Fascicule 2bts Industrielle

TABLE DES MATIERES
CH I - TRANSFORMATION DE LAPLACE
I. Fonctions Causales .........................................................................................................2

II. Transformation de la place………………………………………………………………………4
III. Applications………………………………………………………………………………………….....7
IV. Travaux dirigés……………………………………………………………………………………..…8
CH II – ALGEBRE LINEAIRES
I. Matrices………………………………………………………………………………………………....10
II. Espace vectoriel et application linéaire …………………………………………………19
III. Réduction des endomorphismes………………………………………………………….…27
CH III - SERIE NUMERIQUES – SERIE DE FOURIER
I. Série Numériques…………………………………………………………………………………...34
II. Série de fourrier……………………………………………………………………………………..36
III. Travaux diriges………………………………………………….....……………………………..…40
CH IV – PROBABILITE
I. Notions de probabilité…………………………………………….……………………………...42
II. Probabilité conditionnelle……………………………………………………………………...44
III. Variables aléatoires et lois fondamentales……………………………………………..44
CHAPITRE I : TRANSFORMATION DE LA PLACE
I- FONCTIONS CAUSALES
1. Définition
Une fonction (ou signal) f de la variable réelle t est dite causale si pour tout t strictement
négatif, on a f(t)=0.
EXEMPLES
 La fonction de Heaviside (fonction échelon unité)
0 𝑠𝑖𝑡 < 0
U(t)={
1 𝑠𝑖𝑡 ≥ 0
 La fonction rampe unité

C’est la fonction fdéfinie surℝ f(t) =tU(t)
0 𝑠𝑖𝑡 < 0
On à f(t)={
𝑡 𝑠𝑖𝑡 ≥ 0
Remarque Pour rendre une fonction causale, il suffit de la multiplier par la fonction de
Heaviside.
2
2. Fonction retardée
Définition Soit f une fonction numérique de la variable réelle t et soit gdéfinie par
g(t)=f(t-a) avec aun nombre réel strictement positif. La fonction g est dite retardée ou
décalée dea(à droite).
Remarques
 Dans le plan muni du repère (O ;𝑖⃗ ;𝑗⃗), la courbe de g se déduit de celle f par la
translation de vecteur a𝑖⃗.
 Pour un réel astrictement positif donné, si g(t)=f(t+a), ∀t ∈ R ; alors g est décalée
à gauche. Mais g n’est pas nécessairement causales si f est causale, dans ce cas la
courbe deg se déduit de celle de f par la translation de vecteur - a𝑖⃗.
Exemple : La fonction échelon unité retardée de a
0 𝑠𝑖𝑡 < 0
U(t-a)={ avec a∈ ℝ∗+
1 𝑠𝑖𝑡 ≥ 0
Exercice
On considère la fonction h(t) = 3t 2U(t-2), t ∈R. montrer que la courbe de h s’obtient par
la translation de la courbe d’une fonction que l’on précisera.
3. Expression d’une fonction à l’aide de la fonction de Heaviside
3
Soient O<t1<t2 < +∞ . On considère la fonction f définie sur R par :
O 𝑠𝑖 𝑡 ∈ ] − ∞; O[
f1 (𝑡)𝑠𝑖 𝑡 ∈ [O; 𝑡1 [
F(t)=
f2 (𝑡)𝑠𝑖 𝑡 ∈ [𝑡1 ; 𝑡2 {
{f3 (𝑡) 𝑠𝑖 𝑡 ∈ [𝑡2 ; +∞[
Alors f se définit avec la fonction échelon unité de la manière suivante :
f(𝑡) = f1 (𝑡)U(t) + [f2 (𝑡) − f1 ]U(t−𝑡1 )+[f3 (𝑡) − f2 (𝑡)] U(t−𝑡2 )
Exercice d’application
La courbe ci-contre est celle d’une fonction f.
Expliciter f, puis l’écrire en fonction de l’échelon unité
4
4. Passage d’une expression définie avec l’échelon unité à une
expression explicite
On considère la fonction f définie sur ℝ par :
f(t) = f0(t) U(t) + f1(t) U(t – t1) + f2(t) U(t – t2) avec O < 𝑡1 < 𝑡2 < +∞
On se propose d’expliciter f. Pour cela, nous définissons le tableau.
t -∞O t1 t2 +∞
U(t) 0 1 1 1
U(t – t1) 0 0 1 1
U(t – t2) 0 0 0 1
f(t) 0 f0(t) f0(t) + f1(t) f0(t) + f1(t) + f2(t)
Alors :
0 𝑠𝑖 𝑡 ∈ ] − ∞; 0[
f0 (𝑡) 𝑠𝑖 𝑡 ∈ [0; 𝑡1 [
f0 (𝑡) + f1 (𝑡) 𝑠𝑖 𝑡 ∈ [𝑡1 ; 𝑡2 [
f0 (𝑡) + f1 (𝑡) + f2 (𝑡) 𝑠𝑖 𝑡 ∈ [𝑡2 ; +∞[

{
Soit a fonction f définie sur ℝpar :
F(t) = t U(t) – (2t – 2) U(t – 1) + (2t – 6) U(t – 3) + (t – 4) U(t –4)
Expliciter puis représenter f.
5
II- TRANSFORMATION DE LA PLACE
1. Définitions
La transformée de la Laplace d’une fonction causale f est la fonction notéeL[f(t)] de la

variable réelle ou complexe p définie par :
+∞
ℒ[f(t)] (p) =∫0 f(𝑡)𝑒 −𝑝𝑡 𝑑𝑡 (avec Re(p) > 0).
Si F(p) est la transformée de la Laplace d’une fonction f(t), alors la fonction f(t) est la
transformée de la Laplace inverse (ou original) de F(p) ; on note L–1[F(p)] (t).
L [f(t)] = F(p) ⇔L –1[F(p)] (t) = f(t)
. Propriété
Etant donné une fonction p ↦ F(p), si elle admet pour original la fonction t ↦ f(t), alors
cet original est unique et vice versa.
Exercice
En utilisant la définition, déterminer la transformée de la Laplace de la fonction rampe

unité.
2. Impulsion de Dirac
On appelle impulsion de Dirac (ou encore percussion unité) une fonction qui prend une
valeur infinie en 0, la valeur nulle partout ailleurs et dont l’intégrale sur R est égale à 1.
On la note 𝛿(t).
Exemple
La fonction fε définie par

1
fε= ε[𝑢(𝑡) − 𝑢 (𝑡 − )] (ε ∈ ℝ∗+ ) est une fonction de Dirac.
ε
3. Les transformées usuelles
original 𝛿 U(t) U(t-a) 𝑒 −𝑎𝑡 U(t) 𝑡 𝑛 U(t) U(t)cos 𝜔𝑡 U(t)sin 𝜔𝑡

1 𝑒 −𝑎𝑝 1 𝑛! 𝑝 𝜔
transformé 1 2 2
p 𝑝 𝑝+𝑎 𝑝𝑛+1 𝑝 +𝜔 𝑝 + 𝜔2
2
6
a. Déterminer la transformée de la place de chacune des fonctions :

f(t) = (t – 1)2U(t) , g(t) = t2U(t–1) et h(t) = sin2tU(t) + 𝛿
𝑝
b. Déterminer l’original de k(p)=
(𝑝2 +1)(𝑝−1)
4. Propriétés de la transformation de LAPLACE
Soient f et g deux fonctions causales telles que : ℒ [f(t)] (p) = F(p) et ℒ[f(t)] (p) = G(p)
Propriété Original Transformée

Linéarité af(t) + bg(t) aF(p) + bG(p)
Décalage temporel f(t –a) 𝑒 −𝑎𝑝 F(𝑝)
Décalage fréquentiel 𝑒 −𝑎𝑡 f(𝑡) F (p + a)
Produit par tn (n≥ 1) t 𝑛 f(𝑡) (−1)𝑛 F (𝑛) (p)
𝑡
F(𝑝)
Primitive ∫ f(𝑥)d𝑥
0 𝑝
L[f'(t)] (p) = pF(p) – f (0+)
Dérivation L[f"(t)] (p) = 𝑝2 F(𝑝) − 𝑝f(0+ ) − f′(0+ )
+
L[f (3) (𝑡)](p) = 𝑝3 F(𝑝) − 𝑝2 f(0+ ) − 𝑝f ′(0 ) − f′′(0+ )
Si f est une fonction 1 𝑇
Fonction périodique F(p) = 1−𝑒 −𝑝𝑇 ∫𝑂 𝑒 −𝑝𝑡 f(t)ft
T-périodique
Théorème de la valeur initiale lim 𝑝F(p) = f(0+ )

𝑝→+∞
lim f(t) = lim 𝑝F(𝑝)

Théorème de la valeur final 𝑡→+∞ 𝑝→0
>
1 𝑝
homothétie F(t) = h (at) U(t), a>0 F(p) = H( )
𝑎 𝑎
a. Calculer :
𝜋
L [(2t + 3) U(t)] (p), L [t2U(t–1)] (p), L [sin2tU(t–𝜋)] (p), L [e2tsin(𝑡– 2 ) U(t)]
𝑡
(p) ,L [∫0 𝑒 𝑥 𝑠𝑖𝑛𝑥𝑑𝑥](p)
𝑒 −𝑝
b. Sachant que L [h(t) U(t)] (p) = ; Calculer L [h (3t) U(t)] (p)
𝑝2+1
5.Produit de convolution
Définition Soient f et g deux fonctions causales. On appelle produit de convolution de f

et g (ou convolée de f et g dans cet ordre) la fonction notée f∗g et définie par :
𝑡
(f∗ g)(t) = ∫0 𝑓 (𝑥 )𝑔(𝑡 − 𝑥 )𝑑𝑥.
7
Propriétés
 Soient f, g et h des fonctions causales. Alors :

f∗ g =g ∗ h,(f ∗ h) ∗ h = f ∗ (g ∗ h) et f ∗ (g + h) = f ∗ g + f ∗ h
 Soient f et g deux fonctions causales des transformées de la Laplace respective F
et G. Alors
L (f ∗ g) (t) = L [f(t)]. L [g(t)] = F(p).G(p)
En utilisant le produit de convolution, déterminer l’original de la fonction

5
F(p) =
(𝑝+2)(𝑝2 +1)
III- APPLICATION
1- Résolution des équations différentielles

Exercice
Résoudre (E) : y’’ + 2y’ + y = e-t U(t) avec y (0+) = 1 et y (0+) = 0
2- Système linéaire
Définitions
 Un système (physique) linéaire est régi par une équation différentielle linéaire.
 On considère le système linéaire e(t) s(t)
où e(t) et s(t) sont des signaux causaux. Le système est initialement au repos si
toutes les conditions initiales sur e(t) et/ou sur s(t) sont nulles.
Soient E(p) et S(p) les transformées de la Laplace respectives des signaux e(t) et
s(t). On appelle fonction de transfert du système la fonction H définie par :
𝐒(𝐩)
H(p) = 𝐄(𝐩)
8
On considère le système suivant :
1. Montrer que l’équation différentielle qui régit le système est :

ds(t)
(E) : RC + s(t) = e(t)
dt
2. On admet que le système est initialement au repos. Déterminer sa fonction de

transfert H(p). en déduire l’original de H(p).
3. Supposons que e(t) désigne la fonction de Heaviside.
a. Calculer S(p) puis, en déduire s (0+) et lim 𝑠(t).
𝑡→+∞
b. Déterminer puis représenter le signal de sortie s(t).
TRAVAUX DIRIGES
Exercice 1
1. Calculer les transformées de la Laplace suivantes :

π
L[t cos (t − )] 𝑢(𝑡) L [e−t sin(2t)]𝑢(𝑡) L [t sin(2t)]𝑢(𝑡 − 𝜋)
2
𝑥
L[(t − 1)3et 𝑢(𝑡)] L [e−tt 2u(t − 1) L [∫o t cos 2t dt] (x > 0)
2. Calculer les originaux des fonctions suivantes :
𝑝3 +1 (𝑝+1)𝑒 −2𝑝 5𝑝2 −4

F (p) = (𝑝2 2
G(p) = 2 (3𝑝+2)
H (p) = (𝑝+1)2 (𝑝2
+1)(𝑝+2) 𝑝 +2𝑝+2)
9
𝑝4
K(p) =
(𝑝+3)(𝑝−1)3
1
3. Soit 𝜔 ∈ ℝ∗ . Trouver l'original de F(p) = (𝑝2 en utilisant :
+𝜔2 )2
a) La décomposition de F(p) dans ℂ.
b) Le produit de convolution
Exercice 2
1. Définir les fonctions ci-dessous sans utiliser la fonction échelon unité puis les représenter :
a) f(t) = 2t [u(t) – u(t–1)]
b) g(t) = sin(t)u(t) + (1 – saint) u(t – 2π)
2. Déterminer la transformée de La place du signal suivant :
3. Soit f la fonction causale et 3-période défini sur ℝ par :
10 𝑠𝑖 𝑡 ∈ [0; 1[
f(t) = {
−5 𝑠𝑖 𝑡 ∈ [1; 3[
a) Déterminer f(10) et f(15) puis représenter f sur l'intervalle [0 ; 10[
b) Déterminer la transformée de La place de f.
Exercice 3
On appelle transformée de Laplace d'une fonction causale f, la fonction F définie pour

+∞ −𝑝𝑡
tout p strictement positif, par : F(p) =L [f(t)] (p) = ∫𝑂 𝑒 f(t)dt.
En utilisant les propriétés de la transformation de Laplace, calculer :
10
+∞ +∞
I = ∫𝑜 𝑒 3𝑡 [cos 5𝑡 + 3 cos 4𝑡 + 𝑡 4 ]dt J = ∫0 𝑒 −2𝑡 [t 8 + t 4 + t 2 + 1]dt
+∞
K = ∫𝑂 𝑒 −𝑡 [U(t – 5) + U(t – 6)]dt où t⟼U(t) est la fonction échelon unité.
Exercice 4Unsystème, <<entrée-sortie>> e(t) s((t)

est régi par l'équation différentielle
𝑑3 𝑠(𝑡)
(E) : + 𝑠(𝑡) = 𝑡 avec s (0+ ) = s’ (0+) = 0 et s"(0+) = 1
𝑑𝑡 3
1 1
1. Décomposer en éléments simples : et .
𝑝3 +1 𝑝2 (𝑝3 +1)
2. Déterminer l'expression du signal s(t) en utilisant la transformation de Laplace.
Exercice 5
𝑝
L'objectif de cet exercice est de calculer l'original de la fonction F(p) =
(𝑝2 +1)3
1. Déterminer la transformée le La place de la fonction t ⟼ tu(t)sin 𝑡
𝑡
2. Soit t> O, calculer ∫𝑂 sin 𝑣 sin(𝑡 − 𝑣)𝑑𝑣
3.a) Montrer que pour toutes fonctions causales f et g, on a :
(tf) ∗ g + (tg) ∗ f = t(f ∗ g), ∀𝑡 ≥ 0
b) En déduire L [F(p)].
Exercice 6
On considère l’équation différentielle (E) définie par :
(E) : 𝒚’’(𝒙) + 𝟐𝒚’(𝒙) + 𝟑𝒚(𝒙) = 𝒆−𝒙
1) a) Intégrer l’équation différentielle homogène associée à (E).
b) déterminer une solution particulière de l’équation différentielle (E).
c) Déterminer la solution 𝑓 de (E) qui vérifie : 𝑓(0) = 1 𝑒𝑡 𝑓’(0) = 0
2) On veut intégrer l’équation différentielle (E) à l’aide de la transformation de Laplace .On

considère pour cela l’équation différentielle (E’ ) définie par:
𝒚’’(𝒙)𝒖(𝒙) + 𝟐𝒚’(𝒙)𝒖(𝒙) + 𝟑𝒚(𝒙)𝒖(𝒙) = 𝒆−𝒙 𝒖(𝒙)
Avec y(0) = 1 𝑒𝑡 𝑦’(0) = 0 et (𝑥 ↦ 𝑢(𝑥) désigne la fonction d’Heaviside).
a) En appliquant la transformée de Laplace à chaque membre de l’égalité de l’équation

différentielle (E’),
11
𝟏 𝒑+𝟐
Montrer que 𝒀(𝒑) = (𝒑+𝟏)(𝒑𝟐 +𝟐𝒑+𝟑) +𝒑𝟐 +𝟐𝒑+𝟑
(où Y(p) désigne la transformée de Laplace de la fonction causale : 𝑥 ↦ 𝑦(𝑥)𝑢(𝑥) ).
b) décomposer en éléments simples la fonction rationnelle

𝟏
𝑭(𝒑) =(𝒑+𝟏)(𝒑𝟐 +𝟐𝒑+𝟑)
3) a) Déterminer l’original de chacune des fractions rationnelles suivantes : 𝑭(𝒑)

𝟏 𝒑+𝟐
=(𝒑+𝟏)(𝒑𝟐 +𝟐𝒑+𝟑) et 𝑮(𝒑) = 𝒑𝟐 +𝟐𝒑+𝟑
b) En déduire la solution causale de l’équation différentielle ( E ) qui vérifie : 𝑦(𝑜) =

1 𝑒𝑡 𝑦’(0 ) = 0.
Exercice 7
On considère le système (S) ci-dessous qui est un montage électrique de signal d’entrée e(t)
et de signal de sortie S(t)
1) a) En utilisant la loi des mailles, démontrer que :

𝟏
Ri+ ∫ 𝒊𝒅𝒕 + s(t) = e(t)
𝑪
12
b) En utilisant la loi des nœuds au point A ,montrer que le signal d’entrée e(t) et le
signal de sortie s(t) sont liés par l’équation différentielle (E) définie ci-dessous par:
𝒅𝟐 𝒔 𝒅𝒔 𝒅𝒆(𝒕)
(RC)2𝒅𝒕𝟐 +3RC 𝒅𝒕 +s(t) = RC 𝒅𝒕
2) Les signaux d’entrée e(t) et de sortie s(t) sont fonction du temps
et donc sont des signaux causaux ainsi leurs dérivées c’est-à-dire s (0+) =s’ (0+) = 0 et e(0+) =
e’(0+) = 0
On pose S(p) et E(p) les transformées de Laplace respectives des fonctions causales s(t) et
e(t).On désigne par H(p) la fonction de transfert du filtre (S).
En appliquant la transformée de Laplace à chacune des membres de l’équation différentielle

(E), déterminer la fonction de transfert H(p) du filtre (S). La fonction de transfert H(p) est
𝑆(𝑝)
définie par H(p) = 𝐸(𝑝)
𝟏
3) Démontrer que H (𝒋𝒘) = 𝟏 (où 𝑥 = RCw) et 𝛼 est une constante que l’on
(𝜶+𝒋(𝒙− ))
𝒙
déterminera et j 2 = -1
4) On pose H (w) = |H (jw)|.
a)Exprimer H(w) en fonction de 𝑥.
b) Pour quelle valeur w0 de w, H(w) est-il maximal ?
c) Comment appelle-t-on w0 ?
13
CHAPITRE II : ALGEBRES LINEAIRES
I- MATRICES
1.Définition
On appelle matrice tout tableau A d’élément de ℝ (ou 𝑑𝑒 ℂ) de la forme :

𝑎11 … 𝑎1𝑚
A = (𝑎𝑖𝑗 ) 1≤𝑖≤𝑛 = ( ⋮ ⋮ )
1≤𝑗≤𝑚 𝑎𝑛1 … 𝑎𝑛𝑚
Le premier indice (i) est l’indice de la ligne et le second (j) celui de la colonne. Les 𝑎𝑖𝑗
sont les coefficients réels ou complexes de la matrices A.
Lorsque m = n, on dit que la matrice A est carrée d’ordre n et on note Mn(ℝ) l’ensemble
des matrices carrées d’ordre n à coefficients réels.
Exemples
) ∈M2,3(ℝ)
1 2 3
A=(
−2 0 1
B = (1 6 −3) ∈ M1,3(ℝ)(matrice ligne)
1
C = (2) ∈M3,1(ℝ)(matrice colonne ou vecteur)
0
−5 0 5
D= 1 2
( 3) ∈M3 (ℝ)(matrice carré d’ordre 3)
−6 0 7
1.1 Opération sur les matrices
Addition de matrices
Si A = (𝑎𝑖𝑗 ) ∈Mnm(ℝ)et B = (𝑏𝑖𝑗 ) ∈Mnm(ℝ) , alors :

(A + B) ∈Mnm(ℝ) 𝑒𝑡 (A + B)𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 (Pour i, j fixés).
Exemple
1 2 3 4 5 2 5 7 5
A=( ) et B = ( ) ⟹A+B=( ).
2 0 2 6 1 7 8 1 9
Produit ;
14
 D’une matrice par un scalaire : Soit k∈ ℝ . Si A = (𝑎𝑖𝑗 ) ∈Mnp(ℝ) alors
kA ∈Mnp(ℝ)et (kA)𝑖𝑗 = (k𝑎𝑖𝑗 ) (Pour i ; j fixés).
Exemple
1 2 −3 −3 −6 9
A=( ) ⇒ −3𝐴 = ( )
−2 0 −1 6 0 3
 De deux matrices :Si A = (𝑎𝑖𝑗 ) ∈Mnp(ℝ)et B = (𝑏𝑖𝑗 ) ∈Mpm(ℝ)alors C = AB

∈Mpm(ℝ)et pour i, j fixés, on a :
C𝑖𝑗 = ∑ 𝑎𝑖𝑘 𝑏𝑗𝑘

𝑘=1
Exemple
−5 0 5
1 2 3
On donne A = ( ) et B = ( 1 2 3 ) . Calculons AB.
−2 0 1
−6 0 −7
Donc
−5 0 5
1 2 3 −21 4 −10
AB = ( )( 1 2 3 )=( )
−2 0 1 4 0 −17
−6 0 −7
Remarque : On a : (AB)C = A(BC) lorsque le produit des matrices a un sens, mais en
générale AB ≠ BA (la multiplication des matrices n’est pas commutative)
1.2 Quelques définitionssurles matrices carrées
Soit A = (𝑎𝑖𝑗 )1≤𝑖,𝑗≤𝑛 une matrice carré.
 On appelle diagonale principale de A, la diagonale constituée des coefficients

𝑎𝑖𝑖 de A.
 La matrice A est dite diagonalesi 𝑎𝑖𝑗 = 0, ∀ i ≠ j, les 𝑎𝑖𝑖 étant tous non nul.
15
 On dit que la matrice A est triangulaire inférieure (resp : triangulaire
supérieure) si 𝑎𝑖𝑗 = 0 pour i < 𝑗 (resp :𝑎𝑖𝑗 = 0 pour i > 𝑗), les coefficients 𝑎𝑖𝑗
étant tous non nuls lorsque i < 𝑗 (resp : lorsque i> j).
Exemple
−5 0 0
A=( 1 0 0 )est une matrice triangulaire inférieure
−6 0 −7
−2 9 3
B=( 0 1 4 )est une matrice triangulaire supérieure
0 0 −7
3 0 0
C = (0 1 0)est une matrice diagonale et les coefficients 3, 1 et 2 constituent la
0 0 2
diagonale principale de C
1 0 0
(
D= 0 1 0)est une matrice diagonale ; c’est une matrice unité d’ordre 3.
0 0 1
 On appelle trace de A, noté tr(A), la somme des coefficients de sa diagonale

principale. on a : 𝐭𝐫(𝐀) = 𝒂𝟏𝟏 + 𝒂𝟐𝟐 + ⋯ + 𝒂𝒏𝒎 .
On a : ∀ A, B ∈ Mn(ℝ),tr(A+B) = tr(A) + tr(B)
 Soit la matrice A = (𝑎𝑖𝑗 ) ∈ Mn(ℝ). On appelle transposée de A noté tA ou At et

définie parAt = (𝑎𝑖𝑗 ). On a At ∈ Mnm(ℝ).
 Une matrice carrée est dire symétrique lorsqu’elle est égale à sa transposée.
Exemple
−5 0 5 −5 1 −6
A=( 1 2 3 ) ⇒ At = ( 0 2 0)
−6 0 −7 5 3 −7
1 2
1 2 3
B= ( ) ⇒ B t = ( 2 0)
2 0 1
3 1
2 9 5 2 9 5
C = (9 2 0 ) ⇒ C t = (9 2 0 ) = C . Donc C est symétrique.
5 0 −7 5 0 −7
16
 Une matrice carrée A est inversibles’il existe une matrice B telle queAB=BA=I. la
matrice B est alors appelée matrice inversede A et notéA−1 . On a donc 𝐀𝐀−𝟏 =
𝐀−𝟏 𝐀 = 𝐈 où I désigne la matrice unité (de même ordre que A).
Exemple d’application
0 1 −1 1 0 0
On donne : A = (−3 4 −3) et I = (0 1 0)
−1 1 0 0 0 1
a) Calculer A2 − 3I + 2I.
b) En déduire que A est inversible puis, exprimer A−1 en fonction de A et I.
ExpliciterA−1 .
2. DETERMINANT D’UNE MATRICE CARREE
2.1 Définition
Soit A ∈Mn(ℝ). On appelle déterminant de A le nombre réelnoté det(A), défini par :
𝒂𝟏𝟏 … 𝒂𝟏𝒏 𝒏 𝒏
𝐝𝐞𝐭(𝐀) = | ⋮ ⋱ ⋮ | = ∑(−𝟏) 𝒂𝒊𝒋 𝒎𝒊𝒋 = ∑(−𝟏)𝒊+𝒋 𝒂𝒊𝒋 𝒎𝒊𝒋

𝐢+𝐣
𝒂𝒏𝟏 … 𝒂𝒏𝒎 𝒊=𝟏 𝒋=𝟏
Où 𝑚𝑖𝑗 désigne le mineur associé au coeffcient 𝑎𝑖𝑗 de A (c’est le déterminant obtenu en

supprimant la ième ligne de la jème colonne de det(A))
Exemple : Calculer le déterminant de chacune des matrices suivantes :A =

3 −5 2
3 2
( ) et B = ( 4 7 −3)
4 5
−2 2 0
3 2
On a det(A) = | | = 3 × 5 − (4) × 2 = 15 − 8 = 7
4 5
Pour le calcul de det(B), on se fixe une ligne ou unecolonne.
On a par exemple :
3 −5 2
7 −3 4 −3 4 7
det(B) = | 4 7 −3| = 3 × | | − (−5) × | |+2×| |
2 0 −2 0 −2 2
−2 2 0
Ou
3 −5 2
( ) −5 2 3 2 3 −5
det B = | 4 7 −3| = −4 × | |+7×| | − (−3) × | |
2 0 −2 0 −2 2
−2 2 0
17
Ou encore
3 −5 2
4 −3 3 2 3 2
det(B) = | 4 7 −3| = −(−5) × | |+7×| |−2×| |
−2 0 −2 0 4 −3
−2 2 0
D’où det(B) = 32.
Remarques
 Pour calculer le déterminant d’une matrice, il est avantageux de considérer une

ligne ou une colonne qui contient le maximum de coefficients nuls.
 La valeur d’un déterminant ne change pas si l’on ajoute à une ligne (resp : à une
colonne) une combinaison linéaire d’autres lignes (resp : d’autre colonnes).
 La permutation de deux lignes ou deux colonnes change le signe du déterminant.
 Un déterminant qui a deux lignes ou deux colonnes identiques ou
proportionnelles est nul.
 Le déterminant d’une matrice triangulaire ou diagonale est égal au produit des
coefficients de sa diagonale principale.
Exemple
3 −5 2
Soit B = ( 4 7 −3) Calculer det(B)
−2 2 0
La ligne 3 de B contient déjà un coefficient nul. En combinant les deux premières
colonnes de B, nous pouvons générer un autre coefficient nul, sur la ligne 3. On a :
3 −5 2 3 −2 2
−2 2
det(B) = | 4 7 −3| = | 4 11 −3| = −2 | | = −2(6 − 22) = 32
11 −3
−2 2 0 −2 0 0
C1 C2 C3 C1 C2+C1 C3
Propriétés
Soient A et B ∈Mn(ℝ) et k ∈ ℝ. On a :
 det(AB) = det(A) . det(B)

 det(kA) = k n . det(A)
 det(At ) = det(A)
18
2.2 Méthode de Sarrus (uniquement pour les déterminants des matrices carrées
d’ordre 3).
On a :
𝑎11 𝑎12 𝑎13 𝑎11 𝑎12
|𝑎21 𝑎22 𝑎23 | 𝑎21 𝑎22
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32
= (𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 ) − (𝑎31 𝑎22 𝑎13 + 𝑎32 𝑎23 𝑎11 + 𝑎33 𝑎21 𝑎12 )
3 −5 2
ExempleSoitB = ( 4 7 −3) . Calculer det(B)
−2 2 0
On a
3 −5 2 3 −5
det(B) = | 4 7 −3| 4 7 = (0 + 30 + 16) − (−28 − 18 + 0) = 32
−2 2 0 −2 2
2.3 Rang d’une matrice
Définition : Soit A ∈ Mnm(ℝ). On appelle rang de A, notée rg(A), l’ordre de la plus

‘’grande’’ matrice carrée A𝑘 que l’on peut extraite de A et qui est telle que 𝑑𝑒𝑡(A𝑘 ) ≠ 0
Exercice : Déterminer le rang de chacune des matrices suivantes :
1 −2 3
1 2 3
A=( ) et B = (−1 2 −3)
2 4 2
3 −6 9
2.4Calcul de l’inverse d’une matrice
Définition : Soit A = (𝑎𝑖𝑗 )1≤𝑖,𝑗≤𝑛 une matrice carrée.
 On appelle cofacteur du coefficient 𝑎𝑖𝑗 de A le nombre réel ∆𝑖𝑗 tel que :

∆𝑖𝑗 = (−1)𝑖+𝑗 𝑚𝑖𝑗 où𝑚𝑖𝑗 désigne le mineur associé à 𝑎𝑖𝑗 .
 La comatrice de A est la matrice des cofacteurs de A. Elle est notée Com(A).
On a :
Com(A) =(∆𝒊𝒋 )𝟏≤𝒊,𝒋≤𝒏 .
19
Propriétés
Soit A = (𝑎ij ) une matrice carrée.
1≤i,j≤n
 A est inversible si et seulement si son déterminant est non nul.
1
 Si A est inversible, on a : A−1 = detA tCom(A)
 Si A et B sont deux matrices inversibles, on a : (𝐀𝐁)−𝟏 = 𝐁 −𝟏 𝐀−𝟏
1 2 −1
Exercice : On considère la matrice : A = ( 0 1 1)
−1 3 0
1. Vérifier que la matrice A est inversible.
2) Calculerl’inverseA−1 de A.
3. SYSTEME D’EQUATIONS LINEAIRES
3.1 Définition et notation
𝑎11 𝑥1 + ⋯ + 𝑎1𝑚 𝑥𝑚 = 𝑏1
Etant donné le système d’équation (𝑠1 ) {⋮
𝑎𝑛1 𝑥1 + ⋯ + 𝑎𝑛𝑚 𝑥𝑚 = 𝑏𝑛
𝑎11 … 𝑎1𝑚 𝑥1
On appelle écriture matricielle de (𝑠1 ) l’expressionsuivante :( ⋮ ⋮ )( ⋮ ) =
𝑎𝑛1 … 𝑎𝑛𝑚 𝑥𝑚
𝑏1
(⋮)
𝑏𝑛
𝑎11 … 𝑎1𝑚 𝑥1
OùA = ( ⋮ ⋮ ) désigne la matrice du système(𝑠1 ),x = ( ⋮ ) est l’inconnue du
𝑎𝑛1 … 𝑎𝑛𝑚 𝑥𝑚
𝑏1
système et B = ⋮ ) son second membre.
(
𝑏𝑛
Donc(𝑠1 ) ⟺ AX = B
(𝑠1 )est unsystème de n équations à m inconnues ; il est du type (n, m).
3.2 Résolution d’un système du type (n, n)
On s’intéresse ici aux systèmes de n équation à n inconnues, c’est-à-dire du type (n, n).
Dans ce cas, la matrice A est carrée d’ordre n. pour la résolution d’un tel système, on
distingue deux cas :
20
1er cas : A est inversible
Un système où la matrice associée est inversible est dit de Cramer. Il existe plusieurs
méthodes de résolution de ce type de système.
 Méthode de Cramer
Posons ∆= det A et notons ∆𝑖 le déterminant obtenu en remplaçant dans ∆ la colonne i

par le 2nd membre B. Alors l’inconnue 𝑥𝑖 (associée à la colonne i) s’écrit :
∆
𝑥𝑖 = ∆𝑖, pour 1 ≤ 𝑖 ≤ 𝑛.
𝑥−𝑦−𝑧 =5
Exemple Résoudre dans ℝ le système (s){ 𝑥 + 3𝑦 + 3𝑧 = 1
3
3𝑥 + 𝑦 − 4 = −4
 Méthode du pivot du Gauss

En permutant éventuellement deux inconnues ou deux équations, on peut
supposer que 𝑎11 ≠ 0
𝑎𝑖𝑖
Pour 𝑖 > 1, les transformations 𝑙𝑖 ← 𝑙𝑖 ← 𝑙 conduisent à un système
𝑎11 1
équivalent et éliminent l’inconnue 𝑥1 dans les équations autre que 𝑙1 .
Le terme 𝑎11 est le pivot de l’étape 1 de l’algorithme. En réitérant le procédé, on
aboutit à un système en escalier.
Exemple
𝑥−𝑦−𝑧 =5
Résoudre dans ℝ le système (s) { 𝑥 + 3𝑦 + 3𝑧 = 1
3
3𝑥 + 𝑦 − 4𝑧 = −4
 Méthode d’inversion
La matrice A su du système étant inversible, la méthode d’inversion est basée sur
l’équation A X = 𝐵 ⇔ X = A−1 B
𝑥−𝑦−𝑧 =5
Exemple Résoudre dans ℝ3 le système (s) { 𝑥 + 3𝑦 + 3𝑧 = 1
3𝑥 + 𝑦 − 4𝑧 = −4
2ème cas : A est non inversible
Si A n’est pas inversible, des trois méthodes ci-dessus, seule la méthode du pivot de
Gauss est encore pratique. Elle conduit à deux solutions :
 On obtient deux équations contradictoires. Le système n’admet donc pas de

solution.
21
 Certaines équations sont identiques. Le système est alors équivalent à un système
de r équations à n inconnues (r désignant le rang de la matrice A) ? certaines
inconnues étant considérées comme des paramètres, la résolution du système
nous conduit à une infinité de solution.
Exemple Résolution dans ℝ3 chacun des systèmes suivants :
𝑥+𝑦+𝑧 =1 𝑥 − 𝑦 − 3𝑧 = 4
(𝑠1 ) { 𝑥 + 2𝑦 − 2𝑧 = 0 , (𝑠2 ) { 3𝑥 + 2𝑦 − 4𝑧 = 7
2𝑥 + 3𝑦 − 𝑍 = 5 3𝑥 + 7𝑦 − 17𝑧 = 2
22
TRAVAUX DIRIGES
Exercice 1
1. Calculer :
𝑎1 + 𝑏1 𝑏1 𝑏1 𝑎2 𝑏2 𝑎𝑏 123 4
∆1 = | 𝑏2 𝑎2 + 𝑏2 𝑏2 | ∆2 = | 𝑏2 2 |et∆ = |2 3 4 1|
𝑎𝑏 𝑎 3 341 2
𝑏3 𝑏3 𝑎3 + 𝑏3 𝑎𝑏 𝑎2 𝑏2 412 3
2. Déterminer le rang de chacune des matrices suivantes :
3 1 3 0 𝑚 m 5 11 −1 3
A = (1 0 1) B = ( 𝑚 0 ( )
1 − 𝑚 ) m ∈ ℝ , C = [2 −2 6 −2]
3 1 1 1−𝑚 1−𝑚 0 1 3 −1 1
Exercice 2
Résoudre chacun des systèmes suivants :
3𝑥 − 𝑦 + 3𝑧 = 1 𝑥+𝑦+𝑧 = 1 𝑚𝑥 + 𝑦 + 𝑧 = 1
(𝑠1) {𝑥 + 3𝑧 = −2 (𝑠2) {𝑥 + 2𝑦 − 2𝑧 = 0 (𝑠3) { 𝑥 + 𝑚𝑦 + 𝑧 = 1
4𝑥 + 2𝑧 = 3 2𝑥 + 3𝑦 − 𝑧 = 5 𝑥 + 𝑦 + 𝑚𝑦 = 1
Exercice 3
ln(𝑥 𝑎 ) = 1 − 2𝑏 − 𝑐
On considère le système (𝑠) {ln(𝑥 𝑎+𝑏 ) = −2 − 𝑐
ln(𝑥 𝑐 ) = −𝑎
d’inconnue (a ; b ; c) ∈ ℝ3 , avec 𝑥 > 0.
1. Donner l’écriture matricielle de (S).

2. On note A(x) la matrice associé au système (S).
a) Montrer que : det A(𝑥 ) = (−2 + ln𝑥 )(1 + ln𝑥 )(−1 + ln𝑥 )
b) Déterminer les valeurs de x pour lesquelles A(x) est inversible
3. Résoudre (S) : pour x = 1 et x = e respectivement.
Exercice 4
0 1 1 1 0 0
On considère les matrices A = (0 0 1) et I = (0 1 0)
0 0 0 0 0 1
A tout réel x, on associe la matrice M(x) défini par :
23
𝑥2
(1) M(𝑥 ) = I + 𝑥A + A2
2
1. CalculerA2 et A3 . En déduire que pour tout entier𝑛 ≥ 3, on a A𝑛 = 0.
2. En utilisant l’égalité (1),
Montrerque∀(𝑥, 𝑦) ∈ ℝ2 , on aM(𝑥)M(𝑦) = M(𝑥 + 𝑦).
3. a) Montrer que [M(𝑥)]𝑛 = M(𝑛𝑥), ∀ 𝑛 ∈ ℕ∗
b) Exprimer M (nx) en fonction de I, A et n. expliciter M(x) et [M(𝑥)]𝑛
1 4 12
c) On donneP = (0 1 4 ). En utilisant 3.b), expliciter P 𝑛
0 0 1
II- ESPACES VECTORIELS ET APPLICATIONS LINEAIRES
1. ESPACES VECTORIELS
1.1Définition
 Soit E un ensemble non vide. On dit que E (muni des lois + et.) est un espace
vectoriel sur ℝ (resp sur ℂ) si les deux conditions suivantes sont satisfaites :
 (E ;+) est un groupe commutatif i.e. ∀ 𝑢, 𝑣, 𝑤 ∈ 𝐸 :
- (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤)
- 𝑢+𝑣=𝑣+𝑢
- 𝑢 + 0𝐸 = 0𝐸 + 𝑢 = 𝑢
- 𝑢 + (−𝑢) = 0𝐸
 ∀𝑢, 𝑣 ∈ 𝐸 et ∀𝛼, 𝛽 ∈ ℝ (resp: ℂ ):
- 𝛼(𝑢 + 𝑣) = 𝛼𝑢 + 𝛼𝑣
- (𝛼 + 𝛽 )𝑢 = 𝛼𝑢 + 𝛽𝑣
- 𝛼(𝛽𝑢) = (𝛼𝛽 )𝑢
- 1. 𝑢 = 𝑢
1.2 Quelques exemples d’espace vectoriels
 L’ensemble ℝ𝑛 ou ℂ𝑛 (𝑛 ≥ 1)
Soit n un nombre entier naturel non nul. L’espace ℝ𝑛 (resp ℂ𝑛 )
désigne l’ensemble des n-uplets d’éléments de ℝ (resp de ℂ)
𝑢 ∈ ℝ𝑛 ⟺ 𝑢 = (𝑢1 , … , 𝑢𝑛 ) 𝑎𝑣𝑒𝑐 𝑢1 ∈ ℝ, ∀ 𝑖 ∈ ⟦1, 𝑛⟧
 L’ensemble Mn(ℝ) des matrices à n lignes et m colonnes à coefficients
dans ℝ.
 L’ensemble ℝ[𝑋] des polynômes à coefficients réels et l’ensemble ℝ𝑛 [𝑋] des
polynômes à coefficients réels dont le degré est inférieur ou égale à n.
P ∈ ℝ𝑛 [𝑋] ⇔ 𝑃 = 𝑎0 + 𝑎1 𝑋 + 𝑎2 𝑋 2 + ⋯ + 𝑎𝑛 𝑋 𝑛 𝑎𝑣𝑒𝑐 𝑎𝑛 = 0 𝑒𝑡 ∀ 𝑖
∈ ⟦1, 𝑛⟧ , ai ∈ ℝ
24
Ne pas confondre ℝ𝑛 et ℝn [𝑋]
1.3 Sous espace vectoriel (s.e.v)
1.3.1 Définition : Soit E un espace vectoriel sur ℝ, et F un sous espace ensemble de E.

on dit que F est sous espace vectoriel de E si :
 F est non vide

 F est stable par combinaison linéaire (i.e.∀𝑢, 𝑣 ∈ F 𝑒𝑡 ∀𝛼, 𝛽 ∈ ℝ, 𝛼𝑢 + 𝛽𝑣 ∈ F
Ou bien(∀𝑢, 𝑣 ∈ F, ∀𝛼 ∈ ℝ ,on a (u+v) ∈ F et 𝛼𝑢 ∈ F).
1.3.2Propriété
Tout sous espace vectoriel (d’un espace vectoriel) est aussi un vectoriel, on montre que
cet ensemble est un sous espace vectoriel d’un espace vectoriel connu.
Exercice
Montrer que l’ensemble E = {𝑢 = (𝑥; 𝑦; 𝑥 + 2𝑦)avec 𝑥, 𝑦, ∈ ℝ}est un espace vectoriel

sur ℝ.
1.4 Base et dimension d’un espace vectoriel
1.4.1Dépendance linéaire
Les vecteurs 𝑢1 , … , 𝑢𝑛 d’un espace vectoriel E sont dits libres ou linéairement

indépendants si toute combinaison linéaire nulle de ces vecteurs entraine que ces
coefficients sonttous nuls.
𝛼𝑖 ∈ ℝ tel que 𝛼1 𝑢1 + ⋯ + 𝑎𝑛 𝑢𝑛 = 0 on a: α1 = ⋯ = α𝑛 = 0
Remarque : Dansℝ𝑛 , p vecteurs sont libres si le rang de la matrice formée par ces
vecteurs est égal à p.
Exercice
Dans chacun des cas suivants, étudier la dépendance linéaire des vecteurs :
a. 𝑢1 = (1; 2; −1), 𝑢2 = (0; 2; 2) et 𝑢3 = (1; 3; 0)

b. 𝑣1 = (3; −2,2) et 𝑣2 = (0; 1; 4)
25
1.4.2 Famille génératrice
Soient 𝑢1 , … , 𝑢𝑛 des vecteurs d’un espace vectoriel E. la famille F = {𝑢1 , … , 𝑢𝑛 }est une
famille génératrice de E(on dit aussi que F engendre E) lorsque tout vecteur de E s’écrit
comme combinaison linéaire des vecteurs de F. Dans ce cas on note :
E = 𝑣𝑒𝑐𝑡 {𝑢1 , … , 𝑢𝑛 } ou E = 〈𝑢1 , … , 𝑢𝑛 〉.
Exercice : Déterminer une famille génératrice de l’espace vectoriel F.
F = {𝑢 = (𝑥; 𝑦; 𝑧) ∈ ℝ3 , 𝑧 = −2𝑥 + 𝑦}.
1.4.3 Base et dimension d’un espace vectoriel
Soit E un espace vectoriel. On appelle base de E toute famille génératrice et libre de E. la

dimension de E, noté dim(E), est le nombre de vecteurs d’une base (quelconque) de E.
Remarque : Une base ne peut contenir le vecteur nul
Exercice : On considère l’E.V.F = {𝑢 = (𝑥; 𝑦; 𝑧) ∈ ℝ3 /𝑧 = −2𝑥 + 𝑦}.
a. Déterminer dim(F).
b. On pose 𝑢1 = (2; 0; 2)et 𝑢2 = (2; 1,0). Montrer que {𝑢1 , 𝑢2 } est une base de F.
1.4.4 Bases canonique de ℝ𝒏 𝐞𝐭 ℝ𝒏 [𝑿]
 Dans ℝ𝑛 , la base canonique est définie par :

𝑒1 = (1; 0; … ; 0), 𝑒2 = (0; 1; … ; 0), … 𝑒2 = (0; … ; 0; 1). Ainsi,
dim (ℝ𝑛 ) = 𝑛 et 𝑢 ∈ ℝ𝑛 ⇔ 𝑢 = 𝑥1 𝑒1 + ⋯ + 𝑥𝑛 𝑒𝑛 ⇔ 𝑢 = (𝑥1 ; … ; 𝑥𝑛 )
 Dans ℝ𝑛 [𝑋], la base canonique est définie par :
𝑒0 = 1 = 𝑋, 𝑒2 = 𝑋 2 , … , 𝑒𝑛 = 𝑋 𝑛 . Donc dim (ℝ𝑛 [𝑋]) = 𝑛 + 1.
2. APPLICATIONS LINEAIRES
2.1Définitions
Soient E et F deux espaces vectoriels sur ℝ et f une application définie de E vers F. on dit
que f est une application linéaire si
∀𝑢, 𝑣 ∈ 𝐸 𝑒𝑡 ∀𝛼, 𝛽 ∈ ℝ, on a f(α𝑢 + 𝛽𝑣) = 𝛼f(𝑢) + βf(𝑣)
On note L(E ; F) l’ensemble des applications linéaires de E vers F.
26
Si l’application linéaire f de E vers F est bijective, on dit que f un isomorphisme.
Lorsque l’application linéaire f est définie de E vers E, alors f est un endomorphisme de
E. on note L(E) l’ensemble des endomorphismes de E.
On appelle automorphisme de E tout endomorphisme de E qui est bijectif.
2.2 Propriétés
 Si E et F deux espaces vectoriels sur ℝ, alors L(E) est un espace vectoriel sur ℝ.
 La composée de deux applications linéaires est une application linéaire.
Exercice Soit l’application f de ℝ3 vers ℝ3 définie par 𝑓 (𝑥; 𝑦; 𝑧) = (2𝑥 + 𝑧; 𝑥 − 𝑦 + 𝑧; 𝑦)
Montrer que f est linéaire puis, expliciter l’application linéaire 𝑓𝑜𝑓
2.3 Matrice d’une application linéaire
2.3.1 Définition
Soient E et F deux espaces vectoriels sur ℝ, BE = (𝑒1 ; … ; 𝑒𝑛 ) et BF = (𝑢1 ; … ; 𝑢𝑚 ) des

bases respectives de E et F. la matrice de f relativement aux bases BE et BF est la matrice
obtenue disposant successivement en colonnes les composantes des
vecteurs f(𝑒1 ), … , f(𝑒𝑛 ) exprimés en fonction des vecteurs de la base BF .
Exercice On considère l’application linéaire f définie de ℝ3 vers ℝ2 définie par :
f(𝑥; 𝑦; 𝑧) = (2𝑥 − 𝑧; 𝑥 − 𝑦 + 𝑧)
a. Déterminer la matrice A de f relativement aux bases canoniques de ℝ3 vers ℝ∗2 .

.
b. On pose 𝑢1 = (−1; 2) et 𝑢2 = (1; −1). Déterminer la matrice M de f relative aux
bases canoniques de ℝ3 et B0 = (𝑢1 , 𝑢2 ) de ℝ2 .
2.3.2 Propriétés
Propriété 1
Soient E, F et G deux espaces vectoriels sur ℝ de bases respectives

g f
BE , BF et BG et E → F → G deux applications linéaires de matrices respectives A et
B relativement aux bases BE , BF et BG . Alors l’application linéaire fog : E⟶ G admet BA
(dans cet ordre) pour matrice.
27
Propriété 2
Soit n un nombre entier naturel non nul et F :E⟶ E un endomorphisme de matrice A

relativement à une base BE de E. Alors l’application f 𝑛 = fofo … ofest un endomorphisme
de E de matrice A𝑛 , relativement à la base BE .
2.4 Noyau et image d’une application linéaire
2.4.1Définitions
Soit f de E vers F une application linéaire. On appelle :
 Noyau de f, noté N(f) ou Ker(f), l’ensemble des vecteurs de E qui ont pour image
par f le vecteur nul de F ,N(f) = {u ∈ E /f(u) = 0F }.
 Image de f, notée Im(f) ou f(E), l’ensemble des vecteurs de F qui ont un
antécédent par f dans E.
Remarque : le noyau de f est un sous espace vectoriel de E tandis que l’image de f est un
sous espace vectoriel de F
2.4.2Propriété
Soit f de E vers F une application linéaire. Alors
dim(E) = dimN(f) + dim Im(f).
2.5 Rang d’une application linéaire
2.5.1 Définition
On appelle rang d’une application linéaire f , notée rg(f), la dimension du sous

espace vectoriel image de f. rg(f) = dim Im(f)
2.5.2Propriété
Soient E et F des espaces vectoriels.
Soit f une application linéairedéfinie de E vers F, de matrice associée A relativement aux

basesBE et BF(de E et F respectivement). Alors rg(f) = rg(A).
Exercice : Soit f l’endomorphisme de ℝ3 défini par :
f(x; y; z) = (𝑥 − 𝑧 + 3𝑧; 3𝑥 + 2𝑦 − 4𝑧; 3𝑥 + 7𝑦 − 17𝑧)
Déterminer : N(f), Im(f) et rg(f).
28
2.6 Quelques propriétés sur les isomorphismes
Propriété 1
Soient E et F deux espaces vectoriels (sur ℝ) de bases respectives BE et BF tels que

dim E = dim F, et f: E ⟶ F une application linéaire de matrice A relativement
auxbases BE et BF. Alors les affirmations suivantes sont équivalentes :
(1) f est un isomorphisme (ou automorphisme)

(2) A est inversible
(3) rg(f) = dim(E)
(4) Im(f) = F (i.e.f est subjective)
(5) N(f) = ={0E } (i.e. f est injective)
Propriété 2
Soit f : E ⟶ E un endomorphisme de matrice A, relativement à une base BE de E. Si f est

bijective, alors f admet une bijection réciproque notée f −1 de matrice A−1 (la matrice
inverse de A).
1 2 −1
ExerciceSoit f un endomorphisme de ℝ de matrice A = ( 0
3
1 1)
−1 3 0
Relativement à la base canonique.
a) Montrer que f est un automorphisme. En déduire N(f) et Im(f).

b) Expliciter la bijection réciproque f −1 de f. En déduire A−1 .
TRAVAUX DIRIGES
Exercice 1
On considère l’ensemble E = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑥 − 𝑦 + 2𝑧 = 0}
1. Montrer que E est sous espace vectoriel de ℝ3 .

2. Déterminer la dimension de E.
3. Montrer que les vecteurs 𝑢 = (1,3,1) et 𝑤 = (0,2,1) forment une base de E.
Exercice 2
Soient B = {𝑒1 , 𝑒2 , 𝑒3 } la base canonique de ℝ3 et f l’endomorphisme de ℝ3

défini par : f(e1 ) − e1 = 4(e2 − e3 ), f(e2 ) − 3e2 = −2(2e3 − e1 )
et f(e3 − e1 ) + e3 = f(e2 − e1 ) + e2
1. Déterminer la matrice M de f relativement à la base de B.

2. a) Montrer que f un automorphisme.
b) En déduire Im (f) et N (f)
c) Calculer M 2 . En déduire la matrice M −1 de la bijection réciproque f −1 de f
29
d) Soit 𝑢 = (𝑥, 𝑦, 𝑧) ∈ ℝ3 . Déterminer f −1 (𝑢).
3. On considère l’ensemble G = {𝑢 ∈ ℝ3 /f(𝑢) = 𝑢}
a) Vérifier que 𝑣 = (−1; −2; 2) ∈ G
b) Montrer que G est un s.e.v de ℝ3
Exercice 3
Soient B = (e1 , e2 , e3 ) la base canonique de ℝ3 et f l’application de ℝ3 vers ℝ3 définie par

f (e1 ) = 2e1 − 3e2 + e3 ; f (e2 ) = e1 − e2 et f (e3 ) = e2 − e3
1. Ecrire la matrice de f dans la base B

2. Calculer M 2 et M 3
3. Déterminer une base de Ker(f) et une base de Im(f) ainsi que leurs dimensions
respectives.
4. On poseu1 = f 2 (e3 ), u2 = f(e3 )et u3 = e3 . Montrer que B ′ = (u1 , u2 , u3 ) est une
base de ℝ3
5. Donner la matrice de passage P de la base B à la base B’. Calculer P −1
6. Déterminer :
a) Les composantes du vecteurv = −2e1 + 3e2 − e3 , dans la base B’.
b) La matrice N de l’application f, dans la base B’.
Exercice 4
Soient B0 = (𝑒1, 𝑒2 ) et B1 = (i, j, k) les bases canoniques respectives de ℝ2 et ℝ3 . On

considère les applications linéaires suivantes :f ∶ ℝ3 → ℝ2
(𝑥, 𝑦, 𝑦) ⟼ (𝑥 − 𝑧; −𝑥 + 2𝑦)
g: ℝ2 → ℝ3 (𝑥, 𝑦) ⟼ (𝑥 − 𝑧; 2𝑦; −𝑥 )
Et on poseh = gof
Partie A
1. Déterminer Ker(g) et Im(g).
2. a) Déterminer la matrice A de f relativement aux basesB0 et B1.
b) Vérifier que la matrice de g relativement aux bases B0 et B1 est 𝑡𝐴
3. On note M la matrice de h relativement à la base B1

a) Sans déterminer la matrice M, justifier qu’elle est symétrique.
b) Déterminer l’expression de h en fonction de x, y et z
30
2 −2 −1
c) En déduire que relativement à B1 , on a M = (−2 4 0)
−1 0 1
d) h est-il un automorphisme ? Justifier votre réponse
4. On pose u1 = 2i + j + 2k ; u2 = g(𝑒2 ) et 𝑢3 = k
a. Montrer que B2 = (𝑢1 , 𝑢2 , 𝑢3 ) est une base de ℝ3
b. Déterminer la matrice N de h relativement à B1 .
Partie B
On considère l’ensemble E = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /2𝑥 + 𝑦 = 𝑧}
1.
a. Montrer que E est un espace vectoriel sur ℝ
b. On pose : 𝑣1 = j + k et 𝑣2 = i − 2j. Montrer queB3 = (𝑣1, 𝑣2 ) est une base de E
3
2. Soit h0 l’application définie sur E par h0 (𝑥, 𝑦, 𝑧) = h(𝑥, 𝑦, 𝑧) + (𝑥; 2𝑦; 0)
2
a. Montrer que h0 est un endomorphisme de E.
b. Déterminer la matrice H deh0 relativement à B3 .
3. Déterminer le noyau et l’image de h0 . Préciser une base pour chacun de ces
espaces vectoriels.
III- REDUCTION DES ENDOMORPHISMES
1. Changement de base
Dans cette partie, E un espace vectoriel de dimension n, B et B’ deux bases de E.
1.1 Matrice de passage
La matrice de passage de la base B à la base B’ est la matrice inversible P dont les

colonnes sont constituées des composantes des vecteurs successifs de la base B’
exprimés en fonction des vecteurs de la base B.
1.2 Formules de changement de base
1.2.1Changement de base pour les vecteurs
Propriété : Soit P une matrice de passage de la base B à la base B’ et u un vecteur de E

tel que : 𝑢 = (𝑎1 ; … ; 𝑎𝑛 ) dans la base B et 𝑢 = (𝑎′ 1 ; … ; 𝑎′ 𝑛 )dans la base B’. Alors :
31
𝑎1 𝑎′1 𝑎′1 𝑎′1
⋮ −1
( ) = P ( ⋮ ) et ( ⋮ ) = P ( ⋮ )
𝑎2 𝑎′𝑛 𝑎′𝑛 𝑎′𝑛
1.2.2 Matrices semblables
Définition : Deux matrices M et N sont dites semblables s’il existe une matrice
inversible Q telle que M = Q N Q−1 .
Propriété : Si M et N sont deux matrices semblables, alors :
 det M = det N
 det(M − I) = det(N − I)
1.2.3 Changement de base pour les matrices
Propriété : Soient f un endomorphisme de E de matrices M relativement à la base B et N

relativement à la base B’ et soit P la matrice de passage de la base B à la base B’.
Alors on a :
𝐍 = 𝐏 −𝟏 𝐌𝐏 𝐞𝐭 𝐌 = 𝐏𝐍𝐏 −𝟏
Remarque : Les matrices M et N sont semblables.
Exercice : On note B0 = (𝑒1 , 𝑒2 , 𝑒3 ) la base canonique de ℝ3
Soit f ∈ L tel que f(𝑥, 𝑦, 𝑧) = (2𝑥 − 𝑦 + 𝑧; −𝑥 + 𝑦 + 𝑧; 𝑥 − 2𝑦)
1. Déterminer la matrice A de f relativement à la base B0

2. On considère les vecteurs 𝑢1 = 𝑒1 + 𝑒3 et 𝑢2 = −2𝑒1 + 𝑒2 − 𝑒3
a. Montrer que B1 = (𝑢1 , 𝑢2 , 𝑒3 ) est une base de ℝ3
b. Déterminer la matrice de passage P de la base B0 et B1 puis la matrice M de f
relativement à B1 .
2. DIAGONALISATION
Soient E un espace vectoriel de dimension n et f un endomorphisme de E de matrice A

relativement à une base B de E.
32
2.1 Eléments propres et polynôme caractéristique de f
 On dit qu’un vecteur non nul u de E est un vecteur propre de f (ou de A) s’il existe
un réel tel que f(u) = u (ou Au=u). le réel  est alors appelé valeur propre
associée au vecteur propre u. l’ensemble des valeurs propres de f est appelé le
spectre de f notésp(f).
 On appelle polynôme caractéristique de f (ou de A) le polynôme noté PA (𝑥) et
défini par ∶ PA (𝑥) = det(A − 𝑥I) où I désigne la matrice unité d’ordre n. les
racines de ce polynôme sont les valeurs propres de f. Ainsi,∈ sp(f) ⇔
det(A − I) = 0 et en particulier on a : 0 ∈ sp(f) ⇔ det(A) = 0.
Remarques
 Les matrices A et t A ont le même polynôme caractéristique.

 Le degré du polynôme caractéristique est égale à l’ordre de la matrice A. donc A
admet au plus n valeurs propres.
2.2 Sous espaces propres (s.e.p)
2.2.1Définition Soit  une valeur propre de f. on appelle sous espace propre associé à
, noté E , le noyau de l’application linéaire (f − idE ) où idE désigne l’endomorphisme
identité de E (elle admet I pour matrice, I étant la matrice unité d’ordre n).
E = {u ∈ E/ (f − idE )(u) = 0E } = {u ∈ E /(A − I)u = 0E }.
2.2.2Propriété
Soit A une matrice carrée d’ordre n et  une valeur propre d’ordre (de multiplicité) m de
A. Alors :
 1 ≤ dimE ≤ 𝑚
 En particulier si 𝑚 = 1 ( est une valeur propre simple), dimE = 1
 dimE = n − rg(A − I).
2.3 Propriétés
Soit A une matrice carrée d’ordre n
 Si un polynôme P(x) de degré n est tel que P(A) = 0, alors il existe un réel non nul
𝛼 tel queP(x) = αPA (x).
 Si n = 2 (i.e. A est une matrice carrée d’ordre 2), alors le polynôme caractéristique
de A s’écrit PA (x) = x 2 − (trA)x + det A
33
 Si n = 3 (i.e A est une matrice carrée d’ordre 3) : le polynôme caractéristique de A
s’écrit : PA (x) = −x 3 + (trA)x 2 − (tr comA)x + det A
1 + 2 + 3 = tr A
1 , 2 , 3 ∈ sp(A) ⇔ {
1 . 2 . 3 = det A
2.4 Diagonalisation
2.4.1Définition
Diagonaliser l’endomorphisme f de E, c’est trouver une base de E dans laquelle la

matrice de f est diagonale.
A étant la matrice de f relativement à la base B, s’il existe une baseB′ = (𝑢1 ; … ; 𝑢𝑛 ) de E

formée essentiellement de vecteurs propres, alors la matrice D de f dans cette base est
diagonale et on a D = P −1 A P où P est la matrice de passage de la base B à la base B’. La
matrice diagonale D est de la forme :
1 0 0
D=(0 ⋱ 0)
0 0 n
Où, pouri fixé, i est la valeur propre associée au vecteur propre 𝑢𝑖 .
Remarques
 Dans D, les valeurs propres se répètent chacune selon son ordre de multiplicité.
 La disposition des valeurs propres dans D tient compte de la disposition des
vecteurs propres dans P. En effet, pour i fixé, la valeur propre i et le vecteur
propre ui sont respectivement situés aux colonnes i des matrices D et P.
2.4.2 Propriétés
Propriété 1 : Une matrice carrée d’ordre n’admettant n valeurs
Propres distincts deux à deux est diagonalisable.
Propriété 2 : Une matrice carrée d’ordre n est diagonalisable si et seulement si la

somme des dimensions des sous espaces propres associés est égale à n.
Propriété 3 :Une matrice carrée symétrique à coefficients réels est diagonalisable et

toutes les valeurs propres sont réelles.
−1 1 1
Exercice : On considère la matrice suivante : A = ( 3 5 3)
1 1 −1
34
1. Déterminer les valeurs propres de A.
2. Montrer que A est diagonalisable.
3. Diagonaliser A.
3. APPLICATIONS
3.1 Résolution des systèmes différentiels
Nous nous proposons résoudre le système différentiel linéaire suivant :
dy1
= a11 y1 + ⋯ + a1n yn
dx
(s) ⋮
dyn
= an1 y1 + ⋯ + ann yn
{ dx
Où les fonctionsyi sont les inconnues du système. Le système. Le système (S) s’écrit sous
la forme matricielle.
dY
(1) (s) ⇔ = AY
dx
y1 a11 ⋯ a1n
OùY = ( ⋮ ) et A = ( ⋯ ⋯ ) ∈ ℳn (ℝ). Supposons que la matrice A est
yn an1 ⋯ ann
diagonalisation (i.e il existe une matrice inversible P telle que
1 0 0
−1
(2) P A P = D = ( 0 ⋱ 0 ) avec i ∈ ℝ, ∀ i
0 0 n
dY
En injectant (2) dans (1), il vient (3) P −1 dx = A P −1 Y
u1
Dans (3), posonsU = P −1 Y = ( ⋮ ). Le système (3) est alors équivalentà :
un
du1
= 1 u1
dx
dU
(4) dx = DU ⇔ { ⋮
dun
=  n un
dx
35
k1 e1
Le système (4) admet pour solutionU = P −1 Y = ( ⋮ ) (k i ∈ ℝ, ∀ i)
kn en
La solution du système (S) s’écrit alors
k 1 e 1
Y = P ( ⋮ ) (ki ∈ ℝ, ∀ i)
k n en
dx
= 2x − y
dt
Exercice : Résoudre le système différentiel (𝑆) {dy
= −x + 2y
dt
3.2 Calcul de lapuissance 𝐧𝐢è𝐦𝐞 d’une matrice
Soit A une matrice carrée d’ordre m. supposons que A est semblable à une matrice
diagonal D ; c’est-à-dire qu’il existe une matrice inversible P telle que :
n 0 0
P −1 AP = D = ( 0 ⋱ 0 ) avec (ki ∈ ℝ, ∀ i)Alors :A = P D P −1 . On en déduit
0 0 m
1n 0 0
que ∀𝑛 ∈ ℕ , An = P Dn P −1 avec Dn = ( 0 ⋱ 0 ).
0 0 nm
36
TRAVAUX DIRIGES
Exercice1
Soient (𝑢𝑛 ) et 𝑣𝑛 deux suites numériques telles que :
𝑢𝑛 = 𝑢𝑛+1 + 4𝑣𝑛−1
∗
∀𝑛 ∈ ℕ , { et 𝑢0 = 𝑣0 = 1
𝑣𝑛 = 2𝑢𝑛−1 − 4𝑣𝑛−1
1. a) Donner l’écriture matricielle du système récurrent (on notera A la

matrice associée)
𝑢𝑛
b) on pose X n = ( 𝑣 ). Exprimer X n en fonction de X n−1 puis en
𝑛
fonction de N
2. Diagonaliser A.
3. En déduire l’expression de chacun des termes 𝑢𝑛 et 𝑣𝑛 en fonction de n.
Exercice2
1. On considère la fonction g définie sur ℝ par :

g(x) = −𝑥 3 + 24𝑥 2 − 180𝑥 + 432
a) Dresser le tableau de variation de la fonction g.
b) En déduire toutes les racines de la fonction g
2. On considère E un espace vectoriel de dimension 3 muni de la base
B = (𝑒1, 𝑒2 , 𝑒3 )et f l’endomorphisme de E définie par :
f(𝑒1) = 10𝑒1 − 2𝑒2 − 2𝑒3

{ f(𝑒2) = −2𝑒1 + 7𝑒2 + 𝑒3
f(𝑒3) = −2𝑒1 + 𝑒2 + 7𝑒3
Soit A la matrice de l’endomorphisme f relativement à la base B
a) Donner l’expression explicite de la matrice A.

b) Donner le noyau N et l’image I de l’endomorphisme f.
3. a) Montrer que le polynôme caractéristique de A est g(x)

b) En déduire les valeurs propres de A.
c) L’endomorphisme f est-el diagonalisable ? Justifier votre réponse.
4. a) Déterminer une base B′ = (𝑢1, 𝑢2 , 𝑢3 ) formée de vecteurs propres de f

telle que :
37
- 𝑢1 a pour 1ère composante le réel 1 et pour 3è composante le réel 0
- 𝑢2 a pour 1ère composante le réel 0 et pour 3è composante le réel -1
- 𝑢3 a pour 1ère composante le réel -1.
5. Soit P la matrice de passage de la base B à la base B’

a) Montre que P −1A Pest une matrice diagonale D
b) Donner l’expression explicite de la matrice A𝑛 (𝑛 ∈ ℕ)
6. On considère le système des suites récurrentes définies, pour 𝑛 ∈ ℕ∗ par
𝑢𝑛+1 = 10𝑢𝑛 − 2𝑣𝑛 − 2𝑤𝑛

{ 𝑣𝑛+1 = −2𝑢𝑛 + 7𝑣𝑛 + 𝑤𝑛 avec (𝑢0 , 𝑣0 , 𝑤0 ) = (−1,2,3)
𝑤𝑛+1 = −2𝑢𝑛 + 𝑣𝑛 + 7𝑤𝑛
𝑢𝑛 𝑢0
a) Montrer que∀𝑛 ∈ ℕ ( 𝑣𝑛 ) = 𝐴 ( 𝑣0 ).
∗ 𝑛
𝑤𝑛 𝑤0
b) En déduire le terme général de chacune des suites : (𝑢𝑛 ), (𝑣𝑛 )et (𝑤𝑛 ).
Exercice 3
L’espace vectoriel ℝ3 est muni de sa base canonique B = (e1,e2,e3).
On considère l’endomorphisme deℝ3, 𝑓 défini par
𝑓 (𝑥 ) = (3𝑥 + 𝑦 − 𝑧; −𝑥 + 𝑧; −𝑥 − 3𝑦 + 3𝑧)
1- Déterminer la matrice A de 𝑓 relativement à la base B.

2- a) Montrer que 2 est une valeur propre de 𝑓.
b) En déduire les autres valeurs propres.
c) 𝑓 est – il diagonalisable ? Justifier.
3- a) Démontrer qu’il existe un seul vecteur propre v dont la première

coordonnée est 1.
b) Montrer que B’= (v, e2,e3) est une base de ℝ3.
4- Soit 𝑔 l’endomorphisme de ℝ3 défini par 𝑔(𝑥, 𝑦, 𝑧) = (0, 𝑦, −𝑥 + 𝑧).
a) Déterminer la matrice G de 𝑔 relativement à la base B.

38
b) Déterminer la matrice C de l’endomorphisme 𝑔𝑜𝑓 relativement à la
base B.
5- a) Vérifier que 2 est une valeur propre de 𝑔𝑜𝑓 et déterminer le sous-
espace vectoriel propre E correspondant à cette valeur propre.
b) Donner une base de E dont un vecteur w a pour première

coordonnée le nombre zéro.
6- a) Démontrer que B’’= (v,w,e3) est une base de ℝ3.
b) Déterminer la matrice T de 𝑓 relativement à la base B’’.
Exercice4
L’espace vectoriel réel ℝ3 est supposé muni de sa base canonique

B=(e1,e2,e3).
On considère l’endomorphisme 𝑓 de ℝ3 dont la matrice relativement à la

base B est
10 −2 −2
A = (−2 7 1)
−2 1 7
PARTIE A
1- Montrer que 6 et 12 sont des valeurs propres de 𝑓.

2- Déterminer la 3e valeur propre de 𝑓.
3- Montrer que 𝑓 est un automorphisme de ℝ3.
4- Déterminer l’antécédent par 𝑓 du vecteur u = e1 + e2 + e3.
PARTIE B
1- Montrer que les vecteurs i = (1, 0, 2) et j = (0, 1, -1) sont des vecteurs
propres de la matrice A associés à la valeur propre 6.
2- La matrice A est-elle diagonalisable ? Si oui, donner une matrice de
passage P qui permet de la diagonaliser.
3- Pour tout entier naturel non nul n, on pose 𝑓 n= 𝑓𝑜𝑓𝑜𝑓𝑜 … 𝑜𝑓. (𝑓
composée par elle-même n fois).
Déterminer les coordonnées dans la base B du vecteur 𝑓 8(u).
39
EXERCICE 5
On désigne par E l’espace vectoriel ℝ3 muni de sa base canonique B = (e1,e2,e3).
𝑓 m(e1) = 3𝑒1 + 2𝑒2 − 𝑒3
𝑓𝑚 (𝑒2 ) = 𝑒1 − 3𝑒2 + 2𝑒3
𝑓𝑚 (𝑒3 ) = (2𝑚 − 11)𝑒1 − 𝑚𝑒2 + (𝑚 − 1)𝑒3 . (𝑚est un paramètre réel).
1- 𝐴𝑚 désigne la matrice de l’endomorphisme 𝑓𝑚 relativement à la base

canonique B.
a) Donner l’expression de 𝐴𝑚 .
b) Pour quelles valeurs de m∈ ℝ, la matrice 𝐴𝑚 est-elle une matrice de
rang 2 ? Justifier.
c) Existe-t-il des valeurs de m∈ ℝ, pour lesquelles la matrice 𝐴𝑚 est une
matrice de rang 1 ? Justifier.
2- On note A la matrice 𝐴0 (𝐴0 désigne la matrice 𝐴𝑚 pour m = 0) et 𝑓
designe 𝑓0
a) Déterminer le noyau N de 𝑓 et donner une base de N.
b) En déduire de la question a) que l’endomorphisme 𝑓 n’est pas un
automorphisme.
c) I désigne l’image de 𝑓. Déterminer I et donner une base de I.
3- a) On appelle polynôme caractéristique de la matrice A, le polynôme
note 𝑃𝐴 (𝑥) = det (A – xI) (I désignant la matrice unité d’ordre 3)
𝑃𝐴 (𝑥 ) = −𝑥 3 − 𝑥 2 + 22𝑥.
𝑏)En déduire toutes les valeurs propres de la matrice A.
𝑐) La matrice A est-elle diagonalisable ? Justifier.
4- a) Montrer qu’il existe une matrice carrée P inversible telle que 𝑃−1𝐴𝑃 =
D
𝑥
b) On pose X = (𝑦)
𝑧
𝑥 (0) = 1
𝑑𝑋
Intégrer le système différentiel = 𝐷𝑋avec{𝑦(0) = −2.
𝑑𝑡
𝑧(0) = 3
40
Exercice 6
Soit f ∈ ℒ(ℝ3 ) dont la matrice relativement à la base canonique est :
−4 −2 8
A=( 1 2 −1)
−5 −2 9
1. Montrer que la matrice A est inversible, puis calculer A−1
2. a) On poseu = (2; 2; 2). Déterminer le vecteur v = (x; y, z) de ℝ3 tel que :
f(v) = u. Que peut en déduire ?
b) Déterminer les valeurs propres de f (On les notera : 1 , 2et 3avec1 >
2 > 3 )
c) f est-il diagonalisable ? Justifier.
3. a) Déterminer les sous espaces propres associées
b) Donner une base B de ℝ3 formé de vecteurs propres de f telle que
relativement à cette base B, la matrice de f soit :
1 0 0
D = (0 2 0 ).
0 0 3
c) Donner la matrice de passage de la base canonique à la base B.
4. Résoudre le système différentiel (S):

x′(t) = −4x(t) − 2y(t) + 8z(t)
{ y ′ ( t) = x(t) + 2y(t) − z(t)
′( )
z t = −5(t) − 2y(t) + 9z(t)
41
CHAPITRE III : SERIES NUMERIQUES – SERIES DE FOURIER
I- SERIES NUMERIQUES
1. Définition
Soit (Un) une suite numérique ; on appelle série de terme générale (Un) la suite des
sommes partiellesS = ∑𝑛𝑘=𝑛0 U𝑘 . Elle se note simplement∑𝑛≥𝑛0 U𝑛 , n0 étant l’indice du
terme initial de la série. La série ∑𝑛≥𝑛0 U𝑛 converge si lim ∑𝑛𝑘=𝑛0 U𝑘 est finie. La limite de
∞
série s’écrit ∑∞
𝑛 U𝑛 et est appelée somme de la série.
1
Exemple : La série de terme générale U𝑛 = 1 + , 𝑛 ≥ 1.
𝑛2
1 1 1
On a ∑𝑛≥1 U𝑛 = (1 + ) (1 + ) + ⋯ + (1 + )
12 22 𝑛2
2. Condition nécessaire de convergence
Propriété : Si la série de terme générale∑𝑛≥𝑛0 U𝑛 converge,
Alorslim U𝑛 = 0
∞
La réciproque est fausse
1
Exercice : Etudier la convergence de la série ∑𝑛≥1 1
𝑛2 ln(1+ 2 )
𝑛
2.1 Séries géométriques
Définition On appelle série géométrique une suite de somme partielle dont le terme
2
générale est une suite géométrique. Ex : ∑𝑛≥1
3𝑛
Propriété : Soit (Un) une suite géométrique de raison q. Alors la série géométrique
u𝑛𝑜
∑𝑛≥𝑛0 U𝑛 converge vers si |q| < 1 et diverge sinon.
1−q
2.3 Série à termes positifs
Série de Riemann
1
Ce sont les séries de la forme ∑𝑛≥1 avec 𝛼 ∈ ℝ. Elles convergent si 𝛼 > 1 et divergent
𝑛α
sinon.
42
1 3
Exemple : La série de Riemann∑𝑛≥1 converge car 𝛼 = >1
𝑛 √𝑛 2
3. Majoration – Minoration
Propriété : Soient ∑𝑛≥𝑛0 U𝑛 et ∑𝑛≥𝑛1 v𝑛 deux séries à termes positifs telles qu’a partie
d’un certain rang N on ait Un ≤ Vn. Alors :
 ∑𝑛≥𝑛0 U𝑛 diverge ⇒ ∑𝑛≥𝑛1 v𝑛 diverge

 ∑𝑛≥𝑛1 v𝑛 converge ⇒ ∑𝑛≥𝑛0 U𝑛 converge
sin2 𝑛
Exercice : Etudier la convergence de série ∑𝑛≥𝑛1
𝑛3 +1
4. Emplois des équivalences
Propriété : Soient ∑𝑛≥𝑛0 U𝑛 et ∑𝑛≥𝑛1 v𝑛 deux séries à termes positifs telles qu’a partir
d’un certain rang N, on fait Un∼Vn. Alors les séries∑𝑛≥𝑛0 U𝑛 et ∑𝑛≥𝑛1 v𝑛 sont de même
nature
Exercice :
ln(1+𝑛)−ln 𝑛
Etudier la convergence de la série de terme générale U𝑛 =
𝑛
5. Les critères de convergence
Soit∑𝑛≥𝑛0 U𝑛 une série à termes positifs. Alors nous avons les critères de convergence
suivants :
Les critères de Cauchy
L < 1 ⇒ ∑𝑛≥𝑛0 U𝑛 converge
𝑛
Soit L = lim √U𝑛 , Alors L > 1 ⇒ ∑𝑛≥𝑛0 U𝑛 diverge
∞
{ L = 1: On ne peut rien dire
43
Le critère de l’Alembert
L < 1 ⇒ ∑𝑛≥𝑛0 U𝑛 converge
𝑢𝑛+1
Soit L = lim Alors L > 1 ⇒ ∑𝑛≥𝑛0 U𝑛 diverge
∞ 𝑢𝑛
{ L = 1: On ne peut rien dire
Remarque : Si la règle de l’Alembert donne une réponse, alors la règle de Cauchy

donnera également une réponse. Mais quand la règle de Cauchy ne donne pas de
réponse, ça ne vaut pas la peine d’essayer celle de d’Alembert.
𝑛! 2𝑛+1 n
Exercice : Etudier la convergence des séries ∑𝑛≥1 𝑛
et ∑𝑛≥1 ( )
𝑛 3𝑛−1
6. Série alternées
Ce sont des séries dont les termes sont alternativement positifs et négatifs.
(−1)𝑛
Exemple :∑𝑛≥0 cos 𝑛𝜋 et ∑𝑛≥1
𝑛
Propriété : Soit ∑𝑛≥𝑛𝑜 U𝑛 une série alternée. Si la suite |U𝑛 | et décroît et tend vers 0
alors ∑𝑛≥𝑛𝑜 U𝑛 converge.
(−1)𝑛
Exercice : Etudier la convergence de la série ∑𝑛≥1 .
𝑛
7. Séries à termes de signe quelconque

Ce sont des séries qui sont ni alternées, ni à terme positifs
cos 𝑛
Exemple : ∑𝑛≥0 sin 𝑛 et ∑𝑛≥0
𝑛2
7.1 Définition :La série ∑𝑛≥𝑛0 U𝑛 converge absolument si∑𝑛≥𝑛0|U𝑛 | converge.
Propriété : Si la série∑𝑛≥𝑛0 U𝑛 converger absolument, alors elle converge.

La réciproque est fausse.
cos 𝑛
Exercice : Etudier la convergence de la série ∑𝑛≥0 .
𝑛2
44
II- SERIES DE FOURIER
1. Définitions
Soit f une fonction numérique ou complexe T-périodique et continue sur tout intervalle
fermé deℝ. On appelle :
 Coefficients (réels) de Fourier de f les nombres a0 , a𝑛 , et b𝑛 définis par :

𝛼+T α+T α+T
1 2 2
a0 = ∫ f(t)dt a𝑛 = ∫ f(t) cos nωt dt et b𝑛 = ∫ f(t) sin nωt dt
T T T
𝛼 α α
2π
Où 𝛼 ∈ ℝ et ω =
T
 Série de Fourier de f, la série trigonométrique de terme général 𝑢𝑛 =

(a𝑛 cos nωt + b𝑛 sin nωt) et le développement en série de Fourier de f s’écrit :
∞
Sf (t) = a0 + ∑ (a𝑛 cos nωt + b𝑛 sin nωt)

𝑛=1
Où a0 , a𝑛 , et b𝑛 désignent les coefficients de Fourier de f.

1.1 Coefficients de Fourier et parité de f
Soit f une fonction numérique T-périodique et continue sur ℝ. Alors :
 Si f est paire, on a :
T T
𝛼+ 2 α+2
2 4
a0 = ∫ f(t)dt, a𝑛 = ∫ f(t) cos nωt dt et b𝑛 = 0, ∀ 𝑛 ≥ 1
T T
𝛼 α
 Si f est impaire, on a :
T
4 α+ 2
a0 = 0, a𝑛 = 0 et a𝑛 = ∫α
f(t) sin nωt dt , ∀ 𝑛 ≥ 1.
T
Soit f la fonction 2𝜋- périodique définie par f(t) = t, ∀ |t| < 𝜋
Représenter puis déterminer sa série de Fourier de f.
45
2. Ecriture complexe de la série de Fourier
Soit f une fonction numérique ou complexe T-périodique sur ℝ et continue sur tout
intervalle fermé de ℝ . Alors la série de Fourier de f peut s’écrire :
+∞
∑ C𝑛 𝑒 jnωt
−∞
Où les C𝑛 (𝑛 ∈ ℤ) désignent les coefficients complexes de Fourier et sont définis par :
𝛼+T
1
C𝑛 = ∫ f(t)e−jnωt dt (𝑛 ∈) ℤ
T
𝛼
2.1 Propriété
Les coefficients complexes C𝑛 et les coefficients réels a0 , a𝑛 , et b𝑛 de Fourier sont liés

par les relations suivantes :
1 1
a0 = c0et ∀ 𝑛 ≥ 1, C𝑛 = (a𝑛 − jb𝑛 ), |C𝑛 | = |C−𝑛 | = √a𝑛 2 + b𝑛 2
2 2
Exercice : Soit la fonction 2𝜋- périodique définie par f(t) = 𝑒 t , t ∈ [−π, π[
a) Déterminer les coefficients de Fourier.

b) Ecrire la série de Fourier de f.
3. Convergence
3.1 Définition
On dit qu’une fonction périodique f satisfait aux conditions de Dirichlet si :
 f est continue, dérivable et sa dérivée f ‘ est continue sur un intervalle période, sauf
en un nombre fini de points en lesquels f n’est pas continue.
 en ces points particuliers, f et f ‘ admettent des limites finies a gauche et a droite.
Propriété : Si la restriction de f à un intervalle périodique est deux fois dérivables, alors

f satisfait aux conditions de Dirichlet.
4. Théorème (de convergence de Dirichlet)
Si une fonction f satisfait aux conditions de Dirichlet, alors :
 la série de Fourier de f converge vers f(t), si f est continue en t.
46
1
 la série de Fourier de f converge vers [f(t − +
0 ) + f(t 0 )]si t 0 est un point de
2
discontinuité (où f(t −
0) = lim− f(t)et f(t +
0 ) = lim+ f(t)
t→t0 t→t0
4.1 Définition
Soit f une fonction T-périodique et continue sur tout l’intervalle fermé de ℝ. On dit que f
est développable (ou décomposable) en série de Fourier sur ℝ, si sa série de Fourier
associés converge sur ℝ en chaque point et pour toutt ∈ ℝ, elle admet pour somme f(t).
Exercice
Soit f la fonction numérique 2𝜋- périodique, paire définie par :
f(t) = t, ∀ t ∈ [0, π]
a) représenter f sur[−3𝜋; 3𝜋] .

b) Montrer que f est développable en série de Fourier.
c) Déterminer la série de Fourier associée à f.
1 𝜋2
d) Montrer que ∑∞
𝑝=0 2 = .
(2𝑝 +1) 8
1
e) En déduire la somme de la série de Riemann ∑𝑛≥1
𝑛2
Remarque : la série de série de Fourier d’une fonction f peut s’écrire :

∞
Sf (t) = a0 + ∑ A𝑛 cos(nωt + φn )
𝑛=1
b𝑛
Il suffit de poser A𝑛 = √a2𝑛 + b𝑛
2 et φ = arctan ( ), a ≠ 0, ∀ 𝑛
𝑛 𝑛
a𝑛
5. Théorème de Parseval
Soient f une fonction T-périodique et continue sur tout intervalle fermé de ℝ et Sf (t) =
a0 + ∑∞
𝑛=1(a𝑛 cos nωt + b𝑛 sin nωt)sa série de Fourier. Alors on a l’égalité
suivante :
𝛼+T ∞
1 1
∫ f 2 (t) = a20 + ∑(a𝑛 2 + b𝑛 2 ) formule de Parseval)
T 2
𝛼 𝑛−1
47
Exercice
Soit f la fonction 2𝜋- périodique définie par f(t) = t, ∀|t| < 𝜋.
a) Déterminer la série de Fourier de f

1 𝜋2
b) Montrer en utilisant la formule de Parsevalque ∑𝑛≥1 = .
𝑛2 6
III- Travaux digérés
Exercice 1
Etudier dans chaque cas, la convergence de la série de terme général :

2
𝑛2 𝑛 𝑛 sin 𝑛 1
𝑢𝑛 = , 𝑣𝑛 = ( ) , 𝑤𝑛 = 2 et 𝑧𝑛 = ln (1 − 2 )
(2𝑛)! 𝑛+1 𝑛 −4 𝑛
Exercice 2
On considère la fonction f, périodique de période 4, paire, définie sur [0; 2[ par :

x
−1 si 𝑥 ∈ ]0; 2]
f(x) = {4
0 si 𝑥 = 0
1. Représenter graphiquement la fonction f sur l’intervalle [−3; 9]

2. a) Donner la limite à droite de la fonction f au point d’abscisse 0, notée f(0+ )
b) Donner la limite à gauche de la fonction f au point d’abscisse 0, notée f(0− )
c) La fonction f est-elle continue au point d’abscisse 0 ? Justifier la réponse.
3. a) Soient (a𝑛 )et (b𝑛 )les coefficients de Fourier réels de f.

Déterminer :𝑎2𝑝 , 𝑎2𝑝+1 (pour 𝑝 ∈ ℕ), et 𝑏𝑛 (pour 𝑛 ∈ ℕ).
b) Montrer que la série de Fourier de f au point x est :
∞ π𝑥
3 2 cos [(2𝑝 + 1) ]
2
Sf (x) = − − 2 ∑
4 π (2𝑝 + 1)2
p=0
c) En tout point de l’intervalle[0; 2[ , a-t-on f(x) = 𝑆f (𝑥) ? Justifier la réponse.

1
4. a) Montrer que la série ∑𝑝≥0 2 converge.
(2𝑝 +1)
1
b) De l’expression de Sf (0), donner la somme de la série∑𝑝≥2 2
(2𝑝 +1)
48
Exercice 3
Partie A
Soit n un entier naturel non nul. On considère la série numérique ∑𝑛≥1 𝑢𝑛 de terme
1
générale 𝑢𝑛 =
4𝑛2 −1
1. Déterminer que cette série est convergente.

𝑎 𝑏
2. Déterminer les réels a et b tels que :𝑢𝑛 = +
2𝑛−1 2𝑛+1
𝑝
3. On pose Sp = ∑𝑛=1 𝑢𝑛
Exprimé Sp en fonction de p. En déduire la somme ∑+∞

𝑛=1 𝑢𝑛
Partie B
Soit f la fonction numérique, paire, 2𝜋-périodique définie par :
f(t) = 1 − sin 𝑡 𝑠𝑖 0 ≤ 𝑡 ≤ 𝜋
9𝜋 9𝜋
1. Tracer la courbe représentative de f sur [− ; ]
2 2
2. a) Justifier que ∀ 𝑛 ∈ ℕ, 𝑏𝑛 = 0
b) Calculer𝑎0 et 𝑎1
c) Calculer𝑎2𝑝+1 , 𝑎2𝑝 ∀ 𝑝 ∈ ℕ∗
3. a) Montrer que la fonction f vérifie les conditions de Dirichlet

b) Ecrire le développement en série de Fourier de la fonction f.
c) En utilisant le développement en série de Fourier de la fonction f, calculer
la somme ∑+∞
𝑛=1 𝑢𝑛 .
Exercice 4
Soit f la fonction de ℝ vers ℝ2𝜋-périodique, impaire définie par :

𝜋
𝑡 𝑠𝑖 0 ≤ 𝑡 <
2
𝜋
f(t) = { et prenant des valeurs quelconques aux points 𝑒𝑡 𝜋
𝜋 2
α 𝑠𝑖 <𝑡<𝜋
2
𝛼 étant un nombre réel non nul.
49
1. Représenter f sur [−3𝜋; 3𝜋[
2. a) Montrer que f vérifier les conditions de Dirichlet
b) Calculer les coefficients de Fourier de f (on distinguera les cas b2𝑝 et
b2𝑝−1 )
c) Déterminer la série de Fourier de f
(−1)𝑝−1 1 𝜋2
3. Calculer la somme ∑+∞
𝑝=1 sachant que ∑+∞
𝑝=1 =
2𝑝−1 (2𝑝−1)2 8
50
Chapitre IV : CALCULS DE PROBABILITÉS
On
cherche la probabilité d'événements complexes, l’énumération des cas élémentaires est
souvent difficile, fastidieuse, ou l'un et l'autre. Pour faciliter la tâche, on utilisera les
principes de base de l'analyse combinatoire.
I- VOCABULAIRE DE BASE
Ensemble : un ensemble est constitué d'éléments. Leur nombre, s'il est fini, est le
cardinal de l'ensemble, soit A = {a; b; c; d; e} d'où cardA = 5
Expérience aléatoire : Une expérience est aléatoire lorsque son issue est imprévisible.
Exemple : on lance un dé.
L'univers : l'univers fi est l'ensemble des résultats possibles (éventualités). Pour le

lancer d'un de
Ω = {1; 2; 3; 4; 5; 6}
Evénement : Partie de l'univers notée A, B, C.... (A, B, C⊂ Ω) .P(Ω) est l'ensemble des
événements de l'univers Ω (A, B, C ∈ P(Ω)). L'ensemble des nombres impairs est A = {1,
3, 5} dans le cas .du lancer de dé
L’événement élémentaire : événement comportant une seule éventualité. Les

ensembles {1}, {2}, {3}, {4}, {5}, {6} sont des événements élémentaires.
Evénement certain, impossible: respectivement Ω et ⊘ (ensemble vide).
Evénements contraires : A̅ est l'événement contraire de A (ce sont des parties

complémentaires dans Ω ; on note symboliquement A ̅ = Ω - A). L'ensemble des nombres
pairs est l'événement contraire de l'ensemble des nombres impairs dans le cas de
lancers de dé.
Evénement A∩B : c'est l'événement A et B (A et B se réalise lorsque A et B se réalisent

simultanément). A∩B = {x ∈ Ω x ∈ A et x ∈ B}
Evénement A∪B : c'est l'événement A ou B. (A ou B se réalise lorsque l'un au moins des

deux événements se réalise. A∪B = {x ∈ Ω x ∈ A ou x ∈ B}.
Evénements incompatibles : On dit que A et B sont incompatibles (c'est-à dire ne

̅
peuvent pas se produire simultanément) si A∩B = 0. Il est clair par exemple, que A et A
̅=⊘
sont incompatibles car on a toujours A∩ A
1. THEOREMES:
• A⊂B ⇔A∩B = A • ̅̅̅̅̅̅̅

A ∪ B = A̅ ∩ B
̅
51
• A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) • ̅̅̅̅̅̅̅
A ∩ B = A̅ ∪ B
̅
• A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) ̅)
• A= (A ∩ B) ∪ (A ∩ B
•A∪B=B∪A •A∩B=B∩A
2. PROBABILITE :
a) Définition :
Soit Ω un univers et P(Ω) l'ensemble des événements de cet univers. Une probabilité est
une application p : Ω → [0 ; 1] telle que :
1- p (⊘) = 0
2- p (Ω)= 1
3- p (A ∪ B)= p(A) + p(B) si A et B sont incompatibles.
4- Si l'univers Ω est fini et si les événements élémentaires sont équiprobables, alors :
Card(A) nombre de cas favorables
P (A) = Card (Ω ) = . Ainsi, la probabilité d’un événement A est la
nombre de cas possibles
fréquence (au sens statistique) de A de Ω
Card(Q) nombre de cas possibles fréquence (au sens statistique) de A de Ω.
Exemple 1:
On tire deux cartes au hasard dans un jeu de 32 cartes. On cherche la probabilité

d'obtenir deux rois. On est bien dans le cadre de la probabilité uniforme avec Card(Ω)
C232 = 496. Soit A l'événement aléatoire «on obtient deux rois». Puisque le jeu comporte 4
rois, le nombre de cas favorables est Card(A) = C24 = 6. Finalement on trouve P (A) =
Card(A) 6
= 496 = 0,012
Card (Ω )
b) Propriété
Quels que soient les événements A et B
• 0 ≤ P ( A) ≤ 1 ;
• P (A ∪ B) = P (A) + P (B) – P (A ∩ B);
̅ ) = 1 – P (A) ;
• P (A
• si A ⊂ B alors P (A) ≤ P (B) . ' .
Exemple 2 : tirage avec remise
On lance 4 fois de suite une pièce de monnaie.
1. Quelle la probabilité d'obtenir 4 fois pile ?

52
2. Quelle la probabilité d'obtenir au moins une fois face au cour des quatre lancers ?
Solution :
Soit A «obtenir 4 fois pile » et B «obtenir au moins une fois face»
Card(A) 14 1
1. P (A) = = = .
Card (Ω ) 24 16
1 15
2. A et B sont deux événements contraires donc P(B) = 1 - P(A) = 1 - = = = 16
16
3. Probabilité conditionnelle :
a) Définition :
La probabilité conditionnelle de A sachant que B est réalise-est le nombre noté p(A/B)

défini par :
P(A ∩ B)
P (A/B) = P(B)
On rencontre aussi la notation PB(A).
b) Formule de probabilités composées :
Soient A et B deux événements aléatoires. Alors on a :
• P (A ∩ B) = P(A) P(B/A) si p(A) ≠ 0 ;
• P (A ∩ B) = P(B) P(A/B) si P(B) ≠ 0 ;
c) Evénements indépendants :
Soient A et B deux événements. On dit que A est indépendant de B si : P(A ∩ B) = P(A)

P(B)
Remarque :
• A est indépendant de B si et seulement si P (A/B) = P(A). C'est-à-dire la réalisation de B

n'a d'influence sur celle de A.
• A est indépendant de B si et seulement si P (B/A) = P(B). C'est-à-dire la réalisation de A

n'a d'influence sur celle de B.
Exemple 3 : Evénements indépendants
On lance deux dés non pipes simultanément. On note :
A «la somme des chiffres est 8 » ;
B «le 1er dé a donné, un chiffre pair » ;
C «le 2ème dé a donné un chiffre pair ».
1. Calculer P(A), P(A ∩ B), P (B/A) et P(B ∩ C).

2. Les événements B et C sont-ils indépendants ?
53
Solution :
1er lancer
1 2 3 4 5 6
2ème lancer
(1 ; 2) (1 ; 1) (1 ; 2) (1 ; 3) (1 ; 4) (1 ; 5) (1 ; 6)
(2 ; 2) (2 ; 1) (2 ; 2) (2 ; 3) (2 ; 4) (2 ; 5) (2 ;6)
(3 ; 2) (3 ; 1) (3 ; 2) (3 ; 3) (3 ; 4) (3 ; 5) (3 ; 6)
(4 ; 2) (4 ; 1) (4 ; 2) (4 ; 3) (4 ; 4) (4 ; 5) (4 ; 6)
(5 ; 2) (5 ; 1) (5 ; 2) (5 ; 3) (5 ; 4) (5 ; 5) (5 ; 6)
(6 ; 2) (6 ; 1) (6 ; 2) (6 ; 3) (6 ; 4) (6 ; 5) (6 ; 6)
A = {(2 ; 6); (6 ; 2); (5 ; 3); (4 ; 4)} B = {2; 4; 6} x {1; 2; 3; 4; 5; 6}, A ∩ B =
{(2 ; 6); (6 ; 2); (4 ; 4)}
et B ∩ C = {2; 4; 6} x {2; 4; 6}. Card (Ω) = 6 x 6 = 36

Card(A) 5 Card(A∩B) 3 1
P (A) = = 36 , P (A ∩ B) = = 36 = 12
Card (Ω ) Card (Ω )
P(A ∩ B) 3⁄ 3 Card(B∩ C) 18 1
P (B/A) = = = 5 36 = et P (B ∩ C) = = = et
P (A ) ⁄36 5 Card (Ω ) 36 2
1
P (B) x P (C) = 4 = P (B ∩ C par conséquent B et C sont indépendants.
Formule de probabilités totales :
On appelle système complet d'événements toute famille [A1, A2, ...., An} d'événements
deux à deux incompatibles tels que :
• P (Ai) > 0 i = 1, 2, …., n
• ∑𝑛𝑖=1 𝑃 (𝐴𝑖 ) = 1
On dit aussi que les événements Ai forment une partition de Ω ;
• Ω = ⋃iAi.
Ai ∩ Aj = ⊘ pour i ≠ j
Si on décompose un événement quelconque sur cette partition de Ω, on a : B = ⋃𝑛𝑖=1 (Ai ∩

B)
D'où on obtient la formule des probabilités totales
P (B) = P(A1 ∩ B) + P(A2 ∩ B) + .............+ P(An ∩ B).
P(B) = P(Al) P(B/A1) + P(B/A2) P(B/A2) + .............. + P(An) P(B/An)
54
d) formule de Baves ;
Si B est un événement tel que P(B)>0 et un système complet d'événements, la formule de

Bayes s'écrit:
𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )
P(Ai/B) = 𝐵 𝐵
𝑃(𝐴1 )𝑃( )+ 𝑃(𝐴2 )𝑃( )+⋯………+ 𝑃(𝐴𝑛 )𝑃(𝐵/𝐴𝑛 )
𝐴1 𝐴2
Exemple 4 :
On a une pièce mécanique qui est fabriquée soit par l'usine 1,2 ou 3. On suppose que
25% (respectivement 30% et 45%) de la production provient de l'usine 1
(respectivement l'usine 2 et 3). On suppose que 10% (respectivement 2% et 5%) des
pièces produites par l'usine 1 (respectivement l'usine 2 et 3) sont défectueuses.
1. On prend une pièce, quelle est la probabilité pour qu'elle soit défectueuse ?
2. On tire une pièce au hasard. On constate qu'elle est défectueuse. Quelle est la
probabilité pour cette pièce provienne de l'usine 1.
Solution :
Soient Ui la pièce choisie provient de l'usine i » et D « la pièce choisie est défectueuse
D
0,10
U1
0,90 ̅
𝐷
0,25
0,02 D
0,3 U1
0,98 ̅
𝐷
0,45
0,05 D
U1
0,95
̅
𝐷
1.
P(D) = P (U1 ⋂ D) + P (U2 ⋂ D) + P (U3 ⋂ D) = P (D/U1)P(U1)+ (D/U2)P(U2)+ (D/U3)P(U3)
P(U1)=0,25; P(D/U1) = 0,10; P (U2) = 0,3; P(D/U2) = 0,02; P (U3) = 0,45; P(D/U3) = 0,05
2.
𝑃(𝑈1 )𝑃(𝐷/𝑈1 0,10 x 0,25
P(U1/D) = = = 0,467.
𝑃(𝐷) 0,0535
55
II- VARIABLES ALEATOIRES DISCRETES
1. VARIABLES ALEATOIRES
Soit Ω un univers fini à N éventualités, Ω = {𝜔1 , 𝜔2 , … … … 𝜔𝑁 } (N∈ ℕ). On appelle
variable aléatoire toute application X de Ω dansℝ.
X:Ω→ℝ
𝜔𝑘 ↦ xi où k ∈ {1, 2, … … … … . , 𝑁}
xi est appelé valeur de la variable aléatoire X.
2. VARIABLES ALEATOIRES DISCRETES

Lorsque l'univers Ω est fini, la variable aléatoire X est dite discrète.
3. LOI DE PROBABILITES DISCRETES:

L'ensemble des couples (xi ; P(X = xi)) avec i = {1, 2, … … … … . , 𝑛} constitue la loi de
probabilité de la variable aléatoire X qui est le plus souvent consigné dans le tableau ci-
dessous :
X = xi x1 x2 ……… xn
P(X = xi) P1 P2 ……… Pn
Remarque Soit P(X = xi) = Pi et de plus, ∑𝑖=1 𝑃𝑖 = 1
𝑛
4. ESPERANCE MATHEMATIQUE, VARIANCE ET ECART-TYPE :

• On appelle espérance mathématique de la variable aléatoire X le nombre réel, noté
E(X) défini par:
E(X) = ∑𝑛𝑖=1 𝑋𝑖 𝑃𝑖
•On appelle variance de la variable aléatoire X le nombre réel positif, noté V(X) définie
par :
V(X) = E[(X)-(E(X)) 2] = ∑ni=1(xi − (E(X))2 Pi = = ∑ni=1(𝑥𝑖2 𝑃𝑖 − (E(X))2 = (E(X)2 - (E(X))2
• L'écart -type de cette loi, noté 𝜎(X), est la racine carrée de la variance : 𝜎(X) = √𝑉(𝑋).
5. PROPRIETES :
Soit k une constante.
• E(X + k) = E(X) + k • E(k X) = k E(X)
. V(X + k) =V(X) • V(k X) = k2 V(X) • 𝜎(k X) = |k| 𝜎(X)
56
6. FONCTION DE REPARTITION :
a. Définition :
On appelle fonction de répartition de la variable aléatoire X l'application F définie par :
F : ℝ → [0,1]
x↦ F(x) = P(X ≤ x)
F(x) est la probabilité de l'événement « obtenir une valeur de X inférieure ou égale à x ».
b. Propriétés :
Soit a et b deux nombres réels

• P(X > a) = 1- P(X ≤ a) = 1 - F(a)
• P(a ≤ X ≤ b) = P(X ≤ b) - P(X ≤ a)-F(b)-F(a).
• La fonction F est croissante.
• Si x < x, F(x) = 0 ; si x ≥ xn F(x) = 1.
Exemple 1 :
Deux urnes U1 et U2 contiennent trois boules numérotées respectivement 1, 2, 3 et 2, 3,

4. On tire au hasard une boule dans chaque urne et on effectue le produit X des numéros
tirés
1. Déterminer la loi de probabilité de X et tracer le graphe de sa fonction de

répartition F.
2. Calculer E(X), V(X) et 𝜎(X).
Solution. :
U2
2 3 4
U1
1 2 3 4
2 4 6 8
3 6 9 12
1. Les valeurs prises par X : X = {2; 3; 4; 6; 8; 9; 12} . La loi de probabilités est :
xi 2 3 4 6 8 9 12 Total
1 1 2 2 1 1 1
Pi 1
9 9 9 9 9 9 9
2 3 8 12 8 9 12 54
xiPi
9 9 9 9 9 9 9 9
4 9 32 72 16 81 144 406
x2i Pi
9 9 9 9 9 9 9 9
57
La fonction de répartition F:
54
2. E(X) = ∑ xi Pi = =6
9
406
∑(𝑥𝑖2 𝑃𝑖 – (E(X))² = - 6² = 3,02
9
7. LOIS DE PROBABILITES DISCRETES
a. Epreuve de Bernoulli
On appelle épreuve de Bernoulli une épreuve ayant deux éventualités. Ou l'éventualité S

« succès » est de probabilité p et l'éventualité S̅ « échec » est de probabilité 1- p.
b. Loi binomial :
On considère un schéma de Bernoulli consistant en la répétition n fois de façons

indépendantes d'une
même épreuve de Bernoulli pour laquelle la probabilité du succès S est p .
On note X la variable aléatoire égale au nombre de succès obtenus sur les n répétitions,
pour tout k ∈ N tel que 0 ≤ k ≤ n , P(X = k) = Ckn x Pk x (1-p)n-k.
On dit que la variable aléatoire X suit une loi binomiale de paramétrés n et p, notée en
abrégé 𝔅(n,p)
Remarque : ∑nk=1 P(X=k) pfX ^ k) = l: E(X) = nxp; V(X) = nxpx(l-p) ; C(X) = nxpx(l-
p).
c. Loi de Poisson ;
Une variable aléatoire X à valeurs dans ℝ suit une loi de Poisson de paramètre 𝜆 (𝜆 > 0),
λk -λ
notée en abrégé P (𝜆) si la loi de probabilité de X est définie par P(X = k) = e pour tout
k!
k ∈ ℕ.
Les caractéristiques sont : E(X) = 𝜆 ; V(X) = 𝜆 ; 𝜎(X) = √𝜆.
d. Approximation de la loi__binomiale B(n, p) par la loi de Poisson P(𝜆)
Pour n «assez grand» (n > 30) et pour p «voisin» de 0, (p ≤ 0,l) tels que. np(1- p) ≤10, on
peut
58
approcher la loi binomiale B(n, p) par la loi de Poisson P(𝜆), où 𝜆 = n p .
λk
On a alors: P(X = k) = k! e-λ . ' '
Exempte 2
Une fabrique de tubes électroniques produit en moyenne 1% de tubes défectueux. On

considère une commande de 300 tubes et on appelle X la variable aléatoire égale au
nombre de tubes défectueux parmi ces 300.
1. Quelle est la loi de probabilité de X ?

2. Déterminer le nombre moyen de tubes défectueux.
3. Démontrer que cette loi peut être approchée par une loi de poisson dont on
précisera le paramètre.
4. Calculer, en utilisant celte approximation, la probabilité pour que, parmi les 300
tubes livrés, il y en ait moins de quatre défectueux (strictement).
Solution :
1. La variable aléatoire X qui désigne le nombre de tubes défectueux suit deux

issues contraires :
• Le succès « le tube est défectueux » de probabilité p= 0,01.
• L'échec « le tube n'est pas défectueux » de probabilité q= 0,99.
Cette expérience est répétée 300 fois dans des conditions identiques et indépendantes.
Donc X suit la loi binomiale de paramètres n = 300 et p = 0;01.
2. E(X) = np = 300x0,01 = 3 donc le nombre moyen de tubes défectueux est 3.

3. N = 300, p = 0,01 et np(1-p) = 2,97 donc n>30, p ≤ 0,l et np(l-p) ≤ 10 par
conséquent 'la loi X peut être approchée à la loi de poisson de paramètre 𝜆 = n x
p = 3.
4. P(X < 4) = P(X=0) + P(X=0) + P(X=1) + P(X=2) + P(X=3) =
0,05+0,149+0,224+0,224=0,647.
D'après la table, On pouvait trouver ce résultat par calcul qui est :
30 31 32 33
P(X < k) = 0! e-3 + 1! e-3 + 2! e-3 + 3! e-3 = 13e-3 = 0,647
59
III- VARIABLES ALEATOIRES CONTINUES
1- VARIABLES ALEATOIRES CONTINUE
Soit Ω un univers. On dit qu'une variable aléatoire X est continue si l'ensemble des
valeurs de X est un intervalle I donné de ℝ.
2. FONCTION DE REPARTITION D'UNE VARIABLE ALEATOIRE CONTINUE :
a. Définition :
On appelle fonction de répartition de la variable aléatoire X l'application F définie par :
F: ℝ →[0; l]
x ↦F(x) = P(x <≤x)
b. Propriétés :
Soit a et b deux nombres réels sur un intervalle
 P(X > a ) = 1 -P(X ≤ a) = 1 - F(a)

 P(a < X ≤ b) = P(X ≤ b) - P(X ≤ a) = F(b) -F(a).
 La fonction F est croissante
 lim F(x) = 0 et lim F(x) = 1;
x→-∞ x→+∞
 La fonction F est continue sur un intervalle I de ℝ
3. DENSITE DE PROBABILITE :
a. Définition :
Une fonction f définie sur ℝ est une densité de probabilité si :
 Pour tout réel x ; f(x) ≥ 0 ;

 f est continue sauf éventuellement en un nombre fini de points ;
+∞
 ∫-∞ f(x)dx = 1.
b. Propriété :
Soit X une variable aléatoire continue et F la fonction de répartition de X.
 La dérivée de F sur ℝ est une-densité de probabilité de X notée f.

 La fonction F est la primitive de f suivante :
t
F(t) = P(X ≤ t) = ∫-∞ f(x)dx
F(t) est l’aire de la surface délimitée par la courbe représentative de la densité f, l’axe
des abscisses et la droite d'équation x = t.
4. ESPERANCE MATHEMATIQUE, VARIANCE ET ECART-TYPE
 L'espérance mathématique d'une variable aléatoire continue X est le nombre réel,

+∞
noté E(X), défini par : E(X) = ∫-∞ xf(x)dx
 On appelle variance de X le nombre réel positif, noté V(X), défini par :
60
+∞
V(X) = E(X2)-[E(X)]2 = = ∫-∞ x²f(x)dx - [E(X)]2
 l'écart type de X, noté 𝜎(x), est la racine carré de la variance : 𝜎(x) = √V(X)
Exemple 1:
Soit a ∈ ℝ , a > 0 et soit X la variable aléatoire continue de densité de probabilité f avec ;
f(x) = { ax 4-x
( ) si 0 ≤ x ≤ 4
0 sinon
1. Trouver a afin que X suive bien une loi de probabilité.
2. Calculer l'espérance et la variance de X.
3. Déterminer la fonction de répartition de X.
4. Calculer les probabilités suivantes P(X=2) ; P(X< 2) ; P (2<X<3).
Solution :
1. On a toujours :
4
+∞ x3 3
∫-∞ f(x)dx = 1⟹ [2x2 - 3 ] = 1 D’où a = 32
0
4
+∞ 4𝑥 3 x4 64a
2. E(X) = ∫-∞ xf(x)dx = a[ - 4] = = =2
3 0 3
4
+∞ x5 24 4
V(X) = ∫-∞ x²f(x)dx - [E(X)]2 = a[x4 - ] – 2² = –4==
5 0 5 5
3. Si F est la fonction de répartition de X, on a pour tout x ∈ ℝ, F(x) = P(X ≤ x) =

x
∫-∞ f(x)dx .
Par suite :
si x ≤0
3 x3
F(x) = (2x2 - ) si 0 ≤x ≤4
1 32 3
si x ≥4
4. P(X=2)=0 en effet pour une variable aléatoire continue, la densité de probabilité en un
point est nulle.
27 1
P(X<2)=F(2)=0,5 et P (2<X<3)=F(3)-F(2)= 32 - = 0,34375
2
5. Lois de probabilités continues ;
61
a. Loi normale ou loi de Laplace-Gauss :
La loi de probabilité d'une variable aléatoire continue X suit la loi normale ou loi de
Laplace Gauss de paramètres m et , notée N(m, 𝝈 ) , si la densité de probabilité f est
définie par :
1 x-m 2
1
f(x) = σ√2π 𝑒 -2( σ )
𝑥
La fonction de répartition F de X est donnée par l'intégrale : F(x) = P(X ≤ x) = ∫-∞ f(x)dx
les caractéristiques de la loi normale N (m,𝜎 ) sont: E(x) = m; V(X) = 𝜎²; 𝜎(X) = 𝜎
b. Loi normale centrée réduite :
 Définition :
Si les paramètres d'une loi normale sont respectivement m=0 et 𝜎 = l, alors on dit que la
loi est centrée réduite, on la note N (0 ; 1). La densité de probabilité associée à la
x2
1
normale N (0 ; 1) est la fonction g définie par g(x) = 𝑒 -2
√2π
Sa courbe représentative Cg est symétrique par rapport à l'axe (y y') car g est paire. .
 Théorème :
X-m
Si la variable aléatoire X suit la normale N (m ; 𝜎), alors la variable aléatoire T = suit
σ
la loi normale centre réduite N (0 ; 1). • . .
c. Fonction de répartition associée à la loi normale centrée réduite :
 Définition :
Soit T la variable aléatoire qui suit la loi normale centrée réduite N (0 ; 1).
La fonction de répartition Π(t) de T est donnée par l'intégrale : Π(t) = P(T ≤ t) =
𝑥 2
𝑡 1 −
∫−∞ 2𝜋 𝑒 2 𝑑𝑥
√
Une table donne les valeurs de cette fonction intégrale Π(t) = P(T ≤ t) uniquement pour
les valeurs positives de la variable t.
Pour les valeurs négatives, on utilise la propriété de symétrie de symétrie de la courbe
Π(- t) = 1 - Π(t)
 Propriétés
Soit T la variable aléatoire qui suit la loi normale centrée réduite N (0 ; 1).
 p(T<a) = p(T≤ a) = Π(t)

 p(a ≤ T ≤ b) = p(a < T ≤ b) = p(a ≤ T < b) = Π(b) - Π(a)
 p(T > a) = p(T≥ a) = Π(- a) = 1 - Π(a)
 p(- a ≤ T ≤ a) = p(- a < T < a) = p(- a ≤ T < a) = p(- a < T < a) = 2Π(a) – 1 (a > 0)
62
d. Approximation d'une loi Binomiale B (n, ni par une loi Normale N (m ;𝝈)
Pour n « assez grand » (n ≥ 50) et pour p ni voisin de 0 ni voisin de 1, tels que np(l-p) >
10 , on peut approcher la loi binomiale B (n, p) par la loi normale N(m ;𝜎) en prenant m =
np et
𝜎 = 𝜎(X) = √np(1-p)
1 k-m 2
1
𝑒 -2( )
On a alors: P(X = k) = σ
σ√2π
e. approximation d’une loi de Poisson p(𝝀) par une loi normale (m ;𝝈)
Pour 𝜆 > 20, on peut approcher la loi de poisson P(λ), par la loi normale N (m ;𝜎) en
prenant m = λ et 𝜎 = √λ
Exemple 8 :
On considère une population 1res nombreuse où chaque individu est susceptible de

posséder un caractère A, avec une probabilité p = 0,4. On effectue 900 observations et on
désigne par X le nombre d'individus ayant le caractère A dans cet échantillon.
1. Déterminer la loi de probabilité de X.
2. Déterminer l'espérance mathématique et la variance de X,
3. Démontrer que cette loi peut être approchée par une loi normale dont on précisera les
paramètres.
4. Calculer P(335 ≤ X ≤ 350).
Solution :
1. La variable aléatoire X qui désigne le nombre d'individus ayant le caractère A suit

deux issues contraires :
 Le succès « l'individu possède le caractère A » de probabilité p = 0,4.

 L'échec « l'individu ne possède pas le caractère A » de probabilité q = 0,6.
Cette expérience est répétée 900 fois dans des conditions identiques et indépendantes. X
suit la loi binomiale de paramètres n = 900 et p = 0,4.
2. E(X) = np = 900 x 0,4 = 360.
3- n = 900, p=0,4 et q = l - p = 0,6 donc n ≥ 50 et np(l-p) > 10 par conséquent X peut

être approchée par une loi normale N (m ;𝜎) en prenant m = np = 360 et 𝜎 = √n(1 - p) =
14,67
335-360 𝑋-360 350-360
4. P(335 ≤ X ≤ 350) = p( ≤ ≤ ) = p(- 1,70 ≤ T ≤ 0,68
14,67 14,67 14,67
P(335 ≤ X ≤ 350) = Π(-0,68) - Π(-1,70) = 1 - Π(0,68) – 1 + Π(1,70)
63
P(335 ≤ X ≤ 350) = Π(1,70) - Π(0,68) = 0,9554 – 0,7517 = 0,2037
64
TRAVAUX DIRIGES
EXERCICE 1:
Dans Ouédraogo et frères, on a établi, sur une longue période, que le nombre de
personnes absentes (xi) par semaine pouvait être régi par la loi de probabilité suivante :
Xi 0 1 2 3 4 5 6 7
P(X = Xi) 0,05 0,09 0,15 0,34 0,21 0,12 0,03 0,01
1. Déterminer le taux moyen d'absentéisme.

2. Calculer la variance et l'écart-type de la variable « nombre de personnes absentes par
semaine ».
3. S'il en coûte à l'entreprise 6 000 FCFA chaque fois qu'une personne est absente,
déterminer le coût moyen hebdomadaire ainsi que la variance et l'écart-type.
EXERCICE 2:
Dans cet exercice, les probabilités seront arrondies au centième
Partie A
Un grossiste achète des boîtes de thé vert chez deux fournisseurs. Il achète 80% de ses
boîtes chez le fournisseur A et 20% chez le fournisseur B.
10% des boîtes provenant du fournisseur A présentent des traces de pesticides et .20%
de celles provenant du fournisseur B présentent aussi des traces de pesticides.
On prélève au hasard une boîte du stock du grossiste et on considère les événements
suivants :
 événement A : « la boîte provient du fournisseur A » ;
 événement B : « la boîte provient du fournisseur B » ;
 événement S : « la boîte présente des traces de pesticides ».
3. Traduire l'énoncé sous forme d'un arbre pondéré.
a. Quelle est In probabilité de l'événement B HS ?
b. Justifier que la probabilité que la boîte prélevée ne présente aucune trace de
pesticides est égale à 0,88,
5. On constate que la boîte prélevée présente des traces de pesticides.
Quelle est la probabilité que cette boîte provienne du fournisseur B?
Partie B
Le gérant d'un salon de thé achète 10 boîtes chez le grossiste précédent. On suppose que
le stock de ce dernier est suffisamment important pour modéliser cette situation par un
tirage aléatoire de 10 boîtes avec remise.
On considère la variable aléatoire X qui associe à ce prélèvement de 10 boîtes, le nombre
de boîtes sans tracé de pesticides.
1. Justifier que la variable aléatoire X suit une loi binomiale dont on précisera les
paramètres.
2. Calculer la probabilité que les' 10 boîtes soient sans trace de pesticides.
3. Déterminer la moyenne de boîtes qui ne présentent aucune trace de pesticides.
65
EXERCICE 3:
Une avenue comporte 15 intersections munies chacune d'un feu tricolore. POUF chacun
de ces feux, le rouge dure 35 secondes, l'orange 5 secondes et le vert 20 secondes. Un
automobiliste décide de parcourir cette avenue, de bout en bout.
 Quelle est la probabilité de trouver à une de ces intersections :
a. Le feu au vert.
b. Le feu au rouge.
c. Le feu à l'orange.
 L'arrêt est obligatoire à une intersection si le feu est au rouge ou à l'orange. Quelle est
pour cet automobiliste, la probabilité de s'arrêter à une intersection ?
 On suppose que les 15 feux fonctionnent de façon indépendante, et que la probabilité
de s'arrêter
2
Est 3 . Soit X le nombre d'arrêts pour cet automobile qui parcourt cette avenue.
a. Montrer que X suit une loi binomiale B (n ; p) que l'on précisera;
b. Calculer la probabilité pour cet automobiliste de ;
 Ne s'arrêter aucune fois.
 S'arrêter exactement deux fois.
 S'arrêter au moins 3 fois.
 Combien de fois en moyenne, s'arrêtera-t-il probablement du 1er à la 15ème
intersection ?
EXERCICE 4:
Une entreprise fabrique par jour, des jouets qu'elle conditionne dans des sacs
appropriés à raison de 100 jouets par sac. La probabilité qu'un jouet qu'elle fabrique soit
défectueux est de 0,05. On désigne par X la variable aléatoire « X égale au nombre de
jouets défectueux conditionné dans un sac ».
1. montrer que X suit une loi binomiale dont on précisera les paramètres.
2. Déterminer le nombre de jouets défectueux que pourrait contenir, en .moyenne un
sac de jouets fabriqués par cette entreprise.
3. Montrer que la loi binomiale que suit la variable aléatoire X, peut être approchée par
une loi de poisson dont on précisera le paramètre.
4. Utiliser la loi de Poisson pour calculer la probabilité de chacun des événements
suivants :
A : « il y a exactement 2 jouets défectueux parmi les jouets conditionnés dans 1 sac».
B : « il y a au plus 4 jouets défectueux parmi les jouets conditionnés dans 1 sac».
C : « il y a au moins 5 jouets défectueux parmi les jouets conditionnés dans 1 sac».
5. Quel serait le chiffre d'affaire moyen d'un commerçant, qui revendrait au prix unitaire
de 15 000F les jouets contenus dans un sac ?
EXERCICE 5:
1. Un laboratoire a mis au point un test pratiqué par un « détecteur de mensonges » au
cours d'une KERMESS où les jeunes gens se rencontrent. Quand un jeune ment le, test
est .positif dans le cas contraire le test est négatif.
 Lorsqu'un couple de sexe opposé se rencontre, pour 68% le test positif.
 Lorsqu'un couple de même sexe se rencontre, pour 24% le test positif.
Sachant que dans ce quartier 66% de jeunes couples de sexes opposés se forment au
cours des KERMESS ; calculer la probabilité qu'une rencontre du quartier dont le test de
66
mensonge s'est révélé positif ne soit pas un couple de sexes opposés. (Indication :
théorème de BAYES).
2. A cause du détecteur de mensonge, les comportements ont changé dans le quartier et
le pourcentage moyen de couples mixtes testés positifs est de 8% par mois, le nombre
de couple testés positif par mois suit une loi de poisson. Chaque couple a la même
probabilité pour être testé sur un mois :
a. Aucun couple ne soit teste positif.
b. Trois couples soient testés positifs.
c. Au moins 2 couples soient testés positifs. . . .
d. Plus de 3 couples soient testés positifs.
EXERCICE 6:
Soit g la densité définie par :
−𝑥
g(x) = k𝑒 2 si ≥ 1
0 si < 1
1. Calculer la valeur de k.
2. Soit X la variable aléatoire réelle admettant g pour densité de probabilité.
Déterminer la fonction de répartition G de X et calculer P(X < 3).
3. Calculer E(X). :
4. Calculer P [(5 ≤ X < 7.)/(X > 3)].
EXERCICE 7:
En général quatre demandeurs d'emploi sur dix falsifient leur curriculum vitae. Une
agence de recrutement dispose d'u U2n fichier de 150 demandeurs d'emploi. On désigne
par X la variable aléatoire « égale au nombre de curriculum vitae falsifiés dans ce fichier
».
1. Montrer que X suit une loi binomiale B(n, p) que l’on précisera.
2.
a. quel est en moyenne le nombre de curriculum vitae falsifiés que pourrait contenir ce
fichier?
b. Déterminer l'écart-type de la variable aléatoire X.
3.
a. Montrer que la loi binomiale B(n, p) peut être approchée par une loi normale dont
on déterminera les paramètres,
b. Utiliser cette approximation de la loi binomiale pour calculer la probabilité de
chacun des événements suivants :
A « le fichier contient au moins 40 CV falsifiés »
B « le fichier contient au plus 50 CV falsifiés »
C « le nombre de CV falsifiés que contient le fichier est strictement compris entre 45 et
55 »
EXERCICE 8:
Une enquête concernant les montants des tickets de caisse a été effectuée dans un
supermarché. On admet que la loi de la variable aléatoire X qui à tout ticket tiré au
hasard dans l'ensemble des tickets imprimés pendant une journée associe son montant
exprimé en francs, peut être assimilée à la loi normale d'espérance mathématique m =
500 et d'écart type 𝜎 = 200.
67
1. Calculer la probabilité pour que le montant d'un ticket de caisse choisi au hasard
dépasse 400F. (Donner le résultat à 10-2 près).
2. Soit a un nombre réel positif et E l'événement (500-a <X 2 500 + a). Déterminer a tel
que P(E) = 0,9. (Donner la valeur approchée de a arrondie à l'unité près).
3. On prélève successivement et avec remise, trois tickets de caisse. On note Y la
variable qui mesure le nombre de tickets dont le montant dépasse 400F parmi les
trois.
a. Déterminer la loi suivie par Y.
b. Déterminer la probabilité d'obtenir parmi les trois tickets prélevés, au moins un
ticket dont le montant dépasse 400F.
4. On prélève maintenant, successivement et avec remise, n tickets de caisse. On note Z
la variable aléatoire qui associe, à chaque échantillon de taille n, la moyenne de cet
échantillon. On admet que Z suit approximativement la loi normale d'espérance
𝜎
mathématique m = 500 et d'écart type 𝜎 = 𝑛
√
Soit E1 l'évènement (Y ≥ 538). Déterminer la valeur minimale de n pour que p(E1) ≥ 0,99
EXERCICE 9: (EXTRAIT PU BTS SEI 2011)

Soit f la fonction numérique de la variable réelle x définie sur R par :
−𝜋 −𝜋
0 𝑠𝑖 𝑥 𝜖 ]−∞; 2 [ ∪ ] 2 ; +∞[
f(X) = { 2 −𝜋 𝜋
𝑐𝑜𝑠 2 (𝑥 )𝑠𝑖 𝑥 ∈ [ ; ]
𝜋 2 2
1. Montrer que f est une densité de probabilité.

2. On désigne par X la variable aléatoire à valeurs réelles, de densité de probabilité f
définie dans la question 1. Calculer les probabilités suivantes :
π
a. p (X> 6 )
-π π
b. p ( 3 < X < 6 )
π π
c. p (X < 4 sachant X > 6 )
3.
a. On appelle le mode de la variable aléatoire X, la valeur a ∈ ℝ pour laquelle la
densité f est maximale. Déterminer le mode de la variable aléatoire X.
b. On appelle le médiane de la variable aléatoire X, la valeur b ∈ ℝ pour laquelle P
(X < b) = P (X > b). Déterminer la médiane de la variable aléatoire X.
4.
a. Déterminer l'espérance mathématique de la variable aléatoire X notée E(X) (on
rappelle
+∞
E(X) = ∫-∞ xf(x)dx
+∞
b. Sachant que E(X2) = = ∫-∞ x²f(x)dx, calculer la variance et l’écart-type de la
variable aléatoire X
68
EXERCICE 10:
Une étude menée par le cabinet SUCCES a montré que 50% des étudiants échouent au
BTS-FCGE. Il prélève un échantillon de 100 étudiants candidats de cette filière. Soit X la
variable aléatoire donnant le nombre d'étudiants admis au BTS.
1. Montrer que X suit une loi binomiale. Préciser les paramètres.

2.
a. Quelles sont les caractéristiques de cette loi ?
b. Quel est le nombre moyen d'étudiants admis ?
3. Calculer la probabilité qu'il y ait exactement 10 étudiants admis.
4. Peut-on approcher la loi binomiale que suit X par une loi normale ? justifier la
réponse.
5. Calculer la probabilité des événements suivants ;
a. « plus de 55 candidats sont admis ».
b. « le nombre d'admis est compris entre 45 et 55 ».
EXERCICE 11:
Une entreprise fabrique industriellement des pains de soja. Leurs emballages portent
notamment l'indication suivante : poids net : 500 grammes.
I- Calculs de probabilités :
On estime que le poids en grammes d'un pain produit, est une variable aléatoire X qui
suit la loi normale de moyenne 520 et d'écart type 20. On suppose que les poids des
différents pains sont indépendants les uns des autres. A l'emballage, un pain est refusé si
son poids est inférieur ou égal à 490 grammes.
1. Un pain arrive à l'emballage. Montrer que la probabilité qu'il soit refusé est égale
à 0,0668.
2. Deux pains arrivent à l'emballage. Calculer la probabilité de chacun des
événements suivants :
A : « les deux pains sont refusés ».
B : « l'un au moins des pains est refusé »
(On donnera les résultats à l0-3 près, en utilisant pour les calculs le résultat approché
obtenu à la question précédente).
II- Détermination d'une loi binomiale et approximation par une loi

normale :
L'entreprise produit 10 000 pains par semaine. On note Y la variable aléatoire mesurant
le nombre de pains à remballage, dans la production d'une semaine.
1.
a. Montrer que Y suit une loi binomiale ; donner les paramètres de cette loi.
b. Calculer la moyenne et l'écart type de Y. (On arrondira les deux derniers
résultats aux nombres entiers les plus proches).
2. On remplace la loi de Y par une loi normale qui en constitue une approximation
suffisante.
69
a. Quels sont les paramètres de celle-ci ?
b. Calculer, en utilisant cette approximation, la probabilité de l'événement « 650
< Y < 700 ». (On arrondira le résultat à 10-2 près).
EXERCICE 12:
Les deux parties de cet exercice sont indépendantes. Une entreprise fabrique en grande
quantité des tiges métalliques cylindriques pour l'industrie. Leur longueur et leur
diamètre sont exprimées en millimètres. Dans cet exercice, les résultats approchés sont
à arrondir à 10-2.
A. Loi normale
Une tige de ce type est considérée comme conforme pour la longueur lorsque celle-ci
appartient à l'intervalle [99,45; 100,55]. On note X la variable aléatoire qui, à chaque tige
prélevée au hasard dans la production, associe sa longueur. On suppose que X suit la loi
normale de moyenne 100 et d'écart type 0,25. .
1. Calculer la probabilité qu'une tige .prélevée au hasard dans la production soit

conforme pour la longueur ;
2. Déterminer le nombre réel h positif tel que : P (100 - h ≤ X ≤ 100+h) = 0,95.
Interpréter le résultat à l'aide d'une phrase.
B. Loi binomiale et loi de Poisson
Dans un lot de ce type de tiges 3% des tiges ne sont pas conformes pour, la longueur. On
prélève au hasard 50 tiges de ce lot pour vérification de la longueur. Le lot est
suffisamment important pour que l'on puisse assimiler ce prélèvement à un tirage avec
remise de 50 tiges. On considère la variable aléatoire Y qui, à tout prélèvement de 50
tiges, associe le nombre de tiges non conformes pour la longueur.
1. Justifier que la variable aléatoire Y suit une loi binomiale dont on déterminera les
paramètres.
2. Calculer la probabilité que, dans un tel prélèvement, deux tiges ne soient pas
conformes pour la longueur.
3. Calculer la probabilité que, dans un tel prélèvement, au plus deux tiges ne soient
pas conformes pour la longueur.
4. On considère que la loi suivie par Y peut être approchée par une loi de Poisson.
Déterminer le paramètre X de cette loi de Poisson.
5. On désigne par Z une variable aléatoire suivant la loi de Poisson de paramètre A
où X est la valeur obtenue au 4. Calculer P (Z = 2) et P (Z < 2).
EXERCICE 13:
Les trois parties de cet exercice peuvent être traités de façon indépendante.
Une usine fabrique, en grande quantité, des rondelles d'acier, leur diamètre est exprimé
en millimètres. Dans cet exercice, sauf indication contraire, les résultats approchés sont
à arrondir à 10-3 près.
70
A. Loi normale
Une rondelle de ce modèle est conforme pour le diamètre lorsque celui-ci appartient à
l'intervalle
[89,6; 90,4].
1. On note X, la variable aléatoire qui, à chaque rondelle prélevée au hasard dans la

production, associe son diamètre. On suppose que la variable aléatoire X 1 suit la
loi normale de moyenne 90 et d'écart type 𝜎 = 0,17. Calculer la probabilité qu'une
rondelle prélevée au hasard dans la production soit conforme.
2. L'entreprise désire améliorer la qualité de la production des rondelles : il est
envisagé de modifier le réglage des machines produisant les rondelles. On note D
la variable aléatoire qui, à chaque rondelle prélevée dans la production future,
associera son diamètre. On suppose que la variable aléatoire D suit une loi
normale de moyenne 90 et d'écart type σ1 .
Déterminer σ1 pour que la probabilité qu'une rondelle prélevée au hasard dans la
production future soit conforme pour le diamètre soit égale à 0,99.
B. Loi binomiale Arrondir à l0-3 près
On note E l'événement : « une rondelle prélevée au hasard dans un stock important a un

diamètre défectueux ».On suppose que P(E) = 0,02. On prélève au hasard quatre
rondelles dans le stock pour vérification de leur diamètre. Le stock est assez important
pour que l'on puisse assimiler ce prélèvement à un tirage avec remise de quatre
rondelles. On considérera la variable aléatoire, Y1 qui, à tout prélèvement de quatre
rondelles, associe le nombre de rondelles de ce prélèvement ayant un diamètre
défectueux.
1. Justifier que la variable aléatoire Y1 suit une loi binomiale dont on déterminera
les paramètres.
2. Calculer la probabilité que dans un tel prélèvement, aucune rondelle n'ait un
diamètre défectueux.
3. Calculer la probabilité que, dans un tel prélèvement, au plus une rondelle ait un
diamètre défectueux.
C. Approximation d'une loi binomiale par une loi normale
Les rondelles sont commercialisées par lots de 1000. On prélève au hasard un lot de
1000 rondelles dans un dépôt de l'usine. On assimile ce prélèvement à un .tirage avec
remise de 1000 rondelle. On considère la variable aléatoire qui, à tout prélèvement de
1000 rondelles, associe le nombre de rondelles non conformes parmi ces 1000
rondelles. On admet que la variable aléatoire suit la loi binomiale de paramètres n =
1000 et p = 0,02. On décide d'approcher la loi de la variable aléatoire par la loi normale
de moyenne 20 et d'écart type 4,43. On note Z une variable aléatoire, suivant la loi
normale de moyenne 20 et d'écart type 4,43.
1. Justifier les paramètres de cette loi normale.

2. Calculer la probabilité qu'il y ait au plus 15 rondelles non conformes dans le lot
de 1000 rondelles.
71
EXERCICE 14:
La variable aléatoire X suit la loi normale N (15 ; 1,5). Calculer les probabilités : P(X<13)
;
P(X ≤ 18) ; P(4 < X < 19).
72
Chapitre V : ESTIMATION
L'échantillonnage est l'étude de liens existant entre les paramètres (moyenne ou
fréquence) des échantillons issus de la population elle-même. Grace à l'échantillonnage,
on peut faire des statistiques différentielles. Pour prédire, dix jours avant l'élection, la
proportion exacte d'ivoiriens qui va voter pour tel ou tel candidat, il faudrait interroger
tous [es ivoiriens : c'est matériellement impossible. On interroge donc un échantillon
d'environ railles personnes (sondage) et on en déduit une estimation de la proportion
recherchée.
Une machine doit remplir des paquets de sucre de 1 kg. Il est matériellement impossible
de vérifier que la masse de chaque paquet est bien de 1 kg. Alors, pour contrôler le bon
réglage de la machine, on étudie un échantillon de 50 paquets et on prendra une
décision grâce aux tests d'hypothèses, théorie qui doit beaucoup au statisticien anglais
KARL PEARSON.
I- ÉCHANTILLONNAGE
1. Théorème dit « loi faible (les grands nombres »
Soit X1, X2...... Xn , n variables aléatoires indépendantes de même loi, définies sur Ω telle
que
1
E(Xi)= m et V(Xi) = 𝜎². On définit les variables aléatoires : Sn = X1 + X2 +... + Xn et ̅̅̅
X n = n Sn
Alors lim P(|̅𝑋̅̅𝑛̅ − 𝐸(𝑋)|) = 1 ou ̅𝑋̅̅𝑛̅ converge en probabilité vers E(X).

n→-∞
2. Théorème de la limite centrée (théorème central limite)
Soit X1, X2...... Xn , n variables aléatoires indépendantes de même loi, définies sur Ω telle
que E(Xi) = m et V(Xi)= 𝜎2.
X1 + X2 +... + Xn
Pour n suffisamment grand, la variable aléatoire ̅𝑋̅̅𝑛̅ − = suit
𝑛
σ
approximativement la loi normale N (m ; ).
√n
3. Distribution d'échantillonnage
a. Principe
L'échantillonnage consiste, connaissant les propriétés d'une population, à déterminer

les propriétés des échantillons dans cette population.
Nous ne considérerons ici que des échantillons aléatoires et des tirages effectués avec
remise, pour que des tirages soient indépendants. Dans le cas où l'effectif de la
population est grand, ce qui est très souvent le cas des populations que l'on étudie, on
peut assimiler les tirages exhaustifs (sans remise) à des tirages avec remise. Un
échantillon peut donc être considéré comme la réalisation d'une suite de n variables
aléatoires indépendantes de même loi de probabilité.
73
b. Distribution d'échantillonnage de moyennes
Soit une population d'effectif N de moyenne m et d'écart type c. On prélève un

échantillon aléatoire de taille n. soit X la variable aléatoire qui associe à chaque
échantillon sa moyenne. Alors pour n suffisamment grand, la loi de X peut être
σ
approchée par la loi normale N (m ; n).
√
Exemple :
Une production de 10 000 objets est réglée pour un poids moyen de 250g et pour un
écart type de 10g.
On prélève 200 objets (tirage avec remise).
Calculons la probabilité pour que la moyenne de l'échantillon soit comprise entre 249g
et'250g.
L'échantillon étant suffisamment grand, la loi d'échantillonnage X peut être approchée

10 √2
par la loi normale N (250 ; = )
√200 2
249 - 250 249 - 251

P(249 ≤ ̅
X ≤ 251) = p ( √2 < 𝑇 < √2
) = P(√2 < T < - √2) = 2Π(1,414) – 1 ≈ 0,84
2 2
c. Distribution d’échantillonnage de fréquence
Soit une population d'effectif N dont N' éléments possèdent le caractère étudié. La
N'
fréquence du caractère étudié est p = 𝑁 . Soit la variable aléatoire F donnant la fréquence
du caractère étudié pour chaque échantillon aléatoire de taille a prélevé. Alors pour n
suffisamment grand, la loi de F peut être approchée par la loi
p(1-p)
normale N (p;√ ).
n
Remarque ;
Ce théorème est un cas particulier du précédent et on est ici dans le cas d'une
approximation de la loi binomiale par la loi normale.
Exemple ;
Au cours d'une consultation électorale, Monsieur Zozo, le candidat du PIFC a recueilli

55% des suffrages exprimés.
Calculons la probabilité d'avoir, dans un échantillon de taille 100 prélève parmi les
suffrages exprimés, moins de 50% des voix pour le candidat ZOZO. La taille de
l'échantillon étant suffisamment grande, F suit approximativement la loi N(0,55 ; 0,05 ).
0,55(1- 0,55)
(√ = 0,0497 ≈ 0,05)
100
74
0,5−0,55
P(F < 0,5) = p(𝑇 < ) = P(T < -1) = Π(-1) = 1- Π(1) = 1 – 0,8413 = 0,1587
0,55
II- STATISTIQUE DIFFERENTIELLE : ESTIMATION
1. Principe
Je ne connais pas la fréquence ou la moyenne d'un caractère d'une population donnée et

j'essaie de T estimer en observant on échantillon.
Par exemple, .avant les élections, on ne connaît pas encore les résultats, mais on aimerait
bien savoir…on ne peut pas interroger toute la population, alors les instituts spécialisés
effectuent des sondages, c'est-à-dire interrogent 1000 personnes environ dans la
population Ivoirienne et, à partir de là; ils évaluent les 'résultats que devraient obtenir
les différents candidats
L'estimation peut se faire à l'aide d'un nombre qu’ils estiment celui recherché ; c'est
l'estimation ponctuelle ou à l'aide d'un intervalle : c'est l'intervalle de confiance (ou
la fourchette).
2. Estimation
Je ne connais pas m (moyenne de la population) et généralement pas non plus 𝜎(écart

type de population) et je cherche à l'aide de la moyenne notée me (ou x̅) et de l'écart type
𝜎𝑒 (ou 𝜎𝑛 )
a. Estimation ponctuelle de m et 𝝈
Règle 1
La moyenne x̅ d'un échantillon de taille n prélevé au hasard dans une population est une
bonne estimation ponctuelle de la moyenne m de population
Règle 2
L'écart type 𝜎 d'un échantillon de taille n prélevé au hasard dans une population n'est
pas une bonne estimation de l'écart type 𝜎 de la population. On admettra que le nombre
n
√n-1 σn est bonne estimation ponctuelle de 𝜎 (ce nombre est généralement noté 𝜎𝑛−1 sur
les calculatrices).
b. Estimation d'une moyenne par intervalle de confiance
On considère la variable aléatoire ̅

X, qui, à tout échantillon aléatoire de taille n associe sa
moyenne et
on suppose que les conditions sont réunies pour considérer que la loi normale N
p(1-p)
(p;√ ) Règle:
n
Un intervalle de confiance de la moyenne m au niveau de confiance 𝜎% est :

𝜎 𝜎 1+α%
[𝑋̅ − 𝑡 ; 𝑋̅ + 𝑡 ] où t est le nombre tel que Π(t) = et se lit dans la table de la loi
√𝑛 √𝑛 2
𝒩(0 ;1)
75
𝛼% est le niveau de confiance.
(1-𝛼)% est le seuil de risque.
Condition d’application
Les résultats précédents sont valides si les conditions sont réunies pour considérer que
p(1-p)
la loi de X suit la loi normale N (p;√ ), c'est-à-dire si l'une des 3 conditions suivantes
n
est réalisée :
 La population suit une loi normale N (m ; 𝜎) avec 𝜎 connu, quelle que soit la
taille de l'échantillon.
 La population suit une loi normale N (m ; 𝜎) avec 𝜎 inconnu, mais l'échantillon
est de grande taille (supérieure à 30) et le résultat s'applique alors en prenant
pour écart type son estimation ponctuelle.
 La population suit une loi quelconque de moyenne m et d'écart type 𝜎 et
l'échantillon est de grande taille (supérieure à 50).
Valeurs usuelles des coefficients de confiance
 Confiance à 90%; risque de 10%; 2Π(t) – l = 0,90 ⟺ Π(t) = 0,95 ⟺ t ≈ 1,645
Exemple
Pour mieux gérer les demandes de crédits de ses clients, le directeur d'une agence
bancaire réalise une étude relative à la durée de traitement des dossiers, Un échantillon
aléatoire non exhaustif de 50 dossiers traités a donné ;
Temps en minutes [0; 10[ [10;20[ [20; 30[ [30; 40[ [40; 50[ [50; 60[
Nombre de 16
4 9 13 5 3
personnes
Moyenne de l'échantillon ̅X = 28 min, écart type de l'échantillon : 𝜎𝑛 ≈ 12, 69.
On en déduit :
Estimation ponctuelle de la moyenne m de la population : 28 min.
n 50
Estimation ponctuelle de l’écart type 𝜎 de la population : 𝜎𝑛−1 = √n-1 σn = √50−1 × 12,69
L'intervalle de confiance de la moyenne au niveau de confiance de 95% (ou seuil de 5%)

est :
𝜎 𝜎 12,82 𝜎12,82
[𝑋̅ − 𝑡 ; 𝑋̅ + 𝑡 ] = [28 − 1,96 × ; 28 + 1,96 × ]
√𝑛 √𝑛 50 √50
niveau de confiance de 95% => t = 1,96.
On peut estimer (et on est « sûr à 95% ») que la moyenne du temps passé dans l'agence
pour le traitement d'un dossier est compris entre 24,45 min et 31,60min.
Remarque :
1. Avec d’autres échantillons de même effectif, on obtiendrait de nouveaux,
intervalles de confiance de cette moyenne avec le même coefficient de confiance.
Si on prélevait un très grand nombre de tels échantillons, environ 95 pour 100 d'entre
eux contiendraient la moyenne inconnue m de la population. En fait, on n'en prélève
qu'un seul et on ne peut pas savoir si celui-ci contient ou non le nombre m, mais la
76
méthode mise en œuvre permet d'obtenir un « bon » intervalle dans 95 cas sur
100 (un « bon »intervalle contient m).
2. Cet intervalle de confiance de la moyenne m de la population a pour centre la
moyenne ̅ X de l'échantillon qui sert à le définir.
3. Il ne faut pas écrire, car dans ces inégalités, il n'y a que des constantes,
4. On obtient un intervalle de longueur moindre en augmentant la taille de
l'échantillon, mais prendre un échantillon plus grand demande plus de temps de
traitement statistique et augmente donc le prix de l'étude.
3. Estimation d'une proportion
a) Estimation ponctuelle de p
Règle La proportion pn du caractère dans un échantillon de taille n prélève au hasard
dans une population est une bonne estimation ponctuelle de la proportion p du
caractère dans la population.
b) Estimation d'une proportion par intervalle de confiance

On considère une population et un caractère de cette population en proportion p (ou
fréquence ou pourcentage). On considère la variable aléatoire F, qui, à tout échantillon
aléatoire de taille n associe la proportion du caractère considéré dans l'échantillon. On
suppose que les conditions sont réunies pour considérer que la loi de F peut être
p(1-p)
approchée par la loi normale N (p;√ ).
n
Règle :
Un intervalle de confiance de la fréquence p au niveau de confiance 𝛼% est :
𝑃𝑛 (1−𝑃𝑛 ) 𝑃𝑛 (1−𝑃𝑛 ) 1+ α%
[𝑃𝑛 − 𝑡√ ; 𝑃𝑛 + 𝑡√ ]où t est le nombre tel que Π(t) = et se lit
𝑛−1 𝑛−1 2
dans la table de lu loi 𝒩(0 ; 1)
 𝛼% est le niveau tic confiance.

 (1-𝛼)% est le seuil de risque,
Exemple.:
Dans un sondage effectué 15 jours avant le scrutin auprès des 1000 personnes choisies
de façon aléatoire dans la commune Yopougon, 458 habitants de Yopougon se déclarent
favorable à la candidate Madame Konan. La proportion d'électeurs favorables à Madame
Konan dans cet échantillon est de :
458
Pn = 1000 = 45,8%
L’estimation ponctuelle de la proportion d’électeurs favorables à Madame Konan dans la

ville de
Yopougon 45,3%.
Déterminons l'intervalle de confiance au seuil de 5% de la proportion p d'électeurs qui
vont voter pour
Konan :
77
Le fait de déterminer l'intervalle de confiance au seuil de 5% => t = 1, 96.
D'où l’intervalle de confiance de la proportion au seuil de 5% (ou niveau de confiance de
95%) :
0,458 ×0,542 0,458 ×0,542
[0.458 − 1,96 × √ ; 0.458 + 1,96 × √ ; ] = [4271 ;0,4889]
1000−1 1000−1
A partir du sondage effectué sur 1000 personnes, on peut estimer (avec un coefficient de
confiance de 95%) que le score de Madame Konan sera dans la fourchette [42,71%;
48,89%]
78
TRAVAUX DIRIGES
EXERCICE 1:
L'intervalle de confiance d'une moyenne, calculée à partir d'un échantillon est : [92,8 ;
95,4] en pourcentage et au seuil de risque de 5%.
 Sachant que l'écart type de la population est égal à 7,96, calculer la taille n de
l'échantillon.
 Donner l'intervalle de confiance de cette moyenne au seuil de 1%.
EXERCICE 2:
On s'intéresse au diamètre des pièces produites par une entreprise de matériel. Pour un
échantillon de 60 pièces prélevées au hasard et avec remise, on a obtenu une moyenne
de 4,012 cm et un écart type de 0,083 cm. . ;:
1. Donner une estimation ponctuelle, à 10-3 près, de la moyenne 𝜇 et de l'écart type

𝜎 des diamètres des pièces de la production.
2. Donner un intervalle de confiance de la moyenne 𝜇 avec le coefficient de
confiance de 95%.
EXERCICE 3 :
Une machine automatique remplit des paquets dont la masse théorique doit être de 250
grammes.
I- Les masses observées pour un échantillon de 100 paquets pris au hasard à la

sortie de la machine, ont donné les résultats suivants :
Masse en grammes Nombre de paquets
[215;225[ 7
[225;235[ 11
[235; 245[ 19
[245; 255[ 26
[255;265[ 18
[265; 275[ 13
[275; 285[ 6
1. Déterminer la masse moyenne me et l’écart-type 𝜎𝑒 de l'échantillon

2. Déterminer une estimation ponctuelle de la moyenne m et de l'écart-type 𝜎 de la
population.
3. Déterminer un intervalle de Confiance au seuil de risque de 5% de la masse
moyenne de la population.
79
II- On suppose que la probabilité que la masse d'un paquet appartienne à
l'intervalle [245; 255[ est 0,26. On effectue des contrôles sur des échantillons
de n paquets au hasard et avec remise. On note X la variable aléatoire qui, à
tout échantillon ainsi défini de n paquets, associe le nombre de paquets dont
la masse est dans l'intervalle [245; 255[.
1. Quelle est la loi suivie par X ?
2. On suppose que n = 6.
Déterminer la probabilité d'obtenir dans un tel échantillon exactement 4 paquets
dont la masse est dans l'intervalle [245;255[.
3. Déterminer la valeur minimale n0 de n, entier strictement positif, pour que la
probabilité d'obtenir au moins un paquet de masse appartenant à l'intervalle
[245; 255[ soit supérieure à 0,95.
III- Soit Y la variable aléatoire qui, à chaque paquet prélevé au hasard à la sortie
de la machine, associe la masse de ce paquet, exprimée en grammes ; on
suppose que la variable aléatoire Y suit une loi normale de moyenne m et
d'écart type 15,8g.
1. On prend m = 250g.
Déterminer la probabilité que la masse d'un paquet pris au hasard à la sortie de
la machine soit inférieure à 245g.
2. Un réglage de la machine permet de faire varier la valeur m (l'écart type est
inchangé).
Sur quelle valeur de m, au gramme près, doit être réglée la machine pour que P(Y
≤ 245) ≤ 0,1 ? Justifier.
NB : Toutes les valeurs approchées seront données à 10-2 près.
EXERCICE 4: (EXTRAIT PU BTS IDA 2011)
Une usine de montage d'ordinateurs utilise des roulements provenant de deux usines de
fabrication de pièces mécaniques, l'une située à Abidjan, l'autre à San-Pedro. 60% des
roulements de son stock proviennent de l'usine d'Abidjan et le reste de celle de San-
Pedro.
On estime que 2% des roulements en provenance de l'usine d'Abidjan sont défectueux et

que 4,5% de ceux qui proviennent de l'usine de San-Pedro le sont.
1. On prélève au hasard un roulement dans le stock.

a. Démontrer que la probabilité pour qu’un roulement soit défectueux est 0,03;
b. On constate à l'usage que le roulement prélevé au hasard est non défectueux.
Déterminer la probabilité qu'elle provienne de l'usine de San-Pedro.
2. On prélève dans le stock, successivement au hasard et avec remise ; dix
roulements. On désigne par X la variable aléatoire égale au nombre de
roulements non défectueux.
a. Quelle est la loi de X ? Préciser ses paramètres.
b. Déterminer au centième près par excès, la probabilité que neuf au moins de
ces roulements soient non défectueux.
80
3. On étudie dans cette partie le diamètre des roulements. On note D la variable
aléatoire qui, à chaque roulement associe son diamètre en millimètre. On admet
que D suit la loi normale de, moyenne 23,65mm et d'écart type 0,02mm.
a. On choisit au hasard un roulement. Quelle est la probabilité que son diamètre
soit inférieur à 23,61mm ou supérieur à 23,70mm.
b. Déterminer un intervalle de confiance au seuil de 95% du diamètre moyen
des roulements du stock. .
EXERCICE 5: (EXTRAIT PU BTS Mines-Géologie-Pétrole 2012)
Un gisement minier découvert dans une région donnée, est exploitée à l'aide d'une
machine qui polit le minerai en boule sphérique. On a mesuré le diamètre de 100
minerais et les résultats de ces mesures sont consignés dans le tableau ci-dessous. (Les
mesures des diamètres en cm sont réparties en classe d'amplitudes 0,02cm).
Classe des diamètres Effectifs correspondants

[21,93 ; 21,95[ 3
[21,95 ; 21,97[ 7
[21,97 ; 21,99[ 27
[21,99 ; 22,01[ 30
[22,01 ; 22,03[ 24
[22,03 ; 22,05[ 7
[22,05 ; 22,07[ 2
1.
a. Donner la moyenne me et l'écart-type 𝜎𝑒 de cette série statistique (les
résultats seront arrondis à 10-4
b. Dans la pratique, le diamètre d'un minerai exprimé en cm est une variable
aléatoire X qui suit la loi normale de moyenne m = 22 cm et d’écart-type 𝜎 =
0,25 cm. Un minerai est refusé si son diamètre est strictement inférieur à
21,95 cm ou strictement supérieur à 22,05 cm. Quelle est la probabilité qu'un
minerai pris au hasard dans la production soit accepté ?
2. On admet que la probabilité pour qu'un minerai soit refusé est q = 0,5. On prélève
au hasard un échantillon de 80 minerais dans la production, (ce prélèvement est
assimilé à un tirage de 80 minerais avec remise). On désigne par Y la variable
aléatoire qui est égal au nombre de minerais refusés dans l'échantillon des 80
minerais prélevés.
a. Donner la loi suivie par Y.
b. Déterminer le nombre moyen d'échantillons refusés.
c. Calculer P [(Y = 0)/(Y ≤ 2)].
3. On approche la variable aléatoire Y par la variable aléatoire Y1, où Y1 suit la loi de
poisson de paramètre 𝜆.
a. Donner la valeur de 𝜆.
b. Avec la loi Y1, calculer la probabilité que l'échantillon prélevé 'contienne
exactement 10 minerais refusés.
4. Après vérification, la variable aléatoire X qui est égal au diamètre du minerai est
en réalité, une variable aléatoire continue de densité de probabilité f définie par :
81
π
a cos (4 x) si [−2 ; 2 ]
f(X) = {
0 𝑠𝑖 ]−∞ ; −2[ ∪ ]2 ; +∞[
a. Déterminer a pour que f soit une densité de probabilité

1
b. Calculer P(X < -1) et P (X > )
4
c. Déterminer E(X) où E(X) désigne l'espérance mathématique de la variable
aléatoire X.
EXERCICE 6: (EXTRAIT DU BTS SEI 2013)
Une machine fabrique des rondelles en acier pour les souris d'ordinateurs. On admet
que la variable aléatoire X qui est égale au nombre au diamètre d’une rondelle suit une
loi normale de moyenne m = 90mm et d'écart-type 𝜎 =0,16mm.
1.
a. On dit qu'une rondelle est conforme si son diamètre appartient à l’intervalle
[89,7 mm ;90,3 mm ]
Quelle est la probabilité pour qu'une rondelle prise au hasard dans la
production soit non conforme ?
b. Déterminer le réel a tel que la proportion de rondelles ayant un diamètre
compris entre 90 - 𝛼 et 90 + 𝛼 soit 90%.
2. On admet que la probabilité pour qu'une pièce soit conforme est p = 0,94. D'un lot
contenant un très grand nombre de rondelles, on tire n pièces. On désigne par Y
la variable aléatoire qui est égale au nombre de rondelles non-conformes parmi
les n rondelles tirées.
a. Donner la loi de probabilité de Y.
b. Donner l’écart-type de la variable aléatoire Y en fonction de n.
c. On prend n = 10, calculer la probabilité pour que l'on ait au moins 3 pièces
conformes.
3. On tire 50 pièces.
a. Montrer que la loi suivie par Y peut être approchée par une loi de Poisson
dont on précisera le paramètre.
b. Avec cette loi de Poisson, calculer la probabilité d'avoir au plus 2 pièces non-
conformes.
4. On tire un échantillon de 100 rondelles et on constate que le diamètre moyen de
ces rondelles est 89,96mm. Déterminer au risque de 5%, un intervalle de
confiance de la moyenne des diamètres des rondelles. NB : 𝜋(1.65) = 0,95.
Exercice 7 :
Pour mieux gérer les demandes de crédits de ses clients, le directeur d'une agence
bancaire réaliser une étude relative à la durée de traitement des dossiers. Un échantillon
aléatoire non exhaustif de 30 dossiers traités a donné :
Durée en
[0; 10[ [10;20[ [20; 30[ [30; 40[ [40; 50[ [50; 60[
minutes
Nombre 3 6 10 7 3 1
82
1. Calculer des valeurs approchées de la moyenne et de l'écart type des durées de
traitement des dossiers de cet échantillon.
2. En déduire des estimations ponctuelles de la moyenne m et de l'écart type de la
population totale des dossiers traités.
3. Soit la variable aléatoire X qui, à tout échantillon aléatoire non exhaustif de taille
30 de cette population, associe sa moyenne. On suppose que X suit la loi normale
σ
N (m ; ).
√30
4. Donner une estimation de m par l'intervalle de confiance de centre X, avec le
coefficient de confiance 95%, fourni par cet échantillon, en prenant pour 𝜎 son
estimation ponctuelle.
83
CHAPITRE IV : PROBLABILITES
I. NOTIONS DE PROBABILITE
Exemple introductif : une boite contient 10 jetons :2 verts, 3rouges, et 5 bleus. On

tire simultanément et au hasard deux jetons de cette boite :
a) Combien y-a-t-il de tirages ?
b) Combien y-a-t-il de tirages comportant des jetons de même couleur ?
c) Combien y-a-t-il de tirages comportant des jetons de même couleur
différentes ?
d) Combien y-a-t-il de tirages comportant un jeton rouge et un jeton bleu ?
e) Combien y-a-t-il de tirages ne comportant des jetons verts ?
1. Vocabulaire
 On appelle expérience aléatoire une épreuve pour laquelle on dispose de

certaines informations, mais dont le résultat ne peut être prévu à l’avance
avec certitude.
Exemple : tirer simultanément et au hasard deux jetons de la boite.
 On désigne par un univers l’ensemble des résultats possibles à l’issue d’une

expérience aléatoire. On la note Ω ou U.
2
Dans l’exemple précédent,Card Ω = 𝐶10 .
 Soit Ω l’univers d’une expérience aléatoire. On appelle évènement une

partie de l’univers Ω. On la note A, B, …
Exemple : A : "le tirage comporte des jetons de même couleur"
B : "le tirage comporte un jeton rouge et un jeton bleu"
On a Card A = 𝐶22 + 𝐶22 + 𝐶52 = 14 et Card B = 𝐶31 x 𝐶51 = 15
 L’ensemble des évènements de l’univers Ωse note P(Ω).
 Un évènement élémentaire est un évènement qui ne comporte qu’une seule

éventualité.
Exemple :C : "le tirage ne comporte que des tirages de couleur Vertes".
On aCard C = 𝐶22 = 1. Donc C, est l’évènement élémentaire.
 Un évènement complémentaire d’un évènement A est l’ensemble des parties
̅
de Ω qui ne sont pas dans A. on le note 𝐴.
Exemple : A : "le tirage comporte des jetons de même couleur."
⟹ 𝐴̅" le tirage comporte des jetons de couleurs différentes."
84
 Soient A, B∈P(Ω).
- A ∩ B est l’évènement "A et B " ; il est formé de la réunion des
éventualités communes à A et B.
- A ∪ B est l’évènement "A ou B" ; il est formé de la réunion des
éventualités A et B.
Remarques
- l’évènement 𝐴 ∩ 𝐵 est aussi appelé AB et aussi appelé évènement

produit tandis que l’évènement 𝐴 ∪ 𝐵 est noté
𝐴 + 𝐵 et appelé évènement somme.
- On a 𝐴 ∪ 𝐴̅ = Ω et𝐴 ∩ 𝐴̅ = ∅. Donc 𝐶𝑎𝑟𝑑 Ω = 𝐶𝑎𝑟𝑑𝐴 + 𝐶𝑎𝑟𝑑𝐴̅
 Deux évènements sont incompatibles si 𝐴 ∩ 𝐵 = ∅.
Exemple : Soient D : "le tirage comporte un jeton rouge et un jeton bleu."

E : "le tirage ne comporte que des jetons verts."
Alors D et E sont incompatibles.
̅̅̅̅̅̅ = 𝐴̅ ∩ 𝐵̅
Propriétés :On a𝐴𝑢𝐵
̅̅̅̅̅̅̅
Et𝐴 ∩ 𝐵 = 𝐴̅𝑈𝐵̅
2. Définitions
D1 la fonction p : Ω → [0 ; 1]est une probabilité surΩ 𝑠𝑖: ( 𝑎 ) 𝑝 ( Ω) =

1
(b) ∀ 𝐴, 𝐵 𝜖 𝑃(Ω), 𝐴 ∩ 𝐵 = ∅ ⟹ 𝑝(𝐴 ∪ 𝐵) = 𝑝(𝐴) + 𝑝(𝐵).
D2on dit qu’il y a équiprobabilité lorsque tous les évènements élémentaires d’une
expérience aléatoire ont la même probabilité d’être réalisé.
3. Propriétés
P1 Sous l’hypothèse d’équiprobabilité, la probabilité de réaliser l’évènement A

se définit par :
𝐶𝑎𝑟𝑑 (𝐴) 𝑛𝑜𝑚𝑏𝑟𝑒 𝑐𝑒 𝑐𝑎𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒 à 𝐴

𝑝 (𝐴 ) = =
𝐶𝑎𝑟𝑑( Ω) 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑝𝑜𝑠𝑠𝑖𝑏𝑙𝑒𝑠
:
P2 : Soient Aet B deux évènements de 𝑃(Ω)
- 𝑝(𝐴̅) = 1 − 𝑝(𝐴)
- 𝑝 ( 𝐴 ∪ 𝐵 ) = 𝑝( 𝐴 ) + 𝑝 ( 𝐵 ) − 𝑝 ( 𝐴 ∩ 𝐵 )
Conséquence :On a 𝑝(∅) = 0
85
II. PROBABILITE CONDITONNELLE
1. Définition
Soit 𝑝 une probabilité sur Ω et A un évènement tel que 𝑝(𝐴) ≠ 0. La

probabilité conditionnelle de B sachant que A est réalisé est le nombre noté
𝑝𝐴 (𝐵)𝑜𝑢 𝑝(𝐵|𝐴) et défini par :
𝑝(𝐴 ∩ 𝐵)
𝑝(𝐵|𝐴) =
𝑝(𝐴)
2. Propriétés
Pour tous évènements A et B de probabilités non nulles, on a :
𝑝(𝐴 ∩ 𝐵) = 𝑝(𝐴). 𝑝𝐴 (𝐵) = 𝑝(𝐵). 𝑝𝐵 (𝐴)
3. Evènements indépendants
Définition :𝑆𝑜𝑖𝑒𝑛𝑡 𝐴 𝑒𝑡 𝐵 ∈ 𝑃 (Ω) 𝑡𝑒𝑙𝑠 𝑞𝑢𝑒 𝑝(𝐴) ≠ 0 𝑒𝑡 𝑞𝑢𝑒 𝑝(𝐵) ≠ 0.

Les évènements A et B sont indépendants si
𝑝(𝐴 ∩ 𝐵) = 𝑝(𝐴). 𝑝(𝐵)𝑜𝑢 𝑝𝐴 (𝐵) = 𝑝(𝐵) 𝑜𝑢 𝑝𝐵 (𝐴) = 𝑝(𝐴).
Propriétés : Si A et B sont deux évènements indépendants, alors :

A et 𝐵̅ sont indépendants,
𝐴̅ et B sont indépendants,
𝐴̅et𝐵̅ sont indépendants.
III. VARIABLES ALEATOIRES ET LOIS FONDAMENTALES
1. Variables aléatoires discrètes
Une variable aléatoire X définie sur un univers probabilisé Ω est dite discrète si
son ensembles image associé X(Ω) est fini ou dénombrable.
2. Lois associés à une variable aléatoire discrète
2.1 Loi binomiale(notation B (n, p)).
Définition : Une épreuve de Bernoulli est une expérience aléatoire qui ne

86
comporte que deux issues généralement appelées succès et échec
de probabilité respectives 𝑝 𝑒𝑡 1 − 𝑝.
Propriété : Etant données :
(a) Une épreuve de Bernoulli de probabilités
𝑝(𝑠𝑢𝑐𝑐è𝑠) 𝑒𝑡 1 − 𝑝(é𝑐ℎ𝑒𝑐 ),
(b) La répétition de façon indépendante, n fois de cette
épreuve de Bernoulli,
(c) La variable aléatoire X qui, à cette succession des n
épreuves de Bernoulli, associe le nombre de succès.
Dans ces conditions, la variable aléatoire X admet la loi de
probabilité appelée loi binomiale de paramètres n et p et
notéB (n, p).
La probabilité d’obtenir k succès (au cours des n épreuves)

est donnée par la formule suivante (où n et p sont supposés
connus)
𝑃(𝑋 = 𝑘) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
Valeurs caractéristiques
Si une variable aléatoire 𝑋 ↝ B(n, p), alors :
 Son espérance mathématique (ou moyenne) de𝑋 𝑣𝑎𝑢𝑡 𝐸 (𝑋) = 𝑛𝑝.
 Sa variance est 𝑉 (𝑋) = 𝑛𝑝(1 − 𝑝),
 Et son écart type 𝜎(𝑋) = √𝑛𝑝(1 − 𝑝).
Dans le fichier "ingénieur" d’une école, chaque élève-ingénieur correspond à
une fiche unique. Un tiers des élèves-ingénieur sont domiciliée à Cocody. En
supposant que chaque fiche à la même probabilité d’être choisie, on prélève 5
fiches avec remise de telle façonque les 5 tirages soient indépendants. Soit X la
variable aléatoire qui a un prélèvement de 5 fiches associe le nombre de fiches
correspondant à des élèves-ingénieurs domiciliés à Cocody.
1. Déterminer la loi de probabilité de X.

2. Calculer𝑃(𝑋 ≥ 2)𝑒𝑡𝑃(𝑋 <5).
3. Déterminer l’espérance mathématique de X.
2 .2 Loi de Poisson (notation P(𝝀)
Définition
Une variable aléatoire X suit la loi de Poisson de paramètre 𝝀(positif) lorsque
87
sa loi de probabilité est, pour tout nombre entier naturel k,
−𝜆
𝜆𝑘
𝑃 (𝑋 = 𝑘 ) = 𝑒 ×
𝑘!
Si une variable aléatoire
𝑋 ↝ P(𝜆), 𝑎𝑙𝑜𝑟𝑠: 𝐸 (𝑋) = 𝜆, 𝑉(𝑋) = 𝜆𝑒𝑡𝜎(𝑋) = √𝜆.
La variable aléatoire X mesurant le nombre de client se présentant au guichet
"Affranchissement" d’un bureau de poste par intervalle de temps de durée 10
mn, entre 14h30 et 16h30, suit la loi de poisson de paramètre 𝜆 = 5.
Calculer la probabilité qu’entre 16h et 16h30 mn, il y ait au moins 6 personnes
à ce guichet à se présenter à se guichet.
B. Variable aléatoire continue
Dans le domaine économique et industriel, on est amené à étudier des variables pouvant
prendre, au moins théoriquement, n’importe quelle valeurs dansℝ. C’est le cas par exemple,
la variable aléatoire X mesurant la durée de bon fonctionnement en jour d’un équipement
particulier fabriqué en grande série, avec l’intervalle [0; +∞[.
Pour une telle variable, les évènements sont du type :
(𝑋 ≤ 400), ( 𝑋 > 1000), 𝑜𝑢( 400 ≤ 𝑋 ≤ 1000). Nous sommes donc amenés à utiliser la
fonction de répartition pour le calcul des probabilités.
1 .Définition
Une variable X est continue. S’il existe une fonction positive 𝑓 , continue sur ℝ
(appelée densité de probabilité de X) telle que :

+∞
∫ 𝑓(𝑡)𝑑𝑡 = 1
−∞
La loi de probabilité de X est donnée par :

𝑎 𝑏
𝑃(𝑋 ≤ 𝑎) = ∫ 𝑓 (𝑡)𝑑𝑡, 𝑃(𝑎 < 𝑋 ≤ 𝑏) = ∫ 𝑓 (𝑡)𝑑𝑡 𝑒𝑡 𝑃(𝑋 = 𝑎) = 0.
−∞ 𝑎
88
Remarque
Dans les égalités ci-dessus, les signes ≤ 𝑒𝑡 <, ≥ 𝑒𝑡 > s’emploient
Indifféremment.
2. Fonction de répartition
On appelle fonction de répartition de X la fonction F définie sur ℝpar :
𝑥
𝐹 (𝑥 ) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
Remarque On a :
𝑃(𝑎 < 𝑋 < 𝑏) = 𝐹(𝑏) − 𝐹 (𝑎), 𝑃(𝑋 < 𝑥 ) = 𝐹(𝑥 ) 𝑒𝑡 𝑃(𝑋 > 𝑥 ) = 1 − 𝐹(𝑥 ).
Soit X une variable aléatoire continue de densité f,
 L’espérance mathématique de X est définie par :
+∞
𝐸 (𝑋 ) = ∫ 𝑡𝑓(𝑡)𝑑𝑡
−∞
 La variance et l’écart-type sont définies par :
+∞
𝑉(𝑋) = ∫−∞ [𝑡 − 𝐸(𝑋)]2𝑓(𝑡)𝑑𝑡 𝑒𝑡 𝜎(𝑋) = √𝑉(𝑋)
Exercice
Soit 𝑘 > 0. On considère la fonction 𝑓 définie sur ℝ
𝑓 (𝑡) = 𝑘𝑒 −2𝑡 𝑠𝑖 𝑡 ≥ 0
par :𝑓 (𝑥 ) = {
𝑓 (𝑡 ) = 0 𝑠𝑖 𝑡 < 0
89
1. Déterminer le réel k pour que 𝑓 soit une densité de probabilité.
2. On note X la variable aléatoire associé à la densité de probabilité de 𝑓.
Déterminer la fonction de répartition de X.
3. En déduire les probabilités suivantes :
𝑃 (𝑥 ≤
1), 𝑃(1 ≤ 𝑥 ≤ 2), 𝑃 (𝑥 ≤ 0) 𝑒𝑡 𝑃(𝑥 ≥ 5)
4. Déterminer E(X).
3.Loi normale ou loi de Laplace-Gauss (notation N(m,𝜎))
3 .1Définition
Une variable aléatoire X suit la loi normale de paramètres m et 𝜎(𝑋 ↝ N(𝑚, 𝜎))
lorsque sa densité de probabilité est la fonction définie sur ℝ par :
1 1 𝑡−𝑚 2
𝑓 (𝑡 ) = 𝑒𝑥𝑝 [ ( ) ]
𝜎√2𝜋 2 𝜎
3.2Propriété
Si une variable aléatoire X suit la loi normale N(m,𝜎), alors :
𝐸 (𝑋) = 𝑚𝑉 (𝑋) = 𝜎 2 et 𝜎(𝑋) = 𝜎.
4.La loi Normale centrée réduite (N (0,1))
Propriété
Si une variable aléatoire continue X suit la loi normale N (m,𝜎), alors la variable
𝑋−𝑚
aléatoire 𝑇 = suit la loi normale centrée réduite N (0,1).
𝜎
Remarques
 Comme la variable aléatoire T est centrée réduite 𝑎𝑙𝑜𝑟𝑠 𝑜𝑛 𝑎 ∶

𝐸 (𝑇) = 0 𝑒𝑡 𝜎(𝑇) = 1.
90
 La densité de probabilité de T est la fonction
1 𝑡2
𝜑 (𝑡 ) = 𝑒𝑥𝑝 (− )
√2𝜋 2
 La fonction de répartition de T est définie par :
t
1x2
Π(t)=P(T<t)= ∫ exp (- ) dx
√2π -∞ 2
 Sa représentation graphique est
 La courbe de la densité de probabilité 𝜑(𝑡) est symétrique par rapport à

l’axe des ordonnées.
 L’aire totale de la surface comprise entre la courbe de 𝜑 et l’axe des
abscisses est égale à 1.
Nous en déduisons les relations suivantes :
𝑃(𝑇 ≤ 𝑡) = 𝜋(𝑡), 𝑃(𝑇 > 𝑡) = 1 − 𝜋(𝑡) = 𝜋(−𝑡)
𝑃(𝑡0 ≤ 𝑇 ≤ 𝑡1 ) = 𝜋(𝑡1 ) − 𝜋(𝑡0 )
𝑃(−𝑡 ≤ 𝑇 ≤ 𝑡) = 2𝜋(𝑡) − 1
𝑃(𝑇 ≤ −𝑡 𝑜𝑢 𝑇 ≥ 𝑡) = 2𝜋(−𝑡) = 2[1 − 𝜋(𝑡)]
𝑃(𝑇 ≤ 𝑡0 𝑜𝑢 𝑇 ≥ 𝑡1 ) = 𝜋(𝑡0 ) − 𝜋(𝑡0 ) + 1.
En utilisant la table de la loi normale centrée réduite N (0,1), calculer :
91
𝑃 (𝑇 ≤ 1,67), 𝑃(𝑇 > 1,25), 𝑃(𝑇 ≤ −1,83),
𝑃(𝑇 ≤ 0,42) 𝑒𝑡 𝑃(−2 ≤ 𝑇 ≤ 2).
5 .Relations liant X et T
𝑋−𝑚 𝑡−𝑚
Si 𝑋 ↝ N (𝑚, 𝜎), on sait que 𝑇 = ↝ N(0,1) 𝑒𝑡 𝑜𝑛 𝑎 : 𝑃 (𝑋 < 𝑡) = 𝑃 (𝑇 < )
𝜎 𝜎
𝑡1 −𝑚 𝑡2 −𝑚
P(𝑡1 < 𝑋 < 𝑡2 ) = 𝑃( <𝑇< )
𝜎 𝜎
𝑃(−𝑡 < 𝑇 < 𝑡) = 𝑃 (𝑚 − 𝑡𝜎 < 𝑋 < 𝑚 + 𝑡𝜎)
EXERCICE D’APPLICTION
Sachant que X suit la loi normale de paramètres m = 18 et 𝜎 = 2,5 calculer à 10-3 près les
probabilités suivantes : 𝑃(𝑇 < 17), 𝑃(𝑇 < 19), 𝑃 (𝑇 > 20), 𝑃(16 < 𝑇 < 19.5)
C .APPROXIMTIONS
Pour faciliter les calculs, sous certaines conditions la loi binomiale et la loi de poisson
peuvent être considérées comme ‘’voisines’’. Elles peuvent être approximées, chacune par la
loi normale, on a :
 La loi binomiale B(n,p) peut être approximée par la loi de poisson P(np) si p≤
0,1;
np(1-p) ≤ 10 et n> 30
 La loi binomiale B(n,p) peut être approximée par la loi normale
𝒩(np,√𝑛𝑝(1 − 𝑝)) si np(1-p)> 10 et n ≥ 50
 La loi de poisson 𝒫(𝜆) peut être approximée par la loi normale 𝒩(𝜆, √𝜆) si
𝜆 > 20
92

Fascicule 2bts Industrielle

Transféré par

Droits d'auteur :

Formats disponibles

Fascicule 2bts Industrielle

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

Fascicule 2bts Industrielle

Transféré par

Droits d'auteur :

Formats disponibles

TABLE DES MATIERES

I. Fonctions Causales .........................................................................................................2

CH III - SERIE NUMERIQUES – SERIE DE FOURIER

 La fonction de Heaviside (fonction échelon unité)

 La fonction rampe unité

Exemple : La fonction échelon unité retardée de a

3. Expression d’une fonction à l’aide de la fonction de Heaviside

{f3 (𝑡) 𝑠𝑖 𝑡 ∈ [𝑡2 ; +∞[

Alors f se définit avec la fonction échelon unité de la manière suivante :

f(𝑡) = f1 (𝑡)U(t) + [f2 (𝑡) − f1 ]U(t−𝑡1 )+[f3 (𝑡) − f2 (𝑡)] U(t−𝑡2 )

La courbe ci-contre est celle d’une fonction f.

Expliciter f, puis l’écrire en fonction de l’échelon unité

On considère la fonction f définie sur ℝ par :

On se propose d’expliciter f. Pour cela, nous définissons le tableau.

f0 (𝑡) + f1 (𝑡) 𝑠𝑖 𝑡 ∈ [𝑡1 ; 𝑡2 [

f0 (𝑡) + f1 (𝑡) + f2 (𝑡) 𝑠𝑖 𝑡 ∈ [𝑡2 ; +∞[

Soit a fonction f définie sur ℝpar :

F(t) = t U(t) – (2t – 2) U(t – 1) + (2t – 6) U(t – 3) + (t – 4) U(t –4)

Expliciter puis représenter f.

La transformée de la Laplace d’une fonction causale f est la fonction notéeL[f(t)] de la

En utilisant la définition, déterminer la transformée de la Laplace de la fonction rampe

La fonction fε définie par

3. Les transformées usuelles

original 𝛿 U(t) U(t-a) 𝑒 −𝑎𝑡 U(t) 𝑡 𝑛 U(t) U(t)cos 𝜔𝑡 U(t)sin 𝜔𝑡

a. Déterminer la transformée de la place de chacune des fonctions :

4. Propriétés de la transformation de LAPLACE

Propriété Original Transformée

Théorème de la valeur initiale lim 𝑝F(p) = f(0+ )

lim f(t) = lim 𝑝F(𝑝)

Définition Soient f et g deux fonctions causales. On appelle produit de convolution de f

 Soient f, g et h des fonctions causales. Alors :

En utilisant le produit de convolution, déterminer l’original de la fonction

1- Résolution des équations différentielles

Résoudre (E) : y’’ + 2y’ + y = e-t U(t) avec y (0+) = 1 et y (0+) = 0

On considère le système suivant :

1. Montrer que l’équation différentielle qui régit le système est :

2. On admet que le système est initialement au repos. Déterminer sa fonction de

1. Calculer les transformées de la Laplace suivantes :

𝑝3 +1 (𝑝+1)𝑒 −2𝑝 5𝑝2 −4

a) La décomposition de F(p) dans ℂ.

a) f(t) = 2t [u(t) – u(t–1)]

b) g(t) = sin(t)u(t) + (1 – saint) u(t – 2π)

2. Déterminer la transformée de La place du signal suivant :

3. Soit f la fonction causale et 3-période défini sur ℝ par :

b) Déterminer la transformée de La place de f.

On appelle transformée de Laplace d'une fonction causale f, la fonction F définie pour

En utilisant les propriétés de la transformation de Laplace, calculer :

Exercice 4Unsystème, <<entrée-sortie>> e(t) s((t)

2. Déterminer l'expression du signal s(t) en utilisant la transformation de Laplace.

On considère l’équation différentielle (E) définie par :

(E) : 𝒚’’(𝒙) + 𝟐𝒚’(𝒙) + 𝟑𝒚(𝒙) = 𝒆−𝒙

1) a) Intégrer l’équation différentielle homogène associée à (E).

b) déterminer une solution particulière de l’équation différentielle (E).

c) Déterminer la solution 𝑓 de (E) qui vérifie : 𝑓(0) = 1 𝑒𝑡 𝑓’(0) = 0

2) On veut intégrer l’équation différentielle (E) à l’aide de la transformation de Laplace .On

𝒚’’(𝒙)𝒖(𝒙) + 𝟐𝒚’(𝒙)𝒖(𝒙) + 𝟑𝒚(𝒙)𝒖(𝒙) = 𝒆−𝒙 𝒖(𝒙)

Avec y(0) = 1 𝑒𝑡 𝑦’(0) = 0 et (𝑥 ↦ 𝑢(𝑥) désigne la fonction d’Heaviside).

a) En appliquant la transformée de Laplace à chaque membre de l’égalité de l’équation

(où Y(p) désigne la transformée de Laplace de la fonction causale : 𝑥 ↦ 𝑦(𝑥)𝑢(𝑥) ).