < X 6 b) = FX (b) − FX (a) ;
Z +∞
• P(X > a) = P(X > a) = fX (t)dt = 1 − FX (a) ;
Z ab
• P(X < b) = P(X 6 b) = fX (t)dt = FX (b).

Exemple VIII.1.9.  Soient Y = 3X + 2 et F

−∞
Y sa fon tion de répartition.
On a Y (Ω) = [2, 5].
Si y < 2, alors FY (y) = 0. Si y > 5, alors FY (y) = 1.
Si y ∈ [2, 5], on a :
   
y−2 y−2
FY (y) = P(Y 6 y) = P(3X + 2 6 y) = P X 6 = FX
3 3
Ainsi :
si y < 2

 0
 2 3
y−2 y−2
  
FY (y) = 3 −2 si 2 6 y 6 5
 3 3
si y > 5

1

Variables aléatoires réelles à densité 32
Par dérivation, une densité fY de Y est donnée par
( 2
(y − 2)(5 − y) si 2 6 y 6 5
fY (y) = 9
0 sinon

Exemple VIII.1.10.  Soient Z = X et FZ sa fon tion de répartition.

2

On a Z(Ω) = [0, 1].

Si z < 0, alors FZ (z) = 0. Si z > 1, alors FZ (z) = 1.
Si z ∈ [0, 1], on a :
√ √ √ √ √
FZ (z) = P(Z 6 z) = P(X 2 6 z) = P(− z 6 X 6 z) = FX ( z) − FX (− z) = FX ( z)
Ainsi
si z < 0

 0 √
FZ (z) = 3z − 2z z si z ∈ [0, 1]

1 si z > 1
Par dérivation, une densité fZ de Z est donnée par
√
z) si z ∈ [0, 1]

3(1 −
fZ (z) =
0 sinon

VIII.2 Espéran e. Varian e

Dénition VIII.2.1.  Soit X une variable aléatoire réelle de densité f +∞
Z
X . Si l'intégrale tfX (t)dt
−∞
onverge, on dit que X admet une espéran e mathématique (ou simplement espéran e) égale au réel
Z +∞
E(X) = tfX (t)dt.
−∞

Exemple VIII.2.2.  Sous réserve de onvergen e, on a

+∞ 1  1
3 1
Z Z
E(X) = tf (t)dt = 6t2 (1 − t)dt = 2t3 − t4 = .
−∞ 0 2 0 2

Remarque VIII.2.3.  Une variable aléatoire réelle à densité peut ne pas admettre d'espéran e.
Proposition VIII.2.4.  Soient X une variable aléatoire réelle admettant une espéran e et a, b ∈ R, a 6= 0.
La variable aléatoire réelle aX + b admet une espéran e et
E(aX + b) = aE(X) + b

Exemple VIII.2.5.  On a E(4X − 3) = 4E(X) − 3 = 4 × 12 − 3 = 1.

Dénition VIII.2.6.  Si E(X) = 0, on dit que X est une variable aléatoire réelle entrée.
Si X admet une espéran e , X − E(X) est appelée variable aléatoire réelle entrée asso iée à X .
Proposition (linéarité) VIII.2.7.  Soient X et Y deux variables aléatoires réelles à densité admettant une
espéran e et a, b ∈ R. La variable aléatoire réelle aX + bY admet une espéran e et
E(aX + bY ) = aE(X) + bE(Y ).

Théorème (de transfert) VIII.2.8.  Soient X une variable aléatoire réelleZ de densité f +∞
X et ϕ : R −→ R
une fon tion telle que ϕ(X) soit une variable aléatoire à densité. Si l'intégrale ϕ(t)f (t)dt onverge, alors
−∞
ϕ(X) admet une espéran e et
Z +∞
E(ϕ(X)) = ϕ(t)fX (t)dt
−∞

Exemple VIII.2.9.  Sous réserve de onvergen e, on a

1
√ +∞ √ 1 √ 1 
12 5 12 7 24
Z Z Z
.
3 5
E( X) = tf (t)dt = 6t t(1 − t)dt = 6t 2 − 6t 2 dt = t2 − t2 =
−∞ 0 0 5 7 0 35
Variables aléatoires réelles à densité 33
Proposition
Z +∞
VIII.2.10.  Soit X une variable aléatoire réelle admettant une densité f X . Si l'intégrale
t fX (t)dt onverge, alors la variable aléatoire X admet une espéran e et
2 2
−∞
Z +∞
E(X 2 ) = t2 fX (t)dt
−∞

Exemple VIII.2.11.  Sous réserve de onvergen e, on a

+∞ 1  1
3 4 6 5 3
Z Z
2
E(X ) = 2
t f (t)dt = 3
6t (1 − t)dt = t − t = .
−∞ 0 2 5 0 10

Proposition - Dénition VIII.2.12.  Soit X une variable aléatoire réelle à densité et telle que X 2
admette
une espéran e.
Alors la variable aléatoire (X − E(X))2 admet une espéran e.
La varian e de X , notée V(X), est le réel
V(X) = E((X − E(X))2 )

Dénition VIII.2.13.  Soit X unepvariable aléatoire réelle à densité, admettant une varian e. On appelle
é art-type de X le nombre réel σ(X) = V(X).
Proposition VIII.2.14.  Soit X une variable aléatoire réelle admettant une densité f et une espéran e X
E(X).
Z +∞
X admet une varian e si, et seulement si, (t − E(X))2 fX (t)dt onverge.
−∞
Z +∞
On a alors V(X) = (t − E(X))2 fX (t)dt.

Théorème (formule de K÷nig-Huygens) VIII.2.15.  Soit X une variable aléatoire à densité, admettant
−∞

une varian e. On a :
V(X) = E(X 2 ) − E(X)2 .

Exemple VIII.2.16.  D'après la formule de K÷nig-Huygens, on a

 2
3 1 1
V(X) = E(X 2 ) − E(X)2 = − =
10 2 20

Proposition VIII.2.17.  Soient X une variable aléatoire réelle à densité admettant une varian e et a, b ∈ R,
a 6= 0. La variable aléatoire aX + b admet une varian e et :
V(aX + b) = a2 V(X) et σ(aX + b) = |a|σ(X).
Chapitre IX
Lois usuelles

IX.1 Loi uniforme

Dénition IX.1.1.  Une variable aléatoire réelle X suit la loi uniforme sur [a, b] si X a pour densité la
fon tion f dénie par
( 1
si x ∈ [a, b]
f (x) = b−a
0 sinon
 X suit la loi uniforme sur [a, b]  se note X ֒→ U([a, b]).
Proposition IX.1.2.  La fon tion de répartition F d'une variable aléatoire X suivant la loi uniforme U([a, b])
est donnée par :
si x < a


 x−0
a
F (x) = si x ∈ [a; b]
b − a
si x > b

1


Proposition IX.1.3.  Soit X une variable aléatoire réelle suivant la loi uniforme U([a, b]). X admet une
espéran e et une varian e égales à
b+a (b − a)2
E(X) = et V(X) =
2 12

IX.2 Loi exponentielle

Dénition IX.2.1.  Soit λ ∈ R . Une variable aléatoire réelle X suit la loi exponentielle de paramètre λ si
∗
+
X a pour densité la fon tion f dénie par
λe−λx si x > 0

f (x) =
0 si x < 0
 X suit la loi exponentielle de paramètre λ  se note X ֒→ E(λ).
Proposition IX.2.2.  La fon tion de répartition F d'une variable aléatoire X suivant la loi exponentielle
E(λ) est donnée par :
si x > 0

1 − e−λx
F (x) =
0 si x < 0

Proposition IX.2.3.  Soit X une variable aléatoire réelle suivant la loi exponentielle E(λ). X admet une
espéran e et une varian e égales à
1 1
E(X) = et V(X) =
λ λ2
Lois usuelles 35
IX.3 Loi normale
Dénition IX.3.1.  Une variable aléatoire réelle X suit la loi normale entrée réduite si X a pour densité
la fon tion ϕ dénie par
 2
1 x
∀x ∈ R, ϕ(x) = √ exp −
2π 2
 X suit la loi normale entrée réduite  se note X ֒→ N (0, 1).
On note Φ la fon tion de répartition de X .

Φ(x)

Remarque IX.3.2.  Notons que l'on a

+∞  2
1
Z
x
√ exp − = 1.
2π 2
Proposition IX.3.3.  Pour tout x ∈ R, on a
−∞

Φ(−x) = 1 − Φ(x).

Φ(−x) 1 − Φ(x)

−x x

Dénition IX.3.4.  Soient µ ∈ R et σ ∈ R . Une variable aléatoire X suit la loi normale (ou de Lapla e -
∗
+
1
Gauss 2 ) de paramètres µ et σ si X a pour densité la fon tion f dénie par
2

(x − µ)2
 
1
∀x ∈ R, f (x) = √ exp −
σ 2π 2σ 2
 X suit la loi normale de paramètres µ et σ  se note X ֒→ N µ, σ2 .
2

Proposition IX.3.5.  Soit X une variable aléatoire réelle suivant la loi normale N µ, σ 2 . X admet une

espéran e et une varian e égales à

E(X) = µ et V(X) = σ 2 .
Proposition IX.3.6.  Soient X une variable aléatoire réelle suivant la loi normale N µ, σ 2 et F sa fon tion

de répartition.
X −µ
Alors la variable aléatoire X ∗ = suit la loi normale entrée réduite N (0, 1).
σ 
x−µ
Pour tout x ∈ R, on a F (x) = Φ .
Exemple IX.3.7. 
σ
Soit X une variable aléatoire suivant la loi normale N (8, 25).
Cal ulons P(5 6 X 6 13).
X −8
X∗ = suit la loi normale entrée réduite N (0, 1). D'où :
5
 
5−8 X −8 13 − 8
P(5 6 X 6 13) = P 6 6
5 5 5
= P(−0,6 6 X ∗ 6 1)
= P(X ∗ 6 1) − P(X ∗ < −0,6)
= Φ(1) − Φ(−0,6)
= Φ(1) − (1 − Φ(0,6))
≃ 0,8413 − (1 − 0,7257)
= 0,567
1. Pierre-Simon Lapla e, Beaumont-en-Auge 1749 - Paris 1827
2. Carl Friedri h Gauss, Brunswi k 1777 - Göttingen 1855
Chapitre X
Convergen e et approximations

X.1 Loi faible des grands nombres

Théorème (inégalité de Bienaymé-T heby hev) X.1.1.  Soit X une variable aléatoire réelle sur un
espa e probabilisé (Ω, P(Ω), P).
Pour tout ε > 0, on a
V(X)
P(|X − E(X)| > ε) 6 .
ε2
Exemple X.1.2.  On lan e 250000 fois une piè e équilibrée.
Évaluons la probabilité pour que la fréquen e de pile soit omprise (stri tement) entre 49% et 51%.
Soit X le nombre de pile obtenus.
X est le nombre de su ès ( obtenir pile ) à l'issue de 250000 épreuves de Bernoulli indépendantes et identiques
1
( lan er la piè e ), la probabilité d'un su ès étant égale à .
  2
1
Ainsi X suit la loi binomiale B 250000, .
2
Autrement dit

 X(Ω) = [[0, 250000]]
 
250000 1
 P(X = k) = pour tout k ∈ [[0; 250000]]
k 2250000
On a E(X) = 125000 et V(X) = 62500.  
X 49 X 51
La fréquen e de pile est égale à . On veut don évaluer P < < .
250000 100 250000 100
On a :
 
49 X 51
P < < = P(122500 < X < 127500)
100 250000 100
= P(−2500 < X − 125000 < 2500)
= P(|X − 125000| < 2500)
= 1 − P(|X − 125000| > 2500)

Or, d'après l'inégalité de Bienaymé-T heby hev, on a :

V(X) 1
P(|X − 125000| > 2500) 6 =
25002 100
Ainsi
 
49 X 51 1 99
P < < >1− =
100 250000 100 100 100
La probabilité d'obtenir entre 49% et 51% de pile est don supérieure à 0,99.
Convergen e et approximations 37
Théorème (loi faible des grands nombres) X.1.3.  Soit (X ) une suite de variables aléatoires réelles
n n∈N
n
deux à deux indépendantes, de même loi, admettant une espéran e µ et une varian e σ2 . On pose Sn =
P
Xk
k=1
et µ = E(X1 ).
Pour tout ε > 0, on a
 
Sn
lim P −µ >ε = 0.
n→+∞ n

X.2 Approximations
X.2.1 Approximation de la loi binomiale par la loi de Poisson
Soient λ ∈ R∗+ et (pn )n∈N∗ une suite de réels tels que pn ∈]0, 1[ et lim npn = λ.
n→+∞
Pour tout n ∈ N∗ , soit Xn une variable aléatoire suivant la loi binomiale B(n, pn ).
On peut montrer que :
λk
lim P(Xn = k) = e−λ .
n→+∞ k!
Ainsi, la loi de Poisson P(λ) apparaît omme la loi limite d'une suite de variables aléatoires suivant la loi
binomiale B(n, pn ) où lim npn = λ.
Proposition X.2.1.  La loi binomiale B(n, p) peut être appro hée par la loi de Poisson P(np) si
n→+∞

n > 30, p 6 0,1 et np < 15.

Exemple X.2.2.  Suite à une va ination ontre le paludisme, dans une population à risque, on estime à 2%,
ompte tenu du délai d'immunisation, la proportion de personnes qui seront pourtant atteintes de la maladie.
Cal ulons la probabilité de onstater (stri tement) plus d'une personne malade lors d'un ontrle dans un petit
village de 100 habitants tous ré emment va inés(on supposera l'indépendan e des éventualités).
Soit X le nombre de malades.
X est le nombre de su ès ( être malade ) à l'issue de 100 épreuves de Bernoulli indépendantes et identiques
1
( tester un habitant ), la probabilité d'un su ès étant égale à .
  50
1
Ainsi X suit la loi binomiale B 100, .
50
Comme
n = 100 > 30, np = 2 < 15 et p = 0,02 6 0,1
on peut appro her la loi de X par la loi de Poisson de paramètre λ = E(X) = 2.
Ainsi, en onfondant la loi de X ave la loi de Poisson P(2), on a
P(X > 1) = 1 − P(X = 0) − P(X = 1) = 1 − e−2 − 2e−2 = 1 − 3e−2 ≃ 0,594.

Remarque X.2.3.  Dans l'exemple pré édent, l'appli ation (peu pratique) de la loi binomiale aurait fourni
P(X > 1) = 1 − P(X = 0) − P(X = 1) = 1 − (0,98)100 − 100 × 0,02 × (0,98)99 ≃ 0,597.
L'approximation est don i i ex ellente.
X.2.2 Approximation de la loi binomiale par la loi normale
Proposition X.2.4.  La loi binomiale B(n, p) peut être appro hée par la loi normale N (np, np(1 − p)) si
n > 30, np > 15 et np(1 − p) > 5.

Exemple X.2.5.  On plante 400 graines. La probabilité de germination d'une graine est de 80%.
Cal ulons la probabilité pour que 300 graines, au moins, germent.
Soit X le nombre de graines qui germent.
X est le nombre de su ès ( la graine germe ) à l'issue de 400 épreuves de Bernoulli indépendantes et identiques
4
( ontrler la germination d'une graine ), la probabilité d'un su ès étant égale à .
  5
4
Ainsi X suit la loi binomiale B 400, .
5
Convergen e et approximations 38
Comme
n = 400 > 30 np = 320 > 15 et np(1 − p) = 64 > 5
on peut appro her la loi de X par la loi normale de paramètres µ = E(X) = 320 et σ2 = V(X) = 64.
X − 320
Ainsi, en onfondant la loi de X ave la loi normale N (320, 64), X ∗ = suit la loi normale entrée
8
réduite N (0, 1).
Don
 
∗ 300 − 320
P(X > 300) = P X > = P(X ∗ > −2,5) = 1 − Φ(−2,5) = Φ(2,5) ≃ 0,9938
8

X.3 Loi binomiale, loi normale, loi faible des grands nombres et intuition
Considérons le problème suivant :
On joue 100 fois à pile ou fa e ave une piè e équilibrée. Quelle est la probabilité d'obtenir 50 pile ?
1 1
Intuitivement, on répondrait ou environ .
2 2
Il n'en est rien.
En eet, soit X le nombre de pile obtenus.
X est le nombre de su ès ( obtenir pile ) à l'issue de 100 épreuves de Bernoulli indépendantes et identiques
1
( lan er la piè e ), la probabilité d'un su ès étant égale à .
  2
1
Ainsi X suit la loi binomiale B 100, .
2
La probabilité d'obtenir 50 pile est don égale à
 
100 1
P(X = 50) = ≃ 0,0796
50 2100
La probabilité her hée est don faible.
Cal ulons la probabilité d'obtenir environ 50 pile, disons entre 47 et 53.
Comme
n = 100 > 30 np = 50 > 15 et np(1 − p) = 25 > 5
on peut appro her la loi de X par la loi normale de paramètres µ = E(X) = 50 et σ2 = V(X) = 25.
X − 50
Ainsi, en onfondant la loi de X ave la loi normale N (50, 25), X ∗ = suit la loi normale entrée réduite
5
N (0, 1).
Don
 
47 − 50 53 − 50
P(47 6 X 6 53) = P 6 X∗ 6
5 5
= P(−0,6 6 X ∗ 6 0,6)
= Φ(0,6) − Φ(−0,6)
= 2Φ(0,6) − 1
≃ 0,4514

1
La probabilité d'obtenir environ 50 pile est don pro he de .
2
Pour résumer, si on joue n fois (n pair) à pile ou fa e ave une piè e équilibrée, alors, plus n est grand
• plus la probabilité d'obtenir autant de pile que de fa e est faible ;
n 1
• plus la probabilité d'obtenir environ pile est pro he de (d'après la loi faible des grands nombres).
2 2
 Intégrale Φ(x) de la loi normale entrée réduite N (0; 1)
x
1
Z
t2
Φ(x) = P(X 6 x) = √ e− 2 dt et Φ(−x) = 1 − Φ(x)
2π −∞

x 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
Table pour les grandes valeurs de x
x 3,0 3,1 3,2 3,3 3,4
Φ(x) 0,99865 0,99904 0,99931 0,99952 0,99966
x 3,5 3,6 3,8 4,0 4,5
Φ(x) 0,99976 0,999841 0,999928 0,999968 0,999997